Nghiên cứu được trình bày chi tiết trong báo cáo có tiêu đề "Modeling Earth-Scale Human-Like Societies with One Billion Agents". Công trình này đã giải quyết trực tiếp những hạn chế tồn tại từ lâu trong các mô hình dựa trên tác nhân AI truyền thống vốn bị phụ thuộc vào các quy tắc quá đơn giản. Đồng thời, hệ thống cũng vượt qua nút thắt cổ chai về năng lực tính toán của các tác nhân AI thuần LLM, vốn trước đây chỉ giới hạn quy mô mô phỏng ở mức hàng triệu thay vì hàng tỷ cá thể.
Khung mô phỏng Light Society chuẩn hóa các quá trình xã hội thành những chuyển trạng thái có cấu trúc của tác nhân AI và môi trường. Các chuyển đổi này được điều phối bởi một tập hợp các thao tác mô phỏng do LLM vận hành và được phân phối thông qua hàng chờ sự kiện hiệu quả. Cấu trúc cốt lõi của hệ thống bao gồm ba thành phần chính:
Tác nhân AI: Mỗi cá thể sở hữu một hồ sơ tĩnh chứa dữ liệu nhân khẩu học và đặc điểm tính cách rút từ dữ liệu thực tế, trạng thái nhận thức nội tại gồm ký ức, niềm tin biến đổi, mục tiêu, cùng các thuộc tính bên ngoài như vị trí và kết nối xã hội.
Môi trường: Kết hợp giữa các yếu tố tĩnh như bố cục không gian, mạng lưới và các yếu tố động tiến hóa trong quá trình mô phỏng.
Các thao tác vận hành: Bao gồm khởi tạo, nhận thức, hoạch định chính sách và ra quyết định, tiến hóa như cập nhật bộ nhớ, cập nhật trạng thái và đọc dữ liệu để phân tích.
Để đạt được quy mô chưa từng có, hệ thống sử dụng động cơ hỗn hợp mô hình (mixture-of-models) thông minh. Động cơ này chuyển hướng các tương tác phức tạp đến các LLM đầy đủ, trong khi dùng các mô hình đại diện chắt lọc tri thức cho các cập nhật thường nhật.
Bên cạnh đó, các kỹ thuật bổ sung như bộ nhớ đệm prompt, biểu diễn đồ thị nén cho mạng xã hội, xử lý lô theo vectơ và thực thi sự kiện gom cụm đã giúp giảm chi phí tính toán theo nhiều đơn vị kích thước mà không làm mất đi tính chân thực trong hành vi.
Hồ sơ tác nhân AI được khởi tạo từ dữ liệu của Khảo sát Giá trị Thế giới (WVS) đợt 7 giai đoạn 2017-2022, thu thập từ khoảng 96.000 bản ghi khảo sát. Dữ liệu này cung cấp thông tin nhân khẩu học và thái độ thực tế như độ tuổi, giới tính, thu nhập, trình độ học vấn, tầng lớp xã hội và giá trị sống. Các dữ liệu trên được chuyển đổi thành bản dạng ngôn ngữ tự nhiên để định hình hành vi của tác nhân AI do LLM điều khiển, giúp các thử nghiệm có tính thực tế và khả năng tái lập cao hơn so với tác nhân AI thuần tổng hợp.
Các nhà nghiên cứu đã xác minh Light Society thông qua các bài thử nghiệm tiêu biểu. Trong trò chơi niềm tin, kết quả cho thấy các yếu tố nhân khẩu học như học vấn cao hay tầng lớp xã hội cao có tương quan thuận với mức độ tin tưởng và sự có qua có lại. Khi số lượng tác nhân AI tăng lên, các nhiễu ngẫu nhiên giảm dần, làm lộ rõ các quy luật quy mô và sự hình thành chuẩn mực xã hội.
Trong mô phỏng sự lan truyền ý kiến với một tỷ tác nhân AI trên mạng lưới không tự do Barabási-Albert, nhóm nghiên cứu đã theo dõi cách các quan điểm về chủ đề như thất nghiệp do AI lan truyền từ nhóm 20% tác nhân AI có kết nối cao nhất.
Kết quả ghi nhận chiến lược gieo mầm người ảnh hưởng tạo ra sự hội tụ bất đối xứng, trình độ học vấn và thu nhập giúp tăng khả năng thuyết phục đồng thời tăng sức đề kháng trước sự chèo lái. Khung ngôn ngữ tích cực hay tiêu cực điều chỉnh mức độ thay đổi quan điểm, trong khi các tác nhân AI trung lập đóng vai trò như bộ đệm. Thêm vào đó, ý kiến thường lan truyền theo chuỗi gợn sóng thay vì tương tác trực tiếp từng cặp.
Khung mô phỏng Light Society cung cấp cho các nhà nghiên cứu một nền tảng thực tế để kiểm chứng giả thuyết, phân tích đối chiếu thực tế ảo và nghiên cứu các hành vi tập thể bộc phát ở quy mô lớn. Ứng dụng của hệ thống trải rộng từ khoa học xã hội, chính sách công, động lực thông tin, mô hình hóa dịch bệnh cho đến mô phỏng thị trường và hệ thống đô thị.
Tuy nhiên, các tác giả nhấn mạnh rằng kết quả mô phỏng chỉ mang tính chất tạo ra giả thuyết chứ không phải bằng chứng định luận, do vẫn tồn tại định kiến trong LLM và dữ liệu khảo sát. Trong tương lai, các nhà nghiên cứu sẽ tập trung phát triển bộ nhớ dài hạn phong phú hơn, tương tác đa phương thức, tích hợp dữ liệu thực tế chặt chẽ hơn và thiết lập các rào cản đạo đức để ngăn chặn nguy cơ lạm dụng như mô hình hóa các chiến dịch thao túng thông tin.
Tham khảo: Brianroemmele
