我们正站在一个前所未有的节点上：绝大多数商业问题，已经不再是“做对或做错”，而是无数可能性的叠加；而绝大多数企业，还在用上一个时代的思维，赌下一个时代的不确定。

内容怎么做？用户到底要什么？产品会不会卖？过去靠数据、靠经验、靠拍脑袋；现在，一个全新的能力正在出现——AI不止能干活，它开始“模拟人”。这听起来非常有趣，你肯定想知道：

AI模拟用户，这事儿到底靠谱吗？

它如何成为解决复杂问题的新工具？

它怎样让“用户洞察”这件事快100倍、便宜100倍、覆盖广100倍？

以及，在AI能预测85%的世界里，人类该如何活在那15%的不可预测里？

本文仅为课程的部分内容，完整版内容请到混沌APP观看完整版。

世界的复杂性，导致我们需要“模拟”

我们经常会听到这样的问题：做什么内容好？这群人需要做什么内容？这群新兴的群体可能感兴趣要什么样的东西？这些话题其实本身不存在对与错的答案，更多的是各种各样的可能性。绝大多数我们遇见的问题都是这种可能性问题，这不是简单的数学题解方程的问题。

在学术里边，把这种问题称之为叫 Wicked Problem。学者把问题定义为两种：第一种叫 Tame Problem（可解问题），即那些可以被求解、被定义的，有确切答案的问题，即使是再复杂的方程，也是有确切答案的。还有一种就是我们在商业里面经常会遇见的，不好被定义，也无法被解决，只能暂时被改善，这种叫 Wicked Problem，也叫复杂问题。

复杂问题有一些特征。首先，它很难被明确定义，总好像是一个复合的东西。第二，它永远带来新的问题，所以没有结束。第三，只有好坏而没有真伪。

同时，没有立即获得最终的可以测试的标准，你很难测试。每个问题都是独特的问题，可以被看作其他问题的症状，比如解决贫困，很有可能就会产生环境问题和贫富差异问题。问题的存在取决于价值观的差异，我们到底以什么为优先。决策者没有办法试错，你一旦选了，你就只能一条道走到黑，没有办法再回来。

这些都是 Wicked Problem 的特征，我们在很多商业的选择里面就是这样，我们只能往前走。

解决这种问题的最通用的一种方式叫模拟。模拟的意思就是：我们建立一个沙盘，我们去做推演，做 Scenario Planning，做不同场景的尝试，来看看我们下一步应该怎么做。

我们其实一直都在模拟。比如打一场仗之前、操作复杂工具之前（不是学习工具，而是模拟不同场景下的反应）、以及升息降息、涨工资降工资等经济变化时，我们都会去模拟。

模拟的核心有一种转变：要从想把问题解决到变成一个更演化、更适应的系统。我们不再只是期待把问题的答案找到，而是要跟着这个问题去往前走。系统模拟的目的就是不停地跟着问题往前走，从而产生一种更有机、动态的状态。

用大模型去模拟人的主观世界

模拟里边有一个非常核心的步骤，就是建模。我们的大语言模型就是一种建模，是对主观世界大环境的一种压缩。

建模其实就是控制变量法，我们把一些变量暂时搁置，试图用一种抽象的方式来描述环境和客观现实。人类科学的发展就是让更多话题可以用建模的方式来解决，从十五、十六世纪的物理世界，到十八、十九世纪的生物、化学世界，再到20世纪用计算方法来理解社会（如复杂理论、行为经济学等等）。

我觉得在当下，我们有机会用语言去模拟这个主观的世界，因为大语言模型可以不停地讲话，而语言是我们思维的载体。我们可以模拟内心是怎么想、怎么选择、怎么判断、怎么构思的，从而更好地帮我们理解用户、理解同事。

也就是，有大语言模型以后，我们有机会用建模的方式来理解一个人的主观世界。所以我们把这称之为主观世界的建模方法。

举一个简单的例子。如果我用大语言模型去阅读《哈利·波特》，把这本书作为语料喂给模型，我们就能产生一个哈利·波特人格的AI模拟。我就可以问他作为一个消费者，早上是喜欢喝咖啡还是果汁。通过这样的方式来获得所谓用户洞察的东西。

这个答案在书里没有，但通过这本书作为数据源和上下文喂给大语言模型，模型分析后就可以通过书的信息来模拟出哈利·波特的性格选择。这个过程就叫推理。推理就是基于上下文去做有效的下一步的猜测。因为大语言模型的运行原理其实就是不停地预测下一个词。

让大语言模型模拟一个人的消费习惯和选择，去猜测下一步他可能会做什么，这恰恰就是大语言模型最擅长做的事情。

AI模拟用户的商业应用

理论上，当我们可以让AI去模拟哈利·波特，明天也可以让AI去模拟每一个人。

我们做的事情，就相当于用这个方法做了一个产品Atypica。

我们通过合成数百万真实的社交帖子来生成消费者智能体，模拟消费者真实的个性、情感和决策逻辑，让你不仅理解消费者“想什么”，还能理解他们“如何”和“为何”做决定。拥有 Atypica，就像拥有一个强大的研究团队。

你可以分钟级获得研究报告，只需要提出你的商业问题，我们的研究智能体（Research Agents）会阐明你的需求，规划调查，扫描社交平台。将社交声音合成为消费者智能体，发现深入的行为、价值和偏好洞察。

最后，分析智能体（Analytic Agents）将一切精炼为清晰、可操作的市场洞察和报告。

这个产品就叫 atypica.AI，它做的事情就是用大量的模拟消费者AI，和AI研究人员进行大量的对话，从而产生各种各样的商业问题的答案。

比如问某个产品在南美会不会卖得很好，它可以自动拟合出南美的消费者来做测试。我们也见到做新能源车的公司，邀请一堆虚拟用户来探讨下一代MPV的产品概念等等。最后产生的阶段性结果是一份非常详实的报告和整个调研的过程。

AI模拟用户，真的可信吗？

这个产品或者说这一套体系主要分为三个部分：第一个部分是用 AI来模拟消费者；第二个部分是用AI来模拟进行各种各样的人与人的互动访谈；第三就是AI输出结果。

大家都会好奇AI模拟消费者到底准不准？我们尝试做了两三年，直到今年我觉得这个想法的结果是有效的。之所以今年有这个机会，是因为模型的升级，我给大家举两个现在行业的科研成果。

一群斯坦福的学者在2023年做了一个虚拟小镇，25个居民由AI驱动，自发性的进行“人与人”的互动。后来同一个团队写了一篇论文 《GenerativeAgent Simulations of 1,000 People》（《用智能体来模拟1000个随机的美国人》）。

他们用智能体采访这些美国人约100多个问题（2小时），积累大量故事作为语料，输入给大语言模型作为模拟智能体的基础。然后用同样的问题问真人和问智能体，最后得到答案是85%的回答可以互换，就是接近一致。

这里有一大批的科研，比如说人机交互的、经济学的、社会学的，似乎都在做一件事情，就是让大语言模型加上一个上下文、加上数据，能不能够模拟扮演真人的这种随机性。

最后我们发现，这是可行的。可以通过上下文、提示词、大语言模型本身的能力等等一系列的工程方式，能够让模拟的效果达到85%。

我们是怎么做的？基本方法就是：用语料加上大语言模型，然后产生这种生成式的人设。Atypica可以将你的访谈记录转化为随时可用的数字化消费者（Digital Consumers）。你的语料进来以后，我们还要进行多个维度消费者的解析，去做采访或再去找数据，这样才会让这个消费者更真实。

为什么说数据不完全可行？举一个例子。我的合作伙伴经常说：“我想通过分析社交媒体数据，进行新品研发、竞品对比、销售卖点提取，能不能爬取各个平台的全量数据来分析，小红书、抖音、微博、B站，越全越好？”

首先，爬数据合规性是问号。第二，爬取的数据可能有延迟。第三，爬来的全量数据，99%可能是垃圾。数据分析能真的剔除99%的垃圾吗？

那为什么大家不去最好的商店买东西，而去垃圾堆里捡东西呢？所以全量数据是一个伪命题。

我们经常总结：因为过去都是这样，所以我们应该这么做。世界不是线性的，归纳是谬误。通过过去预测未来是有谬误的。这些观点来自大卫·多伊奇的《无穷的开始》。他认为科学发现不是观察、归纳和总结，也不是看到数据就总结、归因、得出结论。而是问题到猜想，猜想到批判，批判到更好的猜想。

爱因斯坦相对论、达尔文进化论等著名猜想，都不是先有数据验证才想出来的，而是先有猜想，后有人验证，这并非自然归纳。数据归纳法在商业场景中常用，但可能只是“黑天鹅事件”尚未出现。

在AI时代，我们不应依赖大模型、大数据，而应依赖每个人的“大猜想”。因此，访谈（即使是AI虚拟人）很重要。洞察和猜想的源泉，在于人和人的交流产生的增量，而非收敛的解题式结论。

市场变化太快，商品迭代以月为计，而传统的社媒全量数据和调研报告时效性、执行度都堪忧，我们不能一边快速迭代，一边用户理解却按年来算。

我们希望通过Atypica这样的产品，将用户理解的速度、成本和覆盖面都提高100倍。每个研究过程都有一个Nerdy统计按钮，有四个维度：时间（后台10到30分钟实时访谈并产出结果）、步数（交互次数）、Agent（消费者数量）和Token（剥削的算力）。

40万个token大约是一杯瑞幸咖啡的价格，我们用咖啡来定价，你可以请AI喝一杯咖啡，它给你结论。

我们的目的不是取代传统方法，而是解决原来用户理解太贵、太慢、覆盖面太窄的问题，我们提供一个24小时在你身边的用户洞察agent。当你要做内容、商品、战略或决定时，随时有一个可以模拟的对象沙盘来问问反馈，并思考后果。

我们的产品在AI出海业务中发挥了真实的作用。详情请看完整版课程：

启示：AI擅长推理，人类就要反预测

第一个85分是我们的产品结论客户满意度打分是85分（100 分满分），可能找麦肯锡做的结果也不一定有 85分。当AI可以做85分的时候，我们的工作会发生什么样的变化？

AI既然能做到85分，我们就让AI做到85分，那么人做的工作是从 85 分往上做到 100 分。

我们的产品现在100分的产品才有机会拿出来，85分就是底线。我们应该用好这个基础，让活去找人，不是人去找活。

第二个85是指模拟用户的一致性是85%的概率是准的。那么另外无法被预测的15%是什么？

想象你是一个复杂立体的人，AI只看到你发的朋友圈、点赞的视频、写的邮件、搜过的问题，把你压缩成一个概率模型。这就是AI最底层的逻辑：压缩，越容易压缩就越容易被取代、被预测，越容易被预测，在AI时代就越容易被取代。

当你越来越正常，越来越像那85%的时候，你就越容易消失，AI agent就可以取代你。

我们曾担心被误解，现在要担心的是被彻底理解，以至于再也没有惊喜，你的存在AI学不来，总结不出来，你写的句子它不敢预测，做的决定它没见过。

在AI时代，最需要做的就是一个难以被预测的人。

扫码观看完整版课程