Will Simile Kill Kalshi, Polymarkets & NASDAQ with Co-founder & CEO, Joon Sung Park

Simily 用 AI 模拟真人行为，已能 85% 准确预测人的态度，刚融资 2 亿美元，目标是把 3-6 个月的调研压缩到 2 分钟。

预测市场的终局，是改写未来

Joon Sung Park 是 Simile 联合创始人兼 CEO，曾在 Stanford 从事 agents 与 simulations 研究。2023 年，他用 25 个 NPC 构造了一座会过情人节的小镇：角色会工作、交朋友、策划派对，还会记住彼此。后来，他把这条研究路线变成商业系统，试图建立“人类行为的基础模型”。他的重点不是让 AI 比人更理性，而是让 AI 能代表人的偏好、犹豫、误判，以及这些差异碰撞后会发生什么。

这期回答了 8 个问题：

1. 为什么一个更像人的 AI，反而必须学会人的偏见与失误？
2. 企业真正愿意付钱的，是预测结果，还是改变结果的方法？
3. 25 个会过情人节的 NPC，如何演化成可用的商业模拟系统？
4. 没有即时标准答案的未来问题，模拟模型如何获得训练反馈？
5. 合成样本为什么可能让原本 95% 没被研究的问题变得可实验？
6. 从学术实验室走向公司，什么样的人才算“成功的共同分母”？
7. 多智能体模拟距离真正可依赖的生产系统，究竟还差什么？
8. 为什么一场模拟在三年内可能成本 2000 万美元、售价 1 亿美元？

被问到 Simile 与 OpenAI、Anthropic 这类基础模型公司的根本区别时，Park 的回答很直接：主流大模型要造的是“超级理性的智能机器”，擅长写代码、做数学题、处理自然科学问题；Simile 关心的却是另一半人脑——价值观、偏好、品味，以及人在具体处境里会怎样犯错。

他说，如果一个人在某个情境下会做出不理性的选择，模型也应当做出同一类选择。"We want our models to be biased in the same way humans are."（我们希望模型以和人类相同的方式带有偏见。） 这里的 biased，不是在替偏见辩护，而是在定义一种不同的建模目标：不是寻找唯一正确答案，而是尽量复现某群人的真实判断分布。

这意味着，未来有一类 AI 的任务不是替人纠错，而是替人群发声。比如品牌要问的未必是“哪种包装在逻辑上最好”，而是“某个年龄、收入、生活经历的人群，会怎样感受这款包装”。理性最优解可能告诉你 A 更好；真实市场却可能让 B 卖得更多，因为消费者并不按理性最优行动。

但这里有一道硬边界。模型若要忠实复现偏好，也会复现盲点、刻板印象和信息不对称。它还必须覆盖足够多元的人群，否则所谓“代表人类”，实际只是在放大训练样本中更容易被看见的那部分人。“更像人”不等于“更无偏”；它首先要求人们承认，人的选择本来就不整齐。

被追问“企业难道不需要预测两季度后的销量吗”时，Park 用 Starbucks 的 Frappuccino 举了一个很现实的例子：假设模型告诉你，两季度后销量会下滑。这个信息当然有用，但管理层下一句一定是：“那我们怎么办？”只知道坏事将发生，和知道怎么阻止坏事发生，中间隔着一整套决策。

"What people actually care about is they want to shape the future."（人们真正关心的，是塑造未来。） Park 的意思是，观察性数据通常很会找相关性。它能发现“买过 X 的人更可能买 Y”，也能预测趋势。但相关性很难回答反事实问题：如果不做促销而是改价格，会怎样？如果改包装而不是改配方，结果会不会不同？

因此，Simile 特别看重 randomized control trials，也就是随机对照试验，以及 A/B testing。它们不是只记录“发生了什么”，而是比较“做这个”与“做那个”造成的行为差异。把这种实验结果用于训练，模型才有机会学习因果机制，而不是把历史巧合误认成规律。

这意味着市场研究的交付物会变。过去常见的是一份报告：未来销量可能涨或跌。下一步更像上线前的沙盘：把几种干预方案都跑一遍，比较哪一种能把消费者推向不同路径。不过，因果答案的账单也更贵。观察数据可以大量收集，真正可靠的实验数据却昂贵、缓慢，而且不是每个商业问题都能随意做真人实验。

被问到如何解决智能体每次见到室友都说“很高兴认识你”的记忆问题时，Park 回到 2023 年的 Smallville 实验。团队造了一座小镇，放入 25 个 NPC，也就是非玩家角色。它们会起床、上班、建立关系，并在情人节前一天自己组织派对、装饰咖啡馆。驱动它们的是当时的 GPT-3.5 text DaVinci，再加上 memory、planning 和 reflection 三层机制。

"They would actually remember their interactions. They would actually plan their days."（它们真的会记住彼此的互动，也真的会规划自己的一天。） 最早的记忆方案很朴素：把经历全写进 markdown 文本文件。但真实问题马上出现。一个角色经历越多，文本越长；即便上下文窗口扩大，也不可能每次行动都把一生流水账重新塞进去。

所以 reflection 才是关键。系统会定期让智能体回看零散记忆，像人洗澡时突然把很多事想通一样。它连续几天吃 omelet、天天泡图书馆，不能只停留在“又吃了一次”“又去了图书馆”，而要归纳出更高层判断：我是不是喜欢 omelet？我是不是在乎这门课？这件事和我的童年经历有没有关系？

这意味着长期智能体的记忆，不该只是存档柜，而要能不断压缩成“我是谁、我在乎什么”的自我叙事。只有这样，它在长时间互动中才会有稳定人格。反面也很清楚：经历数量继续增加后，记忆体量、检索方式和上下文成本仍会成为瓶颈，靠一个更大的文件夹解决不了。

被问到模拟模型能否像 AlphaGo 一样，靠现实结果不断变准时，Park 先拿编程 agent 作对照。编程任务的奖励很清楚：模型给出建议，用户接受就是正反馈，拒绝也是反馈。模型几乎立刻知道自己哪里做对、哪里做错。

模拟未来却麻烦得多。它预测的结果还没发生，今天无法立刻判卷。Park 的答案是把世界本身当作评分器。"The world is our ground truth."（世界本身就是我们的真实标签。） Simile 设想每天生成数万个假设，每一个都对应一个可验证的终点陈述。一个月下来，系统可能已经提出 100 万个假设；之后持续观察现实，计算其中有多少真的发生。

这是一种延迟监督。传统训练依赖人工标注：给一张图打标签，或者给一句回答判对错。行为模拟不必让人逐条标注，而是把“未来会不会发生”变成可等待、可验证的信号。若模型持续预测某类消费者会转向某品牌，数周或数月后，真实交易、调查和行为数据就能回头校正它。

这意味着模拟系统的飞轮不只是更多数据，而是更多“被现实判过卷”的假设。难点也没消失：有些未来事件要等很久才揭晓；即便结果出现，也未必知道究竟是模型理解对了因果，还是碰巧猜中。验证速度和归因能力，决定了这个飞轮能转多快。

被问到 synthetic panels，也就是合成样本面板，会不会在三年内超过传统 human panels 时，Park 没把重点放在“更便宜”。他认为，今天真正坏掉的是实验能力的供给。企业、科学家和政策制定者对产品、策略、政策都有大量想法，但大约只有 5% 真正被拿去实验；剩下 95% 不是没价值，而是卡在预算、时间，或根本无法进行大规模涌现实验。

Simile 花了约一年验证模型，并在 2024 年底发布结果：在问卷、行为实验和真实环境中，模型预测人的行为与态度，达到人类自我复现准确度的 85%。早期客户甚至拿大型咨询公司的既有研究现场测试。"And we predicted the outcome of studies that took 3 to 6 months, but just within 2 minutes."（我们预测了原本需要 3 到 6 个月才能完成的研究结果，但只用了 2 分钟。）

这里的变化不只是把研究周期从 3 到 6 个月压到 2 分钟。更大的变化是，原先不值得排进研究计划的问题，现在可以先进入模拟池。团队可以测试更多定价方案、产品定位、政策表述，先筛掉明显不值得投入真人实验的路线。

这意味着瓶颈会从“能不能招到样本、能不能做完调研”，转移到“该提出哪些值得测试的假设，以及如何处理海量模拟结果”。但 85% 不是万能通行证，Park 对合成样本市场规模的判断仍是前瞻预测。目前证据主要来自早期验证和企业试用；越涉及高风险决策，越不能把快速模拟当成取消真实研究的理由。

被问到研究型团队怎样组建成全明星公司时，Park 没有列出一串岗位名称。他先承认自己的缺口：他擅长研究，却不是 enterprise seller，也就是面向大型企业卖产品的人。因此，他需要联合创始人 Liane 承担产品、工程和 go-to-market，也就是产品走向市场的商业能力。

Park 看人才时会问一个很不客气的问题：一个人跨过不同职业阶段、换过不同领域后，是否仍然是成功的“common denominator”，共同分母。以联合创始人 Michael Bernstein 为例，他从博士阶段研究 crowdsourcing 和 collective intelligence，转向 Stanford 教职初期的另一类 AI，再进入 generative AI agents 和 simulations。Park 要找的不是刚好站在好项目旁边的人，而是每一次项目成功都能看出其个人推动力的人。

"Doesn't matter how everything else goes, I will personally make this successful."（不管其他事情怎么发展，我都会亲自让这件事成功。） 这句表态对应的是主人翁意识：不是等待环境配合，而是把结果当成自己的责任。

他还特别看重两种看似冲突的能力共存。Liane 日常极度 paranoid，总担心如果今天不拼尽全力就会失败；长期却近乎“religious”地相信最终一定会成功。短期偏执没有长期信念，会变成悲观；长期信念没有短期偏执，又容易自满。创业团队不是把相似履历叠起来，而是让研究、产品、销售与不同心理结构彼此校正。

被问到三年后哪些今天无法模拟的事将变得可能时，Park 反而泼了盆冷水。他认为，大多数人想模拟的事，今天已经能做出初始 proof of concept，也就是概念验证。造一个看起来会互动的多智能体社会，或者跑一段复杂情景，并不是最大的鸿沟。

真正难的是从演示跨到 productionizable technology，也就是能稳定投入生产、让决策者实际依赖的技术。下一阶段当然会有更复杂的多智能体模拟，也会有包含许多步骤、周期更长的模拟研究。但模型能把故事“演出来”，不代表它能支撑企业下注、政府定政策。

"The question is, can we evaluate the efficacy of these simulations?"（问题是，我们能否评估这些模拟的有效性？） efficacy 指的是有效性：这个系统到底有没有可靠地帮助人做出更好的判断，而不只是偶尔看起来很像现实。对一项高风险决策来说，漂亮的角色对话、合理的情节推进都不够；用户需要知道它在哪些人群、哪些场景、哪些时间尺度上可信，又会在什么条件下失真。

这意味着模拟赛道的护城河不只在模型、算力或酷炫 demo，而在验证体系。谁能建立可重复的评估、持续校准和可解释的失败边界，谁才可能跨过商业化鸿沟。Park 也明确承认，这仍是尚未解决的问题。复杂模拟可以被做出来；“能否放心依赖”还需要持续证明。

被问到不同复杂度模拟的算力成本，以及推理成本会不会继续上涨时，Park 给出了一个和“AI 会越来越便宜”不同的判断。简单任务当然可以更高效。Simile 已经把一款进入生产环境的模型，运行成本降到了过去的大约百分之一。但当用户要理解一项决策的所有 downstream implications，也就是连锁后果，或者要对全美国做市场细分，计算量会迅速膨胀。

Park 的逻辑是：越复杂的模拟，往往对应越昂贵、越不能做错的决策，因此 ROI 也更高。他设想，两到三年后，一次单独模拟可能需要 1000 万到 2000 万美元的算力成本，却依然有人愿意买单。"People will pay 100 million dollars for it."（人们会为它支付 1 亿美元。）

这不是说每个企业都要花 1 亿美元跑一次模型，而是把推理重新定义成一种决策保险。若一家全球企业本来要投入数亿美元推出产品、建供应链、进入新市场，或者政府要处理极高代价的公共决策，那么提前花 2000 万美元识别灾难性路径，可能比事后承担失败成本划算得多。

这意味着 AI 的终局未必是所有任务都无限低价。低端任务会越来越像水电，复杂推理却可能形成高端市场：客户买的不是 token，而是避免一次大错的概率。不过，这个价格模型完全依赖前一节的前提——模拟必须足够可靠。若不能证明它确实降低决策失误，1000 万美元的计算账单只会显得更吓人。

Park 的主线不是“让 AI 猜中未来”，而是把人的多样性、可选的干预动作，以及现实世界的反馈，装进同一个能持续校正的系统里。

“越像人的模型，越必须保留人的偏见”说的是输入：模型不能只学标准答案，也得理解不同人群为何会做出不同选择。“客户买的不是预测，而是改写未来的因果实验”说的是输出：企业不满足于知道 Frappuccino 会不会下滑，它要知道今天改什么，才能让结果改变。“模拟的奖励信号不在数据集里，而在每天发生的世界里”则补上了校准机制：每一个假设都要回到现实里接受判卷。

所以，“未来最贵的推理，可能是一场价值一亿美元的模拟”并不只是一个夸张的商业报价。它指向的是一种更严格的交易：客户愿意为模拟付高价，前提不是模型会说多少漂亮话，而是它能帮助客户少做一次足以造成数亿美元损失的决定。

对普通读者来说，这套逻辑也不只属于大企业。我们每天都在根据有限经验、片段信息和自己的偏见做选择。未来真正稀缺的，可能不是更多预测，而是能把“如果我换一种做法，会发生什么”变成可检验问题的能力。