Trung Quốc ra mắt hệ thống mô phỏng xã hội quy mô 1 tỷ tác nhân AI

Một nhóm nhà nghiên cứu Trung Quốc đã phát triển hệ thống mô phỏng xã hội Light Society, có khả năng tạo ra một xã hội ảo với hơn 1 tỷ tác nhân AI.

Mỗi tác nhân không chỉ thực hiện các quy tắc được lập trình sẵn mà còn được gán những đặc điểm tương tự con người như tuổi, trình độ học vấn, thu nhập, tính cách, ký ức, niềm tin, mục tiêu, vị trí và các mối quan hệ xã hội.

Nghiên cứu có tên "Modeling Earth-Scale Human-Like Societies with One Billion Agents" (Mô phỏng xã hội giống con người ở quy mô toàn cầu với một tỷ tác nhân) đã được đăng trên arXiv và cập nhật lần gần nhất vào ngày 28/6.

Nhóm tác giả cho biết Light Society được thiết kế để mô phỏng các hiện tượng xã hội ở quy mô rất lớn, qua đó hỗ trợ nghiên cứu cách niềm tin, quan điểm và hành vi thay đổi khi các cá nhân tương tác với nhau.

Mô phỏng hơn 1 tỷ tác nhân AI, có ký ức và niềm tin riêng.

Hệ thống mang tên Light Society, được giới thiệu trong nghiên cứu "Modeling Earth-Scale Human-Like Societies with One Billion Agents" (Ảnh: Arxiv).

Khác với các mô hình tác nhân truyền thống chủ yếu dựa trên những quy tắc cố định, Light Society mô tả mỗi tác nhân bằng nhiều lớp thông tin.

Trong đó, hồ sơ tương đối ổn định gồm các đặc điểm như nhân khẩu học và tính cách. Những trạng thái có thể thay đổi theo thời gian gồm ký ức, niềm tin và mục tiêu. Ngoài ra, hệ thống còn theo dõi các yếu tố bên ngoài như vị trí và mạng lưới quan hệ xã hội.

Các mô hình ngôn ngữ lớn (LLM) được sử dụng để giúp tác nhân tiếp nhận thông tin, lựa chọn hành động và cập nhật trạng thái sau những tương tác.

Tuy nhiên, nếu dùng một mô hình ngôn ngữ lớn cho từng quyết định của hàng tỷ tác nhân, chi phí tính toán sẽ rất lớn. Đây là bài toán chính mà Light Society tìm cách giải quyết.

Hệ thống sử dụng kết hợp nhiều loại mô hình. Những nhiệm vụ phức tạp có thể được xử lý bằng LLM, trong khi các quyết định lặp lại được chuyển cho những mô hình nhỏ hơn đã được huấn luyện để mô phỏng một phần hành vi của LLM.

Nhóm nghiên cứu đồng thời sử dụng bộ nhớ đệm cho các truy vấn lặp lại, nén mạng lưới quan hệ xã hội, xử lý dữ liệu theo lô và gom các sự kiện tương tự để thực hiện cùng lúc.

Theo nghiên cứu, cách tiếp cận này giúp Light Society mở rộng quy mô mô phỏng lên hơn 1 tỷ tác nhân.

Về cấu trúc, hệ thống gồm ba thành phần chính: các tác nhân, môi trường và hàng đợi sự kiện.

Các tác nhân tương tác với môi trường và với nhau. Mỗi tương tác được đưa vào hàng đợi sự kiện, sau đó hệ thống xử lý để cập nhật trạng thái của các tác nhân hoặc môi trường.

Nhờ vậy, Light Society có thể mô phỏng từ những tương tác giữa hai cá nhân, chẳng hạn trò chơi về lòng tin, cho tới sự lan truyền quan điểm trên mạng lưới có quy mô hàng tỷ nút.

AI mô phỏng hành vi tin tưởng và đáp lại.

Để đánh giá hệ thống, nhóm nghiên cứu thực hiện hai nhóm thí nghiệm lớn, gồm mô phỏng hành vi tin tưởng và mô phỏng sự lan truyền quan điểm.

Trong thí nghiệm đầu tiên, các tác nhân tham gia "Trust Game", một dạng trò chơi kinh tế được sử dụng để nghiên cứu lòng tin và sự đáp lại giữa các cá nhân.

Mỗi người chơi được giả lập với một hồ sơ dựa trên dữ liệu thực tế từ Wave 7 của World Values Survey. Các đặc điểm như tuổi, quốc gia và vị thế xã hội được sử dụng để tạo hồ sơ bằng ngôn ngữ tự nhiên cho tác nhân.

Kết quả mô phỏng cho thấy các tác nhân thuộc nhóm có vị thế xã hội hoặc trình độ học vấn cao hơn có xu hướng gửi nhiều tiền hơn trong trò chơi, tức thể hiện mức độ tin tưởng cao hơn.

Nhóm nghiên cứu cũng nhận thấy các hành vi đáp lại thay đổi theo số tiền được chuyển. Tuy nhiên, mức độ và kết quả cụ thể có thể khác nhau tùy mô hình ngôn ngữ được sử dụng.

Khi tăng quy mô mô phỏng, những dao động ngẫu nhiên ở cấp độ cá nhân giảm xuống, trong khi một số khác biệt giữa các nhóm nhân khẩu học trở nên rõ hơn.

Đây là kết quả của mô phỏng, không phải bằng chứng cho thấy mọi người có trình độ học vấn hoặc vị thế xã hội cao đều hành xử theo cách này trong đời thực.

Mô phỏng cách con người tin tưởng và thay đổi quan điểm.

AI mô phỏng cách con người tin tưởng và thay đổi quan điểm (Ảnh: News9live).

Thí nghiệm thứ hai tập trung vào sự lan truyền quan điểm trong một mạng lưới gồm 1 tỷ tác nhân.

Nhóm nghiên cứu xây dựng mạng lưới có cấu trúc tương tự các mạng xã hội, trong đó một số tác nhân có rất nhiều kết nối và được xem là những "người có ảnh hưởng".

Các tác nhân được cho tiếp xúc với những quan điểm khác nhau về một vấn đề gây tranh luận: liệu tự động hóa bằng AI có dẫn tới thất nghiệp trên diện rộng hay không.

Sau nhiều vòng tương tác, nhóm nghiên cứu theo dõi cách quan điểm của các tác nhân thay đổi.

Kết quả mô phỏng cho thấy quan điểm ban đầu của nhóm có ảnh hưởng có thể tác động đáng kể đến xu hướng quan điểm chung của mạng lưới.

Khi nhóm có ảnh hưởng nghiêng về một phía, quan điểm của cộng đồng mô phỏng cũng có xu hướng dịch chuyển theo hướng đó. Ngược lại, khi quan điểm của nhóm này cân bằng hơn, hệ thống có xu hướng ít phân cực và dịch chuyển về trạng thái trung lập.

Nhóm nghiên cứu cũng xem xét ảnh hưởng của các đặc điểm cá nhân. Trong mô phỏng, những tác nhân có trình độ học vấn hoặc thu nhập cao hơn có xu hướng dễ thuyết phục người khác hơn nhưng đồng thời ít thay đổi quan điểm của mình hơn.

Những kết quả này cho thấy quy mô mạng lưới và vị trí của một cá nhân trong mạng lưới có thể ảnh hưởng đến cách thông tin lan truyền. Tuy nhiên, đây vẫn là kết quả của một mô hình máy tính, không phải phép đo trực tiếp hành vi của con người ngoài đời thực.

Không phải công cụ dự đoán tương lai.

Theo nhóm nghiên cứu, Light Society có thể được sử dụng như một "phòng thí nghiệm ảo" để kiểm chứng các giả thuyết trong khoa học xã hội.

Các nhà nghiên cứu có thể thay đổi một số điều kiện trong môi trường mô phỏng rồi quan sát cách những nhóm tác nhân khác nhau phản ứng. Về lâu dài, cách tiếp cận này có thể hỗ trợ nghiên cứu chính sách, sự lan truyền thông tin, hành vi tập thể hoặc những hiện tượng xã hội khác.

Tuy nhiên, Light Society không phải hệ thống dự báo chắc chắn tương lai.

Kết quả mô phỏng phụ thuộc vào dữ liệu dùng để tạo tác nhân, cấu trúc mạng lưới, các quy tắc của mô hình và mô hình ngôn ngữ được sử dụng. Bản thân LLM cũng có thể mang những thiên lệch từ dữ liệu huấn luyện.