AI数字分身：复刻当下易，预判新情境难

只要和一个人聊得足够久，大模型就能成为他的「数字分身」吗？

从虚拟用户、合成受访者到个性化AI代理，当前越来越多的研究尝试通过访谈、问卷与个人资料来还原真实个体，让大模型扮演该对象，预测其在未接触过的问题上的回应逻辑。但这其中存在一个尚未被充分解答的核心疑问：即便AI已经掌握了一个人当下的思考方式，当面对全新的场景时，它能否依然保持与本人一致的回答逻辑？

为验证这一问题，麻省理工学院等多家机构的研究者推出了HugAgent框架，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、公共监控与住房增密等全新议题下的观点。该研究共招募并筛选出54名参与者，设置了1742个评测项，同时测试了GPT、Claude、Gemini、DeepSeek、Llama、Qwen等多款主流大模型，相关论文已入选EMNLP 2026 Main Oral环节。

相关论文与资源：

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/

研究结果显示，个人访谈确实能帮助大模型更精准地模拟特定个体的思考，但一个值得关注的现象是：与一个人交流的时间越长，AI对其当下的想法理解得越透彻，但却未必能更准确地预测当条件发生变化时，这个人会做出怎样的回应。

这也让「数字分身」技术面临一个更基础的本质问题：AI到底是在构建一个关于个体的动态思考模型，还是仅仅在生成一份越来越详细的个人信息档案？

从「像普通人」到「像特定个体」的关键跨越

过去几年间，利用大模型模拟人类行为已经成为一条成熟的研究路径。研究者最初让大模型扮演普通消费者、选民或实验参与者，而现在则进一步尝试还原真实存在的个体：通过长时间的访谈、问卷与个人资料构建「数字分身」，再让AI在后续的新问题中继续代表本人做出回应。

这条技术路线听起来合乎逻辑：一个人向AI提供的信息越多，AI对其的了解就越深入，似乎也就越能准确预测其后续的回答。但这其中存在一个关键的逻辑跳跃：描述一个人与预测一个人的行为，并不是同一回事。

举个例子，如果一个人在访谈中表示支持全民医疗，但同时担忧政策的成本、执行效率与个人选择空间，AI或许可以准确判断其当下的立场。但如果政策发生变化——比如新方案每年能为其家庭节省3000美元，或是允许保留私人保险——他是否还会坚持原本的观点？

此时，AI需要做的不再只是记住“这个人支持全民医疗”这一结论，而是要从其过往的表达中，推断出他真正在意的核心价值，以及当不同条件发生变化时，他会如何重新权衡这些价值。这正是HugAgent想要验证的核心问题：如果我们通过访谈构建了足够丰富的个体画像，AI能否预测这个人在未被直接询问过的场景下会给出怎样的回答？这也是从“模拟普通人”到“还原特定个体”之后，无法绕开的关键一步。

HugAgent：不仅记录答案，更要追问「为什么」

要验证AI能否精准模拟特定个体，首先需要完整收集该个体的真实思考逻辑。HugAgent并未依赖公开的人物资料或网络文本，而是直接招募真实参与者，选择了三个在美国社会存在明显分歧、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，允许建设更高密度的住宅）。最终从120余名报名者中筛选出54名合格参与者。

第一步：基础问卷，记录「当下的想法」

参与者首先填写人口统计信息，并针对不同议题给出1到10分的支持度评分。同时，他们还需要评价一系列理由对自身立场的影响程度。例如，同样反对住房增密，有人可能最担心社区风貌与房产价值受损，有人则更在意交通拥堵、租金上涨或住房供给不足。最终的支持与否只是一个表面结论，真正区分不同个体的，是支撑其观点的核心理由，以及这些理由的相对重要性。这些信息共同构成了个体的「信念状态」：即当下持有的立场，以及支撑该立场的逻辑。

第二步：调整条件，记录「假设情境下的回应」

随后，问卷开始调整议题的前置条件。比如，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家庭节省3000美元？如果公共监控录像仅保存48小时？参与者需要在每个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。

通过这种方式，研究团队不仅掌握了个体当下的想法，还记录了当某个关键条件发生变化时，其自身会如何调整回应。前后两种状态的差异，正是HugAgent需要预测的「信念更新」过程。值得注意的是，所有假设情境下的回答都来自参与者本人，后续AI在测试时，并不会直接看到这些目标情境下的标准答案。

第三步：口述思考访谈，挖掘深层逻辑

仅依靠问卷答案还不足以完整还原个体的思考逻辑。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，可以选择打字或语音输入，一边思考一边阐述自己的判断理由。

这套访谈并非固定的问题清单，机器人会根据参与者的发言动态构建「因果信念图」：记录其提到的关键因素、这些因素对立场的影响方向与强度，并基于这些信息自动生成后续的追问问题，进一步挖掘尚未说清、存在矛盾或值得深入探讨的细节。例如，如果参与者表示担心某项政策的成本，机器人可以继续询问：如果成本下降，这会在多大程度上改变你的态度？如果参与者表示“不太确定”，系统也会将这种不确定性作为重要信息继续追问。

「不确定」本身也是有价值的线索：它可能意味着个体的立场并不牢固，或是两种核心价值正在相互拉扯。相较于简单的1到10分评分，口述访谈能留下更丰富的细节：个体真正在意什么、为什么在意、哪些判断十分确定、哪些地方仍在犹豫。

最终，AI获得的是该个体的背景信息与完整访谈记录，而非目标假设情境下的真实答案。HugAgent将这些材料转化为两类评测任务：

第一类是信念状态推断，共包含356个题目，测试AI能否从访谈中推断出个体当前未直接表达的信念。

第二类是信念动态更新，共包含1386个题目，测试AI在得知新的假设情境后，能否预测该个体的新立场与理由权重变化。

整个评测基准共包含1742个评测项。为设定评测的经验上限，团队在14天后邀请部分参与者重新回答相同问题，参与者与两周前自身回答的一致性在两类任务上分别达到84.84%与85.66%，这一数据被用作后续模型对比的基准上限。

核心结果：读懂「当下」易，应对变化难

HugAgent最直观的实验结果，是大模型在两类评测任务中的表现出现了显著差距。

在信念状态推断任务中，表现最优的方法准确率达到77.56%，GPT-4o的准确率为74.66%。而参与者在两周后重新回答相同问题的自我一致性为84.84%，这一数值被作为该任务的经验上限。

而在信念动态更新任务中，表现最好的Claude Sonnet 4.5准确率仅为68.61%，LLaMA 3.3 70B的准确率为67.57%，GPT-4o的准确率为63.11%，对应的经验上限为85.66%。

这意味着，在各自的评测设置下，大模型已经能够较好地从访谈中还原个体当下的思考，但当面对从未接触过的新情境时，其预测结果与参与者真实回答之间仍存在明显的差距。

不过，这并不意味着新情境下的回应完全无法通过访谈预测。以GPT-4o为例，如果仅依赖人口统计等基础信息，其信念动态更新任务的准确率仅为39.83%；而加入该个体的完整访谈记录后，准确率提升至63.11%。Qwen2.5-32B也出现了类似的变化：从32.12%提升至58.96%。

这说明，个体的访谈内容并非只是更长的上下文，其中确实包含了预测其后续回应的独特个体信息。进一步的跨个体对照实验也验证了这一点：如果将参与者的访谈记录替换为其他个体的，GPT-4o在更新任务上的准确率下降至39.30%，几乎回到未使用个体访谈的水平。

既然访谈能有效提升模拟效果，一个自然的想法是：与个体交流的时间越长，AI的预测准确率就越高。如果数字分身的效果主要取决于信息量，那么5轮访谈的效果应该不如10轮，10轮又不如完整访谈。但HugAgent的实验并未观察到这一稳定的正相关关系。

以Qwen2.5-32B为例，随着访谈内容的增加，信念状态推断任务的准确率从68.84%逐步上升至73.02%，最终达到77.17%。但信念动态更新任务的准确率并未同步提升，反而从61.79%变为60.73%，在完整访谈下仅为58.96%。

这并非说访谈毫无作用，此前的实验已经证明，从“不了解该个体”到“拥有其完整访谈记录”，准确率的提升十分显著。真正值得关注的是：从无个体信息到拥有个体信息的提升十分关键，但继续堆砌关于个体的材料，并不会自动带来对新情境预测准确率的稳定提升。

进一步拆解模型的预测难点，可以发现两个核心问题：判断个体是否会改变立场，以及判断如果改变，会朝着哪个方向变化。以医疗领域为例，GPT-4o一旦判断某个体的态度会发生变化，其对变化方向的预测准确率达到88.89%，但判断该个体是否真的会改变立场的准确率仅为49.36%。这说明，模型往往能够理解新信息会如何影响个体的立场方向，但更难判断的是：什么样的变化才足以让这个个体改变主意？

一个可能的解释是，访谈比较容易暴露个体在意的因素，以及这些因素大致会如何影响其立场，但个体在何种阈值下会改变想法，从已有的访谈内容中更难准确推断。

数字分身的真正考验

HugAgent的研究结果，并非只是给出了一份不同大模型的性能排行榜，更重要的是将「数字分身」研究中一个容易被忽略的核心问题摆到了台前：一个模型能够精准复现个体的过往观点，并不意味着它能够代表个体在未来的回应。

这一区别在人类行为模拟领域尤为重要。如果AI仅被用于总结个体的既有观点，一份足够详细的人物画像或许已经足够好用，但当前越来越多的应用场景，希望AI能做的远不止于此：研究者希望用合成参与者测试尚未发布的政策，希望用AI消费者判断新产品的市场反应，也希望让个性化代理帮助用户处理从未遇到过的新选择。

这些应用的共同前提是：AI必须能够从已掌握的个体信息，外推到未被直接询问过的场景。而也正是在这里，数字分身的真正考验才正式开始。

复述已知的观点只是数字分身的起点，其真正的价值在于，当问题与条件发生变化时，依然能够保持与个体一致的权衡逻辑。如果一个模型只能将访谈中出现过的观点复现得越来越逼真，那么它更接近一份详细的个人档案。真正的难点在于，当条件改变、陌生的选择首次出现时，它能否沿着该个体的核心理由与权衡逻辑继续推导。

HugAgent的结果表明，这一步并非理所当然能够实现。个人访谈确实能提供有价值的个体信息，但更多的访谈内容并不会稳定转化为对未知情境的更精准预测。未来在构建数字分身时，我们需要思考的问题可能不再只是“还需要收集多少数据”，而是“究竟需要掌握个体的哪些信息，才能预测其在从未回答过的问题上的判断？”

当然，HugAgent目前测试的仍是假设情境下的自我报告，而非真实世界中长期发生的行为与观点变化，它回答的是：基于个体的访谈与既有回答，能否预测其在面对全新假设情境时的回应？而AI预测与100%准确之间的差距，也不能完全归咎于模型能力不足，因为个体的回答本身存在波动，部分假设问题也未必能从已有信息中推导出唯一答案。

因此，最后留下的问题比具体的评测分数更基础：我们应该用什么样的证据，才能相信一个AI真正足以「代表」某一个体？是它能够复述该个体的观点？是它能够回答几道未见过的问卷？还是只有当环境与条件发生变化后，它依然能够做出与个体相似的权衡，我们才能称其为可靠的数字分身？

大模型正在越来越擅长保存我们的偏好、语言与经历，但从一份详细的「关于我的档案」，到一个真正能够在陌生情境中代表「我」的模型，中间或许还有相当长的一段距离。

与一个人交流，或许足以让AI越来越像他，但「像他」与「能够代表他」，仍然是两件完全不同的事。