AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society

Dit artikel introduceert AgentSociety, een grootschalige simulatieomgeving die door LLM-aangedreven agenten wordt gebruikt om menselijk gedrag en complexe maatschappelijke dynamieken, zoals polarisatie en beleidsimpact, te modelleren en te analyseren.

De kern

Stel je voor dat je een enorme, digitale stad kunt bouwen. Niet met bakstenen en cement, maar met 10.000 virtuele mensen. Deze mensen hebben een eigen gedachtegang, gevoelens, een werkplek, vrienden en zelfs een portemonnee. Ze kunnen praten, winkelen, naar het werk gaan en zelfs in paniek raken als er een orkaan aankomt.

Dit is AgentSociety, het project dat in dit artikel wordt beschreven. Het is een soort "simulator van de mensheid", gebouwd met de nieuwste kunstmatige intelligentie (LLM's).

Hier is de uitleg in simpele taal, met een paar leuke vergelijkingen:

1. Het Probleem: Waarom we dit nodig hebben

Vroeger wilden wetenschappers weten hoe mensen zich gedroegen in grote groepen (bijvoorbeeld: waarom worden mensen boos op elkaar, of wat gebeurt er als iedereen plotseling geld krijgt?). Om dit te testen, moesten ze echte mensen vragen om mee te doen aan experimenten.

• Het probleem: Dit is duur, lastig te regelen en soms ethisch niet verantwoord. Je kunt niet zomaar een hele stad in de war sturen om te zien wat er gebeurt.
• De oplossing: In plaats van echte mensen, maken we digitale kopieën (agenten). Maar eerdere digitale mensen waren saai; ze volgden alleen strakke regels (als X gebeurt, doe Y). Ze hadden geen "ziel".

2. De Oplossing: AgentSociety

AgentSociety is een nieuwe manier om deze digitale mensen te maken. Het werkt als een gigantisch rollenspel, maar dan met een superkrachtige AI als brein.

• De "Geest" (De Agenten): Elke virtuele persoon heeft een persoonlijkheid, een verleden en gevoelens. Ze zijn niet alleen een cijfer; ze denken na. Als ze honger hebben, zoeken ze een restaurant. Als ze verdrietig zijn, bellen ze een vriend. Ze gebruiken Large Language Models (LLM's) – hetzelfde type AI dat dit gesprek nu met je voert – om te beslissen wat ze doen.
• De "Wereld" (De Omgeving): Deze mensen leven niet in een lege ruimte. Ze leven in een digitale versie van een echte stad. Er zijn wegen, winkels, banken en overheden. Als het regent, wordt het reizen lastiger. Als de bank rentes verhoogt, wordt sparen aantrekkelijker. De wereld reageert echt op hun gedrag.
• De "Motor" (De Simulatie): Om 10.000 mensen tegelijk te laten leven, heb je een sterke motor nodig. De onderzoekers hebben een systeem gebouwd dat deze mensen parallel laat werken, alsof het een enorm orkest is waar elke muzikant zijn eigen partituur speelt, maar samen een mooi liedje maakt.

3. Wat kunnen ze hiermee doen? (De Experimenten)

De onderzoekers hebben deze stad gebruikt om vijf grote maatschappelijke vraagstukken te testen. Denk aan het als een veilig "zandbakje" voor politici en wetenschappers:

• Polarisatie (De Echo-kamer): Wat gebeurt er als mensen alleen maar met mensen praten die het met hen eens zijn? De simulatie toonde aan dat mensen dan extremer worden. Maar als je ze dwingt om met tegenstanders te praten, worden ze weer rustiger.
• Woedende berichten: Hoe verspreiden zich nepnieuws of boze berichten? De simulatie liet zien dat boze berichten sneller gaan dan normale berichten. Ze ontdekten ook dat het beter werkt om de bron van de boodschap te blokkeren (de persoon) dan alleen de verbinding tussen mensen te verbreken.
• Basisinkomen (Gratis geld): Wat als je iedereen maandelijks €1.000 geeft? De simulatie voorspelde dat mensen meer zouden consumeren (kopen) en minder depressief zouden worden. Dit kwam overeen met wat er in het echte leven (in Texas, VS) is gezien.
• Orkanen: Hoe reageren mensen als er een grote storm aankomt? De digitale mensen verplaatsten zich net als echte mensen: ze bleven thuis toen de storm kwam en gingen weer bewegen toen het voorbij was.
• Stedelijke Duurzaamheid: Hoe krijg je mensen om minder met de auto te rijden? De simulatie toonde aan dat mensen beter reageren op boodschappen die hun eigen waarden raken ("Ik wil een schone wereld") dan op boodschappen die ze vertellen wat ze moeten doen.

4. Waarom is dit belangrijk?

Stel je voor dat je een proefballon kunt opblazen voor elke nieuwe wet die een regering wil invoeren.

• Vroeger: "We hopen dat deze wet werkt."
• Nu met AgentSociety: "Laten we de wet eerst 10.000 keer testen in onze digitale stad. Zie je? Het werkt niet goed, mensen worden boos. Laten we het plan aanpassen voordat we het in het echt doen."

Het is alsof je een videospel hebt, maar dan zo realistisch dat je er echte maatschappelijke problemen mee kunt oplossen. Het helpt politici om betere beslissingen te nemen, zonder dat er echte mensen schade ondervinden.

Kortom: AgentSociety is een digitale spiegel van de maatschappij, gevuld met slimme virtuele mensen, die ons helpt om de echte wereld beter te begrijpen en te verbeteren.

Technische samenvatting

Probleemstelling

Het begrijpen van menselijk gedrag en maatschappelijke dynamiek is een centrale uitdaging in de sociale wetenschappen. Traditionele methoden, zoals sociale experimenten, zijn vaak duur, logistiek complex en ethisch problematisch. Bestaande computergestuurde benaderingen, zoals Agent-Based Modeling (ABM), kampen met beperkingen in realisme:

1. Gebrek aan menselijke authenticiteit: Bestaande agenten worden vaak aangestuurd door simpele regels, vergelijkingen of statische ML-modellen. Ze missen de complexiteit van menselijke cognitie, emoties en sociale intelligentie.
2. Beperkte schaalbaarheid: Veel simulaties kunnen slechts een klein aantal agenten (<100 tot 1.000) hanteren, wat onvoldoende is om emergente maatschappelijke fenomenen (zoals polarisatie of economische schokken) te modelleren.
3. Gebrek aan realistische omgeving: Simulaties vinden vaak plaats in virtuele werelden (zoals Minecraft) of tekstuele omgevingen die de complexe interacties van een echte stedelijke, economische en sociale omgeving niet adequaat nabootsen.
4. Afbakening van "Generatieve Sociale Wetenschap": Er is een paradigma-shift nodig van puur observeren en voorspellen naar het creëren van systemen om ze echt te begrijpen ("What I cannot create, I do not understand").

Methodologie: AgentSociety

De auteurs stellen AgentSociety voor, een grootschalige sociale generatieve simulator die drie kerncomponenten integreert:

1. LLM-gedreven Generatieve Agenten

De agenten zijn ontworpen om een volledig sociaal wezen na te bootsen, gebaseerd op psychologische en economische theorieën (o.a. Maslows hiërarchie van behoeften, Theory of Planned Behavior).

• Mentaliteit (Minds): Agenten hebben een dynamisch profiel (demografie, persoonlijkheid) en status (emoties, behoeften, kognitie). Emoties worden gemodelleerd als reacties op stimuli, behoeften sturen motivatie (van overleving tot zelfverwezenlijking), en kognitie omvat attitudes en redenering.
• Gedrag (Behaviors): Gedrag wordt onderverdeeld in:
  • Mobiliteit: Gedreven door behoeften, gebruikmakend van het zwaartekrachtsmodel (Gravity Model) voor locatiekeuze en rekening houdend met verkeer en weer.
  • Sociale interacties: Gebaseerd op netwerken (familie, vrienden, collega's) met variërende sterkte. Agenten wisselen berichten uit, waarbij toon en inhoud worden bepaald door emotie en relatie.
  • Economisch gedrag: Omvat werk (loon, arbeidsuren) en consumptie, gekoppeld aan een macro-economisch model.
• Werkstroom: Een "Stream Memory" koppelt interne mentale toestanden aan externe acties via een cyclus van actie, feedback en herinnering-update, wat zorgt voor contextbewust en adaptief gedrag.

2. Realistische Maatschappelijke Omgeving

De simulator biedt een virtuele weergave van de echte wereld, opgedeeld in drie ruimtes:

• Stedelijke Ruimte: Gebaseerd op OpenStreetMap en SafeGraph-data. Bevat wegen, POI's (Points of Interest) en AOI's (Areas of Interest). Het simuleert multi-modale mobiliteit (lopen, bus, taxi, auto) met realistische reistijden en kosten.
• Sociale Ruimte: Een sociaal netwerk dat online en offline interacties ondersteunt. Inclusief een "Supervisor" die content filtert, berichten blokkeert en moderatie simuleert (bijv. op sociale media).
• Economische Ruimte: Een macro-economisch model met bedrijven, overheid, banken en een statistisch bureau. Het simuleert loonstelsels, belastingen, rentes (Taylor Rule), GDP en consumptiepatronen.

3. Grootschalige Simulatie-engine

Om duizenden agenten gelijktijdig te laten draaien, is een geavanceerde architectuur ontwikkeld:

• Distributie: Gebruik van het Ray-framework voor parallelle uitvoering over meerdere processen en machines.
• Groepsgebaseerde Executie: Agenten worden gegroepeerd om TCP-poortlimieten te omzeilen en verbindingen (voor LLM-API's, databases) te hergebruiken binnen één proces.
• Berichtenstelsel: Implementatie van MQTT (een IoT-protocol) voor het uitwisselen van berichten tussen agenten. Dit zorgt voor hoge doorvoersnelheid en betrouwbaarheid bij duizenden gelijktijdige verbindingen.
• Toolbox: Ondersteuning voor sociale wetenschappelijke methoden zoals enquêtes, interviews en interventies (bijv. het manipuleren van agent-toestanden of het sturen van nieuwsberichten).

Belangrijkste Resultaten

De auteurs hebben de simulator getest met meer dan 10.000 agenten die in totaal 5 miljoen interacties hebben uitgevoerd. De prestaties en validaties omvatten:

1. Prestatie-evaluatie:

   • De omgeving kan tot 1 miljoen individuen simuleren met minimale vertraging.
   • Het MQTT-berichtenstelsel presteert robuust (ca. 44.000 berichten/sec) en is geschikter voor sociale simulaties dan Redis, RabbitMQ of Kafka in deze context vanwege de balans tussen doorvoer en beheerbaarheid.
   • De totale simulatie-tijd schaalt lineair met het aantal agentengroepen, waarbij de LLM-API-calls de belangrijkste bottleneck blijven.

2. Validatie via Vijf Maatschappelijke Experimenten:
   De simulator slaagde erin realistische uitkomsten te reproduceren in vijf complexe scenario's:

   • Polarisatie: Agenten in "echo-kamers" (homofiele interactie) werden extremer in hun meningen, terwijl blootstelling aan tegenstrijdige meningen (heterofiele interactie) leidde tot meer gematigde standpunten.
   • Verspreiding van Inflammatoire Berichten: Experimenten gebaseerd op de "Xuzhou-geketende vrouw"-casus toonden aan dat emotionele berichten sneller verspreiden. Interventies op node-niveau (schorsen van accounts) waren effectiever dan op edge-niveau (verwijderen van connecties).
   • Universeel Basisinkomen (UBI): Een simulatie in Texas toonde aan dat UBI leidde tot hogere consumptie en lagere depressiviteitsniveaus, in overeenstemming met echte empirische bevindingen.
   • Externe Schokken (Orkaan): De mobiliteit van agenten reageerde realistisch op orkaan Dorian (drastische daling in activiteit tijdens de orkaan, herstel daarna), wat overeenkwam met echte mobiliteitsdata.
   • Stedelijke Duurzaamheid: Interventies om laag-koolstof gedrag te stimuleren toonden aan dat normen die focussen op persoonlijke morele verplichting ("personal norms") effectiever waren dan dwingende normen.

Bijdragen en Significance

De paper levert een paradigmatische verschuiving in de computationele sociale wetenschap:

1. Van "Silicon Samples" naar Sociaal Wezen: In tegenstelling tot eerdere studies die LLMs alleen gebruikten als statische respondenten, creëert AgentSociety autonome agenten met een interne psychologie, geheugen en adaptief gedrag binnen een realistische omgeving.
2. Schaalbaarheid en Realisme: Het is de eerste simulator die duizenden agenten kan laten interageren in een omgeving die stedelijke, sociale en economische dimensies integreert, waardoor emergente fenomenen op macro-niveau kunnen worden bestudeerd.
3. Testbed voor Beleid: De simulator fungeert als een "digitale tweeling" voor beleidsmakers. Het biedt een veilige, goedkope en schaalbare omgeving om beleid te testen (zoals belastinghervormingen of klimaatmaatregelen) voordat het in de echte wereld wordt geïmplementeerd.
4. Computational Social Science 2.0: Het paper positioneert AgentSociety als een nieuwe generatie tool die de kloof overbrugt tussen traditionele agent-based modeling en de complexiteit van de echte wereld, en de weg vrijmaakt voor een hybride toekomst waarin mens en AI samenleven.

Kortom, AgentSociety bewijst dat het mogelijk is om een hoge-fideliteit, grootschalige simulatie van de menselijke samenleving te bouwen die niet alleen menselijk gedrag nabootst, maar ook gebruikt kan worden om de onderliggende mechanismen van sociale dynamiek te doorgronden en te voorspellen.