MIT AgentTorch
百万个体的社会，一次可微分的模拟

传统 Agent-Based Model（ABM）模拟流行病传播、交通系统、经济市场已有几十年历史，但受制于两个天花板：每个 Agent 的行为规则要靠研究者手写，无法反映真实人类的复杂与文化差异；而一旦 Agent 数量冲到百万级，传统实现的计算开销会指数级失控。LLM 爆发后，研究者想用语言模型驱动 Agent 决策，但新的矛盾随之而来——LLM 推理本身就慢，让百万个 Agent 同时调用 LLM 几乎不可想象。

AgentTorch 由 MIT Media Lab 的 Large Population Models 项目团队开发（核心研究者 Ayush Chopra，项目负责人 Ramesh Raskar 教授），给出的解法是 LLM Archetype（大语言模型原型）：不为每个 Agent 单独调用 LLM，而是先把百万 Agent 按社会经济特征、文化背景、健康状态聚类成若干"原型"，只为每个原型调用一次 LLM 获取该类人群的决策概率分布，再把分布广播到该原型内的所有个体、叠加随机扰动模拟个体差异，最后在 GPU 上批量并行更新整个 Agent 状态张量。

另一个技术支点是可微分环境（Differentiable Environment）：Agent 状态更新过程支持梯度回传，意味着可以用梯度下降优化策略参数——把强化学习的训练范式引入到社会模拟之中。这让 AgentTorch 不只是"跑一遍模拟看结果"，而是可以反过来问：要达到某个目标结果，政策参数应该怎么调。

AgentTorch 最具分量的落地案例，是与新西兰环境科学研究院（ESR）合作构建的500 万人口数字孪生系统——覆盖新西兰几乎全部公民在健康与经济领域的交互行为，目前正为该国应对 H5N1 禽流感威胁提供政策模拟支持，此前也被用于模拟麻疹疫情的传播路径，协助卫生部门制定精准干预策略。

团队还与美国明尼苏达州 Olmsted County 合作，分析当地人口对 COVID-19 疫苗的免疫应答，支持接种政策优化；并把同一套框架从人类社会扩展到生态系统，用于捕捉阿拉斯加候鸟的觅食行为模式——证明 LLM Archetype 方法论并不局限于人类行为建模。

2024 年发表于 AAMAS 的论文《Private Agent-based Modeling》探索了如何在保持差分隐私的前提下运行大规模仿真，让政府和医疗机构可以使用真实人口数据而不泄露个人信息。2025 年，团队关于"Agent 代理性边界"的论文《On the Limits of Agency in Agent-Based Models》获得 AAMAS 口头报告——这是该会议接收率最低的发表形式，论文发现当 Agent 数量扩展到百万级时，LLM 个体决策的随机性会在宏观层面涌现出稳定的群体行为。

AgentTorch 的效率来自一个代价：用"原型"取代逐个体的 LLM 调用，本质上是把百万人压缩成几十个行为聚类，再用随机扰动模拟差异。这解决了算力问题，但也留下一个根本性的问题——当政策模拟的结论建立在几十个原型而非几百万个独立个体之上，这个结果究竟在多大程度上反映真实社会的异质性？团队自己在 AAMAS 2025 论文里正面提出了这个质疑：LLM 驱动的 Agent 在多大程度上真正表现出"代理性"，而不只是统计模式的复现。

另一层张力在于团队规模与项目雄心的落差。核心研究者 Ayush Chopra 已于 2025 年完成博士论文答辩，而 AgentTorch 支撑的却是新西兰全国级别的公共卫生决策系统——一个博士生驱动的开源项目，正在被主权国家用作应对禽流感的政策工具，这种"学术原型 → 国家级基础设施"的跃迁速度，既是这个方向影响力的证明，也带来了长期维护与问责的现实问题。

差分隐私机制解决了"能不能用真实数据"的合规问题，但没有解决"模拟结果该被信任到什么程度"的认识论问题——这也是为什么团队把"代理性的极限"作为下一步的核心研究命题，而不是继续单纯扩大模拟规模。