太人类了：LLM 在社会模拟中的不安妙谷
计算机与社会
2025-07-10 v1 人工智能
多智能体系统
摘要
大型语言模型（LLM）越来越多地被用于构建社会模拟中的智能体，因为其在生成流畅、上下文连贯对话方面的卓越能力。这种能力可以增强模型的真实性。然而，追求真实性并不一定与建模的认识论基础相容。我们认为，LLM 智能体在许多方面“太像人类了”：它们过于表达、过于细致且难以可解释，与建模中通常要求的抽象、简化和可解释性相矛盾。通过将巴斯扩散模型转换为LLM-based变体的模型构建思想实验，我们发现了五个核心困境：自然对话的时间分辨率与抽象时间步之间的不匹配；在避免破坏自发智能体输出的同时需要干预对话；在保持对话自然性的诱惑力引入类规则指令；角色一致性与跨时间角色演变之间的张力；以及 emergence（系统级模式）的挑战，其中系统级模式被冗长的微观文本输出所遮蔽。这些困境将LLM智能体引向不安妙谷：既不够抽象以阐明底层社会机制，又不够自然以代表真实的人类行为。这暴露了一个重要悖论：LLM智能体的真实性可能会掩盖，而非澄清，社会动态。我们提炼出LLM智能体最适合的情境：系统级 emergence 不是重点，语言细微差别和意义是核心，交互在自然时间中展开，稳定的角色身份比长期行为演变更重要。我们呼吁在社会模拟生态系统中重新定位LLM智能体，以适应未来应用。
引用
@article{arxiv.2507.06310,
title = {Too Human to Model:The Uncanny Valley of LLMs in Social Simulation -- When Generative Language Agents Misalign with Modelling Principles},
author = {Yongchao Zeng and Calum Brown and Mark Rounsevell},
journal= {arXiv preprint arXiv:2507.06310},
year = {2025}
}