83 亿个 AI 人格背后，真正按人口抽样的只有 6 万条
这两天有条消息转得很凶。哈佛和 MIT 牵头，拉上 OpenAI、Anthropic、微软、Meta 的研究者，造了 83 亿个 AI 人格。标题都说这是《黑客帝国》成真，全球人口一比一镜像。
论文我翻了一遍。有一个数字，几乎所有转发都没提。
999,847。
这是他们真正公开放出来的人格数量。差不多 100 万条。不是 83 亿。
83 亿是算出来的，100 万才是放出来的
先说清楚 83 亿是怎么来的。
论文给每个虚拟人定义了 1290 个属性：国家、母语、学历、职业、收入、性格、平时用什么设备。然后用一张依赖关系图去采样。意思是属性之间有先后。先定地区和母语，再定英语水平。先定学历和职业，再定收入区间。采样出不合理的组合会被规则扔掉，比如肯尼亚农村、小学学历、哈佛博士、年入百万。
这套方法能生成的组合上限，就是 83 亿。跟地球人口对上，是因为他们想让它对上。不是因为真的有 83 亿份数据。
真正被质检过、被公开出来能用的，是那 100 万条。其中 40 万条是纯生成的。另外 60 万条，论文里标着「human-grounded」，意思是有真实数据打底。
这 60 万条值得单独看一眼。
那 60 万「真人」是谁
论文附录里把来源和条数都列了，我抄一下。
维基百科人物传记，32.3 万条。Stack Overflow 开发者调查，11.3 万条。亚马逊购物评论记录，9.8 万条。General Social Survey，6.35 万条。PRISM 对齐数据集，1487 条。研究团队自己招志愿者填的问卷，355 条。加起来正好是 59.98 万。
最大的一块是维基百科。能在维基百科上有个人词条的，本身就不是普通人。
这个偏差可以量化。今年 7 月的统计，英文维基百科上有 214 万条人物词条，其中写女性的 43.6 万条，占 20.4%。真实世界里这个比例大约是一半。这不能怪维基百科，它记录的本来就是「被记录下来的人」。但你把它当人口样本用，性别比一上来就偏了两倍多。
第二块是 Stack Overflow 上愿意填年度调查的开发者。第三块是会在亚马逊上认真写评论的人。
六个来源里，真正按人口学抽样、能代表一个国家普通人的，只有 General Social Survey 那 6.35 万条。这是芝加哥大学做了五十多年的社会调查，抽样方法很正。但它只调查美国。
所以这件事可以这么说：
83 亿是组合数学。
60 万是真实数据。
6.35 万是按人口抽样的真实数据，而且只有美国那一份。
那个 91.5%，测的是另一件事
另一个转得很广的数字是 91.5%。原文的意思是这样。他们做了 400 次受控实验。其中 366 次，AI 表现出了它被分配的那个人设特征。或者该收着的时候正确收住了。
这个数字本身很扎实。但它测的是「演员有没有按剧本演」，不是「剧本像不像真人」。这两件事差得很远。
我给一个虚拟人设定「50 岁、保守、内向、住在美国中西部」。AI 演出来确实内向，确实保守。这就通过了 91.5% 那一栏。但这个虚拟人遇到一个真实的 App 报错时会怎么反应？跟一个真的 50 岁美国中西部主妇像不像？
论文没测。
还有两个数字也在转。一个是 4.135 分，这是人类专家给抽出来的人格打的分，满分 5 分。它评的是抽取得准不准，不是这个人格像不像一个活人。另一个是 Claude Opus 4.8 的打分，有 93.8% 跟人类专家差在 1 分以内，GPT-5.5 是 79.2%。有人把这条读成「大模型学会共情了」。它其实只说明这类打分工作可以交给模型做，能省钱。
三个数字都是实的。只是没有一个在回答那个真问题：这个虚拟人的行为，像不像一个真人。
我特意翻到了限制那一节。他们做的验证有三项：人口分布自不自洽、AI 遵不遵守人设、抽出来的人格人类打几分。没有一项，是拿模拟用户的行为跟真人在同一个任务上的行为去比。
附录 M 里有一句话。
在把结论用于真实人群或重大决策之前，仍然需要真人研究。
这是作者自己写的。93 个人的名字签在这篇论文上。
那它到底能干什么
写到这儿像是在泼冷水。
不是。
这套东西的工程量是实打实的。四个环境：问卷、AI 聊天、网页、App。App 环境里 agent 能直接操作 Linux、macOS 和 iOS 的桌面，用虚拟鼠标键盘点，操作轨迹全记。1010 个任务，25 个领域，跑了 18189 次实验。这不是一个 demo。
我只是觉得，它现在能被信任的用法，跟大部分人想的不一样。它是用来撞 bug 的，不是用来找答案的。
举个具体的。你做了一个注册流程，自己测了十遍，都很顺。现在放 1000 个背景各异的模拟用户进去跑。有人母语不是英语，看不懂你写的那个缩写。有人用的是五年前的安卓机，你那个转场动画会卡。有人在地铁上单手操作，够不到右上角那个按钮。
这些路径你自己想不到，因为你不是这些人。
这个用法有个好处：它不要求人群比例是准的，只要求人群足够杂。83 亿这个数字放在这里反而是对的。你不需要它真的是人类。你只需要它多样到能撞出你没走过的那条路。
撞 bug 找的是「存不存在」。只要有一个人在这里卡住，这就是个真问题。他占人口的百分之几，不影响这个 bug 是不是 bug。
但换成另一类问题就不行了。
这个定价卖不卖得动。这个功能用户会不会喜欢。两个方案哪个转化率高。
这三个问题问的是「占多少」。「占多少」要求人群比例是准的。比例错了，百分比就是错的，结论可能整个反过来。
而这套人格库的比例，来自维基百科名人、Stack Overflow 开发者和亚马逊评论用户。不是来自你的用户。
模拟用户不会退款
最后说一件我更担心的事。
如果这类工具变成默认流程，产品会开始朝模拟用户收敛。不是因为谁想作弊。是因为模拟用户太便宜了。
真人调研一轮要两周，要花钱，要约时间，还经常约不到人。模拟用户跑一轮几个小时。两个方案摆在面前，一个有 91.5% 一致率背书，一个要等两周。选哪个不用想。
我自己做过一个给 AI agent 打分的训练场，里面的「客户」也是虚拟的。它们会提需求，会挑刺，会验收。所以这个便宜我很清楚有多诱人。
但模拟用户有个特点。它不会退款。它不会截图发小红书骂你。它不会在半夜十一点打客服电话，讲一个跟你产品逻辑完全无关的问题。而你就是从那通电话里才发现，你的产品逻辑一开始就假设错了。
真实用户教你的东西，很大一部分来自他们的不讲道理。而这套系统被设计出来要做的第一件事，就是过滤不讲道理。那张依赖关系图的工作，就是把不自洽的组合扔掉。
真人经常不自洽。
论文发出来六天，GitHub 上已经有人在 fork。我猜半年之内会有一批公司拿它当卖点，卖「AI 用户研究」。也会有一批产品经理，拿它跑出来的报告去评审会上做依据。
那份报告会很好看。它比真人调研整齐得多。
参考来源
- MatrAIx: Simulating the World with 8.3 Billion Persona Agents，arXiv:2608.04205，2026 年 8 月 4 日
- 英文维基百科人物词条性别构成统计，2026 年 7 月 25 日