想象一下，你正试图预测一座繁华城市的未来。你拥有一张地图、交通数据和天气报告。但城市不仅仅是道路和建筑；它是由人组成的。而人是混乱的、不可预测的，且充满惊喜。这就是**政策数字孪生（policy digital twins）的世界。把数字孪生想象成一个关于真实场所的高级视频游戏模拟。在工厂里，这些孪生体表现出色，因为机器遵循严格的规则。但在城市中，“玩家”是会做出自主选择的人类。为了制作一个对城市领导者（市长、议会和政府）有效的孪生体，你需要一种方法，不仅能模拟建筑，还能模拟人们每天做出的数十亿个微小决策。这正是多层智能体建模（Multi-Level Agent-Based Modeling, MABM）**发挥作用的地方。这种方法不再将每个人视为一个单一、枯燥的数据块，而是创建了数以千计的个体“智能体”（虚拟人），他们拥有各自的工作、收入和习惯。这些智能体相互作用并与环境互动，从而创造出一个复杂的、活生生的模拟系统。为什么这很重要？因为当政府试图改变某些事物时——比如让所有人转向电加热或修建新的自行车道——他们需要在花费数百万美元之前，了解真实的人会对这些举措做出何种反应。如果他们猜错了，政策就会失败，城市也会遭受损失。
这篇论文是关于为英国的一个市议会构建一种特定类型的数字孪生，以帮助他们研究如何将房屋从燃气供暖切换到热泵。作者们（一个研究团队）意识到，大多数数字孪生都忽略了人的因素，将人视为仅仅遵循指令的机器人。他们认为，为了让政策奏效，孪生体必须包含“人类在环（humans in the loop）”。为了证明这一点，他们为纽卡斯尔（Newcastle）建立了一个原型，这座城市拥有约32万居民。他们不仅仅构建了一张静态地图；他们创建了一个拥有近97,300个虚拟家庭的合成人口（Synthetic Population）。每个虚拟家庭都与城市中的一个真实房屋相匹配，并且每个虚拟家庭都根据真实的普查数据被赋予了“个性”——有些人是学生，有些是退休人员，有些居家办公，有些则预算紧张。
现有的政策数字孪生往往缺乏“人机协同（human in the loop）”，未能考虑到人类行为（例如，对新技术的采用、对激励措施的反应）如何与物理基础设施相互作用。此外，政策背景具有高度异质性；一个针对某一城市或管辖区经过验证的模型，可能无法转移到另一处，因为两者在治理结构、数据可用性和社会人口特征方面存在差异。目前迫切需要一种设计框架，能够通过多层级智能体建模（MABM）显式地纳入人类行为，同时解决政策环境下独特的定义、情境和数据挑战。