想象一下，试图预测数百万人在城市中的移动轨迹。他们会在早上 8 点匆忙赶去上班吗？他们会在阳光明媚的周六在公园里流连忘返吗？他们会绕道去买杯咖啡吗？这不仅仅是一个猜测游戏；它是科学家和城市规划者的“超能力”。如果我们能准确模拟这些移动，我们就能设计更好的交通系统，在疾病爆发前阻止其传播，并建设真正符合人类需求的社区。

长期以来，我们一直尝试通过让真实的人填写调查问卷或追踪他们的手机来做到这一点。但调查往往会被遗忘或带有偏见，而追踪手机则引发了巨大的隐私问题。于是，“大语言模型”（LLM）登场了。把 LLM 想象成一个超级聪明的机器人大脑，它几乎读过了互联网上的所有内容。科学家们意识到，他们可以让这个机器人扮演一个人，一步步地推演那个人下一步会去哪里。这就像雇佣了一百万名演员来即兴表演城市生活中的一天。问题在于？这极其昂贵且缓慢。要求一个机器人大脑去思考一百万人的每一个步骤，会耗费巨额的计算时间和金钱，使其难以扩展到真实城市的规模。

这就是来自莱威大学（Lehigh University）和纽约州立大学宾汉姆顿分校（SUNY Binghamton）研究人员的一篇新论文中提出的巧妙技巧——MobCache。与其每次都要求机器人从头开始思考，不如建立一个关于机器人思维过程的“记忆库”。想象一下你正在写一个故事。你不需要每次都从头开始写每一个句子，而是拥有一个由你以前写过的优秀句子片段组成的图书馆。如果你需要一个关于“周二起床”的句子，你可以从图书馆中找一个类似的，稍作修改，然后继续写下去。研究人员也做了这件事，但有一个转折：他们不仅保存了文字，还保存了文字背后的“逻辑”，并将其存入一种被称为“潜空间”（latent space）的秘密代码中。这使得他们可以混合并重组不同的思维模式，从而创造出数百万个独特且真实的日常行程，而无需再次让昂贵的机器人大脑进行繁重的计算工作。

问题所在：机器人太慢且太贵

研究人员首先观察到一个简单的现象：使用人工智能模拟人类移动目前对于大城市来说太慢、太贵了。如果你想模拟一百万人仅一天的移动，仅计算费用就可能轻松超过 1,000 美元。

一些团队尝试通过将人群分组来解决这个问题。他们会说：“所有中等收入的软件工程师都会做完全相同的事情。”但这很枯燥，也不符合现实。真实的人是多样化的；有些人加班，有些人睡懒觉，有些人去健身房。当你强迫一组人表现得完全一样时，你就失去了现实生活的“风味”，模拟出来的结果就会变成对现实的拙劣模仿。

其他团队则尝试通过让机器人一次回答许多问题来提高速度。但即便如此，每一个人仍然需要机器人从头到尾思考完他们的一天。这就像雇佣一名厨师为一百万人做饭，即使食材大部分是相同的，你也必须为每一顿饭支付费用。

解决方案：一个“可重构”的思维库

MobCache 背后的团队意识到，机器人不需要每次都从头开始思考。人类的移动通常遵循一个逻辑链条：“我起床了”，然后“我查看天气”，接着“我决定去公园”。研究人员决定不再仅仅保存最终答案（行程），而是开始保存机器人到达那里所采取的“步骤”。

他们构建了一个包含三个主要部分的系统：

1. 秘密代码（潜空间）： 他们没有将机器人的想法保存为纯文本句子（因为纯文本很难在不出错的情况下进行混合与组合），而是将其保存为数学上的“嵌入”（embeddings）。你可以把这理解为保存一个想法的“氛围”或“逻辑”，而不是具体的文字。这就像保存一个音乐和弦，而不是乐谱。你可以从一首爵士乐中取一个和弦，再从一首流行歌曲中取一个和弦，并将它们混合在一起创造出新的东西，只要它们处于同一个调性之中。
2. 逻辑检查器（潜空间评估器）： 当我们将这些“思维和弦”混合在一起时，我们需要确保新的故事是合理的。他们训练了一个特殊的“逻辑检查器”来观察这种混合，并判断：“等等，这个人明明在家，但下一步却说他在上班，而且还是在星期天！”检查器会拒绝错误的组合，确保模拟出的新一天在逻辑上是通顺的。
3. 翻译官（轻量级解码器）： 一旦我们拥有了一串有效的“思维和弦”链条，我们就需要将其转回可读的日程表。为了不使用那个庞大且昂贵的机器人大脑来进行这种转换，他们训练了一个微小且快速的“解码器”来完成这项工作。这就像是一位专业的翻译官（大机器人）教给一名高效的实习生（小解码器）如何进行翻译，从而让实习生以极低的成本完成工作。

实际运作方式

当需要为一个新的人模拟一天时，系统会查看其个人资料（年龄、职业、居住地），并在其库中寻找一个相似的人。它会提取那个人的思维链条。然后，它可能会从一个人的链条中取走一步，再从另一个人的链条中取走一步，并使用“逻辑检查器”来确认是否匹配。如果匹配，那就太好了！如果不匹配，它会尝试重新尝试，或者请求大机器人重新开始。最后，“翻译官”会将这些混合后的思维转化为清晰的日程表：“上午 8:00：起床。上午 8:30：开车去上班。”

结果：快速、廉价且真实

研究人员在来自北京和纽约市的真实数据上测试了这个系统。结果令人印象深刻。

• 速度： MobCache 比现有的最佳方法快了 83.61%。它生成一个人一天的移动大约需要 1.27 秒，而其他方法则需要超过 18 秒。
• 成本： 它降低了 71.82% 的成本。不再需要为每一次模拟支付高昂费用，成本降到了每人不到一分钱的微小水平。
• 质量： 尽管如此快且如此便宜，但模拟出的质量与那些缓慢且昂贵的方法一样真实。研究人员测量了人们在特定地点停留的时间以及旅行的距离等指标。MobCache 与现实世界的数据几乎完美契合，证明了你不需要为了速度而牺牲质量。

他们还测试了该系统处理大规模数据的能力。当他们模拟高达 100,000 人 时，系统并没有变慢或变得混乱。事实上，由于拥有了更多的数据，它在匹配现实世界模式方面表现得甚至更好。他们甚至尝试使用基于北京建立的库来模拟纽约的人群。虽然并非完美，但效果出奇地好，这表明人类移动的“逻辑”是可以跨城市共享的。

为什么这很重要

论文指出，MobCache 是大规模模拟领域的游戏规则改变者。它证明了你不需要雇佣一百万个昂贵的机器人来理解一座城市的运行。通过保存移动的“逻辑”而非移动本身，我们可以在极短的时间和极低的成本下模拟数百万人。

这意味着城市规划者可以运行成千上万个“假设”场景，以观察一条新的地铁线路或一场流行病封锁会对交通和人们的生活产生怎样的影响。它将一项曾经过于昂贵且缓慢的任务，变成了一件可以快速、轻松完成的事情，为建设更聪明、更安全、更高效的城市打开了大门。研究人员强调，这不仅仅是一个小小的改进，它是我们如何利用人工智能来大规模理解人类行为的一次根本性的转变。