跨国深谈← 返回←让 AI 像人一样犯错：Simile 创始人的模拟人类生意

让 AI 像人一样犯错：Simile 创始人的模拟人类生意

关联

人物 Joon Sung Park · Harry Stebbings

公司 Simile

概念 智能体 · 模拟 · 人类行为基础模型 · 反思 · 记忆 · 因果机制 · 反事实 · 随机对照试验 · 合成小组模拟 · 数据飞轮

这一集是 20VC 主理人 Harry Stebbings 对话 Joon Sung Park——斯坦福出身的研究员、Simile 的创始人兼 CEO。Simile 做的事听起来像科幻：给人类行为建基础模型，用模拟(在计算机里造出一群“数字人”，看他们如何行动)来预测和推演未来。最抓人的判断是 Joon 的这个预测：两三年后，会出现单次运行成本一两千万美元的模拟会话——而它产出的价值大到有人愿意为这一次会话支付 1 亿美元。

从情人节小镇说起

故事的起点是 2023 年的 Smallville:一个游戏小镇，住着 25 个 NPC(非玩家角色)。当时的语言模型还停留在分类、简单生成这类任务上，Joon 团队的观察是：这些模型在互联网上人类行为和情绪数据里泡大，只要用对角度去“戳”，就能挤出相当真实的人类行为。

于是他们给每个角色配上记忆、规划和反思，让它们早上起床、上班、社交、记住彼此——模拟时间设定在情人节前一天，结果这些智能体自己组织起了派对、装点了咖啡馆。这套“记忆 + 规划 + 反思”的架构，是最早把这几个概念明确写进智能体工作流的例子之一。

记忆问题的解法朴素得惊人：把一切都写进 markdown 文本文件，因为语言模型本来就擅长解析自然语言。但上下文窗口有限，体验却会无限堆积——于是有了“反思”：每隔一段时间，像淋浴时的走神一样，让智能体把自己的记忆片段拿来自我问答。

“你这周为什么天天去图书馆？这件事对你重要吗？”慢慢地，智能体会形成比原始事件更高层的想法：这个课题我其实很投入，它可能和我的童年有关——这种反思最终塑造出有个性、有立场的“人”。

造一个和人一样犯错的模型

Simile 和 OpenAI、Anthropic 这类前沿模型公司的分工，Joon 说得很直白：大语言模型公司在造超级理性的机器，擅长编码、自然科学和数学；而 Simile 要的是人脑的“主观那一半”——价值观、偏好、品味。关键的一句是：如果一个人在某个情境下会犯错，他要模型犯同样的错；人有什么偏见，模型就有什么偏见。

这背后是对数据的洞察。网络上流转的从根本上说是人们“说过”的数据，不是“做过”的数据——说的和做的之间有很大鸿沟。

所以 Simile 除了收集交易数据、观察数据，核心资产是大量随机对照试验(RCT,一种随机分组对比的实验方法)和 A/B 测试：给模型看“如果人们做了这个而不是那个，行为会怎么变”。他据此有一个反直觉的判断：观察数据只擅长建立相关性、适合预测，但没有人真正关心预测——知道了星冰乐两个季度后会大跌，企业的下一个问题必然是“那我们现在怎么办”。

人们要的是塑造未来，而那需要能推理因果机制和反事实(“如果当初……会怎样”)的模型。

这也决定了他的数据策略论：这一代 AI 公司必须有一个可防御的数据策略。Simile 招的不是专家程序员，而是有代表性的普通人——开场的问卷甚至就是“讲讲你的人生故事：你在哪长大、经历过什么、做过什么最难的决定”。

企业为什么买账：三个月成交，两分钟出结果

产品市场契合来得比预想早得多。Smallville 发布后，财富 500 强的董事会成员和高管们跑到斯坦福看 demo,反应出奇一致：如果能这样模拟一个市场，会改变我们的运营方式。团队随后花了一年验证准确性，2024 年底发布的工作显示：模型预测人们行为和态度的准确率，达到“人们复现自己行为”的 85%——这项工作开启了“合成小组”(用 AI 生成的受访者样本替代真人调研样本)这个市场。

Joon 原以为市场要一两年才会热起来，结果恰恰相反：大企业以闪电速度推进，三个月内成交。速度的动力是真实的痛：太多决策只能靠直觉。

一个经典销售场景是，客户在第一次通话里就拿大型咨询公司做过的研究来问 Simile 的系统——预测那些花了三到六个月才完成的研究的结果，系统两分钟给出答案。价值模型上，他强调这不只是优化、更多是预防：一次模拟拦下一个本会造成五亿美元损失的决策，是“止痛药”，不用动脑就会买。

切入点是企业市场研究——有预算、有立竿见影的契合度，还是验证技术、收紧反馈循环的最佳方式。他引用斯坦福邻居、Tableau 创始人 Pat Hanrahan 的建议：获得反馈最好的方式，是让人付钱给你。

数据飞轮：世界就是标准答案

主持人用 AlphaGo 类比：每天的现实都是一局可以纠错的棋。Joon 认为模拟甚至有更好的机制。

编程智能体进步神速，是因为奖励函数极清晰——用户点“接受”或“拒绝”，立刻知道好坏。模拟预测的是未来，似乎难以验证；但“世界就是我们的 ground truth(标准答案)”：每天生成数万个假设，每个假设都绑定一个可判定对错的陈述，然后每天观察世界，看哪些假设在什么时候被回答。一个月生成一百万个假设、其中 X% 成真——这是了解世界的最好方式。

算力方面，成本曲线也在快速下探：现在生产环境的那个模型，运行成本曾比现在高约 100 倍——同样的奖励模型和哲学，只是找到了推理时高效得多的建模方式。而复杂模拟(比如全美范围的市场细分)虽然更贵，恰恰是 ROI 最高的，因为它们对应的都是一旦做错代价最大的决策。

团队：招“某种意义上破碎的人”

Simile 由 Joon 和三位斯坦福同事联合创办——Michael Bernstein(ImageNet 论文合著者之一、以人为本 AI 的领导者)、Percy(“foundation model”这个词的提出者)其实是他的博士导师，被他拉来一起创业；Lainey 主导产品、工程和市场化。研究实验室和产品公司能同时运转，靠的是技术与市场需求高度对齐：模型越能代表人，模拟越准，用户体验直接变好。

他招人有两条少见的标准。其一是“成功的共性因素”：看一个人人生每个阶段，那件事的成功是不是因为他在——答案为是，意味着极强的主人翁意识和自我重塑能力。

其二是找“两种不该共存的超能力”集于一身的人：比如顶级 CMO 既极其数据严谨、又有艺术想象力和直觉，这两种思维方式是相悖的。他还画了一个原型：短期偏执(“今天不拼尽全力就会输”)、长期笃信(“世界终究站在我们这边”)——两种心态通常互斥，能同时持有的人“需要在某些方面是破碎的”。主持人补了一个漂亮的观察：那些成功创始人说“真希望当初知道一切都会好、不用那么焦虑”是最糟的答案——恰恰是焦虑驱动了准备和成功。

研究人才确实贵：他最亲近的一些同事朋友总薪酬达到数千万美元，融资再多也难在基本工资上匹配。但研究员在意的是愿景(他们亲眼见过 OpenAI 从硅谷笑柄到近万亿美元)和社会影响。他自己六年研究生涯里核心团队成员零流失，靠的是信任和让每个人的超能力发挥到极致。

六个月融三亿，和时间机器游戏

融资节奏远超这位学术创始人的心理模型：本想“种子轮后一年再 A 轮”，结果全部在一年内发生。五个月前融了 1 亿美元，随后被内部人抢投——Index 的 Shardul(他说见过各种高速增长的市场，却从未见过这种拉力)；Joon 又主动找到一直看好这个方向的 GreenOaks 的 Neil Mehta 团队，几天内谈定，再融 2 亿美元，总计六个月融资 3 亿美元。

要不要这笔钱的权衡是：研究中你无法控制结果，但可以控制投入——显著加码数据和算力能实质加速进展。他对 VC 的认知也反转了：从怀疑“他们到底干什么”到发现好的 VC 是导师和伙伴——Mike Volpe 甚至把他介绍给了日后果关重要的 Lainey。他也提醒：市场某些部分确实相当泡沫化，他在乎的是基本面。

团队内部有个习惯叫“时间机器游戏”：坐时光机去十年后，最疯狂会看到什么？Smallville 就是这个游戏的产物。

Joon 的十年答案：今天 AI 造的是“智能单元的 CPU”(一个又大又聪明、擅长复杂推理的模型)，而模拟会提供“智能单元的 GPU”——不追求超级聪明，而是造和我们一样聪明、一样会失败的模型，亿万个体聚在一起时涌现出群体智能。终极愿景是“规模化代表性”：每个人都拥有一个可复制的数字孪生，社会由此获得一个真正代表每个个体的新层，在此之上长出新的政策和公司。

甚至对冲基金也顺理成章——公司里已经招进了有量化背景的人。至于用模拟提高约会效率？这位自称浪漫主义者的创始人婉拒了：一起经历事情、共享记忆，才是人类建立信任的根本，这部分人性他相信永远不会变。

本集带走

• 反共识的产品哲学：不追求更聪明，追求“和人一样会犯错、一样有偏见”——模拟的价值在代表性，不在智商。
• 数据策略是护城河：网络数据是“人们说过的”，不是“做过的”；要因果就要自己跑随机对照试验和 A/B 测试。
• 没人要预测，人人要改变未来：卖“两季度后销量会跌”没人买，卖“现在做什么能避免它跌”才是生意——这就是为什么反事实推理是核心。
• 验证机制可借鉴：每天生成数万条可判定对错的假设，拿真实世界当阅卷老师，让数据飞轮转起来。
• 让客户付钱是最好的反馈：来自 Pat Hanrahan 的建议，也是 Simile 选企业市场研究做切入的原因。
• 招人两问：他是不是每段经历里“成功的共性因素”？他有没有两种互斥的超能力？
• 面向学术创始人的投资判据：看他是嫁给了某个问题，还是嫁给了影响力——后者才会去找能触达用户、能产生收入的问题。

我认为在两三年后，会有这样一种可能，我们运行一次单一的模拟会话，人们会为此支付 1 亿美元。
I think there is a world in which, in about two, three years, we’re running a single simulation session that people will pay $100 million for it.
—— Joon Sung Park · [00:07]

所以我们能做的是每一天，我们可以生成数万个假设。
So what we can do is every single day, we can be generating tens of thousands of hypotheses.
—— Joon Sung Park · [20:25]

这个模型以前的运行成本比现在高大约 100 倍。
This model used to cost about 100 times more to run than it does now.
—— Joon Sung Park · [21:31]

他实际上给我和我的一些同事的一个建议是，获得反馈的最佳方式实际上是让人们付钱给你。
An advice he actually gave me and some of my colleagues was the best way to get feedback is to actually ask people to pay you.
—— Joon Sung Park · [23:30]

我们预测了需要三到六个月的研究的结果，但只需两分钟。
And we predicted the outcome of studies that took three to six months, but just within two minutes.
—— Joon Sung Park · [30:36]

平衡这两者，需要一个在某些方面破碎的人。
Balancing those two, need somebody who is broken in some ways.
—— Joon Sung Park · [37:24]

我实际上会寻找的是他们是致力于一个问题还是致力于影响力？
The thing I actually would look for is are they married to a problem or are they married to impact?
—— Joon Sung Park · [41:33]

一个单一的会话，但它将非常有价值，人们会为此支付 1 亿美元。
A single session, but it’s going to be so valuable that people will pay $100 million for it.
—— Joon Sung Park · [49:29]

我看到即将到来的，以及我认为模拟作为一个领域可以提供的，是智能单元的 GPU。
What I see coming and what I think simulation as a field can offer is the GPU of intelligence unit.
—— Joon Sung Park · [51:45]

我在很多事情上失败了。我想确保代表我的模型以同样的方式失败。
I failed at a lot of things. I want to make sure that the model that represents me fails the same way.
—— Joon Sung Park · [52:03]

我从根本上相信，对于未来的 AI 公司来说，你必须拥有有趣的数据策略。
I fundamentally believe that for AI companies in the future, you have to have interesting data strategy.
—— Joon Sung Park · [57:50]