麻省理工：靠访谈让AI模拟真人，这条路能走多远？

只要和一个人进行足够深入的交流，大模型能否化身为其“数字替身”？

一条日益受到追捧的技术路径是：通过访谈、问卷及个人背景资料来了解一个真实个体，随后让大模型扮演该角色，预测其在未曾触及的问题上将如何回应。从虚拟用户、合成受访者，到个性化AI Agent，这条路线愈发常见。

然而，一个更具挑战性的问题随之浮现：即便AI已掌握你当下的思考方式，当面对一个前所未有的新场景时，它还能否精准模拟你的反应？

为验证这一点，麻省理工学院等机构的研究人员推出了HugAgent。他们让大模型基于真实参与者的访谈内容，预测这些人在全民医疗、公共监控及住房增密等新情境下的回应。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/

研究结果显示，个人访谈确实有助于模型更精确地模拟特定个体。然而，一个更引人注目的发现是：与一个人交谈越久，AI对其当前想法的把握越清晰，但这并不必然意味着它更能预知条件改变后该人的反应。

这使得“数字替身”面临一个根本性问题：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画像？

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还能否继续代表这个人？

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逐步成为一条正式的研究路径。研究者让LLM扮演消费者、选民或实验参与者，进而尝试模拟真实存在的个体：通过长时间访谈、问卷及个人资料构建“数字替身”，再让AI在后续新问题中继续代表该个体。

这条路径听起来合乎逻辑。一个人向AI提供的信息越多，AI对其了解越深，似乎也就越能预测其回答。

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，但同时担忧成本、效率及个人选择。模型或许能准确判断其当前立场。

可如果条件改变呢？

若新方案每年能为他的家庭节省3000美元，或私人保险仍可保留，他还会做出相同选择吗？

此时，模型的任务已不仅是记住“他支持全民医疗”，而是要从过往表达中判断其真正看重什么，以及在不同条件变化后，他将如何重新权衡。

这正是HugAgent希望检验的问题：

如果我们通过采访构建了足够丰富的 persona，它能否预测这个人在采访之外会如何回答？

这是从“像人”迈向“像这个人”之后，一个无法回避的问题。

HugAgent不仅记录答案

还要追问“为什么”

要检验AI能否模拟“某一个人”，首先需知道这个人自身的真实想法。

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“当下的你”。

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，他们需评估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，一人可能最担忧社区风貌和房产价值，另一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及其各自的重要性。

这些信息共同构成了一个人当前的 belief state（信念状态），即他现在持有的立场，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”。

接着，问卷开始改变其中一个条件。

若住房增密后，当地租金下降10%到15%？若全民医疗每年能为一个家庭节省3000美元？若公共监控的录像仅保存48小时？

参与者需在每个新假设情境下重新给出立场，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”，还记录了当某个条件变化后，他自己会如何重新回答。前后两种状态之间的变化，构成了HugAgent想要预测的 belief update（信念更新）。

更重要的是，这些答案来自参与者本人。后续模型测试时，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、理由及不同因素之间的关系。

第三步：think-aloud访谈，逐步追问“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think-aloud（口述思考）访谈，可打字也可直接语音，边思考边说出判断理由。

这并非一套固定不变的问题清单。

机器人会根据参与者之前的话语，动态整理其“因果信念图”：他提到了哪些因素，这些因素会让立场向什么方向变化，影响强度如何。基于这些信息，系统再自动生成下一轮 follow-up question，继续追问尚未阐明、存在矛盾或值得进一步展开的地方。

例如，若一人表示担心某项政策的成本，机器人可继续追问：若成本下降，这会在多大程度上改变你的态度？若他说“我也不太确定”，系统也会继续追问这种不确定性。

“拿不准”本身也是信息。

它可能意味着这个人的立场不牢固，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，模型获取的是关于此人的背景信息和这段访谈，而非目标情境下本人给出的真实答案。

图注: HugAgent的两类评测任务。Belief State Inference根据访谈推断一个人当前的信念；Belief Dynamics Update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再将上述材料转化为两类考试。

第一类是Belief State Inference，共356题，测试模型能否从访谈中推断这个人当前未直接说出的信念。

第二类是Belief Dynamics Update，共1386题，测试在给出新假设情境后，模型能否预测这个人的新立场和理由权重。

整个benchmark共包含1742个评估项。

为设定一个经验上限，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，在两类任务上分别为84.84%和85.66%，这被用作后续模型比较的 ceiling（经验上限）。

至此，一个原本抽象的问题变得可直接测量：

若与一个人交谈越来越多，其“数字替身”是否会越来越擅长预测他？

核心结果：读懂“当下的你”容易，条件改变后则困难

HugAgent最直观的结果是，模型在两类任务上的表现出现了明显差距。

在Belief State Inference（信念状态推断）中，表现最佳的方法准确率达到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%，论文将其作为该任务的经验ceiling。

在Belief Dynamics Update（信念动态更新）中，最佳的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ceiling则为85.66%。

也就是说，在各自的评测设置下，大模型已较擅长从访谈中恢复一个人“现在怎么想”，但面对一个此前未回答过的新情境时，与参与者自身回答的距离仍然更大。

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完全无法从访谈中预测。

以GPT-4o为例，若不提供个人访谈，仅依赖人口统计等信息，Belief Dynamics Update准确率仅为39.83%；加入此人的完整访谈后，提高至63.11%。

Qwen2.5-32B也出现类似变化，从32.12%提高至58.96%。

也就是说，访谈并非仅仅为模型增加了一段更长的上下文。这个人自己说过的话，确实包含了预测他后续回答的个体信息。

进一步的cross-person实验也得到相似结果：若将本人访谈换成另一人的，GPT-4o在更新任务上的准确率下降至39.30%，几乎回到无本人访谈的水平。

图注: 无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，一个自然的想法是：那就多聊一些。

若数字替身主要取决于信息量，那么5轮访谈应不如10轮，10轮又应不如完整访谈。

但HugAgent并未观察到这种稳定关系。

以Qwen2.5-32B为例，随着访谈内容增加，Belief State Inference的准确率从68.84%上升至73.02%，最终达到77.17%。

但Belief Dynamics Update并未同步提高，反而从61.79%变为60.73%，完整访谈下为58.96%。

这并非说明访谈无用。之前的实验已表明，从“不认识这个人”到拥有本人访谈，差异显著。

真正值得关注的是：

从无个人信息到有个人信息很重要，但持续堆积关于一个人的材料，并不会自动带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未出现同样稳定的提升。

进一步拆解，模型究竟难在何处，也能看到一些线索。

预测一个人的变化，可粗略拆分为两个问题：他是否会变，以及若变，会向哪个方向变。

至少在医疗领域，GPT-4o一旦判断某人态度会变化，对变化方向的判断准确率达到88.89%；但判断此人究竟是否会变化，准确率仅为49.36%。

这说明，模型往往知道新信息会将态度推向哪个方向，更困难的可能在于另一个问题：

什么样的变化，才足以让这个人改变主意？

一个可能的原因是，访谈较易暴露一个人在意哪些因素，以及这些因素大致将立场推向何方；但一个人在什么位置有多大的“改变阈值”，从已有表达中更难判断。

数字替身的真正考验

看完这些结果，HugAgent留下的，并不只是一张GPT、Claude、Gemini的模型排行榜。更重要的是，它把“数字替身”研究中一个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human simulation尤为重要。

若AI仅用于总结一个人的既有观点，那么一份足够详细的persona或许已足够。但越来越多的应用远不止于此。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反响，也希望让personalized agent替用户处理从未遇到过的新选择。

这些用途都有一个共同前提：

模型必须能从已观察到的个人信息，外推到未直接问过的情境。

也正是在这里，数字替身的真正考验才开始。

复述已知观点只是起点。数字替身的真正价值，是在问题改变、条件改变后，依然能够代表这个人。

若一个模型仅能将采访中已出现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，一个陌生的选择首次出现，它还能否沿着这个人的理由和权衡继续走下去。

HugAgent的结果表明，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为对未见情境更准确的预测。未来构建数字替身时，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如何判断？

当然，HugAgent目前测到的，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和观点变化。它回答的是：根据一个人的访谈和既有回答，能否预测他面对一个此前未见的假设情境时会如何回答？而模型与100%之间的差距，也不能全部归因于模型能力不足。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。

因此，最后留下的问题可能比某个具体的benchmark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？

是它能回答几道未见的问卷？

还是只有当环境和条件改变后，它依然能做出和本人相似的权衡，我们才应开始称它为一个可靠的数字替身？

大模型正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，也许已足以让AI越来越像他。

但“像他”，和“能够代表他”，仍然是