基于LLM推理的智能体建模
研究人员提出了一个可扩展的混合智能体与语言驱动流行病（HALE）建模框架，利用大型语言模型（LLM）预测智能体建模（ABM）中的人类决策，并以COVID-19在犹他州盐湖县的模拟作为概念验证。
在人工智能领域，智能体建模（Agent-Based Modeling，简称ABM）是一种强大的模拟技术，能够对数百万个体的行为及其相互作用进行建模，广泛应用于政策制定、流行病传播模拟等领域。然而，传统的ABM方法通常依赖于静态先验知识，这意味着模型一旦建立，其参数和行为规则便固定不变，难以适应现实世界中快速变化的环境。这种局限性在应对突发事件，如COVID-19疫情时尤为明显，因为病毒的传播方式、政策干预效果以及人类行为响应都在不断变化。
为了解决这一信息差距，来自犹他大学等机构的研究人员提出了一种创新方法：利用大型语言模型（Large Language Models，LLMs）来预测和模拟人类决策过程。LLMs在理解自然语言、推理和生成方面展现出惊人的能力，这使得它们成为动态预测人类行为的理想工具。研究团队引入了一个名为混合智能体与语言驱动流行病建模（Hybrid Agent-based and Language-driven Epidemic，简称HALE）的可扩展框架。HALE将LLM集成到ABM仿真中，通过实时分析文本数据、新闻报道或社交媒体信息，动态调整模型中的个体行为决策，从而克服了传统ABM的静态缺陷。
作为概念验证，研究人员将HALE应用于COVID-19在犹他州盐湖县的传播模拟。他们使用LLM模拟了个体在疫情中的行为选择，例如是否遵循社交距离措施、是否接种疫苗等，并将这些行为反馈到ABM中，从而更准确地预测疫情的发展趋势。初步结果表明，HALE能够捕捉到传统模型难以体现的行为变化，为公共卫生决策提供了更有力的支持。
该研究已于2026年7月提交至arXiv预印本平台，尚未经过同行评审。尽管如此，这一工作展示了LLM在增强ABM实时适应性方面的巨大潜力，不仅可用于疫情建模，还可推广到城市交通、金融市场、气候变化适应等领域。未来，研究人员计划进一步优化HALE的效率，并探索在更大规模、更复杂场景中的应用。这项研究为AI与仿真建模的交叉领域开辟了新的方向，有望推动政策模拟从静态分析向动态预测的转变。