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。但更难的问题是——AI 即使学会了你现在怎么想，换一个此前没问过的新情境，还能不能答得像你？

为检验这一点，MIT 等机构提出 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、住房增密等新情境下的回答。研究覆盖 54 名参与者、1742 个评测项，测了 GPT、Claude、Gemini、DeepSeek、Llama、Qwen 等模型，论文入选 EMNLP 2026 Main。

研究发现很克制：个人访谈确实能让模型更准地模拟“某一个具体的人”；但聊得更久，AI 更懂你“现在怎么想”，却未必更懂“条件变了你会怎么答”。数字分身真正的坎，不是画像够不够细，而是能不能外推到没问过的情境。

从「像人」到「像这个人」

过去用 LLM 模拟人类，是先扮消费者、选民、实验受试者；再往前一步，是用长时间访谈+问卷+资料，给某个真实存在的人建「数字分身」。

直觉很顺：一个人告诉 AI 越多，AI 越了解他，越能代他回答。

但“描述一个人”和“预测一个人”不是一回事。

比如一个人说：支持全民医疗，但担心成本、效率、个人选择。模型不难判断他当下立场。可如果新方案每年帮家庭省 3000 美元，或私人保险仍能保留，他还会选一样吗？这时模型要做的不是背“他支持全民医疗”，而是从过去表达里判断：他到底最看重什么，条件一变怎么重新权衡。

HugAgent 问的就是这个：有了足够丰富的 persona，能不能预测他在采访之外怎么答？

不是只记答案，而是把「为什么」问出来

HugAgent 不用网红资料、不用网络文本，而是重招真实参与者，挑三个有真实价值冲突的话题：全民医疗、公共监控、住房增密。120 多人报名，筛完留 54 人。

第一步，问卷记“现在的你”：人口统计、1–10 分立场、各理由权重。同样反对增密，有人怕社区风貌和房价，有人怕交通和租金——答案一样，理由权重不一样，人才不一样。

第二步，改条件记“如果……会怎样”：租金降 10%–15%？医保每年省 3000 美元？监控录像只存 48 小时？参与者重新打分、重新排理由权重。前后差就是 belief update（信念更新），而且答案来自本人。

第三步，think-aloud 访谈：用开源机器人 TraceYourThinking 半结构化聊天，打字或语音都行。系统边听边建“因果信念图”——他提了哪些因素、把立场往哪推、推多强，再自动追还没说清、自相矛盾、或他自己都不确定的地方。“我拿不准”也是信息：可能立场不牢，也可能两种价值在扯。

模型考试时，只看到背景+访谈，看不到目标情境下本人真答。

两类题：Belief State Inference（356 题）猜他没说出口的当下信念；Belief Dynamics Update（1386 题）给新假设，猜他新立场和理由权重。14 天后请部分参与者重答，自我一致性 84.84% / 85.66%，作为人类经验上限。

读懂「现在的你」容易，条件一变就露怯

Belief State Inference：最好方法 77.56%，GPT-4o 74.66%，离人类 84.84% 不远。
Belief Dynamics Update：Claude Sonnet 4.5 68.61%，LLaMA 3.3 70B 67.57%，GPT-4o 63.11%；人类上限 85.66%。

差距不在“像不像是他”，而在“他变没变、往哪变”。

访谈当然有用：GPT-4o 无个人访谈时更新任务 39.83%，加完整访谈 63.11%；Qwen2.5-32B 从 32.12% 到 58.96%。换成别人的访谈，GPT-4o 掉回 39.30%——说明模型吃的不是“长文本”，是“这个人自己说过的个体信息”。

但“多聊点”不自动等于“更会预测”。

Qwen2.5-32B：访谈变长，信念推断从 68.84% 升到 77.17%；信念更新却从 61.79% 降到 60.73%，完整访谈 58.96%。从“没这个人”到“有这个人”是质变；再从“有他”到“把他材料堆满”，更新预测不涨甚至微跌。

再拆一层：GPT-4o 在医疗域，一旦判断“他会变”，方向准确率 88.89%；但判断“他到底会不会变”，只有 49.36%。模型知道新信息往哪推，难的是——什么事才够分量让这个人改主意。访谈容易暴露“在意什么”，很难暴露“改变阈值在哪”。

数字分身真正的考验

HugAgent 留下的不是一张排行榜，而是一个被跳过的问题：

模型把你过去复现得很像，不等于它能代表你未来的回答。

总结观点，详细 persona 就够了；但合成受访者测未发布政策、AI 消费者判新品反应、个性化 Agent 替你处理从没遇过的新选择——这些都要求：从已观察信息外推到没问过的情境。

正是在这儿，数字分身才开始被拷问。

HugAgent 的结论很实在：
• 个人访谈有价值；

• 但更多访谈 ≠ 更准的未见情境预测；

• 复现观点是档案，外推权衡才是分身；

• 它测的是假设情境下的自我报告，不是真实世界长期行为；模型离 100% 的缺口里，也有人的回答波动和“这题本无唯一解”。

所以最后的问题比分数更底：

凭什么相信一个 AI 真的“代表”某个人？
是它会复述你观点？
是会答几道没见过的问卷？
还是环境一变、选项从没出现过，它仍做出和你相似的权衡——到那时，才配叫可靠的数字分身。

大模型越来越会存你的偏好、语气、经历。但从“关于我的详细档案”，走到“能在陌生情境里代表我”的模型，中间不是再加几轮访谈就能填上的。

采访一个人，已经够让 AI 越来越像他。
但「像他」，和「能够代表他」，仍然是两件不同的事。