大语言模型驱动智能体建模推理
速览
传统基于智能体的建模依赖静态先验，难以适应实时变化。本研究引入大语言模型（LLM）预测人类决策，提出可扩展的混合智能体与语言驱动流行病（HALE）建模框架。以美国犹他州盐湖县COVID-19模拟为概念验证，展示了LLM提升ABM动态适应能力的新途径。
AI 深度解读
背景
Agent-based modeling（ABM）是一种能够模拟数百万个体及其相互作用的计算建模方法，在政策制定等领域具有重要价值。然而，传统ABM依赖于静态先验假设，即模型中的个体行为规则在模拟过程中固定不变，这使得模型无法适应实时变化的环境或信息。例如，在传染病传播模拟中，个体的决策（如是否戴口罩、是否接种疫苗）会随着疫情动态、政策调整或媒体报道而改变，但传统ABM难以捕捉这种动态适应性。近年来，Large Language Models（LLMs）在预测人类决策方面展现出新的潜力，能够基于文本数据理解上下文并生成合理的行为选择。这篇来自arXiv cs.AI的文章提出了一种结合LLM与ABM的新框架，旨在弥补传统ABM的信息滞后问题。
核心内容
研究者提出了一种可扩展的混合建模框架——Hybrid Agent-based and Language-driven Epidemic（HALE）建模框架。该框架利用LLM来预测ABM模拟中的人类决策行为。具体来说，HALE在ABM的每个时间步中，将个体的状态信息和环境上下文（如疫情数据、政策公告）转化为文本提示（prompt），输入LLM，由LLM输出个体在当前情境下的决策（例如是否出门、是否保持社交距离）。这些决策随后被反馈到ABM中，驱动后续的个体交互和系统演化。
作为概念验证（proof-of-concept），研究者使用HALE模拟了COVID-19疫情在犹他州盐湖县（Salt Lake County, UT）的传播及其影响。通过将LLM生成的决策与传统基于规则的决策进行对比，HALE能够更真实地反映人类在面对疫情时的行为变化，例如随着感染率上升而自发减少社交接触。该框架是可扩展的，支持模拟百万级个体，并且LLM的推理可以并行化处理，从而控制计算成本。
关键要点
- 核心问题：传统ABM依赖静态先验，无法实时适应环境变化，而现实世界中的人类决策会随信息动态调整。
- 解决方案：提出HALE框架，将LLM作为ABM中个体的决策引擎，用自然语言提示驱动每个时间步的行为选择。
- 验证场景：以COVID-19疫情为案例，在犹他州盐湖县进行模拟，展示LLM推理带来的行为动态性。
- 可扩展性：框架设计支持大规模ABM（百万级个体），并通过并行化LLM推理保持计算可行性。
- LLM角色：不再局限于文本生成，而是作为人类决策的代理模型，基于上下文（如疫情数据、公共政策）输出合理决策。
意义与影响
HALE框架标志着ABM从“静态规则驱动”向“语义推理驱动”的转变。它将LLM的常识推理、上下文理解能力注入传统ABM，使得个体行为可以实时响应模拟中的动态事件（如政策变化、谣言传播）。这对政策制定、应急管理（如流行病防控、城市疏散）具有直接价值——决策者可以观察在LLM“代理人类”下不同干预措施的效果，而非依赖刻板的行为假设。此外，该方法为LLM在复杂系统模拟中的应用开辟了新路径，超越了纯文本任务。但同时也带来挑战：LLM的推理质量和计算成本需进一步平衡，并且LLM可能引入偏见（如训练数据中的行为模式不一定适用于所有群体）。未来工作可探索多LLM协作、在线学习以及更高效的语言提示设计。