AI模拟用户为何失效？身份是状态而非属性

合成人口模拟的隐藏缺陷：把身份当作固定属性

用大语言模型模拟人类行为，已成为AI评估、社会科学预测试和产品用户研究中的常见手段。只要给模型一段文字描述——年龄、性别、职业、态度——它就能“扮演”一个特定的人。这些描述被称为persona（人物画像），而由大量persona组成的集合则被称为合成人口（synthetic populations）。

这套做法建立在一个未言明的假设之上：人的身份是一个稳定的属性，无论模拟场景如何变化，它都会以相同的方式起作用。一篇题为《Personas Are Not People: Identity as State, Not Attribute》的研究直接挑战了这个假设，并用形式化证明指出：任何基于固定persona的模拟，无论画像多么详细、底层模型多么强大，都无法复现人口行为中真正依赖情境的那一部分。

为什么“像人”的画像不等于“是人”

研究者援引了人格心理学三十年的积累，给出一个反直觉但稳健的结论：同一个人在不同情境下的行为差异，往往大于人与人之间的平均差异。换句话说，如果只看跨情境的平均表现，你很难用一组固定特质去锁定一个人的行为。

更关键的是，研究借用了**身份经济学（identity economics）**的框架。该框架认为，同一个个体内部并存着多种身份，不同情境会激活不同的身份和相应的行为规范——在医生面前是一种表现，在朋友群里是另一种。行为因此可以拆成三部分：稳定的特质、情境唤起的身份、以及情境本身。固定persona只捕捉了第一部分，而把后两部分压缩成一个静态描述。

身份经济学由经济学家 George Akerlof 与 Rachel Kranton 在 2000 年前后提出，核心主张是把“身份”引入经济行为的分析框架。传统经济模型通常假设个体偏好固定且独立于社会位置，而身份经济学认为，每个人同时归属于多个社会类别（如职业、族群、性别角色），每个类别都附带一套行为规范；当某个身份被情境激活时，个体会参照该身份对应的规范来行动，并从中获得效用或付出心理成本。这意味着同一个人在不同社会场景下的“理性选择”可以系统性地不同，而不只是随机波动。该框架最初用于解释种族隔离、教育投入、性别分工等现象，后来被广泛借用到组织行为与市场研究中。

**人格心理学中“人与情境之争”（person–situation debate）**始于 Walter Mischel 1968 年的著作，他指岀跨情境的行为相关性通常只有 0.2–0.3，质疑传统特质理论的预测力。此后几十年的研究形成一种折中共识：特质确实存在且具有跨时间稳定性，但单一情境下的行为变异很大程度由情境因素解释；所谓“同一个人跨情境差异大于人与人之间差异”，正是这一研究传统的典型结论。它常被概括为“特质预测平均水平，情境预测具体时刻”。对模拟研究而言，这条经验规律意味着：只用一份静态特质档案去推断某人在特定场景中的反应，在方法论上天然存在上限。

形式化证明：固定画像无法复现情境特异行为

论文在两个明确陈述的假设下给出了证明。核心论点是：合成人口模拟若以固定persona为原子单元，就无法还原一个群体在其特定处境下产生的行为。这个结论不依赖于画像的精细程度，也不依赖于模型规模——更大的模型或更厚的persona文本并不能修正结构性缺陷。

这一点对实践有直接含义。当被模拟的群体行为高度依赖情境时——例如对医疗系统有历史性不信任的社区——合成人口评估可能系统性地歪曲其真实反应。而恰恰是这些群体，最容易被固定画像错误表征。

形式化证明在此处的含义是：作者并未依赖经验数据或案例，而是用数学化的模型把“固定 persona 模拟”定义成一个映射函数，再在明确假设下推导出该函数族的表达能力上限。这类证明的价值在于结论的普适性——它不针对某个具体模型或某种画像写法，而是指出任何满足前提的模拟架构都存在不可消除的误差项。读者需要注意其边界：结论的强度完全取决于两个假设是否成立，若现实应用偏离假设，证明的约束力也会相应减弱。这也是作者同时给出实证测试的原因：形式化结论划定不可能性，实验则检验替代设计在多大程度上接近可行。

一项替代设计及其边界

作者没有止步于批评，而是提出了新的评估标准和一种“情境中的人（person-in-context）”设计。该设计试图让行为随情境变化，而不是从一份静态档案中派生。

研究者在两个场景中测试了该设计的某个版本：一个自然主义的Reddit人格语料库，以及一份已发表的临床试验招募调查——后者涉及的社区有明确记载的对医疗机构的不信任。结果显示，该设计在直接测试中确实产生了随情境变化的行为。但在两个场景中，它都没有完全匹配真实人群，论文也如实指出了失配之处。

这说明，承认“身份是状态而非属性”是必要的一步，但把这一认识转化为可靠的模拟方法，仍有相当距离。

对AI评估与用户模拟的启示

这项工作的价值不在于否定合成人口，而在于划清其适用边界。预测试、用户模拟、AI系统评估——这些场景如果涉及情境敏感的行为（信任、风险偏好、制度态度），固定persona的模拟结果需要被谨慎对待。

一个务实的建议是：在使用合成人口时，明确报告persona在多大程度上被允许随情境变化，并把评估重点从“画像是否逼真”转向“行为是否随情境正确切换”。毕竟，一个人在不同场合的表现差异，恰恰是身份最真实的部分。