EMNLP'26 Oral | 麻省理工：靠访谈让AI模拟真人，这条路能走多远？

新智元报道 只要和一个人聊得足够久，大模型就能成为他的「数字分身」吗？ 从虚拟用户、合成受访者，到个性化AI Agent，一条越来越流行的技术路线是：先通过访谈、问卷和个人资料了解一个真实的人，再让大模型扮演这个人，预测他在没见过的问题上会如何回答。 但这里有一个更难的问题： AI 即使已经学会了你现在怎么想，换一个此前没问过的新情境，它还能不能继续答得像你？ 为检验这一点，麻省理工等机构研究者提出HugAgent，让大模型基于真实参与者的访谈，预测他们在全民医疗、公共监控和住房增密等新情境下的回答。研究覆盖54名参与者、1,742个评测项，并测试了GPT、Claude、Gemini、DeepSeek、Llama、Qwen等模型。相关论文入选 EMNLP 2026 Main Oral 。 论文链接： https://arxiv.org/abs/2510.15144 代码链接： https://github.com/jajamoa/HugAgent 项目主页： https://jajamoa.github.io/HugAgent/ 研究发现，个人访谈确实能够帮助模型更准确地模拟一个具体的人。但一个更值得注意的现象是： 和一个人聊得更久， AI 会更清楚他现在怎么想，却不一定更知道条件变化后他会怎么回答。 这也让「数字分身」面临一个更基础的问题： AI 到底是在建立一个关于你的模型，还是只是在建立一份越来越详细的个人画像？ 从「像一个普通人」到「像这个具体的人」。HugAgent进一步追问：条件发生变化后， AI 还能继续代表这个人吗？ 为什么需要HugAgent 从「像人」到「像这个人」 过去几年，用大模型模拟人类已经逐渐成为一条真正的研究路线。研究者让LLM扮演消费者、选民和实验参与者，更进一步，也开始尝试模拟真实存在的某一个人：通过长时间访谈、问卷和个人资料建立「数字分身」，再让AI在之后的新问题中继续代表本人。 这条路线听起来很自然。一个人告诉AI的信息越多，AI就越了解他，似乎也就应该越能预测他的回答。 但这里有一个关键的跳跃： 描述一个人，与预测一个人，并不是同一件事。 假设一个人在访谈中表示，自己支持全民医疗，但同时担心成本、效率和个人选择。模型也许已经能够准确判断他现在的立场。 可如果条件变了呢？ 如果新的方案每年能为他的家庭节省3000美元，或者私人保险仍然可以保留，他还会做出同样的选择吗？ 这时，模型要做的已经不只是记住「他支持全民医疗」，而是从过去的表达中判断他真正看重什么，以及不同条件发生变化后，他会如何重新权衡。 这正是HugAgent想检验的问题： 如果我们通过采访建立了足够丰富的 persona，它能不能预测这个人在采访之外会怎么回答？ 这是从「像人」走向「像这个人」之后，一个绕不开的问题。 HugAgent不仅记录答案 还要把「为什么」问出来 要检验AI能不能模拟「某一个人」，首先得知道这个人自己到底怎么想。 HugAgent因此没有从公开人物资料或网络文本出发，而是重新招募真实参与者。团队选择了三个在美国存在明显分歧、同时又涉及真实价值取舍的话题：全民医疗、公共监控，以及住房增密，也就是放宽部分分区限制，允许建设更高、更密的住宅。从120多位招募者中经过质量筛选，最终保留了54名参与者。 第一步：问卷，记下「现在的你」。 参与者首先填写人口统计信息，再对不同议题给出1到10分的支持度。与此同时，他们还需要评价一系列理由对自己立场的影响有多大。 比如，同样反对住房增密，一个人可能最担心社区风貌和房产价值，另一个人则可能主要在意交通、租金或住房供给。最终的「支持还是反对」只是一个答案，真正区分不同人的，往往是答案背后的理由以及这些理由各自有多重要。 这些信息共同构成了一个人当下的 belief state（信念状态），也就是他现在持有什么立场，以及支撑这些立场的理由。 第二步：改变条件，记录「如果……会怎样」。 接下来，问卷开始改变其中一个条件。 如果住房增密以后，当地租金下降10%到15%？如果全民医疗每年能为一个家庭节省3000美元？如果公共监控的录像只保存48小时？ 参与者需要在每个新的假设情境下重新给出自己的立场，并再次评价相关理由的重要程度。 这样，研究团队不仅知道一个人「现在怎么想」，也记录下了当某个条件发生变化以后，他自己会如何重新回答。前后两种状态之间的变化，就构成了HugAgent想要预测的 belief update（信念更新）。 更重要的是，这些答案来自参与者本人。之后模型参加考试时，并不会直接看到目标情境下的正确答案。 图注: TraceYourThinking的访谈过程。系统从开放式问题出发，根据参与者的回答动态构建因果信念图，并自动生成下一轮追问，逐步了解一个人的观点、理由和不同因素之间的关系。 第三步：think-aloud访谈，把「为什么」慢慢问出来。 只记录问卷答案还不够。 参与者随后通过团队开源的聊天机器人 TraceYourThinking 接受半结构化的think-aloud（口述思考）访谈，可以打字，也可以直接用语音，一边思考一边把自己的判断理由说出来。 这并不是一套从头到尾固定不变的问题清单。 机器人会根据参与者前面说过的话，动态整理这个人的「因果信念图」：他提到了哪些因素，这些因素会让立场往什么方向变化，影响有多强。基于这些信息，系统再自动生成下一轮 follow-up question，继续追问还没有说清楚、存在矛盾，或者值得进一步展开的地方。 比如，一个人说自己担心某项政策带来的成本，机器人可以继续问：如果成本下降，这会在多大程度上改变你的态度？如果他说「这个我也不太确定」，系统也会把这种不确定性继续追问下去。 「我拿不准」本身也是信息。 它可能意味着这个人的立场并不牢固，也可能意味着两种价值正在相互拉扯。相比一个简单的1到10分，think-aloud访谈留下的是更丰富的线索：这个人在意什么，为什么在意，哪些判断很确定，哪些地方还在犹豫。 最终，模型拿到的是关于这个人的背景信息和这段访谈，而不是目标情境下本人真正给出的答案。 图注: HugAgent的两类评测任务。Belief State Inference根据访谈推断一个人当前的信念；Belief Dynamics Update则加入新的假设情境，预测同一个人的立场和理由会如何变化。 HugAgent再把这些材料变成两类考试。 第一类是 Belief State Inference ，共356题，测试模型能不能从访谈中推断这个人当前没有直接说出的信念。 第二类是 Belief Dynamics Update ，共1386题，测试在给出一个新的假设情境后，模型能不能预测这个人的新立场和理由权重。 整个benchmark一共包含1742个评测项。 为了给任务设定一个经验上限，团队在14天后邀请部分参与者重新回答同样的问题。参与者与两周前自己的回答一致性，在两类任务上分别为84.84%和85.66%，这被用作后续模型比较的 ceiling（经验上限）。 到这里，一个原本很抽象的问题终于变得可以直接测量： 如果和一个人聊得越来越多，他的「数字分身」会不会也越来越会预