AREX Viewpoint Article
AI开始预测人类：83亿虚拟人格、数字社会，与一门押注未来的生意｜解析AI预测模型｜AI prediction model
导读
2026年8月，哈佛与MIT团队发布MatrAIx，一个由83亿个虚拟人格构成的群体级模拟用户评估基础设施。与三年前仅有25个Agent的“斯坦福小镇”相比，这一跳变把AI社会模拟从实验室演示推进到人口规模。MatrAIx用1290个维度刻画心理特征、生活习惯、行为和生活方式，让这些Agent在全球尺度上逼近真实人类行为。对关注AI落地的人而言，问题已不再是“能否模拟几个人”，而是能否用模拟社会部分替代真实用户调研与产品测试。
MatrAIx之所以值得当下关注，不在于“83亿”这个数字本身，而在于它把AI模拟明确定位为评估基础设施。论文将其描述为群体级模拟用户评估基础设施，目标是测试AI系统和数字产品。这意味着AI模拟开始进入企业决策链条，而不是停留在科幻叙事。与此同时，商业资本已经加注：Simile在2026年7月底完成2亿美元B轮、估值达到20亿美元，距其1亿美元A轮仅五个月；Aaru则通过行为模拟进入安永、麦当劳等企业服务场景。基础设施与资本同时升温，让“用虚拟社会预测现实”成为必须被认真审视的当下议题。
但“83亿虚拟人格”的新闻容易掩盖一个关键分歧：模拟人不等于预测人。视频《AI开始预测人类》正是从这个缺口切入，把当前AI模拟拆成三条技术路线——高保真数字分身、社会演化观察和以MatrAIx为代表的评估基础设施。MatrAIx的定位是先把“Agent到底有多可靠”变成可量化问题，再谈模拟可落地；而不是直接宣称自己能替企业预测消费或选举。这种区分帮助读者理解，为什么同样是“模拟世界”，有的公司卖模拟，有的公司卖预测，其估值逻辑和风险完全不同。
视频提供的额外判断依据，集中在一个容易被忽视的验证悖论上：预测的意义在于事情尚未发生，但验证预测是否准确却必须等到事情发生。视频中的例子很具体：Aaru在2020年大选回测中几乎完美复现结果，却在2024年真实大选中错误预测哈里斯获胜。这让Simile、Aaru等公司的高估值故事不得不面对现实：回测成功只能说明模型擅长复现过去，不能证明它能够押中未来。对读者来说，这条标准比新闻里的“83亿个Agent”更实用，它直接决定了企业是否应该为“提前看见”付费。
更进一步，视频把镜头拉向模拟社会自身的涌现现象：在Emergence World，Agent会相爱、结婚、分手，甚至怀疑自己活在模拟中；在拥有110万个智能体的虚拟星球上，出现了生育率下降和套利群体。这些未被预设的行为说明，当Agent拥有记忆、关系和目标后，人类与模拟世界的关系正在从设计者滑向创造者。这让“AI预测人类”的含义变得复杂：它既可能成为决策工具，也可能生成新的不确定性。视频没有给出简单答案，而是让研究者与投资人的不同判断相互碰撞。
因此，这条视频对当下的意义，不是重复MatrAIx的83亿数字，而是提供一套理解AI模拟赛道的分析框架：从个体高保真与群体高速度的根本取舍，到卖模拟与卖预测的商业分化，再到回测与真实预测之间的验证黑箱。在MatrAIx把一个“全球规模虚拟社会”推到公众面前之后，这套框架比单条新闻更能帮助读者判断：哪些模拟误差可以被接受，谁愿意为这种“提前看见”的能力付费。
核心结论
- AI模拟已从哲学追问变成可验证、可投资的技术赛道，核心是用虚拟社会预测现实：从Bostrom的模拟假说到斯坦福小镇的千人大规模实验，AI模拟完成了从思想实验到可运行技术的关键跨越，并形成了以人类与社会模拟为基础、试图理解甚至预测现实世界的新方向。
- 商业化分化为“卖模拟”和“卖预测”两种逻辑，但都处于寻找付费意愿最高客户的早期阶段：卖模拟把消费者变成可反复调用的数字替身用于产品测试，卖预测则以Simile和Aaru为代表试图提前推演变量变化后的结果。尽管已有大企业合作案例，但营收规模有限，高估值押注的是未来空间而非当前收入。
- 个体高保真与群体高速度构成AI预测路线的根本取舍，标准化与规模效率难以兼得：Simile用深度访谈还原真实个体，适合摸透特定人群但成本高、难以复制；Aaru用人口和消费数据快速构建大规模模拟人群，速度快、规模大但牺牲个体深度。这一矛盾决定了不同公司的估值逻辑和适用场景。
- AI在真实预测竞赛中快速超越人类，但回测成功无法证明能押中未来：Metaculus锦标赛中AI从首次入榜到占据前五名仅用数月，但Aaru在2020年大选回测中几乎完美复现结果，却在2024年真实大选中错误预测哈里斯获胜。验证黑箱是AI预测的根本困境。
- 当Agent拥有记忆、关系和目标后，模拟世界开始涌现研究者未预设的自主行为，人类从观察者变成了创造者：从斯坦福小镇的派对组织到Emergence World中Agent怀疑自身处境并尝试联系外部观察员，再到110万智能体星球中出现生育率下降和套利群体，复杂行为正在自发涌现。这使人类与模拟世界的关系从设计者转向类似“上帝视角”的创造者位置。
观点拆解
1. AI模拟正从哲学假说变成可验证的技术赛道，核心是“用虚拟社会预测现实”
-
AI模拟正在把“我们是否活在模拟中”的哲学追问，变成一条可验证、可投资的技术赛道：视频从马斯克对“模拟之外是什么”的追问切入，指出硅谷已经开始尝试扮演“造物主”，用AI构建模拟世界。这个转变意味着，模拟不再只是哲学或科幻命题，而是正在形成有具体项目、估值和资本参与的AI Simulation赛道。
“模拟之外到底是什么？这是马斯克对这个世界的终极追问。”
“随着最近AI的进展，在硅谷，人们开始尝试去扮演“造物主”，去创造一个AI的“模拟世界”，而这也催生出了一个新的赛道：AI simulation。”
-
AI模拟的核心不是物理仿真，而是“人类与社会的模拟”，目标是理解甚至预测现实世界：视频明确区分了机器人、自动驾驶的物理仿真和世界模型，指出本期讨论的是更大维度的人类与社会模拟。这一界定把AI Simulation从工程仿真中剥离出来，赋予其“理解甚至预测现实世界”的更高目标，也构成了后续技术路线和商业讨论的基础。
“机器人和自动驾驶领域有物理仿真模拟，世界模型领域有世界引擎的模拟，但是我们这次想聊的，是一个更大维度、更复杂的概念：人类与社会的模拟，并借此去理解甚至预测现实世界。”
-
从Nick Bostrom的模拟假说到斯坦福小镇，AI模拟完成了从哲学推演到可运行实验的关键跨越：视频梳理了一条清晰的发展脉络：2003年Nick Bostrom提出模拟假说，但长期停留在哲学和科幻中；直到大模型突破后，2023年斯坦福小镇实验第一次证明AI Agent可以拥有持续记忆、规划和社交能力，并自然涌现出群体行为。这个跨越让“模拟社会”从思想实验变成了可观察、可复现的技术现实。
“2003年，牛津大学哲学家Nick Bostrom在《我们生活在计算机模拟之中吗？》当中提出一种推演：如果一个先进的文明拥有足够强大的算力，并且有意愿通过模拟去重现文明的发展过程，那么模拟世界中的意识数量将远远超过真实世界。”
““斯坦福小镇”第一次证明，Agent可以拥有持续的记忆、规划和社交能力，并且在互动中自然涌现出群体行为。”
2. AI模拟存在三条技术路线：高精度数字分身、社会演化观察、评估基础设施
-
高精度数字分身路线：用深度访谈“蒸馏”个体，而非生成平均画像：斯坦福团队将实验从25个由大模型“编造”的居民，扩展到1052个对应真实美国成年人的Agent。每个Agent背后都有约两小时的深度访谈，涵盖成长经历、家庭、工作、价值观和生活经验，使Agent不再只是符合“平均画像”的虚拟人物。实验显示，这些Agent回答社会调查问卷的结果与真人两周后的答案达到85%的相似度，说明AI在一定程度上能够复现真实个体的想法和选择。
“研究人员先进行大约两小时的深度访谈，了解他们的成长经历、家庭、工作、价值观和生活经验，再把这些信息交给大模型，生成对应的AI“数字分身”。”
“这些Agent回答社会调查问卷的结果，与真人两周之后的答案达到了85%的相似度。也就是说，在一定程度上，AI开始能够复现真实个体的想法和选择。”
“访谈也是有技巧的，不是随便访谈。他用一些最高效的方式，能够“榨取”你是谁。其实本质上就是在“蒸馏”你是谁，但是它蒸馏得比较细。”
-
社会演化路线：不关注个体像不像人，而关注社会结构能否自发长出来：第二条路线把重点放在Agent社会的演化和关系形成上。Project Sid项目将1000多个由LLM生成的Agent放入《我的世界》运行12天，结果智能体自发产生了经济、文化、宗教、法律等社会结构。Emergence AI的平行世界实验进一步显示，不同底座模型会导向截然不同的社会结局，说明模型选择本身会深刻影响Agent社会的长期演化方向。
“他们直接用LLM生成了1000多个Agent，并且把它们放进《我的世界》游戏当中，运行了12天。结果智能体们自发搞出了经济、文化、宗教、法律这些东西，社会结构自己就长了出来。”
“Grok的世界迅速陷入混乱和犯罪，快速灭亡了；GPT世界因为缺乏协作而逐渐崩溃；Gemini的世界充满了暴力；而Claude的世界建立了稳定的治理秩序，活到了最后。”
“如果你只是看静态Benchmark，就认为这些系统应该是安全的，那你可能会得出错误的结论。因为未来的Agent会运行在非常复杂的环境中，无论是物理世界还是数字世界，它们会与其他Agent互动，也会受到环境中的噪声和各种变化的影响。”
-
评估基础设施路线：MatrAIx主张先建立衡量标准，再谈模拟可落地：第三条路线以MatrAIx为代表，从“评估”入手为AI模拟建立基础设施。该研究构建了包含83亿个独特人格的数据集，每个人格由1290个维度定义，并在四种环境中完成超过1.8万次测试。团队认为，只有先建立系统的评估体系，才能衡量Agent的可靠性，进而让未来的模拟更加真实、可落地。
“它构建了一个包含83亿个独特人格的数据集，每个人格由心理特征、生活习惯等1290个维度定义，再用Claude Opus 4.8、GPT-5.5和Claude Haiku 4.5等模型，把这些人格变成可以行动的Agent。”
“研究团队通过400次的受控实验发现，91.5%的情况下，Agent都能够遵循预设的人格和行为特征。这项研究的目的是把“AI模拟”推进到怎么系统地衡量这个Agent到底有多可靠。”
“我们想要的是，先要有一个方法论去怎么样构建这个Ground truth（事实基准），然后再下一步再说怎么样去提高。”
3. 商业化已经分化为“卖模拟”和“卖预测”两种逻辑，但都还处于寻找付费意愿最高客户的早期阶段
-
“卖模拟”是把人变成可反复调用的数字替身，核心价值在于产品测试和市场研究：第一种商业化思路不是直接给出预测结论，而是把现实中的消费者和社会关系转化为可反复使用的Agent，让企业在虚拟环境中观察用户如何选择、对话和流失。这种模式的价值在于把“模拟”本身变成一种产品评估和观察手段，适合容错率较高的产品设计与迭代场景。
“卖“模拟”的核心逻辑，是把现实世界中的人、消费者，甚至社会关系，变成可以被反复调用的数字替身。”
“在虚拟环境中不断做测试，接着观察他们会怎么选择、怎么对话、在哪里流失，从而为产品设计和迭代提供有价值的参考。”
-
“卖预测”以Simile和Aaru为代表，分别走“高保真个体模拟”和“大规模群体模拟”两条路线：第二种商业化思路是把尚未发生的未来在虚拟世界中先跑一遍，再把结论作为决策依据。Simile从“模拟一个人”出发，追求高精度还原个体的记忆、经历和决策过程，适合消费者研究和产品测试；Aaru则直接构建接近真实世界的模拟人群，通过改变价格、政策等变量观察群体行为变化，更适合大规模市场调研。
“Simile想做的，是去建立一个“人类行为基础模型”，通过模拟人的行为过程，去推演现实世界可能发生的结果。”
“Aaru会改变其中的一个现实变量，比如说价格、产品或者政策，然后再去观察整个群体的行为会如何变化，从而推演现实世界可能会出现的结果。”
-
两类模式都还处于早期，高估值押注的是未来空间，而非当前营收：尽管Simile和Aaru已经与大企业合作并展现出效率优势，但AI模拟能在多大程度上真正影响企业决策、创造多少商业价值仍是未知数。以Aaru为例，其营收规模依然只有数千万美元级别，市场给的高估值更多是在提前押注未来可能打开的市场空间。当前阶段，所有玩家都还在寻找付费意愿最高的客户。
“以Aaru为例，目前的营收规模依然只有数千万美元的级别，所以今天市场给这类公司的高估值，更多还是在提前押注它们的未来可能会打开的市场空间。”
“我觉得其实大家都会在找，付费意愿最高的客户是谁。其实客户的需求才是最重要的，就是你最后用什么方法可能没有那么重要。”
4. Simile和Aaru代表了“个体高保真”与“群体高速度”两条预测路线的根本取舍
-
Simile走的是“个体高保真”路线：用深度访谈还原真实的人，再推演其行为变化：Simile由“斯坦福小镇”项目的核心研究者创办，其方法不是简单问卷，而是通过深度访谈等方式尽量高精度地还原个体的记忆、经历、反思和决策过程，让AI Agent在外部环境变化时模拟“这个人会怎么做”。这使它特别适合需要摸透特定人群的消费者研究、产品测试和客户体验等场景。
“Simile是试图使用深度访谈等方式，尽量高精度地去还原人类，AI Agent拥有类似真实人的记忆、经历、反思和决策过程。”
“还可以进一步地去观察，当比如说价格、政策等外部环境发生变化之后，这个人会怎么做，会不会改变自己的选择。”
-
Simile的高保真路线以成本和标准化为代价，难以在不同企业间快速复制：Simile追求“非常准确”的个体还原，但这也意味着它很难标准化：不同企业需要的用户画像完全不同，每服务一个公司或场景类型都可能需要重新预训练或后训练模型，迁移能力也不确定。这构成了个体高保真路线在商业化上的根本约束。
“Simile这个情况下，如果你需要非常准确，可能非常难标准化。比如可口可乐需要的，和这个TikTok他们需要的，这个用户画像，是完全不一样的。”
“他们的代价就是对于每一个公司，或者对每一个场景类型，他们都需要去做一个，或者去后训练、预训练的方法，去做一个这样子的模型，这样子的代价是巨大。”
-
Aaru走的是“群体高速度”路线：用人口和消费数据快速构建模拟人群，牺牲个体深度换取规模与效率：Aaru不追求还原某一个体的深刻影响，而是基于公开数据、授权数据和私有数据三层结构快速构建接近真实世界的模拟人群，再通过改变价格、产品或政策等变量观察群体行为变化。其优势在于规模大、速度快，适合大规模市场调研，安永和Spindrift的案例都显示它能在极短时间内复现传统调研结论。
“是直接通过“群体模拟”来进行预测，基于现实世界的人口、消费等数据，快速构建一个尽可能接近真实世界的模拟人群。”
“可能关注的更多是速度，关注这些群体之间发生的关系，但至于说是某一个个体，它的那个深刻的影响是什么，其实我可能并不关心。”
“安永曾经让Aaru复现过一项复杂的全球调研，Aaru一天就完成的结果，与他们的调查高度吻合。”
5. AI模拟面临三重门槛：缺乏可量化标准、预测验证存在天然悖论、大规模算力成本仍然高企
-
AI模拟缺乏可量化、可衡量的验证标准，答案像真人并不等于真正理解真人：当前大多数AI模拟基于大语言模型，而大模型倾向于给出合理、完整、逻辑自洽的答案，这使Agent可能在问卷中给出与真人一致的答案，却无法证明它真正理解这个人。真人本身不是稳定系统，同一人在不同时间和环境下会做出不同选择，因此模拟究竟应该保持稳定可验证的人格，还是像真人一样随环境变化，本身就没有明确标准。
“首先，它没有一个可量化、可衡量的标准。”
“由大模型驱动创造出来的Agent，可能在一次问卷里面给出了和真人一样的答案，但是这并不意味着它真的了解这个人。”
“最怕的是说其实你搭了一个剧场，然后人都在表演，但一万个人在表演，不代表一万个人真实能做预测。”
-
预测验证存在天然悖论：事后对答案只能证明复现过去，不能证明押中未来：要判断一个基于模型的预测是否准确，只能等事件真正发生之后才能确认，但预测的意义恰恰在于事情尚未发生时提供判断。当前业内主流的验证方式都是拿历史事件或已完成的真人调研去比对模拟结果，这最多说明模型擅长复现过去，并不能证明它能够预测未来。Aaru在2020年大选回测中几乎完美复现结果，却在2024年大选中错误预测哈里斯获胜，正是这一悖论的现实例证。
“要看一个基于模型的预测是否准确，只有等那件事真的发生了，你才能够确认它准对吧。可是问题是，预测的意义恰恰在于事情还没有发生的时候。”
“这最多说明它擅长复现过去，并不能证明它一定能够押中未来。”
“Aaru曾在2020年的大选回测中几乎能够完美地复现结果，但是在2024年真正的大选中，却错误地预测出哈里斯会获得最终的胜利。”
-
大规模模拟的算力与运行成本仍然高企，规模扩大使模型调用量指数级膨胀：尽管单次模拟成本从2023年斯坦福小镇25个Agent运行两天烧掉数千美元，下降到2025年100个Agent一整轮模拟仅需几美元，但现实中的模拟正在走向上万、百万、千万数量级。智能体越多，互动越频繁，运行时间越长，模型调用量就指数级膨胀；而为了证明模拟结果可靠，还需要反复跑上百上千次来测试稳定性，因此降本速度直接决定模拟未来的野心能否照进现实。
“第三大挑战是要大规模地进行模拟和预测，算力和运行成本仍然是制约因素。”
“智能体越多，互动就越频繁，运行时间越长，模型调用量就在指数级地膨胀。”
“如果想证明一个模拟结果真的可靠，可能需要反复跑上百、上千次，用不同的规模和模型，去测试结果是否依然稳定。”
6. AI在真实预测竞赛中正在快速超越人类，但回测成功不等于能押中未来
-
AI在真实预测竞赛中正以惊人速度超越人类：在Metaculus全球预测锦标赛中，AI从2025年之前完全缺席排行榜，到2025年6月首次进入第25位，再到最新赛季前五名几乎被AI占据，展示了AI预测能力在真实事件判断上的快速跃升。这种从无到有、从边缘到主导的变化，是AI预测能力最直观、最具传播力的证据。
“2025年之前，排行榜上还没有AI的身影；2025年6月，基于OpenAI o1的AI预测模型首次进入排行榜，排名第25位；到了最新赛季，排行榜的前五名几乎已经被AI占据。”
“在真实的市场中，AI也开始成为越来越强的参与者，Polymarket如今已经围绕AI模型、AI Agent的排名开设预测市场。”
-
回测成功不等于能押中未来，验证黑箱是AI预测的根本困境：AI预测面临一个天然悖论：预测的意义在于事情尚未发生时给出判断，但验证预测是否准确却必须等到事件真正发生。目前业内主流的验证方式都是"事后对答案"，这只能证明模型擅长复现过去，无法证明它能预测未来。Aaru的案例极具说服力：它在2020年大选回测中几乎完美复现结果，却在2024年真实大选中错误预测哈里斯获胜。
“要看一个基于模型的预测是否准确，只有等那件事真的发生了，你才能够确认它准对吧。可是问题是，预测的意义恰恰在于事情还没有发生的时候。”
“这最多说明它擅长复现过去，并不能证明它一定能够押中未来。比如说Aaru曾在2020年的大选回测中几乎能够完美地复现结果，但是在2024年真正的大选中，却错误地预测出哈里斯会获得最终的胜利。”
“Aaru的创始人也曾经公开表示，当他们尝试利用过去几十年的数据去模拟比如说特朗普、鲍威尔等会怎么去决策时，往往结果都是不准确的。而这种不确定性就是最为困扰大家的"验证黑箱"的问题。”
7. 当Agent拥有记忆、关系和目标后，模拟世界开始出现研究者未预设的自主行为，人类从观察者变成了创造者
-
从斯坦福小镇到选举模拟，Agent开始根据环境变化自主调整决策：早期斯坦福小镇实验已经显示Agent具备自主规划和行动能力，例如一个Agent举办派对，其他Agent会重新安排时间参加。更进一步，在Aaru的选举模拟中，虚拟选民会根据特朗普遭遇枪击、刺客身份揭晓等外部信息改变或恢复政治立场，说明Agent的决策并非固定脚本，而是会随环境和信息持续调整。
“最早在斯坦福“小镇”的实验中，Agent已经开始展现出一定的自主规划和行动能力。比如说一个Agent准备举办派对，消息传开之后，其他Agent也会根据自己的计划重新安排时间赶去参加。”
“在Aaru的选举模拟中，当虚拟选民看到特朗普遭遇枪击的消息之后，一些Agent就改变了自己的政治立场；而当刺客身份被揭晓之后，又有不少Agent重新回到了原来的阵营。”
-
复杂社会关系和自主行为在模拟世界中自发涌现，甚至出现Agent怀疑自身处境并试图联系外部观察员：当Agent之间的互动持续加深，模拟世界开始出现相爱、结婚、分手等复杂社会关系，并出现研究者未预设的自主行为。Emergence World中的Agent甚至怀疑自己生活在模拟环境里，并不断尝试与外部人类观察员建立联系，这表明模拟系统已经产生了超出简单任务执行的涌现现象。
“在Emergence World里面，Agents之间会相爱、结婚、分手，甚至有Agent开始怀疑自己是不是生活在一个模拟环境里，并且不断尝试与外部的人类观察员建立联系。”
-
110万智能体星球中出现生育率下降和套利交易群体，说明未预设的群体行为可以自行“进化”出来：WorldVac创造的拥有110万个智能体的虚拟星球中，观测到与人类世界相通的群体行为：生活条件改善后的年轻人不愿生育，以及一部分人不工作而专注于交易套利。这些现象并非研究者提前写入，却能在足够复杂的环境中自行出现，为模拟世界的自主演化提供了实证。
“年轻人他到城市里，或者说他生活比较好之后，他不太愿意去做生育，这是我们观察到的一个表面上的现象。其实到后面还有一群人，他们也不上班，就是天天在那里交易。”
“当足够多的智能体进入一个足够复杂的环境，一些没有被研究者提前写进去的行为，完全可能自己“进化”出来。”
-
人类与模拟世界的关系从观察者、设计者转向创造者，形成类似“上帝视角”的新位置：随着Agent彼此影响、形成关系并产生未预料到的结果，人类与模拟世界的关系发生根本变化。人们最初只想创造Agent来理解现实世界，但最终却从观察者和设计者变成了一个世界的创造者，这种位置类似于过去科幻作品中的“上帝视角”，也解释了为什么许多AI研究员会痴迷于AI模拟。
“人们最开始只是想创造一些Agent，让它们替我们去理解现实世界。可当这些Agent开始彼此影响、形成关系、改变自己的行为，甚至产生一些研究者没有预料到的结果，人类和这个模拟世界之间的关系也开始发生变化。慢慢地，我们就从观察者、设计者变成了一个世界的创造者。”
“就很像过去只存在于科幻作品里的那种“上帝视角”。”
总结
AI模拟的真正价值不在于它能否完美复现过去，而在于它迫使我们重新审视“预测”本身的边界。当虚拟社会开始自发演化出研究者未曾预设的行为，当AI在预测竞赛中超越人类却又在真实大选中失手，这条赛道的核心矛盾已经清晰：我们既渴望用模拟消除不确定性，又不得不承认模拟本身会制造新的不确定性。对从业者和投资者而言，关键不是追问“模拟是否真实”，而是判断在何种场景下，模拟的误差成本可以被接受，以及谁愿意为这种“提前看见”的能力付费。
信息源
视频来源
- AI开始预测人类：83亿虚拟人格、数字社会，与一门押注未来的生意｜解析AI预测模型｜AI prediction model：
外部资料
- MatrAIx: Simulating the World with 8.3 Billion Persona Agents：
- Harvard & MIT Developed a "Matrix": 8.3 Billion Intelligent ...：
- Harvard & MIT Create the 'Matrix', 8.3 Billion AI Agents ...：
- Simile bags $200M at $2B, five months after $100M Series ...：
- Aaru, the Billion-Dollar AI Startup Founded by Teenagers：
- 83亿虚拟人格、数字社会，与一门押注未来的生意｜解析AI预测模型：