博客 详情

麻省理工：靠访谈让AI模拟真人，这条路能走多远？

通过长时间对话，大模型就能创造出某人的“数字双胞胎”吗？

从虚拟用户、合成受访者到个性化AI代理，一条日益普遍的技术路径是：先利用对话、问卷和个人资料来认识一个真实的人，接着让大模型扮演这个角色，预测他在未曾谋面的问题上会如何作答。

但这里存在一个更棘手的挑战：即便AI已经掌握了你当下的想法，当面对一个从未提及的新情况时，它还能否准确模拟你的回应？

为了验证这一点，麻省理工学院等机构的研究者推出了HugAgent，让大模型基于真实参与者的访谈内容，预测他们在全民医疗、公共监控和住房增密等新场景下的反应。研究涵盖了54名参与者、1,742个评估项目，并测试了GPT、Claude、Gemini、DeepSeek、Llama、Qwen等多种模型。相关论文已被EMNLP 2026 Main Oral收录。

论文链接：https://arxiv.org/abs/2510.15144

代码链接：https://github.com/jajamoa/HugAgent

项目主页：https://jajamoa.github.io/HugAgent/

研究显示，个人访谈确实有助于模型更精确地刻画一个具体的人。但一个更值得留意的现象是：与一个人交谈越久，AI越能明晰他当前的想法，却不一定能更准确地预判他在条件变化后的反应。

这也让“数字双胞胎”面临一个更根本的问题：AI究竟是在构建一个关于你的模型，还是仅仅在创建一份日益详尽的个人档案？

从“像普通人”到“像这个具体的人”。HugAgent进一步追问：当条件改变后，AI还能继续代表这个人吗？

为何需要HugAgent

从“像人”到“像这个人”

近年来，利用大模型模拟人类已成为一条切实的研究路径。研究者让LLM扮演消费者、选民和实验参与者，更进一步，也开始尝试模拟真实存在的个体：通过长时间访谈、问卷和个人资料构建“数字双胞胎”，然后让AI在新的问题中继续代表本人。

这条路径听起来很自然。一个人向AI提供的信息越多，AI就越了解他，似乎也就越能预测他的回答。

但这里存在一个关键跳跃：

描述一个人，与预测一个人，并非同一回事。

假设一个人在访谈中表示支持全民医疗，但同时也担忧成本、效率和个人选择。模型或许已能准确判断他当前的立场。

可如果条件变了呢？

如果新方案每年能为他的家庭节省3000美元，或者私人保险仍可保留，他还会做出同样的选择吗？

这时，模型要做的已不仅是记住“他支持全民医疗”，而是要从过去的表述中判断他真正看重什么，以及不同条件变化后，他会如何重新权衡。

这正是HugAgent想要检验的问题：

如果我们通过采访构建了足够丰富的个人画像，它能否预测这个人在采访之外会如何作答？

这是从“像人”走向“像这个人”之后，一个无法回避的问题。

HugAgent不仅记录答案

还要问出“为什么”

要检验AI能否模拟“某一个人”，首先得知道这个人自己究竟怎么想。

因此，HugAgent并未从公开人物资料或网络文本出发，而是重新招募真实参与者。团队选择了三个在美国存在明显分歧且涉及真实价值取舍的话题：全民医疗、公共监控以及住房增密（即放宽部分分区限制，允许建设更高、更密的住宅）。从120多位招募者中经过质量筛选，最终保留了54名参与者。

第一步：问卷，记录“现在的你”。

参与者首先填写人口统计信息，再对不同议题给出1到10分的支持度。同时，他们还需评价一系列理由对自己立场的影响程度。

例如，同样反对住房增密，一个人可能最担心社区风貌和房产价值，另一个人则可能主要在意交通、租金或住房供给。最终的“支持还是反对”只是一个答案，真正区分不同人的，往往是答案背后的理由以及这些理由各自的重要性。

这些信息共同构成了一个人当下的信念状态，即他当前持有什么立场，以及支撑这些立场的理由。

第二步：改变条件，记录“如果……会怎样”。

接下来，问卷开始改变其中一个条件。

如果住房增密后，当地租金下降10%到15%？如果全民医疗每年能为一个家庭节省3000美元？如果公共监控的录像只保存48小时？

参与者需要在每个新的假设情境下重新给出自己的立场，并再次评价相关理由的重要程度。

这样，研究团队不仅知道一个人“现在怎么想”，也记录下了当某个条件发生变化后，他自己会如何重新回答。前后两种状态之间的变化，就构成了HugAgent想要预测的信念更新。

更重要的是，这些答案来自参与者本人。之后模型参加考试时，并不会直接看到目标情境下的正确答案。

图注: TraceYourThinking的访谈过程。系统从开放式问题出发，根据参与者的回答动态构建因果信念图，并自动生成下一轮追问，逐步了解一个人的观点、理由和不同因素之间的关系。

第三步：think-aloud访谈，慢慢问出“为什么”。

仅记录问卷答案还不够。

参与者随后通过团队开源的聊天机器人TraceYourThinking接受半结构化的口述思考访谈，可以打字，也可以直接用语音，一边思考一边把自己的判断理由说出来。

这并不是一套从头到尾固定不变的问题清单。

机器人会根据参与者前面说过的话，动态整理这个人的“因果信念图”：他提到了哪些因素，这些因素会让立场往什么方向变化，影响有多强。基于这些信息，系统再自动生成下一轮追问，继续探究尚未说清楚、存在矛盾或值得进一步展开的地方。

例如，一个人说自己担心某项政策带来的成本，机器人可以继续问：如果成本下降，这会在多大程度上改变你的态度？如果他说“这个我也不太确定”，系统也会把这种不确定性继续追问下去。

“我拿不准”本身也是信息。

它可能意味着这个人的立场并不牢固，也可能意味着两种价值正在相互拉扯。相比一个简单的1到10分，think-aloud访谈留下了更丰富的线索：这个人在意什么，为什么在意，哪些判断很确定，哪些地方还在犹豫。

最终，模型拿到的是关于这个人的背景信息和这段访谈，而不是目标情境下本人真正给出的答案。

图注: HugAgent的两类评测任务。信念状态推断根据访谈推断一个人当前的信念；信念动态更新则加入新的假设情境，预测同一个人的立场和理由会如何变化。

HugAgent再把这些材料变成两类考试。

第一类是信念状态推断，共356题，测试模型能否从访谈中推断这个人当前没有直接说出的信念。

第二类是信念动态更新，共1386题，测试在给出一个新的假设情境后，模型能否预测这个人的新立场和理由权重。

整个基准测试一共包含1742个评估项。

为了给任务设定一个经验上限，团队在14天后邀请部分参与者重新回答同样的问题。参与者与两周前自己的回答一致性，在两类任务上分别为84.84%和85.66%，这被用作后续模型比较的经验上限。

到这里，一个原本很抽象的问题终于变得可以直接测量：

如果和一个人聊得越来越多，他的“数字双胞胎”会不会也越来越会预测他？

核心结果：读懂“现在的你”容易，条件变了就难了

HugAgent最直观的结果，是模型在两类任务上的表现拉开了明显差距。

在信念状态推断中，表现最好的方法准确率达到77.56%，GPT-4o为74.66%。参与者在14天后重新回答相同问题时，自我一致性为84.84%，论文将其作为这一任务的经验上限。

到了信念动态更新，最好的Claude Sonnet 4.5达到68.61%，LLaMA 3.3 70B为67.57%，GPT-4o为63.11%；对应的经验上限则为85.66%。

也就是说，在各自的评测设置下，大模型已经比较擅长从访谈中恢复一个人“现在怎么想”，但面对一个此前没有回答过的新情境时，距离参与者本人的回答还有更明显的差距。

图注: 不同模型在两类HugAgent任务上的整体表现。相比推断一个人当前的信念，模型在预测新情境下的回答时，与参与者自身的一致性上限之间仍有更明显的差距。

不过，这并不意味着新情境下的回答根本无法从访谈中预测。

以GPT-4o为例，如果不提供个人访谈，只依赖人口统计等信息，信念动态更新准确率只有39.83%；加入这个人的完整访谈后，提高到63.11%。

Qwen2.5-32B也出现了类似的变化，从32.12%提高到58.96%。

也就是说，访谈并不只是给模型增加了一段更长的上下文。这个人自己说过的话，确实包含了预测他之后如何回答的个体信息。

进一步的跨人实验也得到相似结果：如果把本人访谈换成另一个人的，GPT-4o在更新任务上的准确率下降到39.30%，几乎回到没有本人访谈的水平。

图注: 没有个人访谈与加入完整本人访谈后的表现对比。个人访谈明显提高了模型对具体参与者的预测能力。

既然访谈有用，一个很自然的想法是：那就多聊一点。

如果数字双胞胎主要是一个信息量的问题，那么5轮访谈应该不如10轮，10轮又应该不如完整访谈。

但HugAgent没有看到这样一个稳定的关系。

以Qwen2.5-32B为例，随着访谈内容增加，信念状态推断的准确率从68.84%上升到73.02%，最终达到77.17%。

但信念动态更新并没有同步提高，反而从61.79%变为60.73%，完整访谈下为58.96%。

这并不是说采访没有用。前面的实验已经说明，从“不认识这个人”到拥有本人的访谈，差别很明显。

真正值得注意的是：

从没有个人信息到有个人信息很重要，但继续把关于一个人的材料越堆越多，并不会自动换来更准确的新情境预测。

不同访谈长度下的模型表现。更多上下文能提供更多当前信念的线索，但对新情境回答的预测没有出现同样稳定的提升。

再往下拆，模型究竟难在哪里，也能看到一些线索。

预测一个人的变化，其实可以粗略拆成两个问题：他会不会变，以及如果变，会往哪个方向变。

至少在医疗领域，GPT-4o一旦判断某个人的态度会发生变化，对变化方向的判断准确率达到88.89%；但判断这个人究竟会不会发生变化，准确率只有49.36%。

这说明，模型往往知道新信息会把态度往哪个方向推，更困难的可能是另一个问题：

什么样的变化，才真的足以让这个人改主意？

一个可能的原因是，访谈比较容易暴露一个人在意哪些因素，以及这些因素大致会把立场往什么方向推动；但一个人究竟在什么位置有多大的“改变阈值”，从已有表达里要更难判断。

数字双胞胎真正的考验

看完这些结果，HugAgent留下来的，并不只是一张GPT、Claude、Gemini的模型排行榜。更重要的是，它把“数字双胞胎”研究里一个很容易被跳过的问题摆到了台面上：

一个模型对你的过去复现得很像，并不能自动证明它能够代表你的未来回答。

这一区别对于人类模拟尤其重要。

如果AI只是被用来总结一个人的既有观点，那么一份足够详细的个人画像也许已经很好用。但越来越多的应用想做的远不止这些。研究者希望用合成参与者测试尚未发布的政策，希望用AI消费者判断一个新产品会得到怎样的反应，也希望让个性化代理替用户处理过去从未遇到过的新选择。

这些用途都有一个共同前提：

模型必须能够从已经观察到的个人信息，外推到没有直接问过的情境。

也正是在这里，数字双胞胎真正的考验才开始。

复述已知观点只是起点。数字双胞胎真正的价值，是在问题变了、条件变了之后，依然能够代表这个人。

如果一个模型只能把采访里已经出现过的观点复现得越来越像，那么它更接近一份非常详细的个人档案。真正困难的是：当条件改变，一个陌生的选择第一次出现，它还能不能沿着这个人的理由和权衡继续往下走。

HugAgent的结果说明，这一步不能被默认成立。

个人访谈确实提供了有价值的个体信息，但更多访谈并不会稳定地转化成对未见情境更准确的预测。未来构建数字双胞胎时，问题可能不只是“还要收集多少数据”，还包括：

究竟需要知道一个人的什么，才能预测他在一个从未回答过的问题上会怎么判断？

当然，HugAgent目前测到的，仍然是假设情境下的自我报告，而不是真实世界中长期发生的行为和观点变化。它回答的是：根据一个人的访谈和既有回答，能不能预测他面对一个此前没见过的假设情境时会怎么回答？而模型与100%之间的差距，也不能全部解释成模型能力不足。人的回答本身存在波动，一些假设问题也未必能从已有信息中推出唯一答案。

所以，最后留下的问题可能比某个具体的基准测试分数更基础：

我们应该用什么证据，才能相信一个AI真的足以“代表”某个人？

是它能复述这个人的观点？

是它能回答几道没见过的问卷？

还是只有当环境和条件改变之后，它依然能够做出和本人相似的权衡，我们才应该开始称它为一个可靠的数字双胞胎？

大模型正在越来越擅长保存我们的偏好、语言和经历。

但从一份详细的“关于我的档案”，走到一个真正能够在陌生情境中代表“我”的模型，中间可能还有相当长的一段距离。

采访一个人，也许已经足以让AI越来越像他。

但“像他”，和“能够代表他”，仍然是两件不同的事。

参考资料：

https://arxiv