---
title: "Perilaku manusia dan masyarakat · Simulasi · Hipotesis Simulasi"
url: https://simulation-hypothesis.com/id/simulations/human-society
description: "Keputusan, kerumunan, opini, pasar, masyarakat masa lalu, dan seluruh populasi. Bagian dari taksonomi simulasi yang benar-benar dijalankan orang."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipotesis Simulasi (simulation-hypothesis.com)"
---

[Simulasi](https://simulation-hypothesis.com/id/simulations)bidang 8 dari 18

# Perilaku manusia dan masyarakat

Keputusan, kerumunan, opini, pasar, masyarakat masa lalu, dan seluruh populasi.

Di sini manusia dimodelkan sebagai pengambil keputusan, kerumunan, pasar, dan populasi. Modelnya sengaja dibuat sederhana. Sering kali intinya adalah menunjukkan betapa sedikit niat individu yang dibutuhkan untuk menghasilkan pola sosial yang besar. Antropolog dan arkeolog memakai alat yang sama untuk membangun kembali masyarakat yang sudah tiada. Itu menjadikannya analogi nyata yang paling dekat dengan simulasi leluhur dalam hipotesis ini.

## Pikiran dan keputusan

### Arsitektur kognitif

Model komputasi untuk memori, perhatian, dan penalaran manusia, dijalankan pada tugas yang sama dengan yang diberikan kepada orang di laboratorium.

Pertanyaan yang dijawabnya: Apakah model membuat kesalahan yang sama, dengan kecepatan yang sama, seperti manusia?

Mengabaikan: Menyesuaikan waktu reaksi manusia tidak membuktikan bahwa model memakai mekanisme otak yang sebenarnya.

Berjalan di: sekitar 10^12 FLOPS kasar workstation desktop yang menjalankan sebuah arsitektur pada tugas laboratorium Sejak: 1983 Pengembangan Newell atas arsitektur kognitif terpadu, Soar

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)dasar: Aturan

### Model pengambilan keputusan

Bukti menumpuk secara acak sampai melewati ambang, dipakai untuk menjelaskan pilihan dan waktu reaksi.

Pertanyaan yang dijawabnya: Mengapa orang menukar kecepatan dengan akurasi seperti yang mereka lakukan?

Mengabaikan: Mengasumsikan bukti menumpuk dengan laju berderau yang konstan, gambaran saraf yang disederhanakan.

Berjalan di: sekitar 10^9 FLOPS kasar laptop yang menyesuaikan model drift-diffusion pada data pilihan Sejak: 1978 Model hanyutan-difusi pengambilan keputusan Ratcliff

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Model pembelajaran

Agen yang belajar dari imbalan dan kesalahan, disesuaikan dengan perilaku orang dan hewan dalam eksperimen pembelajaran.

Pertanyaan yang dijawabnya: Aturan belajar apa yang paling baik menjelaskan bagaimana orang menyesuaikan diri dengan peluang yang berubah?

Mengabaikan: Menangkap perilaku rata-rata dengan baik tetapi sering melewatkan perbedaan individu dalam belajar.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menyesuaikan model pembelajaran imbalan Sejak: 1972 Model pembelajaran asosiatif Rescorla dan Wagner

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Kognisi sosial dan model teori pikiran

Gambaran agen tentang apa yang diyakini, diinginkan, atau diketahui agen lain, bersarang di dalam dirinya, dipakai untuk menjelaskan bagaimana orang memprediksi dan memanipulasi perilaku satu sama lain.

Pertanyaan yang dijawabnya: Sampai berapa tingkat orang sebenarnya menalar apa yang dipikirkan orang lain?

Mengabaikan: Sebagian besar model membatasi penumpukan keyakinan pada beberapa tingkat, padahal penalaran nyata kurang teratur.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan model penalaran keyakinan bersarang Sejak: 1978 Teori pikiran Premack dan Woodruff, yang kemudian diformalkan secara komputasional

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Aturan

### Pemodelan emosi dan afek

Penilaian tersimulasi atas suatu situasi, seperti ancaman atau kehilangan, diubah menjadi keadaan emosi yang kemudian menggeser keputusan agen berikutnya.

Pertanyaan yang dijawabnya: Bagaimana rasa takut atau marah benar-benar mengubah pilihan yang menyusul?

Mengabaikan: Aturan penilaian adalah teori pemodel tentang emosi, bukan pembacaan langsung perasaan siapa pun.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan model emosi berbasis penilaian Sejak: 1988 Model kognitif emosi Ortony, Clore, dan Collins

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Aturan

### Pemodelan pilihan di bawah risiko dan ketidakpastian

Perjudian dan keputusan dijalankan melalui model tentang bagaimana orang sebenarnya menimbang untung, rugi, dan probabilitas, bukan bagaimana agen yang murni rasional akan menimbangnya.

Pertanyaan yang dijawabnya: Mengapa pilihan orang di bawah risiko begitu konsisten menyimpang dari jawaban rasional buku teks?

Mengabaikan: Sesuai dengan bias rata-rata, tetapi pilihan satu orang mana pun bisa menyimpang dari kurva yang disesuaikan.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menyesuaikan model pilihan teori prospek Sejak: 1992 Teori prospek kumulatif Tversky dan Kahneman tentang pilihan di bawah risiko

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Aturan

### Responden survei model bahasa

Model bahasa diberi profil demografis dan diminta menjawab pertanyaan survei seperti yang akan dijawab orang itu.

Pertanyaan yang dijawabnya: Bisakah model menggantikan sampel survei untuk memprediksi respons kelompok?

Mengabaikan: Mewarisi bias dan keseragaman dari teks pelatihan model, dan lemah pada kelompok yang jarang dilihatnya.

Berjalan di: sekitar 10^14 FLOPS kasar Satu panggilan model per responden tersimulasi Sejak: 2022 Out of One, Many: using language models to simulate human samples (2022) [sumber](https://arxiv.org/abs/2209.06899)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Eksperimen perilaku model bahasa

Model bahasa diminta berperan sebagai banyak peserta berbeda untuk memutar ulang eksperimen klasik dalam psikologi dan ekonomi.

Pertanyaan yang dijawabnya: Apakah model mereproduksi hasil manusia dalam studi klasik?

Mengabaikan: Replikasi mungkin mencerminkan studi yang dihafal, dan model mungkin tidak berlaku umum untuk rancangan baru.

Berjalan di: sekitar 10^14 FLOPS kasar Banyak panggilan model per eksperimen Sejak: 2022 Using large language models to simulate multiple humans and replicate human subject studies (2022) [sumber](https://arxiv.org/abs/2208.10264)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

## Dinamika sosial

### Pemilahan hunian

Rumah tangga pindah ketika terlalu sedikit tetangga yang mirip dengan mereka, model Thomas Schelling tentang bagaimana preferensi yang ringan menghasilkan pemisahan yang tajam.

Pertanyaan yang dijawabnya: Seberapa besar preferensi individu yang dibutuhkan untuk menghasilkan kota yang terbelah?

Mengabaikan: Segregasi nyata juga melibatkan pendapatan, diskriminasi, dan sejarah yang tak bisa dijelaskan preferensi ringan saja.

Berjalan di: sekitar 10^9 FLOPS kasar laptop yang menjalankan model segregasi Schelling pada grid Sejak: 1971 Model segregasi asli Schelling yang dijalankan dengan tangan, kemudian dikomputerisasi Di pohon simulasi: [Segregasi Schelling](https://simulation-hypothesis.com/id/trees/simulations?n=soc-schelling)

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Jalankan model interaktif](https://simulation-hypothesis.com/id/simulations/run#toy-schelling)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Tubuh

### Dinamika opini

Agen saling menggeser pandangan lewat kontak dan jaringan.

Pertanyaan yang dijawabnya: Kapan sebuah kelompok mencapai konsensus, dan kapan ia terbelah menjadi kubu-kubu?

Mengabaikan: Opini nyata melibatkan emosi dan identitas yang tidak ditangkap aturan perataan sederhana.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang memperbarui opini di seluruh jaringan sosial Sejak: 1974 Model penggabungan opini iteratif DeGroot, kemudian disimulasikan pada jaringan

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Tubuh

### Kerja sama dan norma

Gim kepercayaan dan kecurangan berulang antara banyak pemain, dengan reputasi dan hukuman.

Pertanyaan yang dijawabnya: Bagaimana norma kerja sama dan keadilan menjadi stabil?

Mengabaikan: Reputasi dan hukuman nyata lebih berantakan dan lebih lambat daripada gim berulang yang bersih.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan turnamen permainan berulang Sejak: 1980 Turnamen komputer Axelrod untuk dilema tahanan berulang

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Difusi gagasan

Inovasi, kebiasaan, dan rumor menyebar melalui jaringan sosial.

Pertanyaan yang dijawabnya: Mengapa sebagian gagasan menjadi populer dan yang lain tidak pernah menyebar?

Mengabaikan: Memprediksi kurva penerimaan lebih baik daripada menjelaskan mengapa seseorang beralih.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang mensimulasikan adopsi di jaringan sosial Sejak: 1969 Model matematika Bass tentang difusi produk baru, kemudian disimulasikan

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Pembentukan jaringan sosial

Orang membuat dan memutus ikatan dengan aturan seperti teman dari teman dan kemiripan.

Pertanyaan yang dijawabnya: Mengapa jaringan besar menunjukkan panjang jalur yang pendek antara hampir semua pasangan simpul?

Mengabaikan: Pembentukan ikatan nyata melibatkan geografi dan institusi yang dilewati aturan abstrak.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menumbuhkan jaringan menurut aturan keterikatan Sejak: 1999 Model keterikatan preferensial Barabasi dan Albert untuk pertumbuhan jaringan

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Tubuh

### Evolusi bahasa

Agen menciptakan kata dan tata bahasa untuk berkomunikasi, lalu mewariskannya.

Pertanyaan yang dijawabnya: Bagaimana kosakata bersama bisa muncul tanpa ada yang memimpin?

Mengabaikan: Bahasa nyata punya tata bahasa dan sejarah yang jauh lebih kaya daripada kosakata kecil yang dievolusikan agen.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan agen yang menciptakan kosakata bersama Sejak: 1995 Simulasi awal Steels tentang agen yang menciptakan kosakata bersama

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Evolusi budaya

Keterampilan, alat, dan tradisi disalin, ditingkatkan, dan hilang lintas generasi.

Pertanyaan yang dijawabnya: Mengapa populasi yang lebih besar dan lebih terhubung mempertahankan teknologi yang lebih kompleks?

Mengabaikan: Memperlakukan budaya seperti gen yang diwariskan antarorang, dan melewatkan bagaimana gagasan ditemukan ulang.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang mensimulasikan penularan sifat antargenerasi Sejak: 1981 Model penularan budaya Cavalli-Sforza dan Feldman

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Populasi

### Masyarakat agen model bahasa

Puluhan agen perangkat lunak yang digerakkan model bahasa, masing-masing dengan memori dan rencana, hidup di kota kecil tersimulasi dan membentuk perilaku sosial.

Pertanyaan yang dijawabnya: Pola sosial apa yang muncul ketika agen merencanakan dan berbicara dalam bahasa alami?

Mengabaikan: Perilaku berasal dari pelatihan model bahasa, dan simulasinya mahal serta sulit direproduksi.

Berjalan di: sekitar 10^15 FLOPS kasar Ribuan panggilan model per hari simulasi Sejak: 2023 Generative Agents: interactive simulacra of human behavior (2023) [sumber](https://arxiv.org/abs/2304.03442)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Prototipe sistem sosial berpenghuni

Model bahasa menghasilkan komunitas anggota tersimulasi dengan unggahan dan balasan agar perancang bisa menguji platform sosial sebelum diluncurkan.

Pertanyaan yang dijawabnya: Perilaku apa yang mungkin ditarik oleh rancangan sebuah komunitas baru?

Mengabaikan: Keluarannya bervariasi dari satu simulasi ke simulasi lain, dan pelaku jahat hanya serealistis prompt-nya.

Berjalan di: sekitar 10^13 FLOPS kasar Banyak panggilan model per komunitas Sejak: 2022 Social Simulacra (2022) [sumber](https://arxiv.org/abs/2208.04024)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Aturan

### Simulasi platform sosial model bahasa

Platform dengan umpan, pengikut, dan rekomendasi dihuni hingga sejuta pengguna yang digerakkan model untuk mempelajari penyebaran informasi dan perilaku ikut-ikutan.

Pertanyaan yang dijawabnya: Bagaimana unggahan, opini, dan misinformasi menyebar di platform berisi pengguna yang digerakkan model?

Mengabaikan: Agen jauh lebih seragam daripada pengguna sungguhan, dan validasi di dunia nyata terbatas.

Berjalan di: sekitar 10^17 FLOPS kasar Inferensi model skala besar Sejak: 2024 OASIS: open agent social interaction simulations with one million agents (2024) [sumber](https://arxiv.org/abs/2411.11581)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Aturan

### Simulasi kalang umpan balik sistem rekomendasi

Pengguna tersimulasi dan sistem rekomendasi berinteraksi selama banyak putaran untuk menunjukkan bagaimana rekomendasi mengubah pilihan pengguna.

Pertanyaan yang dijawabnya: Apakah sistem rekomendasi mempersempit apa yang dikonsumsi orang dari waktu ke waktu?

Mengabaikan: Perilaku pengguna adalah model yang distilisasi, bukan preferensi yang terukur.

Berjalan di: sekitar 10^10 FLOPS kasar Ronde berulang yang murah Sejak: 2017 How algorithmic confounding in recommendation systems increases homogeneity and decreases utility (2017) [sumber](https://arxiv.org/abs/1710.11214)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Simulasi pengguna model bahasa untuk sistem rekomendasi

Agen model bahasa dengan profil selera menjelajah, menilai, dan berhenti dari barang yang disarankan untuk mewakili pengguna dalam pengujian algoritma rekomendasi.

Pertanyaan yang dijawabnya: Bagaimana pengguna akan bereaksi terhadap algoritma rekomendasi yang baru?

Mengabaikan: Selera agen hanyalah aproksimasi selera sungguhan.

Berjalan di: sekitar 10^14 FLOPS kasar Banyak panggilan model per pengguna tersimulasi Sejak: 2023 On generative agents in recommendation (2023) [sumber](https://arxiv.org/abs/2310.10108)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Penyebaran misinformasi dan rumor

Orang dalam kelompok memutuskan berbagi sebuah cerita sesuai banyaknya kenalan yang sudah membagikannya, sehingga penyebaran bergantung pada struktur jaringan.

Pertanyaan yang dijawabnya: Struktur jaringan seperti apa yang membuat cerita palsu menjadi viral?

Mengabaikan: Algoritma platform dan motif para pembagi disederhanakan.

Berjalan di: sekitar 10^7 FLOPS kasar penularan jaringan di workstation. Sejak: 2018 Törnberg, ruang gema dan misinformasi viral: memodelkan berita palsu sebagai penularan kompleks. [sumber](https://doi.org/10.1371/journal.pone.0203958)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Populasi

### Migrasi di bawah tekanan iklim

Rumah tangga memutuskan apakah akan meninggalkan suatu wilayah berdasarkan pendapatan, guncangan iklim, dan ikatan sosial, lalu arus antarwilayah dijumlahkan.

Pertanyaan yang dijawabnya: Berapa banyak orang yang berpindah jika curah hujan atau pendapatan pertanian turun?

Mengabaikan: Aturan keputusan diasumsikan dan migrasi bersifat multisebab.

Berjalan di: sekitar 10^8 FLOPS kasar simulasi agen regional di workstation. Sejak: 2011 Kniveton dan rekan, simulasi model berbasis agen tentang perubahan arus migrasi di Burkina Faso pada masa depan. [sumber](https://doi.org/10.1016/j.gloenvcha.2011.09.006)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Populasi

### Model mobilitas dan migrasi manusia

Aliran orang antartempat diprediksi dari populasi dan jarak, memakai aturan jenis gravitasi atau radiasi.

Pertanyaan yang dijawabnya: Berapa banyak orang yang bepergian di antara dua tempat?

Mengabaikan: Mengabaikan biaya transportasi, perbatasan, dan perbedaan individu.

Berjalan di: sekitar 10^6 FLOPS kasar perhitungan matriks aliran di laptop. Sejak: 2012 Simini dan rekan, model universal untuk pola mobilitas dan migrasi. [sumber](https://doi.org/10.1038/nature10856)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Populasi

### Pembuatan populasi sintetis

Satu set lengkap rumah tangga dan individu buatan disusun agar sesuai dengan total yang diketahui dari sebuah kota atau negara nyata, memberi setiap orang usia, pekerjaan, rumah, dan keluarga.

Pertanyaan yang dijawabnya: Bagaimana kita bisa mendapatkan pengganti yang realistis untuk semua orang di suatu wilayah tanpa memakai catatan asli siapa pun?

Mengabaikan: Hanya total yang diterbitkan sensus yang dicocokkan, sehingga korelasi antarciri yang tidak diukur direka.

Berjalan di: sekitar 10^9 FLOPS kasar jam di workstation untuk satu negara. Sejak: 1996 Pembuatan populasi dasar sintetis oleh Beckman, Baggerly, dan McKay. [sumber](https://doi.org/10.1016/0965-8564%2896%2900004-3)

[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Populasi

## Kerumunan

### Dinamika pejalan kaki dan kerumunan

Setiap pejalan menghindari rintangan dan orang lain lewat gaya sosial.

Pertanyaan yang dijawabnya: Di mana kerumunan tersumbat di stasiun ini, dan bagaimana mencegah desak-desakan?

Mengabaikan: Kerumunan nyata panik dan berperilaku tak terduga dengan cara yang terlewat oleh model gaya yang mulus.

Berjalan di: sekitar 10^13 FLOPS kasar klaster universitas yang mensimulasikan puluhan ribu pejalan Sejak: 1995 Model gaya sosial Helbing dan Molnar untuk pergerakan pejalan kaki

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Medan kontinum](https://simulation-hypothesis.com/id/simulations/methods#m-continuum)dasar: Tubuh

### Emosi kerumunan dan penularan perilaku

Suasana hati atau tindakan seperti panik, sorak, atau tawa yang menyebar dari orang ke orang dalam kerumunan padat, lebih cepat daripada keputusan siapa pun untuk ikut serta.

Pertanyaan yang dijawabnya: Bagaimana perasaan atau tindakan menyapu sekumpulan orang asing?

Mengabaikan: Aturan penularan biasanya ditebak dari rekaman video setelah kejadian, bukan diukur langsung.

Berjalan di: sekitar 10^11 FLOPS kasar workstation desktop yang mensimulasikan penyebaran suasana hati dalam kerumunan Sejak: 2000 model berbasis agen awal untuk penularan emosi dalam kepanikan kerumunan

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Tubuh

### Model aksi kolektif dan titik kritis

Setiap orang hanya mau ikut setelah cukup banyak orang lain yang sudah ikut, sehingga peralihan kerumunan dari diam ke bertindak bersama bergantung pada campuran ambang batas individu.

Pertanyaan yang dijawabnya: Berapa banyak orang yang bertindak lebih dulu sampai semua orang lain ikut?

Mengabaikan: Mengasumsikan ambang batas setiap orang tetap sejak awal, padahal ambang sungguhan bergeser begitu kerumunan mulai bergerak.

Berjalan di: sekitar 10^9 FLOPS kasar laptop yang menjalankan kaskade ambang pada sebuah populasi Sejak: 1978 Model ambang batas Granovetter untuk perilaku kolektif

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Estimasi kolektif dan kebijaksanaan massa

Banyak tebakan independen yang masing-masing berderau untuk satu angka, digabungkan untuk melihat seberapa lebih dekat rata-ratanya ke kebenaran daripada tebakan satu orang mana pun.

Pertanyaan yang dijawabnya: Kapan merata-ratakan banyak tebakan lebih baik daripada bertanya pada satu pakar?

Mengabaikan: Efek perataan gagal begitu tebakan individu tidak lagi saling bebas.

Berjalan di: sekitar 10^9 FLOPS kasar laptop yang menjalankan agregasi Monte Carlo atas tebakan-tebakan Sejak: 1907 Analisis Francis Galton atas tebakan sekerumunan orang tentang berat seekor sapi jantan

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Model jaringan mobilisasi protes

Orang memutuskan bergabung dalam protes berdasarkan berapa banyak ikatan sosial mereka yang sudah ikut, menyebarkan partisipasi melalui jaringan, bukan kerumunan di satu tempat.

Pertanyaan yang dijawabnya: Bagaimana gerakan protes tumbuh dari segelintir orang yang berkomitmen menjadi kehadiran massa?

Mengabaikan: Memperlakukan bergabung sebagai satu keputusan ya-atau-tidak, dan melewatkan langkah-langkah kecil komitmen yang nyata.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang mensimulasikan perekrutan di sebuah jaringan Sejak: 1997 Model jaringan partisipasi protes oleh Kim dan Bearman

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Pemodelan risiko penyakit pada kerumunan massal

Percampuran orang yang luar biasa padat dan sementara di festival, ziarah, atau pertandingan olahraga, dimodelkan untuk memperkirakan secepat apa infeksi bisa menyebar dan padam setelah kerumunan bubar.

Pertanyaan yang dijawabnya: Berapa banyak tambahan risiko penyakit yang timbul dari mengumpulkan sebanyak ini orang selama beberapa hari?

Mengabaikan: Setelah kerumunan bubar, melacak ke mana infeksi yang timbul pergi selanjutnya hampir tak terjangkau.

Berjalan di: sekitar 10^12 FLOPS kasar klaster universitas yang mensimulasikan kontak di satu pertemuan Sejak: 1987 pemodelan wabah meningitis di kalangan peziarah pada kerumunan massal

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Tubuh

## Ekonomi dan pasar

### Model makroekonomi

Seluruh ekonomi sebagai rumah tangga representatif, perusahaan, bank, dan bank sentral yang saling bereaksi.

Pertanyaan yang dijawabnya: Apa yang terjadi pada pekerjaan dan harga jika suku bunga naik?

Mengabaikan: Model rumah tangga perwakilan bisa melewatkan dinamika dari ketimpangan.

Berjalan di: sekitar 10^12 FLOPS kasar desktop atau klaster kecil yang menyelesaikan model makroekonomi struktural Sejak: 1955 Model makroekonometrik terkomputerisasi awal Klein dan Goldberger

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Populasi

### Ekonomi berbasis agen

Ribuan rumah tangga, perusahaan, dan bank individual yang membeli, menjual, meminjam, dan bangkrut.

Pertanyaan yang dijawabnya: Bagaimana krisis bermula dari perilaku biasa?

Mengabaikan: Aturan perilaku agen dipilih oleh pemodel, bukan diukur dari orang.

Berjalan di: sekitar 10^13 FLOPS kasar klaster universitas yang mensimulasikan ribuan rumah tangga dan perusahaan yang berinteraksi Sejak: 1993 model ekonomi komputasi berbasis agen awal di Santa Fe Institute

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Pasar keuangan

Pedagang dengan strategi berbeda menempatkan pesanan ke pasar simulasi.

Pertanyaan yang dijawabnya: Dari mana datangnya krisis dan gelembung?

Mengabaikan: Pasar nyata punya regulasi, berita, dan peristiwa langka yang tidak dimasukkan aturan perdagangan mainan.

Berjalan di: sekitar 10^13 FLOPS kasar klaster universitas yang mensimulasikan interaksi banyak strategi perdagangan Sejak: 1994 Pasar saham buatan Santa Fe oleh Palmer, Arthur, dan rekan [sumber](https://deepblue.lib.umich.edu/items/18b0197f-305e-40c5-b9bf-98ca56549ca5) Di pohon simulasi: [Pasar saham buatan](https://simulation-hypothesis.com/id/trees/simulations?n=soc-santafe)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Tubuh

### Risiko keuangan

Ribuan kemungkinan masa depan bagi sebuah portofolio, bank, atau perusahaan asuransi.

Pertanyaan yang dijawabnya: Seberapa buruk kerugian sekali dalam seratus tahun?

Mengabaikan: Mengasumsikan masa depan secara statistik mirip masa lalu, yang tidak berlaku saat krisis.

Berjalan di: sekitar 10^13 FLOPS kasar klaster milik bank atau perusahaan asuransi yang menjalankan jutaan skenario Monte Carlo Sejak: 1994 adopsi awal model value-at-risk Monte Carlo oleh kelompok manajemen risiko

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Populasi

### Rancangan pasar dan lelang

Penawar dengan strategi bersaing di bawah aturan lelang yang berbeda.

Pertanyaan yang dijawabnya: Himpunan aturan mana yang menghasilkan harga paling adil dengan kecurangan paling sedikit?

Mengabaikan: Penawar nyata tidak selalu serasional strategi yang diasumsikan.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menguji strategi penawaran di bawah aturan lelang Sejak: 1961 Teori lelang Vickrey, kemudian diuji dengan simulasi dan eksperimen

[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Masyarakat buatan

Agen yang mengumpulkan, berdagang, dan berkembang biak di lanskap sumber daya, tempat distribusi kekayaan dan perdagangan muncul.

Pertanyaan yang dijawabnya: Aturan sederhana mana yang cukup untuk menumbuhkan ciri berskala besar dari sebuah masyarakat?

Mengabaikan: Aturan sederhana bisa menumbuhkan pola yang tampak realistis karena alasan mendasar yang salah.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan ekonomi lanskap berbasis agen Sejak: 1996 Model Sugarscape Epstein dan Axtell Di pohon simulasi: [Sugarscape](https://simulation-hypothesis.com/id/trees/simulations?n=soc-sugarscape)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Simulasi kebijakan ekonomi yang dirancang AI

Agen pembelajar bertindak sebagai pekerja dalam ekonomi tersimulasi sementara perencana terlatih mencari kebijakan pajak yang menyeimbangkan kesetaraan dan produktivitas.

Pertanyaan yang dijawabnya: Aturan pajak apa yang dituju oleh agen pembelajar dan seorang perencana?

Mengabaikan: Orang nyata berbeda dari agen pembelajar, dan struktur ekonominya sederhana.

Berjalan di: sekitar 10^15 FLOPS kasar Pembelajaran penguatan berskala besar Sejak: 2020 The AI Economist (2020) [sumber](https://arxiv.org/abs/2004.13332)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Simulator bursa berbasis agen

Bursa saham tersimulasi dengan buku pesanan lengkap dan pesan berstempel waktu tempat agen perdagangan, termasuk yang belajar, berinteraksi.

Pertanyaan yang dijawabnya: Bagaimana strategi perdagangan atau perubahan aturan akan memengaruhi pasar?

Mengabaikan: Perilaku agen digayakan, dan dampak pasar sulit dikalibrasi.

Berjalan di: sekitar 10^11 FLOPS kasar Simulasi berbasis peristiwa dengan ribuan agen Sejak: 2019 ABIDES: towards high-fidelity market simulation for AI research (2019) [sumber](https://arxiv.org/abs/1904.12066)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)dasar: Aturan

### Model berbasis agen pasar perumahan

Rumah tangga dengan pendapatan, bank dengan aturan pinjaman, dan persediaan rumah yang terbatas saling berinteraksi untuk menunjukkan bagaimana leverage dan kredit mengubah harga dan gagal bayar.

Pertanyaan yang dijawabnya: Bagaimana aturan pinjaman menghasilkan ledakan dan keruntuhan perumahan?

Mengabaikan: Perilaku rumah tangga berbasis aturan dan datanya kurang rinci.

Berjalan di: sekitar 10^9 FLOPS kasar ratusan ribu agen di workstation. Sejak: 2012 Geanakoplos dan rekan-rekannya, menangkap risiko sistemik lewat model berbasis agen pasar perumahan. [sumber](https://doi.org/10.1257/aer.102.3.53)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Populasi

### Model keseimbangan umum stokastik dinamis

Rumah tangga dan perusahaan yang representatif memilih dari waktu ke waktu di bawah guncangan acak, dan model dipakai untuk menelusuri bagaimana gangguan semacam itu dan kebijakan memengaruhi ekonomi.

Pertanyaan yang dijawabnya: Bagaimana ekonomi menanggapi guncangan atau perubahan suku bunga?

Mengabaikan: Mengasumsikan agen representatif yang rasional dan tidak mudah menghasilkan krisis.

Berjalan di: sekitar 10^6 FLOPS kasar perturbasi atau pendugaan Bayesian di laptop. Sejak: 1982 Kydland dan Prescott, waktu untuk membangun dan fluktuasi agregat. [sumber](https://doi.org/10.2307/1913386)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Model katastrofe asuransi

Ribuan badai, gempa, atau banjir simulasi diterapkan pada portofolio properti untuk memperkirakan kerugian yang mungkin dihadapi perusahaan asuransi.

Pertanyaan yang dijawabnya: Berapa kerugian yang terlampaui sekali dalam 200 tahun?

Mengabaikan: Ekstrem langka bertumpu pada catatan pendek dan kerentanan bangunan diperkirakan.

Berjalan di: sekitar 10^11 FLOPS kasar katalog peristiwa besar di klaster. Sejak: 1972 Friedman, asuransi dan bahaya alam. [sumber](https://doi.org/10.1017/s0515036100005699)

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Populasi

### Penularan keuangan dalam jaringan antarbank

Bank yang terhubung oleh pinjaman diberi guncangan, dan kegagalan yang menjalar dari satu ke yang berikutnya ditelusuri untuk mengukur risiko sistemik.

Pertanyaan yang dijawabnya: Seberapa jauh satu kegagalan bank menyebar melalui sistem?

Mengabaikan: Paparan hanya sebagian teramati dan perilaku bank dianggap tetap.

Berjalan di: sekitar 10^7 FLOPS kasar algoritma kliring di workstation. Sejak: 2001 Eisenberg dan Noe, risiko sistemik dalam sistem keuangan. [sumber](https://doi.org/10.1287/mnsc.47.2.236.9835)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Aturan

### Model pertukaran kekayaan kinetik

Agen berdagang uang dalam jumlah acak secara berpasangan seperti partikel gas yang bertumbukan, dan distribusi kekayaan muncul.

Pertanyaan yang dijawabnya: Apakah pertukaran acak sederhana menghasilkan ketimpangan yang teramati?

Mengabaikan: Aturan pertukaran mengabaikan produksi, kredit, dan institusi.

Berjalan di: sekitar 10^6 FLOPS kasar simulasi jutaan pertukaran di laptop. Sejak: 2000 Dragulescu dan Yakovenko, mekanika statistik uang. [sumber](https://doi.org/10.1007/s100510070114)

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Partikel dan N-benda](https://simulation-hypothesis.com/id/simulations/methods#m-particles)dasar: Aturan

### Model riak ekonomi bencana

Model input-output tentang bagaimana industri saling memasok dihantam oleh hilangnya kapasitas setelah bencana, dan kelangkaan menjalar melalui rantai pasok.

Pertanyaan yang dijawabnya: Berapa total biaya ekonomi ketika sebuah bencana menghentikan beberapa industri?

Mengabaikan: Koefisien teknis tetap melebih-lebihkan kekakuan dan mengabaikan perusahaan yang berganti pemasok.

Berjalan di: sekitar 10^6 FLOPS kasar model matriks di laptop. Sejak: 2008 Hallegatte, model input-output regional adaptif yang diterapkan pada biaya ekonomi Katrina. [sumber](https://doi.org/10.1111/j.1539-6924.2008.01046.x)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Aturan

### Model berbasis agen untuk pasar listrik

Pembangkit menawar ke pasar berulang kali, belajar dari laba, dan pola harga menunjukkan bagaimana aturan memengaruhi hasil.

Pertanyaan yang dijawabnya: Apakah aturan lelang menghasilkan harga yang lebih rendah atau penawaran kolusif?

Mengabaikan: Aturan belajar bagi perusahaan diasumsikan.

Berjalan di: sekitar 10^7 FLOPS kasar simulasi lelang berulang di workstation. Sejak: 2001 Bower dan Bunn, analisis eksperimental efisiensi lelang harga seragam versus diskriminatif. [sumber](https://doi.org/10.1016/s0165-1889%2800%2900036-1)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Populasi

### Model epidemi dan ekonomi terpadu

Model epidemi dihubungkan ke model ekonomi, sehingga infeksi mengurangi kerja dan belanja, dan pilihan ekonomi mengubah penyebarannya.

Pertanyaan yang dijawabnya: Bagaimana timbal balik antara nyawa yang terselamatkan dan produksi yang hilang?

Mengabaikan: Perilaku diasumsikan rasional dan seragam.

Berjalan di: sekitar 10^6 FLOPS kasar optimisasi dinamis di laptop. Sejak: 2020 Eichenbaum, Rebelo, dan Trabandt, makroekonomi epidemi. [sumber](https://doi.org/10.3386/w26882)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Populasi

### Model pasar flash crash

Beberapa jenis agen perdagangan, termasuk penjual otomatis cepat dan pembeli fundamental lambat, berinteraksi dalam model pasar berjangka untuk menunjukkan bagaimana keruntuhan harga mendadak bisa terbentuk dan pulih.

Pertanyaan yang dijawabnya: Bisakah satu pesanan jual besar dan likuiditas yang tipis saja memicu anjloknya harga di seluruh pasar?

Mengabaikan: Strategi para agen adalah pengganti sederhana bagi perusahaan nyata yang algoritmenya dirahasiakan, sehingga ceritanya masuk akal tetapi belum terverifikasi.

Berjalan di: sekitar 10^11 FLOPS kasar jam di klaster untuk kumpulan hari perdagangan. Sejak: 2012 Model berbasis agen Paddrik dan rekan untuk pasar berjangka E-Mini S&P 500 yang diterapkan pada flash crash 2010. [sumber](https://doi.org/10.1109/cifer.2012.6327800)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Populasi

### Kolusi penetapan harga algoritmik

Program penetapan harga yang belajar dari hasil penjualan ditempatkan di pasar tersimulasi untuk melihat apakah mereka akhirnya sama-sama memasang harga tinggi tanpa pernah berbicara.

Pertanyaan yang dijawabnya: Bisakah penjual independen yang memakai algoritma belajar sampai menjaga harga di atas tingkat kompetitif?

Mengabaikan: Pasarnya kecil, dengan beberapa perusahaan dan barang yang identik, sedangkan perusahaan nyata memakai informasi dan rancangan yang lebih kaya.

Berjalan di: sekitar 10^9 FLOPS kasar jutaan putaran berulang di workstation. Sejak: 2019 Studi Calvano, Calzolari, Denicolò, dan Pastorello tentang penetapan harga algoritmik AI dan kolusi. [sumber](https://doi.org/10.2139/ssrn.3304991)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Populasi

### Agen makroekonomi model bahasa

Agen model bahasa bertindak sebagai rumah tangga dan perusahaan dalam ekonomi tersimulasi, memutuskan dengan kata-kata berapa banyak bekerja, membelanjakan, dan menabung, lalu output keseluruhan dan inflasi diukur.

Pertanyaan yang dijawabnya: Apakah agen yang bernalar dalam bahasa mereproduksi pola makroekonomi nyata?

Mengabaikan: Perilaku agen berasal dari teks yang mereka pelajari dan mungkin mencerminkan apa yang ditulis orang tentang ekonomi, bukan cara mereka bertindak.

Berjalan di: sekitar 10^16 FLOPS kasar jutaan panggilan model untuk seratus agen selama puluhan tahun waktu tersimulasi. Sejak: 2023 EconAgent oleh Li dan rekan, agen model bahasa untuk mensimulasikan aktivitas makroekonomi. [sumber](https://arxiv.org/abs/2310.10436)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Populasi

## Antropologi dan arkeologi

### Masyarakat kuno yang direkonstruksi

Rumah tangga petani dari masyarakat masa lalu, hidup di lanskap simulasi yang dibangun ulang dari catatan iklim dan tanah, seperti desa-desa Puebloan leluhur di barat daya Amerika.

Pertanyaan yang dijawabnya: Mengapa lembah ini dihuni, dan mengapa ditinggalkan?

Mengabaikan: Bergantung pada rekonstruksi iklim dan hasil panen yang membawa ketidakpastian besarnya sendiri.

Berjalan di: sekitar 10^12 FLOPS kasar klaster universitas yang menjalankan rumah tangga tersimulasi selama berabad-abad Sejak: 2002 Model Axtell, Epstein, Dean, Gumerman, dan rekan-rekannya tentang Anasazi Kayenta di Long House Valley [sumber](https://profiles.wustl.edu/en/publications/population-growth-and-collapse-in-a-multiagent-model-of-the-kayen/) Di pohon simulasi: [Anasazi buatan](https://simulation-hypothesis.com/id/trees/simulations?n=soc-anasazi)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Penyebaran manusia

Populasi manusia awal yang menyebar lintas benua saat iklim dan garis pantai berubah.

Pertanyaan yang dijawabnya: Kapan dan lewat rute mana manusia mencapai setiap benua?

Mengabaikan: Rute dan tanggal bergantung pada perkiraan iklim dan genetika yang terus berubah.

Berjalan di: sekitar 10^12 FLOPS kasar klaster universitas yang mensimulasikan penyebaran populasi lintas benua Sejak: 2008 paling lambat 2008, simulasi berbasis agen awal tentang penyebaran manusia keluar dari Afrika

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Populasi

### Ekonomi pemburu-pengumpul

Kelompok yang mencari makan, berpindah kemah, dan berbagi makanan.

Pertanyaan yang dijawabnya: Mengapa berbagi makanan menjadi universal di kalangan pemburu-pengumpul?

Mengabaikan: Data etnografi dari segelintir kelompok yang masih ada mewakili ragam purba yang lebih luas.

Berjalan di: sekitar 10^11 FLOPS kasar workstation desktop yang mensimulasikan keputusan mencari makan dan berbagi sebuah kelompok Sejak: 1994 model berbasis agen awal untuk keputusan berbagi makanan para pemburu-pengumpul

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Perdagangan dan pertukaran kuno

Permukiman yang dihubungkan jalan setapak dan rute laut, dengan barang dan gagasan bergerak di antaranya.

Pertanyaan yang dijawabnya: Bagaimana obsidian, tembikar, atau gagasan bisa menempuh jarak sejauh itu?

Mengabaikan: Artefak yang bertahan hanyalah sampel tipis dan bias dari segala sesuatu yang benar-benar berpindah.

Berjalan di: sekitar 10^11 FLOPS kasar workstation desktop yang memodelkan pertukaran di jaringan permukiman Sejak: 2007 paling lambat 2007, model jaringan awal rute perdagangan era Romawi

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Mikrosimulasi demografi

Populasi sintetis yang menjalani kelahiran, kemitraan, migrasi, dan kematian, tahun demi tahun.

Pertanyaan yang dijawabnya: Bagaimana populasi akan menua, dan apa artinya bagi pensiun dan perawatan?

Mengabaikan: Galat pada probabilitas peristiwa hidup individual menumpuk sepanjang masa hidup tersimulasi.

Berjalan di: sekitar 10^13 FLOPS kasar klaster universitas yang mensimulasikan peristiwa hidup populasi sintetis Sejak: 1957 Pembangunan awal Orcutt atas model mikrosimulasi penduduk Amerika

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Tubuh

### Konstruksi monumen dan rekonstruksi rekayasa

Beban struktural, tenaga kerja, dan logistik sebuah monumen kuno, diuji dengan mensimulasikan metode konstruksi yang mungkin terhadap apa yang bisa dan tidak bisa ditopang oleh sisa fisiknya.

Pertanyaan yang dijawabnya: Mungkinkah monumen ini benar-benar dibangun dengan cara yang dikatakan tradisi atau teori terkemuka?

Mengabaikan: Beberapa metode konstruksi yang bersaing sering cocok sama baiknya dengan bukti yang bertahan.

Berjalan di: sekitar 10^11 FLOPS kasar workstation desktop yang menjalankan model struktural dan logistik tenaga kerja Sejak: 1997 simulasi awal yang menguji bagaimana rampa pembangunan piramida Mesir bisa bekerja

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

## Kebijakan dan organisasi

### Mikrosimulasi pajak dan tunjangan

Usulan perubahan pajak atau tunjangan yang diterapkan pada sampel besar rumah tangga sungguhan.

Pertanyaan yang dijawabnya: Siapa yang untung dan siapa yang rugi dari perubahan ini, dan berapa besar?

Mengabaikan: Mengasumsikan orang tidak mengubah perilaku sebagai tanggapan atas kebijakan, yang kadang mereka lakukan.

Berjalan di: sekitar 10^12 FLOPS kasar klaster universitas yang menerapkan aturan pada sampel besar rumah tangga Sejak: 1976 Mikrosimulasi DYNASIM kebijakan pajak AS oleh Orcutt dan rekan

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)dasar: Tubuh

### Model dunia

Populasi, pangan, industri, sumber daya, dan polusi sebagai stok dan kalang umpan balik pada skala global.

Pertanyaan yang dijawabnya: Apa yang terjadi pada dunia dengan sumber daya terbatas di bawah pertumbuhan yang berlanjut?

Mengabaikan: Segelintir stok global menyembunyikan semua variasi regional dan nasional.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menyelesaikan model stok-dan-aliran global Sejak: 1971 World2 Forrester, terbit di World Dynamics; World3 untuk The Limits to Growth menyusul pada 1972 [sumber](https://en.wikipedia.org/wiki/World3) Di pohon simulasi: [World3](https://simulation-hypothesis.com/id/trees/simulations?n=soc-world3)

[Dinamika sistem](https://simulation-hypothesis.com/id/simulations/methods#m-system-dynamics)dasar: Populasi

### Organisasi dan tim

Anggota, masalah, dan keputusan yang bergerak melalui sebuah organisasi.

Pertanyaan yang dijawabnya: Mengapa organisasi membuat keputusan yang mereka buat?

Mengabaikan: Politik organisasi dan kepribadian nyata sulit dikurangi menjadi aturan keputusan.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang mensimulasikan keputusan yang bergerak melalui sebuah organisasi Sejak: 1963 Model simulasi pengambilan keputusan organisasi oleh Cyert dan March

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Tubuh

### Pemodelan keseimbangan umum terhitung

Industri, rumah tangga, dan pemerintah seluruh ekonomi dibangun ulang sebagai sistem pasar yang semuanya harus mencapai keseimbangan sekaligus, lalu diberi guncangan berupa kebijakan pajak atau perdagangan untuk melihat di mana harga dan keluaran menetap.

Pertanyaan yang dijawabnya: Bagaimana seluruh ekonomi menyeimbangkan diri kembali setelah perubahan kebijakan ini?

Mengabaikan: Mengasumsikan pasar mengendap ke ekuilibrium baru dengan mulus, mengabaikan transisi yang kacau dalam praktik.

Berjalan di: sekitar 10^11 FLOPS kasar klaster kecil yang menyelesaikan sistem besar persamaan kliring pasar Sejak: 1972 Model kesetimbangan umum terapan kebijakan pajak oleh Shoven dan Whalley

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Populasi

### Pemodelan korupsi dan integritas institusional

Pejabat dan warga memutuskan apakah akan menyuap, melapor, atau patuh, masing-masing menanggapi seberapa umum korupsi dan seberapa mungkin tertangkap.

Pertanyaan yang dijawabnya: Mengapa korupsi tetap langka di sebagian institusi dan menjadi norma di yang lain?

Mengabaikan: Korupsi nyata disembunyikan dengan sengaja, sehingga angka yang menyuplai model adalah perkiraan kasar.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan model kepatuhan berbasis agen Sejak: 2002 model berbasis agen awal tentang bagaimana korupsi menyebar di dalam sebuah institusi

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Aturan

### Model jaringan difusi kebijakan

Penerapan hukum atau program oleh satu pemerintah menyebar ke yang lain melalui ikatan di antara mereka, baik tetangga, mitra dagang, maupun jaringan profesi bersama.

Pertanyaan yang dijawabnya: Mengapa sebagian pemerintah dengan cepat menyalin sebuah kebijakan, sementara yang lain tidak pernah mengadopsinya?

Mengabaikan: Menyalin kebijakan di atas kertas lebih mudah dimodelkan daripada apakah kebijakan itu bekerja dengan cara yang sama di tempat lain.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang mensimulasikan adopsi di jaringan pemerintah Sejak: 1990 paling lambat 1990, model jaringan awal untuk difusi kebijakan antarpemerintah

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Populasi

### Organisasi agen model bahasa

Agen model bahasa mengambil peran seperti manajer, programmer, dan penguji dan berkolaborasi menghasilkan perangkat lunak.

Pertanyaan yang dijawabnya: Bisakah tim agen yang memerankan peran menjalankan tugas organisasi berlangkah banyak?

Mengabaikan: Keluarannya bergantung pada prompt, dan gesekan organisasi manusia yang nyata tidak ada.

Berjalan di: sekitar 10^14 FLOPS kasar Banyak panggilan model per proyek Sejak: 2023 ChatDev: communicative agents for software development (2023) [sumber](https://arxiv.org/abs/2307.07924)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Agen negosiasi berbasis bahasa

Agen menggabungkan model bahasa dengan perencanaan strategis untuk bernegosiasi dan membentuk aliansi dalam permainan multipemain dengan saling berbicara.

Pertanyaan yang dijawabnya: Bisakah agen membujuk dan berencana bersama manusia dalam negosiasi terbuka?

Mengabaikan: Hanya aturan satu gim, dan ia tidak bisa menalar tentang kepercayaan jangka panjang.

Berjalan di: sekitar 10^16 FLOPS kasar Pelatihan besar ditambah perencanaan saat bermain Sejak: 2022 Human-level play in the game of Diplomacy by combining language models with strategic reasoning (2022) [sumber](https://doi.org/10.1126/science.ade9097)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Aturan

### Dinamika sistem epidemi opioid

Stok pengguna resep, penyalahguna, pengguna heroin, dan yang meninggal dihubungkan oleh umpan balik dan tuas kebijakan seperti pembatasan pasokan dan pengobatan.

Pertanyaan yang dijawabnya: Campuran kebijakan mana yang mengurangi kematian akibat opioid?

Mengabaikan: Pasokan gelap berubah lebih cepat daripada model beradaptasi.

Berjalan di: sekitar 10^5 FLOPS kasar simulasi stok-dan-aliran di laptop. Sejak: 2013 Wakeland dan rekan, memodelkan dampak intervensi pendidikan simulasi terhadap penggunaan opioid farmasi. [sumber](https://doi.org/10.1177/1090198113492767)

[Dinamika sistem](https://simulation-hypothesis.com/id/simulations/methods#m-system-dynamics)dasar: Populasi

### Pemodelan eksploratif di bawah ketidakpastian mendalam

Sebuah model dijalankan pada ribuan kombinasi masukan dan kebijakan yang tidak diketahui, untuk menemukan strategi yang tangguh, bukan yang optimal untuk satu prakiraan.

Pertanyaan yang dijawabnya: Kebijakan mana yang bisa diterima di rentang masa depan paling luas?

Mengabaikan: Rentang masa depan yang dijelajahi masih dipilih oleh analis.

Berjalan di: sekitar 10^10 FLOPS kasar ansambel simulasi model dasar di klaster. Sejak: 1993 Bankes, pemodelan eksploratif untuk analisis kebijakan. [sumber](https://doi.org/10.1287/opre.41.3.435)

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Aturan

### Dinamika rantai pasok dan efek cambuk

Pesanan dan stok mengalir melalui pabrik, distributor, dan pengecer dengan penundaan, dan perubahan kecil dalam permintaan membesar menjadi ayunan besar di hulu.

Pertanyaan yang dijawabnya: Mengapa perubahan permintaan yang kecil menyebabkan ayunan pesanan yang besar di hulu?

Mengabaikan: Perusahaan nyata menanggapi informasi yang tidak dimasukkan model.

Berjalan di: sekitar 10^5 FLOPS kasar simulasi stok-dan-aliran di laptop. Sejak: 1958 Forrester, dinamika industri: terobosan besar bagi para pengambil keputusan. [sumber](https://doi.org/10.1007/978-3-642-27922-5%5F13)

[Dinamika sistem](https://simulation-hypothesis.com/id/simulations/methods#m-system-dynamics)[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)dasar: Aturan

## Hukum, keadilan, dan pemilu

### Simulasi pemilu dan sistem pemungutan suara

Sekumpulan pemilih dan kandidat yang sama dijalankan melalui aturan pemungutan suara yang berbeda, seperti pemenang suara terbanyak, pilihan berperingkat, atau sistem proporsional, untuk membandingkan siapa yang sebenarnya akan menang.

Pertanyaan yang dijawabnya: Akankah sistem pemungutan suara yang berbeda mengubah siapa pemenang pemilu ini?

Mengabaikan: Mengasumsikan preferensi pemilih tetap, padahal sistem yang berbeda akan mengubah cara orang memilih.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan pemilu dengan aturan pemungutan suara alternatif Sejak: 1975 simulasi komputer awal yang membandingkan hasil aturan pemungutan suara yang berbeda

[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Aturan

### Simulasi pengadilan dan arus perkara

Perkara yang masuk, menunggu sidang, dan bergerak melalui tahap-tahap sistem pengadilan, dipakai untuk melihat di mana tunggakan menumpuk dan apa pengaruh tambahan hakim atau ruang sidang terhadapnya.

Pertanyaan yang dijawabnya: Berapa lama waktu yang dibutuhkan untuk menghabiskan tunggakan perkara pengadilan ini, dan apa yang benar-benar bisa mempercepatnya?

Mengabaikan: Kerumitan kasus nyata dan diskresi manusia lebih bervariasi daripada yang diasumsikan model antrean.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan model peristiwa diskret untuk arus kasus Sejak: 1976 simulasi peristiwa diskret awal untuk tunggakan perkara pengadilan AS

[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Aturan

### Pemodelan risiko pemidanaan dan residivisme

Riwayat tercatat seseorang dijalankan lewat model statistik yang menilai seberapa besar kemungkinan ia mengulangi kejahatan, dipakai untuk menjadi pertimbangan keputusan pembebasan bersyarat, jaminan, atau hukuman.

Pertanyaan yang dijawabnya: Seberapa besar kemungkinan orang ini mengulangi kejahatan, berdasarkan orang dengan catatan serupa?

Mengabaikan: Skor yang dibangun dari statistik kelompok bisa salah untuk satu orang yang dikenainya, ke arah mana pun.

Berjalan di: sekitar 10^11 FLOPS kasar workstation desktop yang menyesuaikan model risiko pada catatan kasus Sejak: 1928 Skala aktuaria Burgess yang memprediksi keberhasilan pembebasan bersyarat, model risiko awal

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Monte Carlo](https://simulation-hypothesis.com/id/simulations/methods#m-monte-carlo)dasar: Aturan

### Simulasi pemolisian dan penempatan patroli

Unit patroli dan insiden yang dilaporkan di seluruh kota, dipakai untuk menguji bagaimana cara berbeda menugaskan petugas ke wilayah mengubah waktu tanggap dan cakupan.

Pertanyaan yang dijawabnya: Ke mana patroli harus dikirim untuk memangkas waktu tanggap sebanyak mungkin?

Mengabaikan: Data kejahatan masa lalu bisa menanamkan bias lama tentang di mana petugas ditempatkan.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menjalankan model antrean untuk penempatan patroli Sejak: 1972 Model antrean hiperkubus Larson untuk penempatan patroli polisi

[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)dasar: Tubuh

### Simulasi tawar-menawar legislatif dan koalisi

Partai dengan posisi pada ruang kebijakan bernegosiasi dan membentuk koalisi untuk meloloskan rancangan undang-undang atau membentuk pemerintahan, dengan aturan tentang siapa yang mengusulkan dan siapa yang harus setuju.

Pertanyaan yang dijawabnya: Koalisi mana yang benar-benar akan terbentuk, dan kompromi apa yang akan dicapainya?

Mengabaikan: Koalisi nyata terbentuk di sekitar kepribadian dan sejarah yang tidak dimasukkan model spasial.

Berjalan di: sekitar 10^10 FLOPS kasar workstation desktop yang menyelesaikan model tawar-menawar koalisi spasial Sejak: 1980 simulasi awal pemungutan suara spasial dan pembentukan koalisi di parlemen

[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Aturan

### Simulasi pengambilan keputusan juri

Juri individual dengan pandangan awal berbeda, berembuk di bawah aturan seperti mayoritas atau suara bulat, untuk melihat putusan apa dan seberapa banyak bujukan yang akhirnya dihasilkan kelompok.

Pertanyaan yang dijawabnya: Apakah putusan mencerminkan kuatnya bukti, atau hanya dinamika musyawarah?

Mengabaikan: Juri laboratorium yang memutuskan kasus tiruan mungkin tidak berperilaku seperti juri nyata yang menghadapi hal yang sungguh dipertaruhkan.

Berjalan di: sekitar 10^9 FLOPS kasar laptop yang menjalankan model musyawarah skema keputusan sosial Sejak: 1983 Model skema keputusan sosial untuk musyawarah juri oleh Davis dan rekan-rekannya

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Dinamika titik rawan kejahatan

Pelaku bergerak melalui kota dan tertarik ke tempat-tempat dengan kejahatan masa lalu, menghasilkan titik panas yang tumbuh, berpindah, dan menanggapi patroli polisi.

Pertanyaan yang dijawabnya: Bagaimana titik panas terbentuk dan bisakah patroli memindahkannya?

Mengabaikan: Motif pelaku disederhanakan dan pelaporan kejahatan tidak sempurna.

Berjalan di: sekitar 10^7 FLOPS kasar kota berbasis agen berjalan di workstation. Sejak: 2008 Short dan rekan, model statistik perilaku kriminal. [sumber](https://doi.org/10.1142/s0218202508003029)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Populasi

[◂ Pertanian dan pangan](https://simulation-hypothesis.com/id/simulations/agriculture-food)[Rekayasa dan teknologi ▸](https://simulation-hypothesis.com/id/simulations/engineering)