模拟人类：Simile 用 3 亿美元造一台"社会预演机"

核心要点

• 数据策略即护城河：Joon 的根本判断是这一代 AI 公司必须有可防御的数据策略——你能否拿到别人拿不到的数据、会不会采集极难采集的数据；他说自己投资时只看这个信号，机器人和芯片/推理层是模拟之外的同类机会。
• 不追求超级智能：大模型公司在造擅长编程与数理的超理性机器，Simile 反着来——要模型在同样情境下犯同样的错、带同样的偏见，做人的价值观、偏好与品味，也就是人脑主观的那一半。
• 没人在乎预测：观察性数据只能建立相关性，适合预测；但 Starbucks 听到"两季度后销量下滑"只会问怎么办。真正值钱的是因果机制与反事实，所以 Simile 把大量随机对照实验和 A/B 测试当作核心训练资产。
• 85% 复现精度：花约一年验证模拟不只是 demo，结果显示模型预测个人在问卷、行为实验和真实环境中的行为与态度，准确率达到本人自己重测的 85%，2024 年底发表，直接催生了合成样本这一市场。
• 半年融资 3 亿：5 个月前 Index 领投 1 亿美元，随后被内部投资人 preempt，Greenoaks 的 Neil Mehta 团队几天内进场，加注 2 亿美元，半年累计 3 亿美元；理由是研究控制不了产出，但能控制投入。
• 单场模拟卖 1 亿：他预判两三年内会出现单次运行成本 1000 万至 2000 万美元、售价 1 亿美元的模拟会话，客户是全球最大企业或政府——推理成本上行的下一个前沿就在模拟。
• 两种矛盾超能力：招人他看两条——此人是否是历次成功的"共同分母"（说明极强 ownership 与自我重塑能力），以及是否同时具备本不该共存的两种超能力，比如短期偏执与长期笃信。

章节时间轴

• 1:43 情人节小镇 — 2023 年用 GPT-3.5 驱动 25 个 NPC 生活一天，它们自发筹办派对，成为最早的 agent 范例之一。
• 4:02 记忆怎么解 — 最初把一切写进 markdown 就够用，但上下文有限，于是引入 reflection 定期把碎片记忆提炼成更高层的自我认知。
• 6:21 什么是模拟模型 — Simile 在做人类行为的基础模型，从个体到子群体，最终到生态系统与市场。
• 7:07 与前沿模型的关系 — 大模型追求超理性，Simile 追求"和人一样会错"，做人的主观半脑。
• 7:54 言行不一与因果 — 网页数据是"人说了什么"，Simile 采集交易与观察数据，更依赖随机对照实验训练反事实推理。
• 11:45 不做下一代 Qualtrics — 工具层创新是更好的问卷，模拟的本质是可泛化的人的模型，最终指向多人交互与气候变化这类"棘手问题"。
• 14:03 谁能用、谁不能用 — 模拟是科幻里与 AGI 并列的第二根支柱，滥用风险真实存在，北极星是"规模化的代表性"。
• 16:22 飞轮与真实世界 — 编程 agent 的奖励信号来自接受/拒绝；模拟的 ground truth 是世界本身，每天生成上万条可被现实验证的假设。
• 19:27 成本下降 100 倍 — 生产中的模型运行成本已降到原来的百分之一，算力主要花在寻找初始技术观点上。
• 20:14 TAM 与企业楔子 — 先服务企业不只为预算，更为最紧的反馈回路；Tableau 创始人 Pat Hanrahan 的建议：最好的反馈是让人付钱。
• 22:34 PMF 何时到来 — 财富 500 强高管在 Stanford 看过 Smallville demo 后主动找上门，一年验证期后合成样本市场成形。
• 23:20 95% 的问题没人问 — 现有市场只有约 5% 的想法能被实验验证，其余靠直觉；模拟要解开这个限制。
• 25:40 研究与商业的对齐 — 四位联创里三位是研究者（Michael Bernstein、Percy Liang），模型越准产品体验越好，这种对齐让实验室与产品公司得以共存。
• 27:12 三个月成交 — 原以为市场要一两年才接受模拟，结果 CVS 这类巨头三个月内签约，因为痛点比想象的更急。
• 30:19 价值捕获 — 客户最认的价值是避免可能损失数亿美元的错误决策，预防先于优化。
• 32:38 团队与共同分母 — 画家画谁都像自己；招人看是否是历次成功的共同分母，以及是否具备两种矛盾的超能力。
• 38:51 抢研究员 — 顶尖研究员总包可达数千万美元，创业公司只能靠愿景与影响力，而非底薪。
• 41:54 学者创业的信号 — 判断标准是他们娶了问题还是娶了影响力，只迷恋问题的人往往做不成公司。
• 43:27 3 亿美元融资史 — Index 领投的 1 亿轮后被内部 preempt，Greenoaks 加注 2 亿，半年累计 3 亿美元。
• 46:35 VC 到底有什么用 — 从怀疑到承认好投资人是导师，以及"市场总比你早一步"的节奏教训。
• 49:41 泡沫与基本面 — 承认部分市场过热，坚持看客户、市场拉力与技术曲线这些基本面。
• 50:26 单位经济与 1 亿美元一场 — 复杂模拟更贵但 ROI 更高，两三年内可能出现售价 1 亿美元的单场模拟。
• 53:31 时间机器游戏 — 十年后最疯狂的事：语言模型是智能的 CPU，模拟是智能的 GPU。
• 55:48 对冲基金与股市 — 若存在完美模拟器，很多关于世界的默认假设（包括股市）都会改变。
• 56:35 代表性的极限 — 我们默认无法获取所有人的观点、只能靠代议制近似，他认为这个限制未来不必再忍受。
• 58:08 爱与模拟 — 面对"同时约会 100 人"的设想，他自称浪漫主义者，认为共同经历才是信任的基础。
• 60:27 快问快答 — 过热的是没有清晰愿景的新实验室，看好数据策略、机器人与芯片/推理层。
• 62:01 最善意的一件事 — 大学毕业住在朋友车库、毫无研究背景时，一位 Stanford 教授花了一整个上午指路。

详细内容

一、从情人节小镇到人类行为基础模型

Joon 的起点是 2023 年那个后来被反复引用的实验。当时的观察很朴素：语言模型在网页上吃进了海量人类行为与情感数据，"如果你用对角度去戳它，就能把相当真实的人类行为抽出来"——而且这件事是领域无关的。计算机科学几十年来一直有个愿景：造出可泛化的、能在任何环境里像人一样行动的 agent。他判断这个机会窗口来了。

于是团队做了一个"把时间快进很多年后最有野心的版本"：造一座游戏小镇，放进 25 个 NPC，让它们早上醒来、走日常流程、上班、发展关系，并且真的记得彼此的互动、真的会规划自己的一天。实验设定在情人节前一天，结果这些 agent 自发聚到一起、自己策划派对、装饰咖啡馆。这项工作有两个根本贡献：一是它是最早的 agent 范例之一（当时配的还是 GPT-3.5 text，ChatGPT 尚未出现）；二是 memory、planning、reflection 第一次成为所谓 agentic workflow 架构中的显式组成部分。

记忆这块的起因很具体：一旦有多个 agent 并存，你就得让它们记住彼此，否则室友之间每次见面都在说"很高兴认识你"。最初的解法简单到近乎粗暴——全部塞进 markdown 文本文件，居然就能跑。问题出在规模：即便上下文窗口越来越大，小镇里的经历量已经巨大，搬到真实世界更是天文数字。所以他们引入了 reflection：每隔一段时间，显式地让 agent 取出一批记忆碎片去理解它们，"有点像洗澡时冒出来的念头"。你这周为什么吃了五次煎蛋卷，是太忙吗，还是你就喜欢煎蛋卷？你为什么天天泡图书馆，这件事对你重要吗？agent 会由此形成比地面事实更高层的观念，逐渐意识到"我其实很投入这个研究课题，这可能跟我的童年有关"，进而塑造出人格与观点。

今天 Simile 要做的，是人类行为的基础模型：先建模个体，再到子群体，最后到整个生态系统乃至市场。你告诉它你关心哪个人群，它就把这群人建模出来。

二、和前沿模型的分工：要一个会犯同样错误的模型

Harry 问 Simile 与 OpenAI、Anthropic 这类前沿模型提供方是什么关系。Joon 的回答干净利落：大模型公司手头的根本任务是造出超理性的智能机器，擅长编程、自然科学和数学——"Simile 完全不关心这些"。Simile 关心的是，如果一个人在某个情境下犯了错，模型要犯同一种错；人有什么偏见，模型就要有同样的偏见。用他的话说，Simile 要成为人的价值观、偏好与品味的表征，也就是大脑主观的那一半。

这也决定了数据取向的分岔。网页数据本质上是"人说了什么"，不是"人做了什么"，而言行不一是真实存在的。Simile 因此采集交易数据、观察数据，也与客户和供应商合作采集。但他的"个人暴论"是：观察性行为数据擅长建立观察与未来结果之间的相关性，适合预测任务——而"没有人真的在乎预测"。除非你在预测股市，否则人们不关心未来会发生什么，他们想塑造未来。你是 Starbucks，知道两个季度后销量要跌并不能帮到你，你听完只会说"那太糟了，我们该怎么办"。人们要的是：现在做什么才能改变未来。

要回答这个问题，就必须有因果机制，模型得能对因果和反事实做推理。所以 Simile 特别看重随机对照实验，自己也大量跑 A/B 测试，把"如果人们做了这个而不是那个，他们的行为会如何变化"喂给模型，作为核心训练资产。

Harry 不太买账，追问：Starbucks 如果能预测星冰乐销量下滑，就能调整采购周期，这难道没价值吗？Joon 的回应是，他们之所以想知道，是为了改变策略；服务这个市场需要多少资源当然也是一种行为变化，但根本上仍是反事实问题——市场出现这个下滑，我们要做什么才能最大化公司价值。

数据采集是不是最难的一环？Joon 说数据当然是重要的一块，"我的根本论点是，这一代 AI 公司必须有一个可防御的、有意思的数据策略"。对 Simile 来说难点有两个角度。一是找人——和其他大模型公司要的"专家程序员、专家科学家"完全不同，他们要的是像你我一样过着日常生活的普通人，关键指标是代表性：样本里的人群构成是否和真实世界一致。二是问对问题：什么样的实验、什么样的问题才能触及一个人的根本。他们数据采集的开头常常是"讲讲你的人生故事：你在哪长大，经历过什么，遇到过最难的问题或最难的决定是什么"。

三、不做下一代 Qualtrics：模拟作为一个领域的野心

Harry 直接问了句"不礼貌"的话：你是不是只想做下一代 Qualtrics，怎么避免那成为终局？

Joon 说，这个领域迄今为止的创新都活在工具层——怎么做更好的问卷工具、更好的访谈工具。模拟在做一件本质不同的事：造出关于人的、最可泛化的模型，从而在规模上代表人的观点。再往下，他看到的是多人交互的模拟：一群被模拟的人互相作用，你就能理解一个决策的全部下游影响；或者你有个新产品要发布，能不能把整场发布连同受众反应、市场变化一起模拟出来。

他身上科学家的那一面还看到更远的东西：模拟可能是很多"棘手问题"（wicked problems）的解药。比如气候变化，它需要许多利益不一致的相关方采取集体行动，难就难在找到那个各方都愿意为全球利益做决定的均衡态。这些决策过程能不能被模拟？甚至"民主在什么条件下会失败"能不能被预测？他认为这才是模拟最终要回答的问题。

Harry 顺势追问伦理边界：预测选举、预测政权，这工具太好用了，你怎么决定能和谁合作、不能和谁合作。Joon 说这正是原则最要紧的地方。他是科幻迷，任何一部高阶科幻里总有两根技术支柱，一根是 AGI，另一根就是模拟；和所有强大技术一样，滥用的可能非常真实。他给出的北极星是"规模化的代表性"：人们有不同的观点、视角与品味，而在真正为他们做重要决定的房间里，这些观点常常缺席。"我们总说我们倾听员工、倾听客户、倾听利益相关方，实践中非常难。"模拟是一种确保每次决策都能在规模上听见人的方式。

至于需要多少人才够，他说社会科学文献里，如果目标人群足够窄，通常一千人就能拿到统计显著性；但客户实际查询系统的方式是临场提出"筛到某某人群"，这些筛选条件是即时生成的，所以他们要的是能覆盖整个人口的代表性。

四、飞轮：世界本身就是 ground truth

Harry 用 AlphaGo 打比方：模型每天都在被现实修正，一万天之后你应该比模型还懂模型。Joon 换了个角度解释。编程 agent 这几年进步神速，根本原因是奖励函数极其清晰——你给出建议，用户点接受，很好；点拒绝，同样有用，你立刻知道什么是好什么是坏。

看模拟，很容易觉得奖励无处可寻，因为你预测的一切都发生在未来，难以验证。他承认这是真的，但认为模拟其实有一个更好的机制：世界本身就是 ground truth。"我们就活在真实世界里。"所以他们每天可以生成上万条假设，每条假设映射到一个终局陈述——如果这件事发生，我们就知道这次模拟是对是错。然后每天观察世界，看哪些假设在什么时间点变得可验证。"一个月过去，我们生成了一百万条假设，其中 x% 成真了。这是了解世界最好的方式。"

这个飞轮也是早期合作方的核心价值点：他们知道 Simile 在他们的业务语境里会越来越准，这是复利型优势。

算力方面，他说算力当然重要，但大量投入其实花在寻找初始的技术突破上——探索不同的训练方式、不同的数据集。一旦形成观点，把它做高效就很快。一个具体例证：现在生产中的一个模型，过去的运行成本是今天的约 100 倍；部分来自换了建模方式，但在同样的奖励模型、同样的哲学下，只是在推理时做得更高效。

五、企业市场：三个月成交，两分钟复现半年的研究

关于 TAM，Joon 先讲了立场：他的职业起点是研究，而研究本质上是一种服务——相信科学突破最终会服务整个社会。他对模拟这个领域的看法也一样，长远希望技术被全社会使用，因为要服务的根本目标是帮人做更好的决策。

眼下先做企业，有几个理由。一是坦白讲预算在那里，产品市场契合清晰可见；二是这是验证技术的极好方式，反馈回路要尽可能紧，才知道什么时候模拟对了、什么时候错了。第三个理由来自 Stanford 隔壁办公室的 Pat Hanrahan——Tableau 创始人之一、图形学教授、图灵奖得主——给他和同事的建议：获得反馈最好的方式，是请人付钱给你。这也是 Tableau 的核心哲学。

PMF 的信号来得比想象快。财富 500 强的董事会成员和高管本来就会去 Stanford 看实验室 demo，Smallville 发布后他们都看到了，反应是"天啊，如果能这样模拟一个市场，这将改变我们的运作方式"。这成了逼他们往前走的力量：接下来花了大约一年证明模拟不只是有趣的 demo，而是准确的——模型预测个人在问卷、行为实验和真实环境中的行为与态度，准确率达到本人自己重测的 85%。这项工作 2024 年底发表，合成样本（synthetic panels）这个领域和市场由此起步。

Harry 问三年内合成样本会不会大过真人样本。Joon 认为会超过现有的真人样本市场，因为它抬高的是能被回答的问题的天花板。今天的市场"相当破碎"：我们有大量关于市场的问题——如果发布这个产品、采取这个策略、推行这个政策会怎样——但大概只有 5% 的想法能被真正实验，剩下 95% 从不去试，要么根本没有能力做（尤其是涌现尺度的实验），要么没有预算和时间。于是社会上大量决策靠直觉，有时不错，有时被自己狭窄的经历严重偏置。模拟要解开的正是这个限制：在把东西推向世界之前，先把每一个假设都测一遍。

节奏也超出预期。他 2025 年 6 月离开 Stanford，原以为市场要一两年才会对模拟这个想法暖起来，计划到 2026 年底再激进推进。实际发生的是客户跑得极快，"真的改变了我对美国企业界的看法"。他点名了 CVS 的洞察部门 VP Shri，形容对方极具前瞻性、野心和勤奋；更关键的是他们日常工作中的痛感比他能想象的还要剧烈——实验太慢、预算受限，一旦意识到市场上可能有解药，他们愿意放下一切来试。结果是全球最大的一批客户以企业级罕见的闪电速度，在三个月内完成签约。

速度和准确谁更重要？他说两者都要。有太多问题今天只能靠直觉，只要能拿到方向性的证据，客户就愿意试；试过之后很快会发现这是与数据交互、获取证据的极好方式，而且相当准。最早的一批客户里，有人在第一通电话时手上正拿着大型咨询公司的研究结论，就直接拿去查询系统："如果重跑一遍，你的系统会说什么？"——三到六个月的研究结果，Simile 两分钟就预测了出来。

Harry 追问价值捕获：给 CVS 这种量级的公司干好活，能撬动数亿甚至数十亿美元的收入，只收一百万是不是差距太大。Joon 说市场正在往这个方向走，而客户最认的价值其实是避免灾难性决策——"哇，那事要是真做了，会赔掉五亿美元。我们跑了个模拟，避开了。"这是显而易见的止痛药。他补充说预防和优化都有，但预防更是硬价值。

被问到与 Kalshi、Polymarket 这类预测市场的关系，他说确实有重叠——都在帮人窥见未来一角——但 Simile 感兴趣的不只是"会发生什么"，而是"怎么发生的、为什么"。能把生态系统走向那个结局的每一步展示出来，客户才知道怎么阻止它或推动它，这才是真正的力量。

六、团队：共同分母，以及两种不该共存的超能力

Simile 有四位联合创始人：Joon 自己、Michael Bernstein、Percy Liang，以及负责产品、工程与市场的 Laney。前三位都出自 Stanford——Joon 主攻 agent 与模拟方向的研究，Michael 是那篇开启 AI 革命的 ImageNet 论文的共同作者、人机交互与 AI 方向的领军者，Percy 则是"foundation model"这个词的提出者。

一个研究实验室为什么能同时是产品公司？Joon 的解释是对齐：技术能做的事与市场需要的东西几乎重合。模型越能代表人，模拟就越好，用户立刻获得更扎实、更准确的体验。"如果没有这种对齐，同时维持实验室和产品公司非常难；一旦有了，它可以相当神奇。"

关于团队建设，他给了两条判断标准。第一条来自他画画的经历——他曾是人物画家，画肖像和人体写生，圈子里有个不成文的秘密：不管你画谁，画出来的对象总带着画家自己的影子。组建团队也是如此，在你真正在乎的团队里，你应该能看见自己。而他最看重的是：这个人是不是成功的"共同分母"。人一生会经历不同阶段、不同职业，在每个阶段，那件事的成功是不是因为他？眯起眼睛看，他是不是那个共同项？如果是，说明两件事：极强的 ownership——不管别的怎么样，我个人会让这件事成——以及自我重塑的能力。他举 Michael Bernstein 为例：博士期间开创众包与集体智能方向，成为 Stanford 教师后很快转向 AI 的其他领域，如今又进入生成式 agent 与模拟，每一步的工作都"非常 Michael"，一眼能看出成功由谁推动。

第二条更私人：我的领导者和团队，是否具备两种本不该共存的超能力？专家通常有一个超能力，或者有多个但彼此相关——顶尖程序员同时数学很强，很常见。真正有意思的是两种相互矛盾的超能力。Harry 举了 CMO 的例子：最好的 CMO 极少，他们既数据严谨、方法科学，又有创造性的艺术想象力，这是两种对立的思维取向。Joon 认同，还说自己也用这个描述形容过董事会成员——深度分析型但又非常直觉，投资因此很成功。

在他自己的团队里，典型原型是联创 Laney：她短期偏执（paranoid），会说除非今天把一切都摆上桌、做尽一切可能，否则我们就会落后、会全盘皆输；但长期笃信（religious），根本上相信世界是站在她这边的，不管怎么走都会成。同时保有这两者非常难：只有短期偏执，你多半对未来悲观，可能很擅长做空股票，但不适合建公司；只有长期笃信，问题正相反——你会自满，觉得不必今天就拼尽全力。要兼具，"需要一个某种意义上破碎的人：既深度偏执，又能无视今天所有的偏执，相信世界会变得很棒"。

Harry 借此讲了他常年访谈顶级创始人的一个观察：问他们"你希望创业之初就知道什么"，答案往往是"我希望我早知道一切都会好起来，希望我当初没那么焦虑"。他认为这是最糟的回答——正因为你那么担心，你才做了准备、熬夜做完那份演示，才有后来的成功。"没有那份偏执，Laney 不会完成那个季度，不会给销售团队设置紧迫感，不会因为不知道超额需求会不会来而多招那几个人。偏执驱动成功。"

关于研究人才战，Joon 证实身边最亲近的同事和朋友总包确实在数千万美元量级。他对候选人相当坦白：不管你融了几亿，按对方的基础薪资去匹配是很难的。但研究员根本上在乎两件事：愿景——这些人亲眼见过 OpenAI 从硅谷的笑柄变成近万亿美元的生意，见过 Anthropic 在五年内走到同样的位置，所以他们清楚宏大而深刻的愿景真的可能成真；以及影响——这项技术的社会影响是什么，它本身是否足够有趣。

留人问题他说自己"持续担心"，但认为领导层的职责除了招到优秀的人，还要提供一个让每个成员把自己的超能力发挥到极致的平台。他有一点小小的自豪：过去六年，博士生通常项目一换、合作者名单就全换（除了导师），而他的核心团队成员从未离开，一个项目接一个项目地一起走；后来他说要出来做 Simile，居然说服了 Michael 和 Percy——他的博士导师——来加入他。他把这归因于长期共事积累的真实信任，以及他相信自己的职责之一就是把信心与信任传达给团队。

Harry 提了一个对他很重要的问题：很多来自学界的团队正在创业，而他总担心自己在资助一个"科学项目"——有趣、智识上让人满足，但未必是好公司。判断标准是什么？Joon 的答案很锋利：看他们娶的是问题还是影响力。有些研究者痴迷于某个问题本身，但那个问题就是形不成好公司；而另一些人根本上被自己能在世界上造成的影响驱动，对他们来说就意味着找到能真正触达人群、能真正产生营收的问题。要找的是后一类。

七、3 亿美元、泡沫，与 1 亿美元一场的模拟

融资史是这样的：约 5 个月前融了 1 亿美元，Index 领投（Shardul）；不久后被内部投资人 preempt——投资人看着这个市场，Shardul 时不时会有那种"我见过最快增长的市场，但从没见过这种量级的拉力"的评论，而他的履历确实见过各种市场。这种拉力叠加技术进展、叠加可以调用更多算力进一步加速，促使内部投资人提出现在就多投一些。

轮次谈起来后，Joon 想到有几个他特别尊敬的团队，如果真要融资，他想聊聊。名单第一位是 Greenoaks 的 Neil Mehta 团队——结果对方早就在深度研究这个市场和所有玩家，也准备好出手，只是在等合适的时机。他直接联系过去："这就是这一轮，我们现在开始流程，如果有兴趣，你们有几天时间。"对方很兴奋，轮次就此成形。最终融了 2 亿美元，半年累计 3 亿美元。种子轮由 Mike Volpi 领投（他现在自己开了基金），Greenoaks 这边还有 Patrick。

Harry 问：五个月前刚拿一亿，你并不缺钱，为什么还拿两亿？Joon 说确实考虑过，最后落点是建模需要算力，而研究有个根本特点——你无法控制产出，但能控制投入和过程。他们正处在一个可以显著提高投入（数据与算力开销）来实质性加速进展的时刻，那就说得通了。

从学界进入融资世界，他最大的两点认知更新：第一，他起初相当怀疑 VC 到底是干什么的、怎么帮上忙，如今仍不敢说完全说清楚，但确认了如果找到对的人，他们能成为很强的导师——他从没管过公司，日常大量事情都是新的，有个能信任的人是巨大助力。种子期与 Mike Volpi 团队和另一家基金合作，他们成了他在这个领域运作时的核心导师，Mike 还把 Laney 介绍给了他，后者成为他在商业侧的关键伙伴与朋友。第二，一切都比预期来得早：他原本的心智模型是种子轮之后一年左右融 A 轮，再一年 B 轮，结果这一切都在一年内发生完了。"市场对投你的兴趣总是比你所处的位置早一步，值得为这些时刻做好准备。"

Harry 直言市场很浮躁、傲慢情绪很高，宣布这轮之后又会引来下一轮的兴趣，形成循环。Joon 承认部分市场确实过热、资本与兴奋度都很多，而他因此格外在意基本面：你的客户在哪、你实际服务谁、你看到的市场拉力有多大、技术是什么。他说 OpenAI、Anthropic 成长过程中最有意思的一点是，它们有能被清楚勾勒的强基本面——模型以这个速率变好、有这样的需求，其中一些是可以预见的；Simile 也能看到类似的东西。

单位经济上，不同模拟成本确实不同：要回答更复杂的问题——理解一个决策的全部下游影响，或者跨全美做市场分群研究——就贵得多。但他观察到恰恰是这些模拟给用户的 ROI 更高，因为这些是一旦决策失误代价最惨重的场景。由此他给出全场最大胆的预判：业界一直看到推理成本在往上走，如今的思考型模型能想上半小时、疯狂烧 token；他认为模拟可能是这件事的下一个前沿——"两三年内会有这样一个世界：单场模拟会话要花一千万到两千万美元来跑，但它价值太高，人们愿意付一亿美元。"客户是全球最大的企业，或者政府。

三年内什么是今天做不到、那时能做到的？他说与其问什么不能被模拟，不如说几乎所有想模拟的东西今天都能做出初步的概念验证；AI 的核心挑战一向是跨越概念验证与可生产化的真实价值之间的鸿沟。有意思的是，这个领域恰恰是从多 agent 模拟起步的——Smallville 就是那个愿景。他和 Michael、Percy 有时会一起玩一个叫"时间机器"的练习：如果坐时间机器去到十年后，我们会看到最疯狂的东西是什么，能不能现在就做出来？Smallville 就是这么来的。所以能不能做不是问题，问题是能否评估这些模拟的效力、能否把它做成可规模化、可生产、人们敢拿来做决策的系统。

八、时间机器：智能的 GPU，以及代表性的极限

Harry 邀他现场玩一局时间机器。Joon 说他着迷于技术史与可类比之处：今天 AI 领域最显眼的东西，是他所谓"智能的 CPU"——一个非常大、非常聪明、能做复杂推理的语言模型。他认为接下来会来的、也是模拟这个领域能提供的，是"智能的 GPU"。Simile 不追求造超级智能的机器，它追求造和我们一样聪明的模型——"我在很多事上会失败，我希望代表我的那个模型以同样的方式失败。"而人的美妙之处在于：个体层面我们有巨大的多样性与不同看法，这让人有趣；但当他们作为大集体聚在一起，能涌现出世界上最奇妙的现象——形成社会、形成让我们取得种种成就的过程。能不能在模拟中复现这一切？他觉得那会相当鼓舞人心。

所以疯狂预测是每个人都会有一个可复制的数字孪生？他说这就是愿景，核心仍是"规模化的代表性"。人类社会多年来发明了各种代表其成员的方式，有时是政府形式，有时是公司——我们作为社会把资本分配给它们，让它们服务社会与人的需求。但如果我们能造出一个更可扩展、更细粒度地代表每一个个体的人工物，在它之上能诞生什么新政策、什么新公司？

Harry 顺着往下推：对冲基金买你的产品岂不是最明显的选择？Joon 笑说"也许 Simile 以后自己会有个小对冲基金"，并透露公司里确实已经有量化背景的成员——他们加入不是为了在 Simile 开量化基金，而是因为对世界建模这件事与他们的热情高度一致，但长远看这是个有意思的想法。至于"会不会好到让股市变得不可投资、市场不再公平"，他说如果假设我们会有某种 AGI、某种完美模拟器，那么很多我们默认为真的东西都会改变，股市当然可能是其中之一。

还有什么今天以为真、五年后不再为真？他给了一个更根本的答案：我们普遍默认，获取所有人的观点是根本不可能的，因此需要代表这些人的代议者来近似他们的观点。这种方式在某些方面奏效，在另一些方面失败。"我不认为这是未来必须忍受的限制。"他相信可以造出一层真正的、社会与集体智能的表征层。

Harry 玩笑式地推到爱情：如果能做出有效的自我模拟，约会会不会更高效——同时和一百个人约第一次会（"当然只限第一次，June，不然你会惹上大麻烦"）。Joon 说他懂这个逻辑，但爱有不同形式，而他坦承自己有点浪漫主义："我确实相信爱会以更有机的方式在我的人生里找到路。"他很在意自己是怎么遇见那个人的，也很在意两人共享过一段旅程这件事——"共同经历、共有的记忆，我认为是我们建立信任的根本方式。"他还把这一点接回产品：过程本身重要，你能不能把用户带进这个过程？找到爱有点像和一个人共同创办你的人生，能不能找到一个把对方带进"共同生活"这个过程的方式，他认为是有意义的。

快问快答里，他认为最被低估的 AI 研究者是那些在大实验室里不发论文、因而名字不为人知的人；最过热的是"没有清晰世界影响愿景的新实验室"，他真心觉得其中一些会变成有趣的研究项目而非可行的公司；如果坐在 Harry 的位置，除了模拟之外，他会按同一条标准投——你是否有别人拿不到的数据、是否懂得采集极难采集的数据；机器人显然属于这一类（虽然钱已经很多，谈不上被低估），此外推理层与芯片/硬件层他觉得非常有意思，很难切入但近来有几个团队做得出色，其中他点名了刚出隐身状态的 Edge。

最后一问是"别人对你做过最善意的事"。他说自己一路上需要过很多帮助，也从来不是显而易见的候选人。大学毕业后他搬到 Palo Alto，住在朋友的车库里，没有工作，在做一家哪儿也去不了的创业公司，"那是我真正感到迷失的时刻"。他能嗅到 AI 浪潮要来了，也明白"想当冲浪者，你得有一道能冲的浪"——他想在浪来时就在那里，甚至想参与把浪造出来。可他毫无研究背景，本科期间没做过研究，这在博士申请里几乎是死刑。他于是给一堆人发消息，Stanford 一位理论方向的教授 Mary Ward 回复了他——他至今不明白为什么，"我想那纯粹是出于善意"，也许因为他们本科毕业于同一所学校，她想着至少花半小时和这个来求教的学生聊聊。结果她慷慨地花了整整一个上午，帮他梳理该怎么看待 AI 领域、怎么看待研究，还把他引荐给了最初一批合作者。"那批愿意给我建议、让我一只脚踏进这个研究领域的人，对他们来说这真的不是显而易见的选择。我真的不觉得我配得上，但那是他们下的注，纯粹出于善意，我非常感激。"

金句

我的根本论点是，这一代 AI 公司必须有一个可防御的、有意思的数据策略。 —— Joon Park 9:26

我们不在乎造超理性的智能机器。如果一个人在这个情境下犯了错，我们要模型犯同样的错；人怎么带偏见，模型就怎么带偏见。 —— Joon Park 7:07

没有人真的在乎预测。人们真正在乎的是塑造未来。 —— Joon Park 8:40

我们就活在真实世界里，世界本身就是我们的 ground truth。 —— Joon Park 17:54

两三年内会有这样一个世界：跑一场模拟要花一千万到两千万美元，但它值到人们愿意付一亿美元。 —— Joon Park 51:11

没有那份偏执，Laney 不会完成那个季度，不会给销售团队设置紧迫感。偏执驱动成功。 —— Harry Stebbings 38:03

你要找的是娶了影响力的研究者，而不是娶了问题的研究者。 —— Joon Park 42:42

提到的书·产品·人物

• Simile（公司）：本期主角，做人类行为的基础模型与模拟，半年融资 3 亿美元。
• Joon Park（人物）：Simile 联合创始人兼 CEO，Smallville 生成式 agent 实验作者，2025 年 6 月离开 Stanford 创业。
• Smallville / 生成式 agent 实验（研究项目）：2023 年用 GPT-3.5 驱动 25 个 NPC 生活的虚拟小镇，首次把 memory、planning、reflection 写进 agent 架构。
• Michael Bernstein（人物）：Simile 联创，Stanford 教授，ImageNet 论文共同作者，曾是 Joon 的博士导师之一。
• Percy Liang（人物）：Simile 联创，Stanford 教授，"foundation model"一词的提出者。
• Laney（人物）：Simile 联创，负责产品、工程与市场，被形容为"短期偏执、长期笃信"的典型。
• CVS（公司）：Simile 的企业客户，其洞察部门 VP Shri 被点名为极具前瞻性的合作方，三个月内完成签约。
• Qualtrics（产品）：Harry 用来质疑 Simile 是否只是"下一代问卷工具"的对照物。
• Kalshi / Polymarket（产品）：预测市场，被拿来与 Simile 对比——它们关心会发生什么，Simile 关心怎么发生、为什么。
• Index Ventures / Shardul（机构/人物）：领投 1 亿美元轮，也是介绍 Joon 上节目的人。
• Greenoaks / Neil Mehta、Patrick（机构/人物）：领投 2 亿美元轮，此前已深度研究该市场。
• Mike Volpi（人物）：Simile 种子轮领投人，现自立门户，把 Laney 介绍给了 Joon。
• Pat Hanrahan（人物）：Tableau 联合创始人、Stanford 图形学教授、图灵奖得主，给出"最好的反馈是让人付钱"的建议。
• Mary Ward（人物）：Stanford 理论方向教授，在 Joon 最迷失时花一整个上午给他指路并引荐研究圈。
• Edge（公司）：近期走出隐身状态的芯片/硬件团队，被 Joon 点名看好。
• AlphaGo（产品）：Harry 用来类比模拟的数据飞轮——每天的现实都是一局新棋。
• Married at First Sight（电视节目）：Harry 玩笑式提出的 Simile 营销创意来源。

适合谁听

关心 AI 公司数据护城河、合成样本与消费者研究市场，或者想看一个顶级学者如何在一年内把研究成果变成 3 亿美元融资公司的人。

</content>

</invoke>