シミュレーションが新たなスケーリング則になる——Simile AI創業者Joon Sung Parkが語る「人間行動の基盤モデル」への挑戦

2023年に発表された「Generative Agents（通称Smallville）」論文で、AIキャラクターが記憶し、計画し、社交し、創発的な行動を生み出すことを示したJoon Sung Park氏。その研究は今、Simile AIという企業として具現化し、Fortune 100企業向けに数千万回のシミュレーションを実行するまでに成長した。同社は最近、GreenOaksとIndex Venturesが主導するシリーズBで20億ドルの評価額を獲得し、Fei-Fei Li氏やAndrej Karpathy氏も出資者として名を連ねる。CVSなどの顧客に対し、人間のフォーカスグループと比較して85〜99%の精度で行動を再現するデジタルツインを提供している。本エピソードでは、Park氏が「人間行動の基盤モデル」という野心的なビジョンと、その実装における具体的な方法論、そして最終的には地球上の80億人すべてをシミュレートするという壮大な目標について語った。

Park氏は韓国で生まれ、11歳でボストンに移住。もともとは画家を志す芸術家だったが、「偉大な芸術家はしばしば自分自身のメディアを創造する」という考えに惹かれ、計算機科学の道へ進んだ。スタンフォード大学で博士号を取得する過程で、Percy Liang氏らとともに「ファウンデーションモデル」という用語を生み出した論文に参加。そこから「タイムマシンゲーム」と呼ばれる思考実験を通じて、「私たちが住む世界をそのまま再現する」というシミュレーションのビジョンにたどり着いた。本稿では、その知的冒険の全容を詳しく解説する。

0:13芸術家からAI研究者へ——Smallville論文の誕生と「世界を創る」というビジョン

Park氏のキャリアは、典型的なAI研究者の道とは異なる。韓国で生まれ、11歳で家族とともにボストンへ移住。両親は医師で、父は外科医としてボストン小児病院で研究に従事していた。彼自身は「テックからは遠い」環境で育ち、高校で絵画に没頭。油絵の人物画を専門とするリアリズムスタジオで訓練を受け、プロの画家として生計を立てることを本気で考えていたという。しかし、「偉大な芸術家はしばしば自分自身のメディアを創造する」という考えに触れ、当時利用可能な最良のメディアは計算機科学にあると判断。ペンシルベニア大学での学部時代にテックの世界へ足を踏み入れ、最終的にスタンフォード大学で博士号を取得することになった。

2020年に博士課程を開始した頃、GPT-3が登場しようとしていた。GPT-2はすでに存在し、新しいクラスのモデルが市場に出ようとしていることを感じ取れたという。スタンフォードの研究者グループは「このモデルは本当に何かに役立つのか」という問いを立てた。これらのモデルは特定のタスクに訓練されていないにもかかわらず、何でもできるという前提を持っている。Percy Liang氏が率いるグループは「ファウンデーションモデル」という用語を生み出した論文を執筆し、その過程でPark氏は「この技術が可能にするキラーアプリケーションは何か」という問いを深く考えるようになった。

多くの同僚は単純な分類や生成にモデルを使っていたが、Park氏は「これらのモデルはウェブ上の広範なデータで訓練されている。つまり、ソーシャルメディアやWikipediaなど、人間の行動データそのものだ」と指摘。適切な角度で突けば、これまで見たことのないほどリアルな人間行動が浮かび上がってくるはずだと考えた。そこでMichael Bernstein氏、Percy Liang氏（後にSimileの共同創業者となる）とともに「タイムマシンゲーム」を始めた。10年後に振り返って「最も重要だった」と言えるアプリケーションは何かという思考実験だ。候補として「パーソナライズされたエージェント」も挙がったが、彼らが選んだのは「私たちが住む世界をそのまま再現する」ことだった。

5:03パーソナルエージェントの限界と「ソーシャルフィジックス」の必要性

Park氏は、パーソナルアシスタントの実現には「ユーザーの深いモデル」が不可欠だと主張する。彼が挙げた例は単純明快だ。「夜食を買ってきて」とモデルに頼んだとき、パイナップル入りのハワイアンピザを注文されたら完全に失敗だ。この間違いを防ぐには、ユーザーが誰であるかを深く理解している必要がある。家族や親友が私たちのことをよく理解しているように、AIエージェントも同じレベルの理解を持つべきだというのが彼の主張だ。「シミュレーション技術、つまり人々の正確な表現を作り出すことは、世界を自動化するより複雑なエージェントに先行すべきだ」と彼は語る。

現在のパーソナルエージェント（OpenClawなど）に対する評価は厳しい。「彼らが活用しているのは基本的にマークダウンファイルだ。これはGenerative Agents論文と同じ直感だが、限界がある」と指摘する。2022年にGenerative Agentsのメモリアーキテクチャを設計していたとき、知識グラフや専用モデルの訓練など様々な選択肢を検討したが、最終的に「言語モデルはテキストのモデリングと推論が得意だから、すべてをマークダウンファイルかテキストファイルに入れればいい」という結論に達した。このアプローチには強みがあるが、極めて大きなデータを検索・解釈するには多くの作業が必要になる。

「プロンプトだけでモデルを形作れないこともある。モデルのパラメータ自体に触れる必要がある」とPark氏は強調する。彼の直感によれば、モデルが動作する世界の「物理法則」を学ぶ必要がある場合、つまり新しい「ソーシャルフィジックス（社会物理学）」を学ぶ必要がある場合は訓練やポスト訓練が必要だ。一方、すでに物理法則を信頼でき、基本統計が埋め込まれている場合は、プロンプトだけで行動を引き出せる。しかし「公開されているモデルは、人類のソーシャルフィジックスの完全なマッピングをまだ学習していない」と彼は言う。その理由は、モデルが訓練されたデータが「自己開示的な態度データ」であり、実際の行動データが散在しているだけだからだ。「人々がオンラインで言うことではなく、実際に何をするか」という「人類のダークナレッジ」が欠けている。

9:53行動基盤モデルの構築——インタビュー、観察データ、RCTの三本柱

Simileのアプローチは、データを3つのバケットに分類することから始まる。第一はインタビューデータだ。「あなたの人生の物語を話してください」という質問から得られる質的で豊かな情報は、行動データではないが、その人のモデルに「テクスチャ」を与える。子供時代の記憶、トラウマ、初恋といった情報は、予測が難しい形でモデルに深みをもたらす。第二は観察データで、取引データやウェブスクレイピングから得られる行動の基本統計だ。そして第三が、Park氏が最も重要だと考える「因果メカニズム」を記述するデータ。つまり人々が意思決定を行う「理由」だ。

この因果メカニズムを捉える最良の方法がランダム化比較試験（RCT）だ。「同じ設定で、いくつかの変数を変えて、現実的な人間行動が得られるかどうか」を試す。例えば、コーヒーを飲んだ日と飲まなかった日で行動が変わるかどうか。この種のデータが重要な理由は、シミュレーションへの関心が「未来を予測すること」ではなく「未来を形作る方法」にあるからだ。「売上が2四半期後に落ち込む」と予測されても、意思決定者は「それは残念だ」と言うだけだ。彼らが知りたいのは「その未来を避けるために今何をすべきか」だ。しかし、世界は一度しか起こらないため、因果メカニズムのデータは極めて入手が難しい。

Simileは実際に多くのRCTを実施している。参加者には同意プロセスを重視し、実験室または仮想実験室で「実際の行動決定」を課す。態度と行動を分けるのは「決定にリアルな利害が伴うかどうか」だ。社会科学や心理学の手法に触発され、オンラインストアで購入した商品を実際に配送するなどの工夫をしている。また、顧客企業からユーザーの行動データの提供を受けることもある。現在は毎週数万人規模のデータを収集し、パネルパートナーシップを通じてグローバルで数千万人に達しているという。

16:59デジタルツインの評価——85%精度の検証とポスト訓練の効果

Simileの製品は、顧客が関心を持つ人口集団をモデル化することから始まる。CPG企業が全米の一般人口をモデル化したい場合もあれば、カリフォルニア在住の20〜30代という特定の集団を対象にしたい場合もある。Simileは同意とインセンティブを得て参加者をリクルートし、データを収集してモデルを作成する。製品は「人口の記述」と「環境」（サーベイ質問、行動実験、A/Bテストなど）を入力として受け取り、シミュレーション結果を返す。主なユースケースはコンセプトテスト（異なるメッセージや製品アイデアのテスト）だが、公開企業の決算説明会のモデル化といった興味深い用途もある。

評価方法について、Park氏は「Generative Agents Simulation of 1,000 People」という論文を紹介した。この研究では、米国から代表サンプリングされた1,000人を仮想アプリに招待し、2時間かけて広範なデータを収集した。インタビューデータはAmerican Voices Projectのスクリプトを使用し、行動データも併せて収集。その後2週間後に参加者を呼び戻し、ビッグファイブ性格検査、General Social Survey、PNASに掲載されたRCTなど、一連の調査と実験を完了させた。デジタルツインは元の個人がこれらの研究でどう行動するかを予測し、その結果「人々が自分自身を再現する精度の85%」で行動と態度を再現できた。

この結果は、フロンティアモデルとの比較で特に顕著だ。ChatGPTやClaudeなどの生成AIモデルは「超合理的で客観的な機械」を目指して訓練されている。しかしSimileが目指すのは「私と同じくらい愚かなモデル」だとPark氏は言う。「私が間違いを犯すなら、モデルも同じ間違いを犯さなければならない」。フロンティアモデルの人間行動予測性能は、ニッチな人口集団では20〜30%にまで低下し、一般的な人口でも50〜60%程度だ。「そのような結果に基づいて意思決定をしたいとは思わないだろう」と彼は語る。

さらに、Open Science Foundationというプラットフォームから取得した数万件のRCTデータを用いたポスト訓練の研究も紹介された。社会科学における再現性の危機への対応として、研究者が事前登録した研究データを活用することで、モデルの人間行動予測能力を大幅に改善できることを示した。Simileでは常に「人口レベルモデル」と「個人レベルモデル」の2つを訓練しており、個人レベルの方が難しいタスクだと認識している。

40:04スケーリング則と80億人シミュレーションの野望

Simileでは「シミュレーションにおけるスケーリング則の初期兆候」を観測しているという。「人間に関するデータと計算量を増やすほど、人々のシミュレーションと予測におけるモデル性能が予測可能な形で向上する」。これは「スケーリング則を見つけたら、それは美しいものだ」とPark氏は表現する。しかし、シミュレーションの野心は単なるモデル構築にとどまらない。モデルを作り、そのモデルをより大きなエコシステムの中の個人として機能するエージェントにし、最終的には「地球上の80億人が住む世界のシミュレーション」を作りたいと考えている。

その先にあるのは、社会の創発的行動に関する問いだ。「気候変動を解決できるか」「民主主義の崩壊のシグナルを理解できるか」「通貨システムの起源を解明できるか」。これらは「邪悪な問題」と呼ばれる、競合するインセンティブを持つ多くのアクターが複雑な決定を下す問題だ。シミュレーションが社会のシミュレーションを作り出せれば、これらの問題に答えられるはずだと彼は主張する。「経済学のノーベル賞が待っているかもしれない」と語るほど、彼はこの分野の可能性に確信を持っている。

Park氏が影響を受けた学者として挙げたのがThomas Schelling（トーマス・シェリング）だ。1970〜80年代にエージェントベースモデリングの先駆者として知られ、人種的隔離のモデルを作り上げた。赤い点と青い点が単純なルール（隣人の一定割合が異なる色ならランダムに移動する）に従うだけで、社会全体が完全に隔離されることを示した。これは「人々の同色の隣人を好む傾向がごくわずかでも、時間とともに社会が完全に隔離される」という直感に反する発見で、混合所得住宅などの住宅政策に影響を与えた。Schellingはこの業績でノーベル賞を受賞している。Park氏は「赤い点と青い点は人間の豊かな記述ではない」としつつも、生成AIの登場により「高忠実度のエージェントベースモデル」を作る機会が訪れたと語る。

46:13コスト経済学と市場——データセンター規模のシミュレーションへ

シミュレーションのコストについて、Park氏は「現実の研究を実行する方がはるかに高価だ」と指摘する。参加者の募集、実施、分析には多大なコストがかかり、時には実行自体が不可能な場合もある。一方、シミュレーションは一度モデルを作れば再利用可能だ。「ある研究のために一人を収集したら、その人をその後のすべての研究に再利用できる」。リスク許容度など、時間が経っても変わらない特性を学習することが重要だという。

現在の運用規模は「数千人から数十万人」だが、10年後には「ファウンデーションモデルの訓練と同じくらいのコストがかかるシミュレーション」が登場すると予測する。「気候変動を解決できる社会レベルのシミュレーションを作れるなら、今日すぐにでも資金を集めて実行したい」と彼は熱く語る。市場規模については、市場調査が1,000億ドル規模の産業であることを認めつつも、「シミュレーションは市場調査のツールではない。人間の意思決定のツールだ」と強調する。「人間について、人間のために行われるすべての決定に情報を提供する」ことが目標なら、TAM（獲得可能な市場規模）は「本当に不明確」だという。

マルチエージェントシミュレーションのコストについての懸念には、「エージェント同士が話すかどうかはシミュレーションの種類による」と答える。Smallvilleのようなマルチエージェント設定ではエージェント同士が会話するが、Eコマースなどでは単独で行動するため会話は不要だ。また、推論効率についても「すでに世界最大のエンタープライズ企業に展開されており、大量のクエリを処理している」としつつも、「過度に最適化しすぎないようにしている」とバランスを取る姿勢を見せる。

52:05実世界のユースケースと「絵画としてのシミュレーション」

Simileの顧客にはCVS、Gallup、Deloitte、Wealthfrontなどが名を連ねる。Wealthfrontは「人々がどう思うかを尋ねるだけでなく、行動実験を超えた製品テスト」を求めた最初の顧客の一つだ。Simileのエージェントは画像やFigmaモックアップ、ウェブサイトを実際に操作して行動をシミュレートできる。Park氏は「人間のパネルを使ってきた場所を、エージェントと合成人口で置き換える」という需要が大きいと語る。「人々の声が、彼らのための決定が行われる部屋に常に存在することを保証する」ことがこの技術の本質だ。

しかし、Simileの野心は市場調査を超えている。「シミュレーションは人間の意思決定のツールだ」とPark氏は繰り返す。彼は現在のシミュレーション業界を「GPT-3.5やGPT-4がAGIの物語にあった場所」に例える。「現在の技術は、取り組んでいる垂直分野で本当の影響を与えるのに十分な力を持っている。同時に、まだ多くの進歩が待っている」。彼は10年後のビジョンとして、UBI（ユニバーサルベーシックインカム）のような社会的重要問題をシミュレーションで研究することを挙げる。Sam Altmanがアフリカで実施したUBI研究（1,400万ドルを投じ、結果は「ノー」だった）を例に、「5年と4,000万ドルをかけて一つの発見を得るよりも、シミュレーションなら何度も即座に実行できる」と指摘する。

エピソードの終盤、Park氏は自身の芸術家としての背景とシミュレーションの類似性を語った。「シミュレーションは絵画に似ている。最高の絵画は、表現しようとする対象について深い何かを教えてくれる。完璧な表現ではないが、対象について最も重要なことを強調しようとする」。彼は「世界はフラクタル構造をしている」とし、「外側に向かって探索するか、内側に向かって理解するか」という選択肢を提示。「平凡な人間の生活の側面を理解することは、個人と社会について深い何かを教えてくれる」と語る。AGIが人間の知性についての理解を深めたように、シミュレーションは人間社会と集団生活についての理解を深める営みだというのが彼の哲学だ。

1:04:23私たちはすでにシミュレーションの中にいるのか——そしてSimileの未来

「私たちはシミュレーションの中にいる確率は？」という質問に対し、Park氏は「私たちがシミュレーションの中にいるかどうかは、私たちの経験を少しも現実ではなくしない」と答える。「たぶん私たちはシミュレーションの中にいる。たぶん違う。でも私にとっては、それはあまり重要ではない」。ホストの一人は数学的な観点から「シミュレーションの中にいる可能性の数は、そうでない可能性の数をはるかに上回る。ただし、文明として存在することが計算上非常に高価だという最も単純な答えを除けば」と付け加えた。

Simileは現在、サンフランシスコのミッションロックに本社を置き、ニューヨークにもオフィスを開設した。4人の共同創業者（Park氏、Michael Bernstein氏、Percy Liang氏、Lainey Yellen氏）のうち、3人は研究者だ。Bernstein氏はImageNetの共著者で人間中心AIに貢献、Liang氏は「ファウンデーションモデル」という用語を生み出した。Yellen氏はAIネイティブ企業の成長をリードしてきたビジネス担当だ。約60人のチームのうち15〜20%はPark氏の研究室の同僚で、多くがOpenAIやGoogle Geminiなどに移った後、再び集結している。「私たちは、誰も取り組んでいない、最も影響力のあるかもしれないことをやろうとしている研究者グループだ」とPark氏は語る。

最後に、Park氏はSF的なビジョンで締めくくった。「SFに出てくる高度な文明には、常に2つの双生児の柱技術がある。一つは何らかの形のAGI、もう一つはシミュレーションだ」。この2つが揃って初めて、文明は自己理解と自己改善のサイクルに入ることができる。Simileはその第一歩を、市場調査という現実的な入口から始めている。しかし、その先にあるのは「人間について、人間のために行われるすべての決定」を変えるという壮大な野心だ。エピソードの最後に、ホストは「シミュレーションの中で会いましょう」と締めくくり、Park氏は「そこでお会いしましょう」と応じた。

結びに

このエピソードが重要なのは、シミュレーションが単なる「LLMの積み重ね」ではなく、人間行動の深い理解に基づく新たな技術パラダイムであることを示した点だ。Park氏の主張は明確だ——フロンティアモデルは「超合理的な機械」を目指すが、人間のシミュレーションには「人間と同じ愚かさ」を再現する能力が必要であり、それにはウェブデータだけでは不十分で、インタビュー、観察データ、RCTという異なる種類のデータと、モデルのポスト訓練が必要だという。85%という精度は、単なるマーケティング上の数字ではなく、厳密な評価方法に基づく検証結果だ。また、シミュレーションを「予測」ではなく「未来を形作る」ためのツールと位置づけ、SchellingのエージェントベースモデリングからFoundationシリーズの心理歴史学まで、知的系譜を明確に辿ったことも印象的だ。シミュレーションが「絵画」に似ているという彼の比喩は、この技術が単なる工学的課題ではなく、人間理解という芸術的営みでもあることを示唆している。80億人のシミュレーションという壮大なビジョンは非現実的に聞こえるかもしれないが、GPT-3.5が登場したときの感覚を思い出させる——「これは何かが変わるかもしれない」という予感が、このエピソードには満ちている。