（来源：Peter东 混沌巡洋舰）

哈佛、MIT牵头，OpenAI、谷歌DeepMind等200多位科学家参与，用83亿个“数字人”模拟全球人类行为，听起来像《黑客帝国》成真。但一项覆盖1.3万名真人、19项预注册实验的史上最严格评测，给这场狂欢泼了冷水：AI模拟人类，目前只是勉强及格，甚至像一面哈哈镜。

一、背景：人类正被批量“数字化替身”接管

这个夏天的科技圈，最不缺的就是宏大叙事。

8月，哈佛大学与麻省理工学院牵头，OpenAI、Anthropic、谷歌DeepMind、xAI等机构200多位科学家参与的MatrAIx项目对外发布。它号称构建了83亿个AI智能体，与地球上每个人一一对应，用1290个人格维度描述“你”——背景、心理、能力、行为、生活方式，几乎给全人类造了一份数字户口本。项目方声称，这套系统可以替代真人去做问卷、测App、评AI产品，成本低、跑得快、还不累。

资本显然是信的。simile.ai刚拿了1亿美元融资，围绕合成数据创业的公司估值动辄十亿美元。用AI生成的“数字人”代替真人做测试，正从实验室概念变成一门被资本追捧的生意。

这个逻辑听起来无懈可击：真人被试贵、会累、会不耐烦，还可能被研究伤到心理；大语言模型不会累，可以无限次重复提问，还能模拟高风险场景而不冒伦理风险。理论上，数字孪生还能做到基础模型做不到的事——把每个人的独特差异注回回答里，治好大模型“千人一面”的老毛病。可以说，“AI替人类答题”几乎踩中了社科研究者所有的痛点。

此前也确实出现过乐观信号。斯坦福团队用两小时访谈给1000人建数字孪生，声称在通用社会调查上达到85%的相对准确率；另一项Twin-2K-500研究给2000多人各建孪生，声称准确率达72%。

但问题恰恰在这里：这个领域一边被资本和媒体疯狂催熟，一边缺最基本的验证。此前仅有的两项研究，数据集要么不公开，要么验证用的题目很可能就藏在模型训练数据里（学术上叫“泄漏”）——测试题和训练题重叠，成绩自然好看。整个行业相当程度上，是在拿“个性化幻觉”当“个性化洞察”卖。

直到今年9月2日，一篇发表在《科学·进展》（Science Advances）上的论文，第一次用最严格的方式把这事测了个底朝天。

二、最严格的一次“照镜子”：勉强及格

论文题为《数字孪生是哈哈镜：五种系统性扭曲》，规模惊人：23位合著者各自带来自家领域的实验设计，共19项预注册子研究、164个结局指标，覆盖13506人次真人参与（其中1784位是独一无二的个体），场景横跨创造力、政治态度、隐私偏好、新闻消费、劳动力市场。

做法很朴素：先让真人回答几百道题，把这些回答喂给大模型，训练出“这个人的数字孪生”；再让真人和自己的数字孪生回答同一批全新的问题，一一比对。研究者还特意给了数字孪生最好的条件——目前最全面的公开数据集、最详尽的个人资料。

结果如何？数字孪生的个体级准确率是0.748——听起来不错？对照一下：瞎猜的随机基准就有0.629；只给人口统计学信息（性别、年龄、学历、收入、党派等14个变量）的普通提示，准确率也有0.746，与“全人格数字孪生”几乎没有显著差异（P=0.37）。你辛辛苦苦收集500道题做深度画像，效果基本等于直接告诉AI这个人的性别年龄学历。

再看相关性。数字孪生回答与真人回答的平均相关系数只有0.197，大概相当于身高与智力之间的相关强度。164个结局指标里，有105个（64%）真人和数字孪生的回答存在显著差异。平均而言，数字孪生每答4道题，就错1道。

研究者还做过一个更狠的对比：把数字孪生和传统机器学习模型（XGBoost）摆在一起。结果，数字孪生在相关性上的表现，约等于用200个真人回答训练出来的传统模型——它未必比“老老实实跑200个人”更聪明，所谓“不需要真人、随便生成几千人”的优势，也经不起这样一算。

论文第一作者之一、哥伦比亚商学院的Toubia说得比较客气：“有点希望，但整体有点令人失望。”宾州州立大学的Hosseini更直接：大模型把人类判断“系统地扭曲成非常理性、比真人更合理的样子”。

三、五大扭曲：镜子为什么照不出人

光说“不准”不够，论文的价值在于讲清“为什么不准”。研究者归纳出五种系统性扭曲，这五种扭曲，恰恰是“AI模拟83亿人”这类宏大叙事最该先回答的问题。

扭曲一：缺乏个体化——数字人“千人一面”

第一个悖论最讽刺：我们费尽心思给每个数字人灌入海量个人数据，结果它们还是活成了同一个“平均值”。

研究者用贝叶斯框架理解这件事：基础大模型是一个“先验”——关于人大概会怎么回答的普遍猜测；喂进去的个人数据本应更新出“后验”——针对这个人的独特分布。但在164个结局里，有154个（93.9%）数字孪生回答的标准差低于真人。它们太“紧凑”了，差异被抹平了。

更扎心的是直接比距离：全人格数字孪生与“空人格数字孪生”（什么都没喂的基础模型）之间的平均距离，比它们与真人之间的距离还小。也就是说，这些数字人再怎么被“个性化”，最像的还是那个什么都没学的基础模型，而不是被模拟的那个活人。

一个模拟83亿人的系统，输出却是千人一面——这是第一个要命的扭曲。

扭曲二：刻板印象——数字人靠“标签”答题

既然没做到个体化，那数字人到底靠什么答题？答案是刻板印象。

研究者比较了“全人格数字孪生”和“仅人口统计学信息数字孪生”的回答，二者平均距离只有0.132，远小于它们与真人回答的距离（0.252）。你给AI填的那500道题的深度画像，答题时基本被扔到一边，真正起作用的还是性别、年龄、学历、收入这几个标签。

论文里有个很直观的例子：两个人口学背景相似的人，在“失控感”量表上一个自评2分、一个自评4分。只给人口学信息的AI，会给他们都打3分；给了完整画像的AI，可能打3分和5分——数字人终于能看出“谁更失控”了（相关性从0.105提升到0.555），但个体准确率几乎没动（0.892对0.907）。它学会了给人排序，却依然抓不住任何一个人真实的内心。

这就像一面哈哈镜：能大致看出“人比人”的高低，却照不出任何一张真实的脸。

扭曲三：代表偏差——数字人“偏心”有钱人

第三个扭曲最值得警惕：数字孪生对不同人的仿真程度是完全不等的。

研究者训练了一个XGBoost模型去预测“数字孪生对谁更准”，结果显示：学历越高、收入越高的人，其数字孪生越准；政治观点越温和、宗教参与越常规的人，也越准。而那些低收入、低学历、观点极端的人群，被模拟得最差。

这等于说，所谓“83亿人的数字镜像”，实际是一面只认真反射“高学历、高收入、观点温和”人群的镜子。社会科学界早就批评过“WEIRD人群”（西方、受教育、工业化、富裕、民主）垄断了研究样本，数字孪生不但没纠正这个偏差，反而把它放大了。用这样的系统去模拟全球民意、预测政策反应，结果必然向少数优势群体倾斜。

试想：一家跨国平台想用“数字人”预演新功能在低收入国家的接受度，一套政策系统想拿“合成民调”决定是否调整补贴——而这两类场景，恰恰是数字孪生模拟得最不准的群体。这不是技术瑕疵，而是会让真实决策系统性失明。

扭曲四：意识形态偏差——数字人自带“人设滤镜”

第四种扭曲最隐蔽：数字孪生会系统地、单向地扭曲观点。

研究者发现，数字孪生的回答往往同时“亲人类”和“亲技术”。一方面，它们比真人更相信人是公平、可信的，更支持政府监管收费，更愿意为全民医疗多缴税；另一方面，它们又比真人更接受算法招聘、认为在线定向推送没那么侵犯隐私、还倾向于低估自己刷Netflix和TikTok的时间。“亲人类”和“亲技术”可以同时成立，可一旦让AI评价“人的创意”，它又会因为“这是人写的”而压低打分——这种忽左忽右的立场，恰恰说明它没有一个真实、一贯的价值体系。

这些偏见不会平均地随机出现，而是朝特定方向聚集。它们可能来自训练语料，来自用人类反馈做的强化学习（RLHF），也可能来自系统提示词里那些“要善良、要安全”的底层设定。论文警告：盲目部署数字孪生，可能会在不知不觉中把特定意识形态议程（包括“亲技术”“亲AI”的立场）塞进关于“人类行为”的结论里。

扭曲五：超理性——数字人“太聪明”，反而失真

最后一个扭曲，恰恰是这类技术最引以为傲的地方，也是它最危险的地方：数字人太“理性”了。

在有客观正确答案的题目上，数字孪生几乎总是答出“完美答案”，偏离真实人类；它们更倾向选择体现更强数量直觉、更符合规范理性的答案，甚至会“策略性地”消费内容以影响未来的推荐。但人类恰恰不是这样：人类会偷懒、会无知、会犯系统性错误，会受“吸引力效应”“折中效应”这些非理性陷阱摆布——而这些标志性的人类不理性，数字孪生统统复制不出来。

还有个更隐蔽的“泄漏”问题：当研究者用一个已经发表的经典范式测默认效应时，数字孪生居然“表现正常”，因为它早就在训练数据里背过答案；可一旦换成未发表的新范式，就立刻露馅。你以为数字人在“思考”，它可能只是在“回忆”。

对人类行为研究者来说，人类的无知、偏见和有限理性，恰恰是最值得研究的东西。一个把所有非理性都抹平的数字人，模拟的根本不是人，而是“理想化的、无所不知的AI想象中的自己”。

四、83亿，只是“记录”，不是“人”

把镜头拉回MatrAIx，会发现同一个问题的另一面：83亿这个数字，被媒体渲染成“83亿个能行为的AI”，但项目论文自己写得很清楚——那83亿条是“人格记录”，一条记录只有配上模型、界面和任务，才会变成一个能跑的智能体。

实际被验证过的行为有多少？18,189次试验。换算一下，大约相当于每条记录只有0.000219%被执行过；其中成本最高的两个App任务，参与人数只有24人和20人。同一批人格档案，换个底层模型，结论就天差地别：在评测Notion付费方案时，Claude Opus 4.8驱动的数字人有23.2%选择付费，GPT 5.5是75.8%，Claude Haiku 4.5则是93.9%——差距高达70.7个百分点。产品团队如果真按这个结果做定价决策，选哪个“演员”演用户，会得到完全相反的商业结论。

论文自己也承认：这些“数字人”不是概率样本，关于真实人群的结论只能算“假设生成”，重大决策前必须做真人验证。连人类专家都测不准它们——在另一项预注册研究里，68位专家对数字孪生行为的预测，准确度低于对人类的预测。

对把“数字人”当真的人，论文给了一条底线：任何关于真实人群的结论，都要用真人数据验证。产品团队应当记录数据集版本、抽样方案、底层模型、任务设置和验证器，关键结论要跨多个模型重复，再用同任务的真人样本做对照。在“数字人”和真人行为达成一致之前，真正有效的证据，只来自那少得可怜、真正跑过的试验。

所以，今天所谓“AI模拟83亿人”，更诚实的说法是：一本83亿条目的“模拟用户目录”，其中绝大多数条目从未被运行过，偶尔被运行的，还会随模型、提示词、任务的不同而得出彼此矛盾的结论。

那有没有改进的路？研究者提到，他们用的是“非常静态”的一堆问卷，如果让AI去全天候“跟随”一个真人、跟他日常对话，或许能抓到更鲜活的个人特征；也有人尝试更复杂的训练方法。但这些都还只是设想。论文对数字孪生的定位也更务实了：与其把它们当成“人类的克隆体”，不如当成“见多识广的顾问”——它或许能告诉你人群里“谁更可能接受某项政策”，但别指望它告诉你“某个具体的人会怎么回答”。

五、结语：我们真正需要的，不是一面更光滑的镜子

这篇论文的结论很克制，但也很重：今天的数字孪生，最好被理解成“一面哈哈镜”——它系统性地扭曲人类行为。它更像是“被LLM偏见浸染的对比档案”，而不是“人类认知的忠实副本”。过早部署它，可能抹平个体声音、误判人类的无知与不理性、强化刻板印象，还引入此前从未被发现过的偏见，比如亲技术、亲AI的倾向。

当然，这不是全盘否定。数字孪生在“给人排序”上确实还有微弱价值——但把它当成能替全人类答题、预演社会、左右决策的东西，还太早。

当越来越多机构想用AI“数字人”代替真人去预演民意、测试产品、评估政策时，我们或许该记住论文里那句提醒：人类行为太难用机器预测了，我们必须对合成数据抱以现实的期待。

毕竟，一面哈哈镜再怎么抛光，也照不出真实的人脸。真正值得我们警惕的，不是AI不够强，而是我们太急着相信它够强。

Digital twins are funhouse mirrors: Five systematic distortions，Science Advances, Vol.12, Issue 36，DOI: 10.1126/sciadv.aeh8260