🤖 AI

MASS: Deep Research for Social Sciences with Memory-Augmented Social Simulation

本文提出了 MASS，一个记忆增强型社会模拟框架，通过整合动态目标路径规划、多学科行为数据集以及结构化遗忘机制，增强了由大语言模型驱动的社会科学研究的创造力与实证严谨性，并在整体质量和洞察力方面较现有基准实现了显著提升。

原作者： Yongrui Liu, Deyi Xiong

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Yongrui Liu, Deyi Xiong

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图写一篇关于人类社会行为的严肃研究论文——比如，为什么邻居会为了篱笆吵架，或者小企业是如何应对法律纠纷的。

通常情况下，人工智能（一种智能计算机程序）会尝试通过扮演一名超级图书管理员来完成这项工作。它在互联网上搜索数百万本现有的书籍和文章，阅读它们，然后将这些信息缝合在一起。问题在于，它只是在重新排列旧家具。它并不真正了解身处人群中是什么感觉，所以它的观点往往缺乏真实的“火花”或深刻的理解。

这篇论文的作者开发了 MASS，他们决定尝试一种不同的方法。他们没有仅仅做一个图书管理员，而是搭建了一个虚拟电影片场。

以下是他们的系统是如何运作的，分为几个简单的步骤：

1. 导演（任务规划）

首先，人工智能扮演电影导演的角色。它不是简单地猜测该做什么，而是使用一种特殊的思考策略，称为“逐步最佳 N 策略”（Stepwise Best-of-N）。想象一下导演在问：“拍摄这场戏有哪 5 种不同的方式？”它尝试所有方式，选出最好的一个，然后接着问：“好，那么下一场戏有哪 5 种拍摄方式？”这确保了研究路径具有创造性，并能避免死胡同。

2. 剧本与布景（社会模拟）

这是神奇之处。人工智能不再只是阅读关于人的内容，而是构建了一个拥有数字角色（智能体）的虚拟世界。

剧本（ODD 协议）： 人工智能为模拟过程编写了一套严格的规则手册，定义了角色是谁以及他们世界的规则（类似于重力，但属于社会规则）。
演员阵容（记忆）： 为了让角色感觉真实，人工智能为他们配备了一个“记忆库”，其中充满了 3 亿个来自历史、心理学和经济学的真实人类行为案例。这就像是为演员进行选角，而这些演员已经研究过成千上万个真实的案例研究。
“遗忘”机制： 这是一个巧妙的转折。人类并不会完美地记住所有事情；我们会随着时间的推移而遗忘。人工智能使用了一条著名的数学曲线（艾宾浩斯曲线），让它的角色缓慢地“遗忘”旧记忆。这使得模拟过程更像真实的生活，即人们会对“近期”发生的事情做出反应，而不是对几年前发生的事情做出反应。

3. 演员表演（交互）

现在，虚拟世界中的角色开始互动。他们根据自己的记忆和世界的规则进行交谈、争论、合作并做出决策。

示例： 在一次实验中，人工智能模拟了一个没有政府的世界。角色们为了资源而争斗。随着时间的推移，“领导者”自然而然地出现了，争斗也停止了。这为人工智能提供了全新的、原创的数据，这些数据是它在任何书籍中都找不到的。它通过“观察”模拟过程，而不是仅仅通过“阅读”来发现了一种模式。

4. 编辑（结构化写作）

一旦模拟结束，人工智能就会收集它生成的所有新数据。然后，它扮演一名专业的编辑，将这些发现整理成一篇正式的学术论文。它遵循关于研究论文应有的严格格式规范，将模拟产生的原始“电影素材”转化为一份精炼的报告。

为什么这很重要？

作者将这个系统与其他顶尖的 AI 研究工具进行了对比测试。

结果： MASS 系统不仅写出了更多的论文，而且写出了更好的论文。它在“洞察力”方面的得分显著更高。
隐喻： 如果说其他人工智能是那些背诵教科书并复述出来的学生，那么 MASS 就是那个真正走出去做实验、观察结果，然后根据自己“所见”撰写报告的学生。

简而言之： MASS 教会了人工智能不再仅仅是阅读社会，而是开始模拟社会。通过赋予人工智能一个拥有像人类一样记忆和遗忘的真实角色的虚拟游乐场，它可以生成新鲜、富有创造力且深刻的见解，而这些见绪是以前计算机无法自行发现的。

技术摘要：MASS —— 具有记忆增强社会模拟功能的社会科学深度研究

问题陈述

尽管大语言模型（LLM）智能体在自动化科学研究和论文写作方面已展现出巨大潜力，但现有的“深度研究”系统在社会科学领域面临着关键局限。目前的方案过度依赖于从互联网和本地知识库中检索并合成现有文献。作者认为，这种“检索并生成”的机制不足以应对社会科学研究，因为该领域具有复杂性、实践性和主观性，真正的洞见源于理论与实践之间的相互作用。仅仅对现有文本进行重处理往往会导致研究缺乏创造力、经验深度和真正的洞察力。因此，需要一种能够生成原创性、经验性“第一手”数据来证实学术论点的范式，而非仅仅依赖二次资料。

方法论：MASS 框架

为了解决这些局限性，作者提出了**记忆增强社会模拟（MASS）**框架。该框架将重心从被动的信息整合转向通过现实的、面向研究的虚拟社会模拟来主动生成经验性洞见。该框架由四个紧密集成的模块组成：

1. 任务规划与深度推理 (SW-BoN)

为了克服传统思维链（CoT）在多步任务中的“误差累积”和探索受限问题，MASS 采用了逐步最佳 $N$ 策略（Stepwise Best-of-N, SW-BoN）。

机制： 在每一步 $i$ ，智能体会生成 $n$ 个候选推理节点。这些节点根据评分函数 $S(c_{ij})$ 和阈值 $\theta$ 进行评估。未达到阈值的候选节点将被重新生成。
选择： 通过使用语义相似度测量的共识评估函数 $V(c^*_{ij})$ 实现的多智能体投票机制，从过滤后的集合中选出最优节点。
结果： 这一迭代过程确定了全局最优的研究路径，从而指导后续外部工具（搜索 API、学术数据库和社会模拟实验）的调用。

2. 自动化实验设计

该模块利用 ODD（概述、设计概念、细节）协议将选定的研究路径转化为可执行的模拟环境。

结构： 系统定义研究问题、智能体属性和场景边界（概述）；阐述行为基础和交互机制（设计概念）；并规定实现细节（细节）。
约束： 为确保研究导向性和真实性，设计中加入了动态目标导向路径规划（使智能体的探索与研究主题保持一致）和多层社会规范约束（制度执行、社会道德和文化惯例），以规制智能体的决策空间。

3. 记忆增强社会模拟

这是核心创新点，旨在确保智能体的行为是真实的且具有认知连续性。

行为数据集： 构建了一个包含近 30 万条条目的多学科数据集，涵盖经济学、政治学、法学、社会学、心理学和历史学。非结构化文本被解析为五个要素：行动者特征、上下文、行动原因、决策过程和行为结果。
记忆初始化（冷启动）： 智能体并非以空白记忆开始。相反，检索增强生成（RAG）机制会根据智能体的角色画像从数据集中检索相关的行为数据，生成与研究主题一致的个性化初始记忆。
로는
动态记忆建模： 系统通过 艾宾浩斯遗忘曲线（ $y = 90 \times e^{-4.8x} + 10$ $y = 90 \times e^{- 4.8 x} + 10$ ）模拟记忆的演化。
- 强度衰减： 记忆强度随时间间隔递减。
- 关联增强： 新记忆可以基于语义相似度强化历史记忆。
- 概率性遗忘： 记忆根据其激活强度进行过滤，确保智能体的决策依赖于动态演化的记忆子集，而非静态数据。

4. 结构化写作模块

最后一个模块整合了之前所有阶段的输出。它遵循预定义的学术模板（如学术论文、政策简报）和文体规范。它综合了网络搜索、文献综述以及社会模拟产生的定量/定性数据，以生成正式的学术文章。

核心贡献

本文概述了三个主要贡献：

MASS 范式： 一个通过集成生成式社会模拟来产生经验证据的新型框架，推动了自动化社会科学研究，超越了传统的基于检索的方法。
数据集与记忆机制： 开发了一个大规模、多学科的社会行为数据集，以及一个受艾宾浩斯启发的记忆机制，显著增强了智能体行为的真实性和认知连续性。
带有规范约束的目标规划： 在多层社会规范约束下运行的动态目标规划方案，使模拟过程具备了明确的研究导向和现实约束。

实验结果

作者在 DeepResearch Bench 的社会科学子集上对 MASS 进行了评估，并将其与基础大模型（如 Qwen3-235B, DeepSeek-V3.1）及现有的深度研究框架（如 Tongyi Deep Research）进行了对比。

整体质量： 与基础大模型相比，MASS 在整体生成质量上实现了 6.81% 的提升。
洞察力： 该框架在“洞察力”维度上比强基准模型提升了 17.19%，凸显了其驱动研究走向深度的能力。
消融实验： 移除 MASS 模块或记忆机制会导致性能逐步下降，证实了社会模拟和记忆增强的关键作用。
案例研究：
- 冲突驱动的国家形成： 模拟成功复现了关于随着冲突弹性增加，领导者涌现和资源分配转移的理论预测。
- 中小企业纠纷策略： 系统准确地模拟了法律意识、外部支持和风险承受能力如何影响中小企业在合同纠纷解决中的选择。
敏感性分析： 框架对智能体属性生成完整度和遗忘概率参数的变化表现出鲁棒性，尽管极端值会损害性能。

意义与主张

本文声称 MASS 代表了社会科学深度研究的范式转变。通过受控的、记忆增强的模拟生成原创经验数据，该框架解决了当前基于检索的方法存在的创造力和洞察力缺失问题。作者断言，这种方法为学术论文提供了实质性的经验基础，使 LLM 智能体不仅能作为现有知识的合成者，更能作为能够探索复杂社会动态并产生新发现的主动研究者。这项工作被视为迈向更自主、更有洞察力且具有经验基础的科学发现的一步，尤其是在理论与实践必须动态交互的领域。