基於LLM推理的智慧體建模
研究人員提出了一個可擴充套件的混合智慧體與語言驅動流行病（HALE）建模框架，利用大型語言模型（LLM）預測智慧體建模（ABM）中的人類決策，並以COVID-19在猶他州鹽湖縣的模擬作為概念驗證。
在人工智慧領域，智慧體建模（Agent-Based Modeling，簡稱ABM）是一種強大的模擬技術，能夠對數百萬個體的行為及其相互作用進行建模，廣泛應用於政策制定、流行病傳播模擬等領域。然而，傳統的ABM方法通常依賴於靜態先驗知識，這意味著模型一旦建立，其引數和行為規則便固定不變，難以適應現實世界中快速變化的環境。這種侷限性在應對突發事件，如COVID-19疫情時尤為明顯，因為病毒的傳播方式、政策干預效果以及人類行為響應都在不斷變化。
為了解決這一資訊差距，來自猶他大學等機構的研究人員提出了一種創新方法：利用大型語言模型（Large Language Models，LLMs）來預測和模擬人類決策過程。LLMs在理解自然語言、推理和生成方面展現出驚人的能力，這使得它們成為動態預測人類行為的理想工具。研究團隊引入了一個名為混合智慧體與語言驅動流行病建模（Hybrid Agent-based and Language-driven Epidemic，簡稱HALE）的可擴充套件框架。HALE將LLM整合到ABM模擬中，透過即時分析文本資料、新聞報道或社交媒體資訊，動態調整模型中的個體行為決策，從而克服了傳統ABM的靜態缺陷。
作為概念驗證，研究人員將HALE應用於COVID-19在猶他州鹽湖縣的傳播模擬。他們使用LLM模擬了個體在疫情中的行為選擇，例如是否遵循社交距離措施、是否接種疫苗等，並將這些行為反饋到ABM中，從而更準確地預測疫情的發展趨勢。初步結果表明，HALE能夠捕捉到傳統模型難以體現的行為變化，為公共衛生決策提供了更有力的支援。
該研究已於2026年7月提交至arXiv預印本平臺，尚未經過同行評審。儘管如此，這一工作展示了LLM在增強ABM即時適應性方面的巨大潛力，不僅可用於疫情建模，還可推廣到城市交通、金融市場、氣候變化適應等領域。未來，研究人員計劃進一步最佳化HALE的效率，並探索在更大規模、更復雜場景中的應用。這項研究為AI與模擬建模的交叉領域開闢了新的方向，有望推動政策模擬從靜態分析向動態預測的轉變。