Simile 用住着 25 个 AI 角色的小镇做合成用户，五个月里估值从 10 亿涨到 20 亿美元；创始人 Joon Sung Park 认为，模拟真人这件事不能只靠更强的模型，得回到真人数据。

你有没有试过这样问大模型：你是一个 34 岁的女性，住在大城市，现在给你看一款新产品，你会买吗？它的回答通常很合理，条理也清楚，可你多半不敢拿这个答案去做真正的决定。

Sequoia（红杉资本）的 Sonya Huang 也问过 Joon Sung Park 差不多的问题：大模型不是已经读遍了整个世界吗，为什么还要专门去找真人收集数据？Joon 是 Simile 的创始人和 CEO，Simile 做的事，是用 AI 模拟真人会怎么选、怎么做。公司今年 2 月拿了 1 亿美元的 A 轮融资，Index Ventures 领投，李飞飞和 Andrej Karpathy 也投了个人的钱。7 月底又拿了 2 亿美元的 B 轮，Greenoaks 领投，估值 20 亿美元。他们说，A 轮之后的五个月里，收入涨到了原来的五倍。这篇文章我只讲一条线：为什么模拟真人这件事，不能只靠更强的模型，一定要回到真人身上去。我先讲他怎么说，再写我自己的想法。

Simile 的官网形象：一座座像素风格的小镇。图片来自 Simile

01 现在的大模型很聪明，但真人不是这样想问题的

Joon 先讲了一个他很看重的判断。今天的大模型公司，不管是 OpenAI、Anthropic，还是新冒出来的实验室，目标差不多：做一个超级聪明的机器，遇到有标准答案的难题，能算得比人还好。这样的模型是讲道理的，也是理性的。

Joon Sung Park 在 Sequoia 的播客节目《Training Data》里。图片来自 Sequoia

可真人不是这样。他说，人有很多主观的想法，有自己的偏好和口味，常常不讲道理。所以模型做得越大，解数学题、写代码的本事越强，但预测和模拟真人会怎么做，进步并没有跟上，甚至两者越拉越开。他的看法是，在现有的做法下，模拟人的能力已经基本到顶了，想再往前走，得有专门为“人的差别”做的新模型。

他打了个比方。今天的大模型，像电脑里的 CPU（中央处理器），是一个特别强、特别理性的大脑，专门啃复杂的难题。Simile 想做的，更像 GPU（图形处理器）。GPU 是由很多小单元一起干活的，每个小单元负责一小块。Simile 的模型也一样，它不需要比人聪明，反而要尽量像人，而且里面的每一小块，都要能代表不同人群的真实想法。

我觉得这个比方讲清楚了他们和大模型公司的区别。大模型公司要的是一个答案对的脑子，他们要的是很多个各不相同的脑子。

02 一个住着 25 个角色的小镇，后来变成了一家公司

要看 Simile 怎么来的，得从 2023 年春天说起。Joon 当时在斯坦福读博士，做了一个叫 Smallville 的实验：一个游戏里的小镇，住着 25 个由大模型驱动的角色。每个角色有自己的身份介绍，还有记忆、计划和反思的能力。他们早上起床，过自己的日子，去上班，也会发展出各种关系。

Simile 的创始人兼 CEO Joon Sung Park。图片来自 Simile，来自 TechCrunch 的报道

最让他意外的是情人节前一天发生的事。一个叫 Isabella 的咖啡馆老板，自己想到要办一场情人节派对，就去张罗东西，一个个告诉来店里的客人。到了那天，真有一群角色赶来参加。有的人收到了邀请却忘了去，有一个叫 Klaus 的角色，收到邀请后，约了自己暗恋的人一起来。这些事没有人提前写好，都是角色们自己做出来的。

后来 Joon 慢慢想明白，做研究和做公司是两回事。他说，做研究像是广撒网，每个人拿一小块想法去试，有些会长成了不起的成果，但研究者往往不负责把成果送到真实世界里去。公司则不一样，是一台适合钻到底的机器：认准一个方向，把人和钱都集中过来，一路做下去。

让他下决心的，是 Smallville 论文发表后半年左右的事。先是社会科学家找上门，想在他们的平台上做自己的实验。很快，美国财富 500 强里的一些大公司也来了，有的公司董事会成员或 CEO 来斯坦福时看到了演示，回头就问：我们每天要做那么多调查和实验，还有一大堆市场问题回答不了，能不能放到模拟里去做？

他说，这让他看到了研究能直接用到真实世界的一条路。不过在把它当成产品之前，他们先要证明模拟是准的。于是他们找了 1000 多个美国人做实验。他们的做法是，让一个 AI 面试官，先和每个人聊他们的人生经历、对社会问题的看法，再根据聊天的内容，生成一个“数字分身”。然后过两周，请这些人回来填问卷，做性格测试、经济学小游戏和行为实验，看分身能不能预测出来。

结果是，分身答对的程度，达到了真人自己前后一致程度的 85%。这里的意思是，同一个人隔两周再答同一份问卷，答案本来也不会完全一样，分身答得有多接近真人的答案，是拿这个来做比的。Joon 说，2024 年底，他们第一次在这个领域里证明，能用这种办法预测人的行为，准确率有 85% 以上。这就是公司最初的底气。

他的两位导师 Percy Liang 和 Michael Bernstein 也一起加入，成了联合创始人，Percy 是斯坦福基础模型研究中心的负责人，现在是 Simile 的首席科学家，Michael 做首席产品官。后来 Lainie Yallen 加入，负责客户和落地。

Joon Sung Park（左二）、Lainie Yallen（左三）和投资方 Bain Capital Ventures 的合伙人合影。图片来自 Bain Capital Ventures

03 光让模型扮演真人不行，因为人说的和做的不一样

回到 Sonya 的那个问题：为什么不能直接告诉大模型“你是一个 34 岁的女性”，就让它代表这一类人？

Joon 的回答是，因为人说的和做的有一个差距，这个差距是真的。大模型学到的东西，很大一部分是人们在网上说过的话，也就是人们的态度。可是人们嘴上说的，和实际做的，常常对不上。

他举了一个健身的例子。问卷里问大家这周打算去几次健身房，答案分布得比较平均。可实际去了几次，是另一种样子：有的人一次都没去，去的次数越多，人数掉得越快。为什么会这样？因为真到了要做的时候，人手里有很多选择。他说，我可以去健身，但不去的话，我能多睡一个小时，也能多开一个会。每个选择都有代价，人是在这些代价之间做决定的。问卷把选择说得很抽象，真实的生活里，选项是摆在眼前的，竞争也在眼前。

所以 Simile 会去收集真人的数据，来补上这个差距。他们先在邮件、问卷、一对一聊天里收集信息，再训练自己的面试模型。这个模型的目标是，用尽量少的时间，了解到一个人尽量多的东西。它问的不是“你对这款产品怎么看”，而是“讲讲你的人生故事”。他说，一个人在哪里长大，做过哪些艰难的决定，这样的信息是“长尾”的，也就是不常见、不一样的地方，恰好能把人说的话和人做的事连起来。

光有一对一聊天还不够。问卷效率高，适合问具体的选择题，了解大家对某些政策、某些话题的看法。他们还有大量的实验数据，包括社会科学研究里做过的随机对照实验（把人分成几组，只改变一个条件，看结果有什么不同），也包括价格研究。他们要训练的，是一个能预测各种随机对照实验结果的模型。

这些真人从哪里来？Joon 说，他们和一家调查公司 Gallup（盖洛普）合作，在全球的合作渠道里，一共能联系到 4000 多万人，每个星期都会和几万甚至几十万真人说话。他们为了不让数据变差，会控制问卷发出的间隔，免得人答烦了，也会做检查，比如问简单的算术题，看对方有没有认真答。未成年人不会参加，每个人都可以随时撤回同意。

投资他们的 Bain Capital Ventures 把这个区别说得很清楚：很多做“合成用户”的产品，是先写一个人口画像，再让通用大模型去扮演。Simile 的每一个“分身”，都对应一个真实的人，背后是一对一的聊天、过去的选择和行为数据。

04 客户拿它做什么，结果又怎么判断能不能信

先看客户。CVS（美国一家大型连锁药房和医疗公司）合作了差不多半年。起因是他们负责消费者洞察的一位高级副总裁，看了 Joon 的论文，觉得公司被两件事卡住了：能拿到现场去试的问题太少，而想看清整个市场里一个决定会连带出什么后果，也没有办法。后来这个副总裁的表亲碰巧认识 Joon，双方就这样联系上了。

做法其实跟客户以前和调查公司合作很像：先告诉 Simile，想了解哪一类人。Simile 和合作方去联系真人，只拿一次十五分钟左右的时间，问最有用的问题，再用这些数据生成分身，放到平台上。之后客户可以随时问关于这群人的任何问题，没有数量上限。Simile 披露，CVS 的分身用了超过 40 万个参与者的 290 万份同意使用的回答，覆盖 200 多种行为场景。CVS 用来检查调研的问题，看顾客的购物流程，也测试怎么让人更好地按时吃药，然后才去做真实的调研和试点。

最常见的起点是概念测试，也就是拿一个新产品、新的宣传语，看用户怎么想。Joon 说，客户很快会发现，以前一次最多试五到十个想法，现在可以同时拿 1000 个想法，去问 1000 种不同的人。接下来的需求会越来越多：让分身去“体验”一个产品十分钟，再讲讲看到了什么；或者让很多分身一起跑，比如模拟一次财报电话会。他说这一条他起初很意外，没想到会这么多人问，因为 CEO 和董事会确实要想，电话会怎么安排，听的人会怎么反应。

Simile 还披露，Deloitte（德勤）拿它来代替一部分焦点小组，Wealthfront 把做定性研究的范围扩大到了原来的 15 倍。

这就带来一个问题：怎么判断结果能不能信？Joon 说，他们有两类办法。第一类是对比分布。比如拿真实人群的回答分布，和模拟出来的分布比，用一个叫总变差距离的指标（衡量两组结果差多远），低于 0.15，他们认为证据就足够强，可以拿来做决定。第二类是给每一次模拟打一个信心分，0 到 100，是跟基础模型一起训练出来的。他说，信心高于 90%，或者通常 85%，客户发现这样的结果可以用来做风险很高的决定。他把这个比作统计学里的 p 值，低于 0.05 就算有证据，是整个领域花了很多年才定下来的标准，Simile 想为模拟做同样的事。

多个分身互相影响的时候，误差会不会越滚越大？他说得很细。有一类模拟，结果会往同一个方向收拢。比如模拟一群人组成的网络，总会冒出几个中心人物，这是网络科学里很早就知道的规律，Google 早期的网页排名也是靠这个。这种情况下，小误差不要紧，最后会落到差不多的地方。另一类模拟则会越走越散，比如选举，跑一百次，结果可能不一样。这时候要看的不是哪一次对，而是一百次里有多少次出现某个结果，让人看清楚有哪些可能，各自是怎么走到的，早点做准备。

我觉得他把这两类分开讲，很实在。很多人以为模拟就是要给出一个唯一的答案，他的意思是，有些问题本来就没有唯一的答案，模拟的用处是把各种可能摆出来。

05 他想模拟的，不只是消费者

Sonya 问他，有没有可能解决一些比商业更大的问题，比如经济学、央行的决定。他说，当初他打动自己的导师，就是一句话：这件事做对了，是有机会拿诺贝尔奖的。

Joon Sung Park。图片来自 Index Ventures

他举的是经济学家 Thomas Schelling 的例子。几十年前，Schelling 用一个极简单的模型研究种族隔离是怎么形成的：每个人就是一个红点或蓝点，看看周围邻居有多少和自己同色，如果比例低于某个数，就搬走。就是这么简单的规则，却说明了社会层面的一个深刻道理，他后来拿了诺贝尔奖。Joon 说，现在的差别是，点不再是红蓝两种，而是能把一个人丰富的样子还原出来的分身，可以跑同样的实验。

经济学家问过他的问题，包括银行挤兑什么时候发生，气候变化里各国怎样才能合作。他说，这些问题要的是很大规模的模拟，今天的模拟又快又便宜，可以想象的是，将来有的模拟跑一次要花一亿美元，跑好几个月，但一旦跑完，就能回答社会里最根本的问题之一。他还引了联合创始人 Percy 的一句话：伟大的科学进步，往往从一次了不起的测量开始，比如哈勃望远镜改变了人们对宇宙的认识，模拟可能会成为人类社会的这样一种工具。他把这个想法叫作“人类社会的欧洲核子研究中心”。

他也说了现在的位置。他认为模拟现在好比大模型的 GPT-4 时期，技术已经能做出实际的成果，但每个月都在变化，大概一年半到两年，会像今天的编程智能体这么成熟。

06 也有人觉得这件事走得太远了

当然，不是所有人都买账。有人觉得，Simile 说要模拟地球上所有 80 亿人，这个说法太夸张，因为大家做市场调研，本来就是因为人难以预测。也有人提醒，公司自己报的 85% 到 99% 的准确率，是他们自己算的数字，AI 替身能不能真代表人，本来就是批评者最怀疑的地方。

一位叫 Carlo Torniai 的人，意见更细。他认可那项研究是真的，但提出一个问题：那项研究里，就算把聊天记录删掉 80%，或者换成 AI 写的摘要，预测准确率也差不多（0.79 到 0.83）。他的理解是，模型有用，是因为它把人压缩成了几条规律，而被删掉的那 80%，恰恰是一个人的质感：说话的停顿，前后的矛盾，第 87 分钟说的一句话，把第 12 分钟说的全推翻了。预测买什么、答什么问题，压缩是行得通的；但要说“模拟一个人”，就不是一回事了。他说，得到的是一个人的统计影子，而不是这个人。

他还指出，两个人在走廊里碰面，一个很累，一个刚升职却有点愧疚，四十秒的对话，可能引出一个影响半年项目的误会。这样的事，从聊天记录和交易记录里是读不出来的。Smallville 里办派对，只是协调安排，还说不上真正的社会互动。

我自己的一点思考

回头看，Joon 讲的是一件挺朴素的事：要预测人，就得先去问人。模型再聪明，也只是读过人们说过的话，人们没说出口的，要靠真人一个个讲给它听。Simile 做的事，是把这件很贵、很慢的事，变成每个月都能重复做的事。

我自己的想法有两点。第一，这家公司真正的本钱，是那 4000 多万人的合作渠道，和一套知道该怎么问的办法。模型会越来越容易拿到，能稳定地找到真人、问对问题，才是难的。第二，Carlo 的提醒我觉得要认真对待。预测一个人买不买、答什么，和“模拟一个人”，是两个大小不同的说法。Simile 自己给客户的信心分和阈值，我觉得就是在划这条线：能用的地方放心用，没把握的地方，把各种可能摆出来。如果我是客户，做大决定之前，我会先用一小批真实的试验去核对一下，再放手。

要模拟人，先得老老实实去问人。

资料来源：

Sequoia Capital，Simulating Humans at Scale: Simile’s Joon Sung Park（Training Data 播客）原文 https://sequoiacap.com/podcast/simulating-humans-at-scale-similes-joon-sung-park

Sourcery（Molly O’Shea），Inside Simile, $2B Company Simulating Human Behavior，2026-10-26原文 https://www.sourcery.vc/p/breaking-stanford-phd-built-2b-simulation

Index Ventures，Simulating Society at Scale: Our Investment in Simile’s $200M Series B，2026-07-30原文 https://www.indexventures.com/perspectives/simulating-society-at-scale-our-investment-in-similes-200m-series-b/

Bain Capital Ventures，The Human Layer of AI: Why We’re Continuing to Invest in Simile，2026-07-30原文 https://baincapitalventures.com/insight/the-human-layer-of-ai-why-we-re-continuing-to-invest-in-simile/

The Next Web，To find out what customers think, this $2bn startup asks their AI twins，2026-07原文 https://thenextweb.com/news/simile-200-million-agentic-twins-ai-market-research

TechCrunch，Synthetic-user startup Simile raises $200M at $2B valuation 5 months after $100M Series A，2026-07-30原文 https://techcrunch.com/2026/07/30/synthetic-user-startup-simile-raises-200m-at-2b-valuation-5-months-after-100m-series-a/

Carlo Torniai，Simile Wants to Simulate You. Can It?原文 https://carlotorniai.substack.com/p/simile-wants-to-simulate-you-can