这个想法其实正在被实现，硅谷顶级 VC 投入了 几亿美元支持这个方向的初创企业。这就是基于 AI Agent（智能体） 的 User Simulation（以下翻译成 " 用户模拟 "）。它的核心主张很简单，用成千上万个 AI 智能体去仿真人类群体的决策行为，形成了一个可以 " 预测未来 " 的沙盘。这项技术不仅可以用来预测美国大选，也可以用来模拟上市公司的财报会，还被谷歌内部用来做产品测试。
硅谷投研圈访谈了 User Simulation 行业先行者 Reynold（前 Gmail Copilot 产品负责人，UserApproved.ai 创始人），我们发现：从电商到政治选举，一场关于 " 用户模拟 " 的技术革命正在悄然发生。当大模型不再只是回答问题，而是开始模拟人类行为、预测群体决策，AI 的边界正在被重新定义。
一、从 Gmail 到创业：一个产品经理的 " 模拟 " 觉醒
这个故事，是硅谷 AI 浪潮中一个极具代表性的缩影。
在 Google 的五年里，Reynold 先后主导了 Google Assistant 车载体验、Gmail 的 Gemini 产品线，亲历了大模型从 " 玩具 " 到 " 生产力工具 " 的蜕变。但真正让他选择离开、创立 Apex Agent Labs（品牌名 UserApproved AI）的，是一个被大多数人忽视的问题：当 AI 产品变得越来越复杂，我们该如何验证它真的好用？
" 最早我们做智能音箱、智能眼镜上的 AI，测试质量相当基础——写一堆规则，跑一遍就完了。" 他回忆道。但大模型时代，一个 Gmail 的 AI 助手可能需要同时读取邮件正文、附件、Google Drive 里的 PDF 和表格，甚至跨多个 Google 服务调取信息。" 无数个组合，多步骤的 agentic workflow，你很难验证最终成果是不是好的。"
Google 内部的解法，是构建合成数据（synthetic data）——模拟用户的收件箱、文档、邮件往来。但很快发现了一个致命问题：在实验室里表现优异的 AI，一到真实用户手中就 " 翻车 "。
" 我们在后台看 alpha、beta 用户的数据， 数据表现怎么这么差？。" 这个落差，成为探索 " 用户模拟 " 的起点。
二、用户模拟的五大层级：从数据生成到群体预测
在我们梳理的框架里，用户模拟并非单一技术，而是一个由浅入深的五层架构：
第一层：数据与场景模拟
解决的是数据稀缺问题。模拟用户的收件箱、Google Drive、PDF 文档等 " 人工制品 "，为 AI 训练和评估提供素材。这看似基础，实则充满复杂性——如何让合成的邮件看起来真实？如何让文档之间的引用关系符合逻辑？
第二层：交互模拟
测试对话式 AI 的边界。定义不同 persona（人格画像），从各种角度和语气与 AI 对话，测试其是否会 " 跳出 " 安全边界。这也是 Google 最新 Agent Development Kit（ADK）中 user simulation 功能所处的层级——一个快速验证工具，但我们认为 " 离最终结果还有点远 "。
第三层：用户旅程与环境模拟
不再是单次交互，而是持续的、有记忆的多步骤旅程。用户不会只问一个问题就离开，他们会浏览、犹豫、遗忘、返回——这些 " 持续性 " 行为需要被模拟。
第四层：个体深度模拟
这是 UserApproved 主攻的方向，也是斯坦福大学 HCI 实验室孵化的 Simile 所深耕的领域。通过深度访谈（两小时以上）+ 结构化问卷，构建一个从心理学和行为学层面尽可能 " 彻底 " 模拟个体的系统。
" 传统用人口统计数据模拟，有太多预训练模型自带的局限。" 他解释道。Simile 的方法是用深度访谈 " 引导模型思考 "，让 AI 不只是 " 扮演 " 那个人，而是在拥有全部上下文后预测其行为。研究表明，这种方法能将准确率提升 10%～15%。
第五层：群体智能与预测市场
以 Aaru 为代表，试图模拟 " 整个世界 " 的人怎么想。不是关注单个 agent 是否 100% 准确，而是看几千、几万个 agents 交互后产生的集体洞察——预测美国大选、市场趋势、政策影响。
三、硅谷最火赛道：Simile 与 Aaru 的亿元融资背后
2025 年，用户模拟成为硅谷最炙手可热的赛道之一。Simile 和 Aaru 两家公司合计融资几亿美元，背后是对 " 预测未来 " 这一终极能力的追逐。
Simile 的学术基因
从斯坦福 HCI 实验室走出，Simile 的学术基因令人瞩目。他们曾在虚拟小镇（Smallville）中模拟数十个自主 Agent 的社交与生活互动，震撼业界；发表 GUM（General User Models）论文，将视觉线索与思维模拟结合；最核心的是那篇 "1052 人研究 " ——用两小时深度访谈 + 结构化问卷模拟个体，大幅缓解了长期困扰行为科学的 " 说做不一 "（say-do problem） 问题，让 AI 能够更真实地预测人类的隐含决策。
大家可能在社交网络上说支持民主党、讨厌特朗普，但偷偷给特朗普投票。" 我们了解到，大模型里收集了大量态度数据，但行为数据稀缺。"Simile 的方法某种程度上解决了这个不一致性。
Aaru 的宏观视角
与 Simile 的 " 微观到宏观 " 路径不同，Aaru 更擅长从宏观趋势推导个体行为。他们与安永（EY）发布的报告声称能在一天内复现需要数月的调研结果，相关性高达 0.9。但我们也提出了审慎看法：EY 报告并非完全开放的架构，且预测的是 " 已发生的调研 " 而非小概率事件—— " 面对更局部、数据更稀缺的场景，比如萨克拉门托的市长选举，难度会大很多。"
四、从概念验证到商业落地：电商领域的 " 模拟革命 "
UserApproved 选择了一条更垂直的路径——电商与 DTC（直接面向消费者）品牌。
" 我们很难做一个通用的 agent，既能购物、又能报税、又能建站。" 他坦承早期技术局限，" 但购物行为相对‘可模拟’——目的性明确，就那几个大类别。"
产品的逻辑颇具野心：不做 " 实习生级别 " 的情报罗列，而是做 " 总监级别 " 的决策建议。
具体而言，系统会接入品牌的 GA4（Google Analytics）、Shopify、Clarity、Hotjar 等真实生产数据，同时运行用户模拟 agent 在虚拟环境中 " 购物 " —— " 朋友告诉我今天有促销，我去看看；逛了一会儿，看到视频点进去，然后忘了——这些真实的行为路径都会被记录。"
最终，系统每天输出：" 今天有三件事要做，做完 revenue 可能涨 5 万美元。"
" 我们还有一个 QA agent、一个用户模拟 agent（相当于虚拟 UXR）、行为分析 agent，甚至监控竞争对手的 agent。所有洞察汇总成一个 backlog，告诉客户该做什么。" 这是一个 " 云机器人 "（cloud bot）持续运转、多 agent 协作的未来图景。
五、A/B 测试的终结者？不，是 " 预飞检查 "
用户模拟能否取代 A/B 测试？这是业界最常问的问题。我们的答案很明确：不能，但能让 A/B 测试更高效。
以 Shopify 等平台早期的合成用户评估实验为例——如果直接让大模型扮成买家去给 A/B 测试打分，效果往往很差。一个品牌主可能只改了一句促销文案，AI 模拟用户却得出了 "B 比 A 好得多 " 的夸张结论，理由是一堆被放大的小细节。 " 大模型很容易做‘应声虫’（yes-man）。你让它找问题，它就会把芝麻大的问题说成‘世界要毁灭了’。" 同样，预训练模型自带的偏见很难完全规避，更大的样本量也解决不了根本问题。
但用户模拟的价值在于 " 预飞检查 "（pre-flight） ——在投入数周、大量流量成本做真实 A/B 测试前，先剪掉那些 " 明显会失败 " 的方案。" 本来要测 10 个，现在只需要测 3 个。省钱、省时间、省流量。"
六、技术深水区：认知架构、一致性与 " 故意犯错 "
当说到 state-of-the-art 的用户模拟 agent 架构时，我们揭示了技术实现的三个关键层面：
第一层：认知与防幻觉
无论是 Simile 的 " 三层架构 "（记忆流 - 反思 - 规划），还是借鉴传统 BDI（信念 - 欲望 - 意图）的智能体决策框架，核心解决的都是让 Agent 在多步骤动态交互中实时更新认知状态，并在每一步预测时不偏离设定的 persona。接收信号、情绪变化、认知更新、下一步意图——这是一个 per-step 的内部循环。
第二层：跨步骤一致性
一个购物旅程可能涉及几百步操作。如何在步骤之间保持长期一致性（long-horizon consistency），不偏离轨迹？记忆系统、反思机制都是为此服务。
第三层：重试一致性
" 人不会两次踏入同一条河流 " ——即使完全相同的外部条件，人类行为也有方差。Agent 也不能期望完全一致，但又不能偏离 ground truth 太远。这需要复杂的 metrics（如 normalized accuracy）来 " 校准 " 人类的不一致性。
一个反直觉的挑战是：模型太聪明了。
" 我们早期想模拟一个‘没那么聪明’的用户，GPT 总是把问题解决得太漂亮。我们希望它不解决，它偏要解决。" 我们了解到，" 做了很多‘微型测试’（miniature test），研究如何让行为与思维更对齐。"
七、基模能力：护城河还是颠覆者？
随着 GPT-4、Claude 等基模能力飞速提升，用户模拟公司的壁垒是否会被 " 模型即服务 " 打破？
我们的观察是：基模进步确实降低了技术门槛，但系统的可靠性和评估体系仍是护城河。
" 有些顶级模型在 agent planning 和 simulation 上做得很好，first-step accuracy 和长期一致性都不错，即使不做复杂的记忆系统。" 但 " 大部分模型做不到 "。更重要的是，模型团队的核心目标是 " 帮你完成一件事 "（computer use），而非 " 模拟人到底是怎么想的 " —— " 它不会故意犯错。"
此外，预训练数据的互联网偏见、少数群体代表性不足、算法谄媚（algorithmic sycophancy）导致的 " 回声壁 " 效应——这些问题都不是单纯靠更强的基模能解决的。
从商业决策到数字永生
展望未来，我们认为用户模拟将深度嵌入决策流程，成为 " 正式决策前的 dry run（彩排）"。
商业领域：概念测试、定价策略、营销 campaign、财报会议脚本——重要决策前先跑一遍模拟。" 以后大家都会先 dry run，再跑真实 A/B 测试。"
游戏领域：测试复杂逻辑 bug、优化 " 用户首充 " 流程（从 0 到 0.99 美元是游戏公司最关键的转化里程碑）。
更远的想象：数字孪生 2.0
" 现在的数字孪生是‘换皮’——脸像、声音像，但思想和行为不像。用户模拟可以让数字孪生真正‘活’过来。" 我们了解到陪伴、逝去的家人等场景，" 让这个人好像从未离开过你。"
这与当下流行的 " 名人蒸馏 "（把巴菲特、段永平、芒格的文章访谈整理成 AI）有本质区别——后者是 "QA 引擎 "，而用户模拟追求的是思考方式的复现。
预测未来的艺术
用户模拟不是水晶球。它无法 100% 替代真人，无法消除所有偏见，无法保证每次预测都准确。但它正在成为一种新的 " 基础设施 " ——在不确定性中剪除最坏的选项，在复杂性中找到值得验证的方向。
当大模型从 " 回答问题 " 进化到 " 模拟行为 "，从 " 生成内容 " 进化到 " 预测决策 "，我们或许正在见证 AI 的第三次浪潮：第一次是信息检索，第二次是内容生成，第三次是行为预测。
而 " 用户模拟 " 的前行者们，正站在这股浪潮的最前沿。
