来源： Latent Space | Joon Sung Park | Aug 21, 2026 播客： Latent Space 分类： AI 资讯 原文发表： Aug 21, 2026 纪要生成： 2026-08-24
Joon Sung Park是Simile AI的联合创始人兼CEO，斯坦福大学博士，师从Percy Liang（"基础模型"术语提出者）和Michael Bernstein（ImageNet作者之一）。他因2023年划时代的论文《Generative Agents》（Smallville）闻名，该论文展示AI角色能够记忆、规划、社交并产生涌现行为，谷歌学术引用已超7200次。本集Joon深入讲解Simile如何从生成式智能体走向数字孪生，建立人类行为基础模型，以及仿真技术远超市场研究的野心——从产品测试到解决气候变化等社会级难题。
本节重点
详细精要
高中时开始接触绘画，大学前生活在东海岸，大学就读于宾夕法尼亚州
绘画是职业而非爱好：Joon原本接受的是职业艺术训练
💬 精华片段（中文）
"最伟大的艺术家往往创造自己的媒介，而当下我们能拥有的最好媒介是计算。"
"The greatest artist often creates their own medium, and the best medium that we had available today was in computation."
本节重点
详细精要
Vibhu特别指出记忆组件被低估了，是非常好的早期记忆系统，也是最重要的论文之一
论文的诞生背景：Joon回顾2020年他刚开始斯坦福博士项目
"基础模型"（foundation models）这个术语正是出自这篇论文
把基础模型比作干细胞：Joon对这类新模型的思考
他开始思考：这个技术的"杀手级应用"是什么？
为什么对简单分类/生成不感兴趣：Joon反思当时同事们的用法
💬 精华片段（中文）
"如果你从正确的角度去戳它，你就能看到相当逼真的人类行为跳出来，这是我们从未见过的。"
"If you poke at the right angle, then you could see human behavior that would just pop out that's quite realistic, and we've never seen that before."
本节重点
详细精要
这是Simile的起点。最初论文是Generative Agents的前身，叫Social Simulacra
备选答案：个性化Agent：Swyx追问时间机器游戏里的第二名、第三名
Swyx回应："这也正在发生"
为什么选择仿真而非个人助手：Joon解释决策逻辑
因此他赌"创造人的精确表征"（仿真）应当先于"自动化世界的更复杂Agent"
对个人助手现状的热门观点：Joon认为这个领域野心很大但要素还不齐全
💬 精华片段（中文）
"如果你要创造一个真正惊艳的个人助手，你首先需要一个出色的用户模型。"
"If you were to create a really amazing personal assistant out of this technology, what you need first is an amazing model of your users."
本节重点
详细精要
他发现今天OpenClaw等产品也在利用Markdown文件，做法很聪明
Markdown方案的局限：Joon的清醒判断
这类工作正在发生，问题是：能走多远？如何获取数据？如何创造一个生态系统让人持续喂数据给模型，让它不断了解你？
何时需要训练/后训练 vs 仅提示：Joon给出直觉判断
💬 精华片段（中文）
"这些语言模型很擅长建模文本、理解和推理文本。所以把一切都放进Markdown文件或文本文件，搞定。"
"These language models are quite good at modeling text and understanding and reasoning about text. So just put everything in a Markdown file or a text file. You're done."
本节重点
详细精要
这是Simile核心理念之一
为什么网络数据不够：核心问题出在训练数据上
Joon称之为尚未捕捉的人类暗知识（dark knowledge of humanity），这些数据必须纳入模型创建
行为基础模型的构建：Vibhu追问如何建模
💬 精华片段（中文）
"这是人类尚未捕捉到的暗知识，这些数据也必须被纳入到模型创造中去。"
"This is one of what I would consider to be the dark knowledge of humanity that we haven't quite captured. And it's these data that would also need to get factored into the model creation."
本节重点
详细精要
例子：童年记忆、创伤、初恋，这些信息很难预测会如何发挥作用，却被证明信息量很大
第二桶：行为数据（观察性）：又分成两类之一
价值：给出人们行为的基础统计（base statistics）
第三桶：因果机制数据——最重要的数据：Joon个人认为最关键
这种数据集描述因果机制，对建模人极其重要
为什么因果数据难获取：Joon解释其稀缺性
💬 精华片段（中文）
"世界是我们的真值（ground truth），但它只发生一次。"
"The world is our ground truth, but it happens once."
本节重点
详细精要
参与者被邀请加入社区，分享数据、并让自己以不同形式被表征
如何设计实验：让决策带真实后果
💬 精华片段（中文）
*"区分态度的还是行为的，关键在于你的决策赌注是否真实。"
"What makes the difference between what is attitudinal versus behavioral is whether the stake in your decision is real."
本节重点
详细精要
团队去招募这些人（有同意、有激励），收集数据，创建这些人的模型
产品允许查询：模型的使用方式
有趣用例：建模上市公司的财报电话会
政治领域的谨慎态度：Swyx好奇政治需求
💬 精华片段（中文）
"在这个领域，一家公司必须特别审慎地思考自己的运作方式和影响力。"
"I do see politics as an area where a company has to be particularly thoughtful about the way they operate and make impact."
本节重点
详细精要
Swyx思考：如果我能大致直觉出效果，何时需要仿真？
何时需要仿真的两个理由：Joon回应
💬 精华片段（中文）
"仿真试图展示的是每一步、以及我们走向某个结果所需要采取的每一步。"
"What simulation is trying to show is it's trying to show each step of the way or each step that we need to take to get to a certain outcome."
本节重点
详细精要
这非常反直觉——"把为帝国崩溃发声的科学家送到鸟不拉屎的地方，怎么会是正确的第一步？"——但在那个仿真里，这就是那一步
仿真的最高形式：Joon明确Simile的做法
"这就是仿真的力量"
与SimGym呼应：Swyx联想到Shopify的Mikhail Parakhin
💬 精华片段（中文）
"真正让仿真成立的原因是：你在展示达到某个结果的步骤函数，展示每一步。"
"The reason why these reasoning is possible is because you're showing the step function or each step that results in a particular outcome."
本节重点
详细精要
💬 精华片段（中文）
"我们可以以人们复现自身反应85%的准确度，复现他们的行为和态度。"
"We could replicate people's behaviors and attitudes 85 percent as accurately as people would replicate their own."
本节重点
详细精要
其数据来源如Mercor、Scale、专业程序员和科学家，目标是成为擅长推理的模型
Simile关心的是"和我一样笨"：Joon的关键论点
这是完全不同的数据和训练目标
性能差异的数据：Joon给出量化差距
细分人群和客户关心的话题上，前沿模型表现可低至20-30%💬 精华片段（中文）
"我们要创建的模型，是像我一样笨的模型——如果我犯错误，模型必须犯同样的错误。"
"The models that we're trying to create are models that are as dumb as I am. If I make some mistakes, the model has to make the same mistake."
本节重点
详细精要
"数据常常是建模最有意思的部分"
Open Science Framework与可复现性危机：Joon解释数据来源背景
采样偏差可能让不存在的效应"刚好显得真实"
预注册研究的诞生：解决之道
💬 精华片段（中文）
"在真正进行实验前，他们会到这个平台登记：'这是数据，这是我们要采集的人群，这是假设。'"
"Before running an experiment, they would go to this platform and say, 'Here is the data. Here is the population that we're collecting, and here's the hypotheses.'"
本节重点
详细精要
💬 精华片段（中文）
"我们总是训练两个不同的模型：一个我们称之为群体级模型，另一个我们称之为个体级模型。"
"We always train 2 distinct models. One is what we call the population-level model. The other is what we call the individual-level model."
本节重点
详细精要
这种对人的常识性推理，仿真是否面临类似问题？
偏见与错误视角：Joon重新框定问题
"这是非常人性化的活动。除非模型见过并理解这种活动的重要性，否则它就会漏掉这些特征"
模型的根本目标：Joon总结
💬 精华片段（中文）
"根本上是人的东西，可能不是最有效率的事，可能不是'正确'的事，但正是这些让我们成为我们。"
"What is fundamentally human might not be the most efficient thing to do, might not be the right thing to do, but things that make us who we are."
本节重点
详细精要
交易数据同时也是最常见可得的
为什么选Facebook：Joon解释社交媒体的价值差异
💬 精华片段（中文）
"Facebook可能更有趣，因为它是人们最默认的版本。"
"Facebook likely is interesting because I do think it is most a default version of people."
本节重点
详细精要
"这会做出点东西，但我不知道能不能做到你们做的…它只能带你走一段路"
Joon对Billion Personas的评价：欣赏规模，但质疑逻辑
💬 精华片段（中文）
"到那时你只是在检索已经嵌入在模型参数中的知识。不幸的是，我们看到的并非如此。"
"You're at that point merely retrieving the knowledge that is already embedded in the model, in the model parameters. That's not, unfortunately, what we see."
本节重点
详细精要
现在能模拟什么、不能模拟什么？模型多大？从80亿参数到千亿级，有scaling吗？有涌现吗？
仿真中的scaling law：Joon确认
Joon："能找到scaling law总是件很美的事"
野心不止于模型，而是多Agent模拟：Joon描绘画卷
做时间机器游戏：5到10年后，"能创建地球80亿人的仿真吗？"
到达该状态后问题会改变：从个体到社会涌现
💬 精华片段（中文）
"每当你发现scaling law，那都是一件很美的事。我们正开始看到它的雏形，这非常令人兴奋。"
"Whenever you find it's a beautiful thing. And we're starting to see the glimpse of it, which is quite exciting."
本节重点
详细精要
时间在1970-80年代，是仿真的最早范例之一
隔离模型（model of segregation）：经典模型详解
做法：网格世界，红点与蓝点，这些点在当年就是"Agent"，有一条简单规则：如果邻居中异色比例超过某阈值，就随机搬到新位置
反直觉发现：社会隔离的成因
该工作最终影响了住房政策，启发了混合收入住房，Schelling因此获诺贝尔奖
基于Agent建模的兴衰与复兴机会：Joon的学术判断
"如果这真能成功，那就是会得诺贝尔奖的工作"
新加坡公屋的真实案例：Swyx补充
💬 精华片段（中文）
"长久以来人们认为社会中的隔离是由公开的、明显的种族主义造成的。但在这个模型中，人们对与同色人群同住的偏好可以非常微小，而这个微小的差异会导致社会随时间完全隔离。"
"For the longest time, people thought the segregation within society was caused by explicit and overt racism. But if you look at this model, people's preference towards living with people of the same color, that preference can be very minute. But the very small difference causes the society to segregate completely over time."
本节重点
详细精要
即便建模数千到数万人，也能给用户极其丰富、有意义的洞察
一次建模、反复复用：Swyx确认能否重复使用同一人
当前规模是数万到数十万人，很多核心用例覆盖足够；大样本的意义不在于更强统计保证，而在于能过滤到任何感兴趣的子群体
未来成本判断：Swyx对费用的担忧
💬 精华片段（中文）
"如果我们能创建一个社会层面的仿真来解决气候变化，我今天就会去跑它。我现在就去融资来跑它。"
"If we can create a simulation at the level of society that would solve climate change, I would run that today. I would raise the money right now just to run that."
本节重点
详细精要
Vibhu补充：人们决定买什么会受到周围人购买和讨论的影响
成本视角 vs 价值视角：Swyx担心组合爆炸成本，Vibhu持不同看法
"决策本身很昂贵：花X百万在研究上，而整个流程要花1亿，这样很划算"
推理效率的考量：Vibhu问是否值得训练稀疏模型、优化推理
💬 精华片段（中文）
"在multi-agent仿真的设定中，Agent们确实互相交谈。"
"In the multi-agent simulation setup, the agents do talk to each other."
本节重点
详细精要
Wealthfront是首批对这类可能性十分兴奋的客户
行业需求与人类调研面板替代：Joon概括需求侧
这不是取代人类面板，而是"我们试图规模化地代表人类"，使用场景不出意外，但部署规模令Joon吃惊
为什么仿真能覆盖决策的全过程：Joon阐述使命
仿真的价值：确保人们的声音始终出现在为他们做决定的房间里，所有利益相关者被理想地咨询到
市场研究TAM与现实：Swyx问市占与成本
"服务所有为人类、关于人类的决策，这个TAM很难清晰定义，我不去算这个TAM，但只要能为每一个'关于人、为人'的决策提供信息，它一定很大"
创始人的价值叙事：Joon谈动力
💬 精华片段（中文）
"仿真能为人类做的是：确保人们的声音始终出现在为他们而做的决策房间里。"
"What simulation can do is ensure that the voices of people are always represented in rooms where the decisions for them is made."
本节重点
详细精要
未来几年数据、算法持续突破，算力也会更激进地扩展
绘画与仿真的类比：Joon回到艺术背景
"我关注的正是人类生活中更平凡的面向"，这体现在他"对一个乡下小镇的研究"——拍下人们日常生活、不做任何特别的事
分形世界观与两种理解方式：Joon的哲学思考
"理解平凡面向正是向内那一条路，仿真正是如此：理解人最平凡的一面并整合起来，教你个体与社会的深层东西"
AGI与仿真的启示：Joon总结两种技术的关系
💬 精华片段（中文）
"最好的画会教给你关于它想描绘的对象的一些深层的东西。它永远不是完美的再现。没有一幅画是完美的。"
"The best paintings teach you something deep about the subject that you're trying to represent. And it is always not a perfect representation. No painting is perfect."
本节重点
详细精要
Swyx提了个包袱："有没有人做过？"
Altman非洲UBI研究：Swyx提到的trivia
💬 精华片段（中文）
"你花五年、四千万美元做一项研究，得到一项发现；但如果你能瞬间跑许多次仿真，那才是价值所在。"
"You spend 5 years, 40 million dollars on this one study and have one finding, but if you can run simulation many times instantly, then that's the value."
本节重点
详细精要
"可能我们在仿真里，可能不在，但对我来说，我并不太在乎这个答案"
Swyx的数学观点与反论：两种视角并列
💬 精华片段（中文）
"我觉得我临死时再担心这个问题吧。我们到底在不在仿真里，我都不觉得这会让我们的体验变得更不真实。"
"I worry about it when I die. Whether we are in a simulation or not, I don't think that makes our experience any less real."
本节重点
详细精要
Lainie Yallen：Joon的商业搭档，曾带领增长最快的AI原生公司从种子轮走到A、B轮
团队规模与科研渊源：独特的学术血脉
同时也有出色工程师、产品、设计师团队，与大型企业客户做真实世界决策
招聘方向：Swyx询问招什么人
💬 精华片段（中文）
"看看科幻小说里任何一个先进文明，都有两座姊妹般的技术支柱：某种形式的AGI，以及仿真。"
"You look at any advanced civilization in science fictions, there's 2 twin pillar technology. One's AGI in some form, and the other is simulation."
| 术语 | 解释 |
|---|---|
| Generative Agents（生成式智能体） | Joon 2023年的代表作，常称Smallville论文，展示AI角色可记忆、规划、社交并涌现行为 |
| Simulacra（拟像） | Social Simulacra是Generative Agents的前身论文，思想是"描绘/创造世界" |
| Foundation Models（基础模型） | 由Percy Liang提出术语，指不做特定任务但全能的基础AI模型，类比"干细胞" |
| Behavioral Foundation Model（行为基础模型） | Simile训练的、专注于复现人类行为与态度的基础模型 |
| Social Physics（社会物理） | 指人类社会的底层行为规律，类似物理定律，是Simile想建模的对象 |
| Digital Twin（数字孪生） | 用数据为真实个人创建数字化身，用于仿真其行为决策 |
| Social Physics（社会物理） | 指人类社会的底层运作规律，模型需学习它才能模拟行为 |
| Dark Knowledge of Humanity（人类暗知识） | 指人在现实中做什么却不显言表的真实行为数据 |
| RCT（随机对照试验） | Randomized Controlled Trial，描述因果机制的实验数据，是行为建模最珍贵数据 |
| Causal Mechanism（因果机制） | 人们为何做决策的"为什么"，是塑造未来的关键 |
| Population-level Model（群体级模型） | 描述某子群体整体行为的模型 |
| Individual-level Model（个体级模型） | 精确建模单一真实个体的模型，难度高于群体级 |
| Concept Testing（概念测试） | 给消费者不同产品/信息/创意，测试其反应的营销活动 |
| Synthetic Population（合群人参与） | 由数字孪生构成的可替代传统人参与调研面板的仿真群体 |
| Gallup（盖洛普） | 著名民调与政策研究机构，与Simile战略合作 |
| CPG（快消品公司） | Consumer Packaged Goods，一种常见客户类型 |
| General Social Survey (GSS) | 美国综合性社会调查，作为个体评估基准 |
| Big Five（大五人格） | 五维度人格测试，作为个体建模验证 |
| Psychohistory（心理史学） | 阿西莫夫《基地》科幻小说中预测大众行为的虚构科学，类比仿真现实应用 |
| Murphy's Paradox（墨菲悖论） | 在模型语境，指精确复现人类非理性很困难 |
| OpenClaw | 生成式AI助手产品，其记忆设计采用了Markdown文件做法 |
| Markdown/Text File（文本记忆） | 将记忆存为文本/Markdown，不设计知识图谱的简便范式 |
| Agentic Architecture（智能体架构） | 围绕"感知-决策-行动"构建的AI系统架构 |
| SimGym | Shopify的Mikhail Parakhin推动的仿真型电商优化实验 |
| American Voices Project | 一个深度访谈项目，脚本被用作个体建模访谈数据 |
| PNAS | 著名国际学术期刊，曾发表人类行为RCT研究 |
| Billion Personas（十亿人设） | 腾讯提出的大规模、基于统计构建合成人群的论文 |
| Schelling Model（谢林模型） | Thomas Schelling关于种族隔离的早期基于Agent模型 |
| Schelling Point（谢林点） | 博弈论中的"焦点"，Swyx听到谢林以为是这个词 |
| Open Science Framework | 科研实验预注册平台，聚合大量RCT数据 |
| Pre-registration（预注册） | 先声明实验假设再实验，避免事后假设修改的公开机制 |
| Foundation Series（基地系列） | 阿西莫夫的经典科幻，心理史学设定来源 |
| Terminus（双星） | 《基地》中科学家被流放的星球名称 |
| Figma/Notion/Rive | 与Simile成员履历相关的现代设计与协作工具公司 |
| CVS | Simile提到的《财富》百强客户案例 |
| Mercor/Scale | 前沿模型训练所用人类数据标注供应商 |
| Wealthfront | 早期客户，想将Simile用于商品测试与遍历网站 |
| Working（《工作》） | 一本1970年代深度访谈普通人工作的著名书籍 |