Bridging Individual and Collective Realism in LLM-Based Human Mobility Simulation via Mobility Scaling-Law Guidance

都市がどのように「呼吸」しているのかを予測することを想像してみてください。都市計画家、疫学者、交通エンジニアは、人々がどのように動くか、つまり、どこへ行き、どのくらいの距離を移動し、どのくらいの頻度で同じコーヒーショップを訪れるかを知る必要があります。これは「ヒューマン・モビリティ（人間の移動性）」と呼ばれます。通常、このデータを取得するために、研究者は高価な調査を実施したり、スマートフォンの追跡を行ったりする必要がありますが、これには大きなプライバシーの問題が伴います。そこで、科学者たちは人工知能、特に大規模言語モデル（LLM）を使用して、デジタル上の人間として機能させる手法を使い始めました。彼らはAIにパーソナリティ・プロファイル（例：「郊外に住む教師」）を与え、一日の動きを記述させます。問題は、これらのAIエージェントは「一人」の人間を演じることは得意ですが、「群衆全体」として見たときには失敗してしまうことです。もし100万人のシミュレーションを行ったとしても、その集団は現実の都市のように動きません。交通渋滞が正しい場所に形成されなかったり、移動距離が不自然に見えたりします。それは、100万人の俳優がそれぞれ自分の台詞を完璧にこなしていても、誰一人としてキャスト全体の台本に従っていないため、劇全体が崩壊してしまうようなものです。

この論文は、この断絶を解消するための新しい手法であるCOMPASSを紹介しています。研究者たちは、実際の人間の動きには「スケーリング則（scaling laws）」と呼ばれる隠れた数学的ルールが存在することに気づきました。これらは、どれほど多くの人々を見ても現れるパターンであり、例えば「ほとんどの移動は短距離であり、ごく少数の移動だけが非常に長い」といったものです。COMPASSは、これらのルールを「コンパス（羅針盤）」として使用します。まず集団をシミュレートし、その集団の動きが現実世界の数学的ルールと一致しているかを確認し、その後、個々のデジタル人間に対して与える指示（プロンプト）を調整するためにAIを使用します。これは、オーケストラの指揮者が演奏を聞き、バイオリンがうるさすぎ、ドラムが静かすぎると気づき、音楽全体が完璧になるまで、特定の奏者にだけ具体的な調整をささやくようなものです。この論文は、集団レベルのルールを用いて個々のAIエージェントを導くことで、たとえ出発点が限られた、あるいは粗いデータであっても、都市の仕組みをより現実的にシミュレートできることを示唆しています。

問題点：優れたソロ奏者、ひどい合唱団

あなたが100万人の歌手による巨大な合唱団を指揮していると想像してください。あなたは彼らに、現実の都市のリズムのような音を奏でてほしいと考えています。あなたは各歌手に、キャラクターの背景設定が書かれた紙を渡します。「あなたは看護師です」「あなたは学生です」「あなたは退職者です」。そしてAIに、それぞれのキャラクターに基づいた歌を書いてもらいます。

AIは素晴らしい仕事をします。「看護師」は信憑性のあるシフトスケジュールを歌い、「学生」は授業に急ぐ様子を歌います。しかし、100万曲を一斉に再生すると、音楽は変なものになります。例えば、正午に全員が大きすぎる声で歌っていたり、あるいは「看護師」たちが全員、全く同じ時間に遠く離れた病院へと歩いていき、現実には起こらないような交通渋滞を引き起こしたりします。個々の歌手は完璧ですが、集団としての響きはめちゃくちゃなのです。

これは現在のAIモビリティ・シミュレーションで起きていることそのものです。これらは一人の人間をリアルに見せることは得意ですが、現実の人口がどのように動くかという「集団の魔法」を捉えることには失敗しています。実際の人々は目に見えないパターンに従っています。例えば、私たちの多くは食料品店へ行くために短距離の移動を行い、ごく一部の人だけが国を横断するような長距離移動を行います。もしAIが長距離移動を多くシミュレートしすぎると、モデル全体が壊れてしまいます。研究者たちは、既存のAIシミュレーターが長距離移動を作りすぎており、短距離移動が不足しており、また、新しい場所を探索したい人とお気に入りの場所に留まりたい人の適切な混ざり具合を捉えられていないことを発見しました。

解決策：COMPASSと魔法のコンパス

著者らは、COMPASS（COllective Multi-Prompt Adjustment guided by Scaling lawS）と呼ばれるフレームワークを作成しました。COMPASSを、単に合唱団の音を聞くだけでなく、現実の都市が「どのように聞こえるべきか」の地図を持っている、非常に賢い指揮者だと考えてください。

その仕組みは、以下のステップで行われます。

1. 初稿の作成: AIがデジタル上の人々とその動きの群衆を生成します。
2. 現実性のチェック: COMPASSは群衆全体を観察し、「スケーリング則」に照らして測定します。これらは、現実の移動に関する数学的ルールです。例えば、「人々が移動する距離は現実の都市の分布と一致しているか？」や「人々は同じ場所を十分に頻繁に訪れているか？」といったことを確認します。
3. 診断: もしシミュレーションがずれている場合、COMPASSは「なぜ」なのかを突き止めます。例えば、「看護師」たちが歩きすぎているのか、あるいは「学生」たちが探索しすぎているのか、といった具合です。
4. ささやき: 全体の曲を書き直すのではなく、COMPASSはAIに対して小さく具体的な「ささやき」を与えます。「おい、このグループの人たちには、もっと家の近くに留まるように伝えろ」とか、「これらの人々には、毎日同じジムを訪れるように伝えろ」といった指示です。
5. 探索: システムは、どの特定の人物にどの「ささやき」が必要かを判断するために、巧妙な探索手法（モンテカルロ木探索と呼ばれます）を使用します。これは、どの指示の組み合わせが最も現実的な合唱の響きを作るかを確認するために、さまざまな組み合わせを試行錯誤するようなものです。

秘密兵器：クッキーの瓶に残った欠片（Crumbs）

この論文の最も素晴らしい部分の一つは、データの扱い方です。通常、これらのスケーリング則を得るためには、一人ひとりの動きに関する完璧で詳細なデータが必要です。しかし、そのようなデータはプライバシー保護の観点から入手困難であったり、手に入りにくかったりします。

研究者たちは驚くべき発見をしました。完璧なデータは必要ないということです。 「粗い粒度（coarse-grained）」のデータを使用すればよいのです。クッキーを想像してください。それがチョコレートチップクッキーであることを知るために、すべての欠片を見る必要はありません。いくつかの欠片さえあれば十分です。COMPASSは、移動の粗い要約（例：「人々は平均Xマイル移動する」）や、古い研究で見つかった移動の数学的公式さえも利用して、AIを導くことができます。

彼らはこれを3種類のデータでテストしました。

• 詳細だが匿名化されたデータ: ユーザーIDはあるが、場所の情報は粗いもの。
• IDなしのデータ: 誰のものか分からない、移動経路の集まり。
• 統計データのみ: 実際の移動経路は一切なく、数値と数式のみ。

たとえ「統計データ（欠片）」だけであっても、COMPASSはAIを導き、より現実的なシミュレーションを作成することができました。これは、プライバシーを侵害したり完璧なデータセットを待ったりすることなく、より優れた都市モデルを構築できることを意味しており、極めて重要なことです。

結果：リアリズムの交響曲

チームは、北京とニューヨーク市の現実世界のデータを用いてCOMPASSをテストしました。彼らは自らの手法を他のトップクラスのAIシミュレーターと比較しました。

結果は明白でした。COMPASSの勝利です。

• 北京において、COMPASSは、最高峰の従来手法と比較して、移動距離のリアリズムを最大**74.79%**向上させました。
• また、「好ましい回帰（preferential return）」と呼ばれる行動（同じ場所を繰り返し訪れること）や、新しいエリアをどの程度探索するかについても、より優れた予測を行いました。
• 「統計データのみ」を用いた場合でも、他のすべての手法を上回る結果を出しており、優れた未来像を描くために水晶玉（完璧な予知）は必要ないことを証明しました。

また、研究者たちは、シミュレーション内のすべての人を調整する必要はないことも発見しました。デジタルな人々のうちわずか**15%**に対して調整を行い、その変更を似た属性の人々にコピーするだけで、群衆全体を修正することができたのです。これにより、膨大な計算資源を節約できます。

なぜこれが重要なのか

これは単に、より優れたビデオゲームを作ることではありません。もし私たちが、人々がどのように動くかを現実的にシミュレートできれば、以下のようなことが可能になります。

• より良い都市計画: 人々が実際にどのように移動しているかに一致する道路や公共交通機関を設計できます。
• 感染症の拡大予測: 移動のパターンを知っていれば、群衆の中でウイルスがどのように移動するかを理解できます。
• プライバシーの保護: 実在する人々のスマートフォンを監視することなく、これらのパターンを研究できます。

この論文は、群衆がどのように動くかという「数学的な音楽」に耳を傾けることで、AIに「孤独な個人の集まり」ではなく、「現実の社会」として振る舞うことを教えられることを示唆しています。それは、全体を理解するためには、個人の声だけでなく、その集団を支配するルールに耳を傾けなければならないこともある、という教訓を残しています。