Persona不是人：AI身份为何是状态？
“假设你是一位35岁的上班族，喜欢科技，对医疗机构缺乏信任。”给大模型写下这些标签，再复制成几千个“虚拟人”，就能模拟真实群体的问卷回答吗？《Personas Are Not People》认为，这个常见做法漏掉了关键变量：情境。

合成人口常用于问卷预测试、模拟用户与社区、评估AI系统。每个虚拟人由一份固定 persona 定义，包括人口特征、态度和性格。问题是，同一个人并不会在所有场景里按一张“属性卡”行动。在办公室、家里、社区中，我们的角色、规范和关注点会变化；行为差异有相当一部分来自同一个人在不同情境中的变化。

论文提出把行为拆成三个部分：相对稳定的个人特征、情境激活的身份状态，以及具体情境本身。前者可以写进静态档案；后两者需要跟随场景变化。例如，一个人对机构的信任，不等于他对邻居的态度。若只给模型贴上“不信任”的固定标签，模拟结果可能抹平沟通渠道与角色切换带来的差别。

作者在两项明确假设下给出理论结论：仅靠固定 persona，无论档案写得多细、底层模型多大，都无法恢复真实群体里“这个人在这个情境下”的特异反应。这个结论有前提，也不是说所有 persona 模拟都毫无价值；它指出的是一种特定的行为保真度上限。

据摘要，作者提出“人置于情境中”的设计和相应评估标准，并在 Reddit 人格语料及一项临床试验招募调查上测试。设计确实产生了随情境变化的行为，但两项测试都未完全匹配真实群体。这一点很重要：加入身份状态有帮助，也尚未解决模拟真人的问题。

实际启发是，评估虚拟用户时别只问“像不像某类人”，还应问：同一人在场景改变后，反应是否以真实人群的方式改变？若用合成人口决定问卷、产品或公共信息的措辞，尤其需要比较这种跨情境变化，避免把复杂群体压成一组固定标签。

论文：Personas Are Not People: Identity as State, Not Attribute（arXiv:2611.05292）
人工智能 AI智能体 用户研究 论文解读