行为模拟：探索科学的可能新范式
内容提要
本文综述了利用计算机模拟与多智能体系统研究复杂系统及人类行为建模的进展，涵盖人类行为建模的模拟、感知与生成三方面，包括基于深度强化学习（如PPO）的自适应行为仿真、数据驱动的BITS交通行为生成方法及仿真工具、基于Scenic语言的仿真测试平台、基于心智理论的智能体框架、结合贝叶斯神经网络的BNSP-SFM行为预测模型（精度提升50%）、用大语言模型生成社交互动以辅助社交计算设计，以及游戏引擎作为具身空间推理与人工智能开发平台的作用，并归纳了行为量化建模的两类主要方法。
延伸解读
从模拟到生成：行为建模的三条路径
文章将人类行为建模归纳为模拟、感知与生成三个相互联系的方面。模拟侧重用智能体复现行为，感知关注从数据中推断状态，生成则强调合成多样且真实的行为。这一框架有助于读者理解不同技术（如深度强化学习、数据驱动方法、大语言模型）在行为研究中的定位，而非孤立看待单一方法。
量化行为的两类方法及其取舍
文章指出行为量化建模主要有两类方法：一类基于探索和反馈学习模型或策略，另一类直接模拟人类推理机制（思想和偏见）而无需试错学习。前者依赖交互与优化，后者试图复现认知过程。两类方法各有适用场景，理解其差异有助于根据研究目标选择合适建模范式，而非简单追求单一指标。
仿真平台与游戏引擎的独特价值
文章强调模拟平台能支持具身空间推理，游戏引擎整合了多种模拟概念和技术，提供精确数值信息，使智能体可执行定性推理、从数据学习新概念并与人类交流。这提示读者：仿真环境不仅是测试场，更是开发机器与人类智能的工具平台，其价值在于将连续定量搜索空间转化为可处理的形式。
预测精度提升背后的不确定性解释
BNSP-SFM将行为随机微分方程与贝叶斯神经网络结合，实验显示预测准确性比11种现有方法提高50%，且对环境和人群密度变化适应较强。值得注意的是，该模型还提供行为和观察的可量化不确定性解释。这提醒读者，高精度之外，不确定性量化对行为预测的实际应用同样关键。
Q&A
多智能体系统在哪些领域有优势？
多智能体系统在物理、天文、化学、生物、经济、工程和社会科学等领域的复杂系统分析中具有很强优势和潜力，尤其适用于传统计算方法难以应对的复杂环境、关系和动态性问题。
BITS方法如何生成交通行为？
BITS是一种数据驱动方法，将交通仿真问题分解为高层意图推断和低层驾驶行为模仿的双层层次结构，并引入规划模块来获取稳定的长期行为，从而生成具有现实感、多样性和远期稳定性的交通行为。
BNSP-SFM模型在行为预测上有什么改进？
BNSP-SFM将行为SDE模型与贝叶斯神经网络结合，预测准确性比11种现有方法提高了50%，并能提供行为和观察的可量化不确定性解释，对环境和人群密度等变化适应能力较强。
Scenic语言在仿真测试平台中起什么作用？
Scenic是一种概率编程语言，用于情景建模，支持指定具有部分优先级排序的多目标评估指标，验证指标并进行可伸缩的测试。该平台包含25个Scenic程序库，并用于测试行为预测模型和寻找失败情景。
大语言模型如何用于社交模拟设计？
研究利用大语言模型生成社区成员及其社交互动，通过生成大量真实的社交互动模拟，帮助设计人员理解社交系统在大量用户使用时的行为，并据此调整设计，从而成功精炼社交计算设计。
行为量化建模主要有哪两类方法？
行为量化建模的两类主要方法是：基于探索和反馈学习模型或策略的技术，以及直接模拟人类推理机制（思想和偏见）而无需通过试错法进行学习的方法。
