---
title: "인간 행동과 사회 · 시뮬레이션 · 시뮬레이션 가설"
url: https://simulation-hypothesis.com/ko/simulations/human-society
description: "결정, 군중, 여론, 시장, 과거 사회, 그리고 전체 인구. 사람들이 실제로 돌리는 시뮬레이션 분류의 일부예요."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, 시뮬레이션 가설(simulation-hypothesis.com)"
---

[시뮬레이션](https://simulation-hypothesis.com/ko/simulations)영역 18개 중 8번째

# 인간 행동과 사회

결정, 군중, 여론, 시장, 과거 사회, 그리고 전체 인구.

여기서는 사람을 의사 결정자, 군중, 시장, 인구로 모델링해요. 모델은 일부러 단순하게 유지해요. 큰 사회적 패턴을 만드는 데 개인의 의도가 얼마나 조금만 있어도 되는지를 보여 주는 것이 요점일 때가 많거든요. 인류학자와 고고학자도 같은 도구로 이제는 사라진 사회를 복원해요. 그래서 이 모델들은 가설 속 조상 시뮬레이션과 가장 비슷한 현실의 사례예요.

## 마음과 결정

### 인지 아키텍처

인간 기억, 주의, 추론의 계산 모델로, 실험실에서 사람에게 준 것과 같은 과제로 돌려 봐요.

답하는 질문: 모델이 사람과 같은 속도로 같은 실수를 할까요?

빠진 것: 사람의 반응 시간을 맞췄다고 모델이 뇌의 실제 기제를 쓴다는 증거가 되지는 않아요.

돌아가는 곳: 약 10^12 FLOPS 대략 실험실 과제로 아키텍처를 돌리는 데스크톱 워크스테이션 처음 등장: 1983 뉴얼의 통합 인지 아키텍처 Soar 개발

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 규칙

### 의사결정 모델

증거가 무작위로 쌓이다 임계값을 넘는 과정으로, 선택과 반응 시간을 설명하는 데 써요.

답하는 질문: 사람들은 왜 그런 식으로 속도와 정확도를 맞바꿀까?

빠진 것: 증거가 일정하고 잡음 섞인 속도로 쌓인다고 가정하는데, 이는 단순화한 신경 그림이에요.

돌아가는 곳: 약 10^9 FLOPS 대략 선택 데이터에 표류-확산 모델을 맞추는 노트북 처음 등장: 1978 랫클리프의 의사결정 표류-확산 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 학습 모델

에이전트가 보상과 오류로 학습하며, 학습 실험에서 사람과 동물이 보이는 행동에 맞춰져 있어요.

답하는 질문: 사람들이 바뀌는 확률에 어떻게 적응하는지는 어떤 학습 규칙이 가장 잘 설명할까?

빠진 것: 평균적인 행동은 잘 담지만 학습의 개인차는 흔히 놓쳐요.

돌아가는 곳: 약 10^10 FLOPS 대략 보상 학습 모델을 맞추는 데스크톱 워크스테이션 처음 등장: 1972 레스콜라와 와그너의 연합 학습 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 사회 인지와 마음 이론 모델

한 에이전트가 다른 이가 무엇을 믿고, 원하고, 아는지를 자기 안에 중첩해 그린 상, 사람들이 서로의 행동을 예측하고 조종하는 방식을 설명하는 데 써요.

답하는 질문: 사람들은 남이 무슨 생각을 하는지 실제로 몇 단계까지 깊이 추론할까요?

빠진 것: 대부분의 모델은 믿음의 중첩을 몇 단계로 제한하는데, 실제 추론은 그렇게 규칙적이지 않아요.

돌아가는 곳: 약 10^10 FLOPS 대략 중첩된 믿음 추론 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1978 프리맥과 우드러프의 마음 이론, 나중에 계산적으로 형식화되었어요

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 규칙

### 감정과 정동 모델링

위협이나 상실 같은 상황에 대한 시뮬레이션된 평가가 감정 상태로 바뀌고, 그 상태가 에이전트의 이후 결정에 편향을 줘요.

답하는 질문: 두려움이나 분노를 느끼면 이어지는 선택은 실제로 어떻게 달라질까요?

빠진 것: 평가 규칙은 모델러가 세운 감정 이론이지, 누군가의 감정을 직접 읽은 것이 아니에요.

돌아가는 곳: 약 10^10 FLOPS 대략 평가 기반 감정 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1988 오토니, 클로어, 콜린스의 감정 인지 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 규칙

### 위험과 불확실성 아래의 선택 모델링

도박과 결정을, 순수하게 합리적인 에이전트가 아니라 사람들이 실제로 이득, 손실, 확률을 저울질하는 방식의 모델에 돌려요.

답하는 질문: 위험 아래에서 사람들의 선택은 왜 이토록 일관되게 교과서의 합리적 답에서 벗어날까?

빠진 것: 평균적인 편향은 잘 맞추지만, 한 사람의 선택은 맞춘 곡선에서 벗어날 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 전망 이론 선택 모델을 맞추는 데스크톱 워크스테이션 처음 등장: 1992 트버스키와 카너먼의 위험 아래 선택에 관한 누적 전망 이론

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 규칙

### 언어 모델 설문 응답자

언어 모델에 인구통계 프로필을 주고 그 사람이라면 어떻게 답할지 설문 문항에 답하게 해요.

답하는 질문: 모델이 설문 표본을 대신해 집단의 응답을 예측할 수 있을까요?

빠진 것: 모델의 훈련 텍스트에서 편향과 동질성을 물려받고, 거의 보지 못한 집단에는 약해요.

돌아가는 곳: 약 10^14 FLOPS 대략 시뮬레이션된 응답자당 한 번의 모델 호출 처음 등장: 2022 Out of One, Many: using language models to simulate human samples (2022) [출처](https://arxiv.org/abs/2209.06899)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 언어 모델 행동 실험

언어 모델이 다양한 참여자 역할을 맡아 심리학과 경제학의 고전 실험을 재연해요.

답하는 질문: 모델이 고전적인 연구에서 사람의 결과를 재현할까요?

빠진 것: 재현은 외운 연구를 반영할 수 있고, 모델이 새로운 설계에는 일반화되지 않을 수 있어요.

돌아가는 곳: 약 10^14 FLOPS 대략 실험당 많은 모델 호출 처음 등장: 2022 Using large language models to simulate multiple humans and replicate human subject studies (2022) [출처](https://arxiv.org/abs/2208.10264)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

## 사회 역학

### 주거 분리

주변에 자기와 비슷한 이웃이 너무 적으면 이사하는 가구들로, 약한 선호가 어떻게 뚜렷한 분리를 낳는지 보여 주는 토머스 셸링의 모델이에요.

답하는 질문: 분리된 도시가 생기려면 개인의 선호가 얼마나 있어야 할까요?

빠진 것: 실제 분리에는 소득, 차별, 역사도 얽혀 있어서 약한 선호만으로는 설명되지 않아요.

돌아가는 곳: 약 10^9 FLOPS 대략 격자 위에서 셸링의 분리 모델을 돌리는 노트북 처음 등장: 1971 셸링이 손으로 돌린 원래의 분리 모델, 나중에 전산화되었어요 시뮬레이션 트리에서: [셸링의 분리 모델](https://simulation-hypothesis.com/ko/trees/simulations?n=soc-schelling)

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-schelling)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 몸

### 여론 동역학

에이전트가 접촉과 네트워크를 통해 서로의 견해를 슬쩍 움직여요.

답하는 질문: 집단은 언제 합의에 이르고, 언제 편으로 갈라질까?

빠진 것: 실제 의견에는 단순 평균 규칙이 담아내지 못하는 감정과 정체성이 얽혀 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 소셜 네트워크 전반에서 의견을 갱신하는 데스크톱 워크스테이션 처음 등장: 1974 DeGroot의 반복적 의견 모으기 모델, 나중에 네트워크 위에서 시뮬레이션됨

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 몸

### 협력과 규범

평판과 처벌이 있는 여러 플레이어 사이의 신뢰와 속임수의 반복 게임

답하는 질문: 협력과 공정성의 규범은 어떻게 안정될까요?

빠진 것: 실제 평판과 처벌은 깔끔한 반복 게임보다 더 지저분하고 느려요.

돌아가는 곳: 약 10^10 FLOPS 대략 반복 게임 토너먼트를 돌리는 데스크톱 워크스테이션 처음 등장: 1980 액설로드의 반복 죄수의 딜레마 컴퓨터 토너먼트

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 생각의 확산

혁신, 습관, 소문이 사회 연결망을 따라 퍼져요.

답하는 질문: 어떤 생각은 왜 퍼지고 어떤 생각은 끝내 퍼지지 않을까?

빠진 것: 한 사람이 바꾸는 이유를 설명하기보다는 도입 곡선을 더 잘 예측해요.

돌아가는 곳: 약 10^10 FLOPS 대략 소셜 네트워크 전반의 채택을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1969 나중에 시뮬레이션된 신제품 확산에 대한 배스의 수학 모델

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 소셜 네트워크 형성

친구의 친구나 유사성 같은 규칙에 따라 관계를 맺고 끊는 사람들

답하는 질문: 큰 네트워크는 왜 거의 모든 노드 쌍 사이의 경로가 짧을까?

빠진 것: 실제 관계 형성에는 추상적인 규칙이 건너뛰는 지리와 제도가 얽혀 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 부착 규칙에 따라 네트워크를 키우는 데스크톱 워크스테이션 처음 등장: 1999 바라바시와 앨버트의 네트워크 성장 선호적 연결 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 몸

### 언어 진화

에이전트가 소통하려고 단어와 문법을 만들어 내고 다음 세대로 전해요.

답하는 질문: 아무도 이끌지 않는데 공통의 어휘는 어떻게 생길 수 있을까요?

빠진 것: 실제 언어에는 에이전트가 진화시키는 작은 어휘보다 훨씬 풍부한 문법과 역사가 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 에이전트들이 공통 어휘를 만들어 내는 과정을 돌리는 데스크톱 워크스테이션 처음 등장: 1995 스틸스의, 에이전트들이 공유 어휘를 만들어 내는 초기 시뮬레이션

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 문화 진화

기술, 도구, 전통이 세대를 거치며 복사되고, 개선되고, 사라져요.

답하는 질문: 더 크고 더 잘 연결된 집단은 왜 더 복잡한 기술을 유지할까?

빠진 것: 문화를 사람들 사이에 전해지는 유전자처럼 다뤄서, 생각이 다시 발명되는 방식을 놓쳐요.

돌아가는 곳: 약 10^10 FLOPS 대략 세대를 넘어가는 형질 전달을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1981 Cavalli-Sforza와 Feldman의 문화 전달 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 언어 모델 에이전트 사회

언어 모델이 구동하는 소프트웨어 에이전트 수십 개가 각자 기억과 계획을 갖고 작은 시뮬레이션 마을에서 살며 사회적 행동을 만들어 내요.

답하는 질문: 에이전트가 자연어로 계획하고 대화하면 어떤 사회적 패턴이 생겨날까?

빠진 것: 행동은 언어 모델의 훈련에서 나오고, 실행은 비싸고 재현하기 어려워요.

돌아가는 곳: 약 10^15 FLOPS 대략 시뮬레이션된 하루당 수천 번의 모델 호출 처음 등장: 2023 Generative Agents: interactive simulacra of human behavior (2023) [출처](https://arxiv.org/abs/2304.03442)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 사람이 사는 사회 시스템 시제품

언어 모델이 글과 답글이 있는 가상 구성원 공동체를 만들어, 설계자가 출시 전에 소셜 플랫폼을 시험할 수 있게 해요.

답하는 질문: 새 커뮤니티의 설계는 어떤 행동을 끌어들일까?

빠진 것: 출력은 실행마다 달라지고, 악의적인 행위자도 프롬프트만큼만 현실적이에요.

돌아가는 곳: 약 10^13 FLOPS 대략 공동체당 많은 모델 호출 처음 등장: 2022 Social Simulacra (2022) [출처](https://arxiv.org/abs/2208.04024)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 규칙

### 언어 모델 소셜 플랫폼 시뮬레이션

피드, 팔로우, 추천이 있는 플랫폼에 모델이 구동하는 사용자를 최대 100만 명까지 채워, 정보 확산과 쏠림을 연구해요.

답하는 질문: 모델이 움직이는 사용자들의 플랫폼에서 게시물과 의견, 허위 정보는 어떻게 퍼질까요?

빠진 것: 에이전트는 실제 사용자보다 훨씬 획일적이고, 현실 세계에서의 검증은 제한적이에요.

돌아가는 곳: 약 10^17 FLOPS 대략 대규모 모델 추론 처음 등장: 2024 OASIS: open agent social interaction simulations with one million agents (2024) [출처](https://arxiv.org/abs/2411.11581)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 규칙

### 추천 시스템 되먹임 고리 시뮬레이션

시뮬레이션된 사용자와 추천 시스템이 여러 라운드에 걸쳐 상호작용해서, 추천이 사용자의 선택을 어떻게 바꾸는지 보여 줘요.

답하는 질문: 추천 시스템은 시간이 지나면서 사람들이 소비하는 것을 좁힐까요?

빠진 것: 사용자 행동은 양식화한 모델이고, 측정한 선호가 아니에요.

돌아가는 곳: 약 10^10 FLOPS 대략 값싼 반복 라운드 처음 등장: 2017 How algorithmic confounding in recommendation systems increases homogeneity and decreases utility (2017) [출처](https://arxiv.org/abs/1710.11214)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 추천 시스템을 위한 언어 모델 사용자 시뮬레이션

취향 프로필을 가진 언어 모델 에이전트가 추천 항목을 훑어보고, 평가하고, 그만두면서 추천 알고리즘 시험에서 사용자를 대신해요.

답하는 질문: 사용자는 새 추천 알고리즘에 어떻게 반응할까요?

빠진 것: 에이전트의 취향은 실제 취향의 근사일 뿐이에요.

돌아가는 곳: 약 10^14 FLOPS 대략 시뮬레이션된 사용자당 많은 모델 호출 처음 등장: 2023 On generative agents in recommendation (2023) [출처](https://arxiv.org/abs/2310.10108)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 허위 정보와 소문의 확산

군집 속 사람들이 접촉한 사람 중 몇 명이 공유했는지에 따라 이야기를 공유할지 정해서, 확산은 네트워크 구조에 달려 있어요.

답하는 질문: 어떤 네트워크 구조가 거짓 이야기를 퍼지게 할까?

빠진 것: 플랫폼 알고리즘과 공유자의 동기는 단순화되어 있어요.

돌아가는 곳: 약 10^7 FLOPS 대략 워크스테이션에서 하는 네트워크 전염. 처음 등장: 2018 Toernberg, echo chambers and viral misinformation: modelling fake news as complex contagion. [출처](https://doi.org/10.1371/journal.pone.0203958)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 개체군

### 기후 스트레스 속의 이주

가구는 소득, 기후 충격, 사회적 유대를 바탕으로 지역을 떠날지 정하고, 지역 사이의 흐름을 합산해요.

답하는 질문: 강수량이나 농가 소득이 줄면 몇 명이나 이주할까요?

빠진 것: 결정 규칙은 가정된 것이고 이주는 여러 원인이 겹쳐 있어요.

돌아가는 곳: 약 10^8 FLOPS 대략 워크스테이션에서 하는 지역 에이전트 실행. 처음 등장: 2011 Kniveton and colleagues, agent-based model simulations of future changes in migration flows for Burkina Faso. [출처](https://doi.org/10.1016/j.gloenvcha.2011.09.006)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

### 인간 이동과 이주 모델

장소 사이의 사람 흐름을 인구와 거리로 예측해요. 중력형이나 복사형 규칙을 써요.

답하는 질문: 두 곳 사이를 오가는 사람은 몇 명일까요?

빠진 것: 운송 비용, 국경, 개인 간 차이를 무시해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북에서 흐름 행렬 계산. 처음 등장: 2012 Simini and colleagues, a universal model for mobility and migration patterns. [출처](https://doi.org/10.1038/nature10856)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 합성 인구 생성

실제 도시나 나라의 알려진 총계에 맞춰 인공 가구와 개인의 전체 집합을 만들고, 각 사람에게 나이, 직업, 집, 가족을 줘요.

답하는 질문: 누구의 실제 기록도 쓰지 않고 한 지역 모든 사람의 현실적인 대역을 어떻게 얻을 수 있을까요?

빠진 것: 인구 조사가 공개한 합계만 맞추기 때문에, 측정되지 않은 특성 사이의 상관관계는 지어낸 거예요.

돌아가는 곳: 약 10^9 FLOPS 대략 한 나라를 위한 워크스테이션 몇 시간. 처음 등장: 1996 벡먼, 백거리, 맥케이의 합성 기준 인구 생성. [출처](https://doi.org/10.1016/0965-8564%2896%2900004-3)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

## 군중

### 보행자와 군중 동역학

보행자 한 명 한 명이 사회적 힘으로 장애물과 다른 사람들을 피해 방향을 잡아요.

답하는 질문: 이 역에서는 군중이 어디서 막히고, 압사를 어떻게 막을까?

빠진 것: 실제 군중은 매끈한 힘 모델이 놓치는 방식으로 공황에 빠지고 예측할 수 없게 행동해요.

돌아가는 곳: 약 10^13 FLOPS 대략 보행자 수만 명을 시뮬레이션하는 대학 클러스터 처음 등장: 1995 헬빙과 몰나르의 보행자 이동 사회적 힘 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 몸

### 군중 감정과 행동 전염

공황, 환호, 웃음 같은 기분이나 행동이 빽빽한 군중 속에서 사람에서 사람으로, 누가 동참하기로 결정하는 것보다 빠르게 퍼져요.

답하는 질문: 감정이나 행동은 낯선 사람들의 군중 사이로 어떻게 휩쓸고 지나갈까요?

빠진 것: 전염 규칙은 대개 실시간으로 측정한 것이 아니라 사후에 영상 기록에서 짐작한 거예요.

돌아가는 곳: 약 10^11 FLOPS 대략 군중 속에서 기분이 퍼지는 과정을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 2000 군중 공황 속 감정 전염의 초기 에이전트 기반 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 몸

### 집단 행동과 티핑 포인트 모델

각 사람은 이미 충분히 많은 사람이 동참한 뒤에야 동참하려 해서, 군중이 조용함에서 함께 행동하는 쪽으로 넘어가는 것은 개인 임계값의 분포에 달려 있어요.

답하는 질문: 다른 모두가 따라오려면 먼저 행동하는 사람이 몇 명이나 있어야 할까요?

빠진 것: 모두의 임계값이 미리 고정돼 있다고 가정하지만, 실제로는 군중이 움직이기 시작하면 달라져요.

돌아가는 곳: 약 10^9 FLOPS 대략 집단 전체에 임계값 연쇄를 돌리는 노트북 처음 등장: 1978 그래노베터의 집단 행동 임계값 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 집단 추정과 군중의 지혜

하나의 수에 대해 저마다 잡음이 낀 많은 독립적인 추측을 모아서, 평균이 어느 한 사람의 추측보다 진실에 얼마나 더 가까워지는지 봐요.

답하는 질문: 여러 추측의 평균이 전문가 한 사람에게 묻는 것보다 나은 때는 언제일까?

빠진 것: 개개인의 추측이 더는 독립적이지 않게 되면 평균의 효과가 무너져요.

돌아가는 곳: 약 10^9 FLOPS 대략 추측의 몬테카를로 집계를 돌리는 노트북 처음 등장: 1907 Francis Galton이 황소의 무게에 대한 군중의 추측을 분석함

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 시위 동원 네트워크 모델

사람들은 자기 사회적 연결 중 이미 몇 명이 가는지를 보고 시위에 참여할지 정하며, 참여는 한곳의 군중이 아니라 네트워크를 따라 퍼져요.

답하는 질문: 시위 운동은 몇몇 헌신적인 사람들에서 대규모 참여로 어떻게 커질까요?

빠진 것: 가입을 예/아니요 하나의 결정으로 다뤄서, 실제 헌신이 쌓이는 작은 단계들을 놓쳐요.

돌아가는 곳: 약 10^10 FLOPS 대략 네트워크 전반의 모집 과정을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1997 Kim과 베어먼의 시위 참여 네트워크 모델

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 대규모 모임의 질병 위험 모델링

축제, 순례, 스포츠 경기에서 사람들이 한시적으로 유난히 빽빽하게 섞이는 상황을 모델링해서, 군중이 흩어진 뒤 감염이 얼마나 빨리 퍼지고 꺼질 수 있는지 추정해요.

답하는 질문: 이만큼의 사람을 며칠 동안 모으면 질병 위험은 얼마나 더 커질까요?

빠진 것: 군중이 흩어지고 나면, 그 뒤에 생긴 감염이 어디로 이어지는지 추적하기는 거의 불가능해요.

돌아가는 곳: 약 10^12 FLOPS 대략 한 모임에 걸친 접촉을 시뮬레이션하는 대학 클러스터 처음 등장: 1987 대규모 모임에 참석한 순례자들 사이의 수막염 유행 모델링

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

## 경제와 시장

### 거시경제 모델

경제 전체를 서로 반응하는 대표 가구, 기업, 은행, 중앙은행으로 나타내요.

답하는 질문: 금리가 오르면 일자리와 물가는 어떻게 될까?

빠진 것: 대표 가구 모델은 불평등에서 오는 동역학을 놓칠 수 있어요.

돌아가는 곳: 약 10^12 FLOPS 대략 구조적 거시경제 모델을 푸는 데스크톱 또는 소형 클러스터 처음 등장: 1955 클라인과 골드버거의 초기 전산화 거시계량경제 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 에이전트 기반 경제

수천 개의 가계, 기업, 은행이 사고, 팔고, 빌리고, 망해요.

답하는 질문: 위기는 평범한 행동에서 어떻게 시작될까요?

빠진 것: 에이전트의 행동 규칙은 사람에게서 측정한 것이 아니라 모델러가 골랐어요.

돌아가는 곳: 약 10^13 FLOPS 대략 상호작용하는 가구와 기업 수천 곳을 시뮬레이션하는 대학 클러스터 처음 등장: 1993 산타페 연구소의 초기 에이전트 기반 계산 경제학 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 금융 시장

전략이 서로 다른 트레이더들이 시뮬레이션된 시장에 주문을 내요.

답하는 질문: 폭락과 거품은 어디서 올까?

빠진 것: 실제 시장에는 장난감 같은 매매 규칙이 빠뜨린 규제, 뉴스, 드문 사건이 있어요.

돌아가는 곳: 약 10^13 FLOPS 대략 여러 거래 전략의 상호작용을 시뮬레이션하는 대학 클러스터 처음 등장: 1994 팔머, 아서와 동료들의 산타페 인공 주식 시장 [출처](https://deepblue.lib.umich.edu/items/18b0197f-305e-40c5-b9bf-98ca56549ca5) 시뮬레이션 트리에서: [인공 주식 시장](https://simulation-hypothesis.com/ko/trees/simulations?n=soc-santafe)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

### 금융 위험

투자 포트폴리오, 은행, 보험사가 맞을 수 있는 수천 가지 미래.

답하는 질문: 100년에 한 번 있을 손실은 얼마나 클까요?

빠진 것: 미래가 통계적으로 과거와 같다고 가정하는데, 위기에는 이것이 무너져요.

돌아가는 곳: 약 10^13 FLOPS 대략 수백만 건의 몬테카를로 시나리오를 돌리는 은행이나 보험사의 클러스터 처음 등장: 1994 위험 관리 부서들이 몬테카를로 VaR 모델을 일찍 도입한 사례

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 시장과 경매 설계

서로 다른 경매 규칙 아래 전략을 가지고 경쟁하는 입찰자.

답하는 질문: 어떤 규칙이 꼼수는 가장 적게 쓰이게 하면서 가장 공정한 가격을 얻을까?

빠진 것: 실제 입찰자는 전략이 가정하는 만큼 합리적으로 행동하지 않을 때가 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 경매 규칙 아래 입찰 전략을 시험하는 데스크톱 워크스테이션 처음 등장: 1961 빅리의 경매 이론, 훗날 시뮬레이션과 실험으로 검증됐어요.

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 인공 사회

에이전트가 자원이 있는 경관에서 모으고, 거래하고, 번식하며, 거기서 부의 분포와 교역이 나타나요.

답하는 질문: 어떤 단순한 규칙이면 사회의 큰 규모의 특징을 키워 낼 수 있을까?

빠진 것: 단순한 규칙은 엉뚱한 근본 이유로 현실 같은 패턴을 길러 낼 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 에이전트 경관 경제를 돌리는 데스크톱 워크스테이션 처음 등장: 1996 Epstein과 Axtell의 Sugarscape 모델 시뮬레이션 트리에서: [슈거스케이프](https://simulation-hypothesis.com/ko/trees/simulations?n=soc-sugarscape)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### AI가 설계한 경제 정책 시뮬레이션

학습하는 에이전트가 시뮬레이션된 경제에서 노동자 역할을 하는 동안, 훈련된 계획자가 평등과 생산성의 균형을 맞추는 세금 정책을 탐색해요.

답하는 질문: 학습하는 에이전트와 설계자는 어떤 세금 규칙으로 수렴할까?

빠진 것: 실제 사람은 학습하는 에이전트와 다르고, 경제 구조도 단순해요.

돌아가는 곳: 약 10^15 FLOPS 대략 대규모 강화 학습 처음 등장: 2020 The AI Economist (2020) [출처](https://arxiv.org/abs/2004.13332)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 에이전트 기반 거래소 시뮬레이터

전체 주문서와 시각이 찍힌 메시지가 있는 시뮬레이션 증권 거래소로, 학습하는 에이전트를 포함한 거래 에이전트가 상호작용해요.

답하는 질문: 매매 전략이나 규칙이 바뀌면 시장에는 어떤 영향이 있을까요?

빠진 것: 에이전트 행동은 양식화되어 있고, 시장 충격은 보정하기 어려워요.

돌아가는 곳: 약 10^11 FLOPS 대략 에이전트 수천 개의 사건 구동 실행 처음 등장: 2019 ABIDES: towards high-fidelity market simulation for AI research (2019) [출처](https://arxiv.org/abs/1904.12066)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)해상도: 규칙

### 주택 시장 행위자 기반 모델

소득이 있는 가구, 대출 규칙이 있는 은행, 한정된 주택 재고가 상호작용해서 레버리지와 신용이 가격과 채무 불이행을 어떻게 바꾸는지 보여 줘요.

답하는 질문: 대출 규칙은 어떻게 주택 시장의 호황과 불황을 낳을까요?

빠진 것: 가구의 행동은 규칙 기반이고 데이터도 자세하지 않아요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 수십만 명의 행위자. 처음 등장: 2012 Geanakoplos와 동료들, 주택 시장의 에이전트 기반 모델로 시스템 위험에 접근하기. [출처](https://doi.org/10.1257/aer.102.3.53)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

### 동적 확률적 일반 균형 모델

대표 가구와 기업이 무작위 충격 아래 시간에 걸쳐 선택하고, 이 모델로 그런 교란과 정책이 경제에 어떻게 영향을 주는지 추적해요.

답하는 질문: 경제는 충격이나 금리 변화에 어떻게 반응할까요?

빠진 것: 합리적인 대표 에이전트를 가정해서 위기를 쉽게 만들어 내지 못해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 하는 섭동 또는 베이즈 추정. 처음 등장: 1982 Kydland and Prescott, time to build and aggregate fluctuations. [출처](https://doi.org/10.2307/1913386)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 보험 재해 모델

시뮬레이션한 폭풍, 지진, 홍수 수천 건을 부동산 포트폴리오에 적용해서, 보험사가 맞닥뜨릴 수 있는 손실을 추정해요.

답하는 질문: 200년에 한 번 넘어서는 손실은 얼마일까?

빠진 것: 드문 극단 사건은 짧은 기록에 기대고, 건물의 취약성은 추정한 거예요.

돌아가는 곳: 약 10^11 FLOPS 대략 클러스터에서 대규모 사건 목록. 처음 등장: 1972 Friedman, 보험과 자연재해. [출처](https://doi.org/10.1017/s0515036100005699)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 은행 간 네트워크의 금융 전염

대출로 이어진 은행들에 충격을 주고, 하나에서 다음으로 번지는 부실을 추적해 시스템 위험을 재요.

답하는 질문: 은행 하나의 파산은 시스템을 통해 얼마나 멀리 퍼질까요?

빠진 것: 노출은 일부만 관측되고 은행의 행동은 고정돼 있어요.

돌아가는 곳: 약 10^7 FLOPS 대략 워크스테이션에서 청산 알고리즘. 처음 등장: 2001 Eisenberg와 Noe, 금융 시스템의 시스템 위험. [출처](https://doi.org/10.1287/mnsc.47.2.236.9835)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 규칙

### 운동론적 재산 교환 모델

에이전트가 충돌하는 기체 입자처럼 둘씩 무작위 액수의 돈을 거래하고, 부의 분포가 나타나요.

답하는 질문: 단순한 무작위 교환으로 관측된 불평등이 나올까요?

빠진 것: 교환 규칙은 생산, 신용, 제도를 무시해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 하는 수백만 번 교환의 시뮬레이션. 처음 등장: 2000 Dragulescu와 Yakovenko, 화폐의 통계 역학. [출처](https://doi.org/10.1007/s100510070114)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[입자와 N체](https://simulation-hypothesis.com/ko/simulations/methods#m-particles)해상도: 규칙

### 재난 경제 파급 모델

산업이 서로 공급하는 방식의 투입-산출 모델이 재난 뒤 생산 능력 상실을 맞으면, 부족이 공급망을 타고 연쇄적으로 퍼져요.

답하는 질문: 재난으로 일부 산업이 멈추면 전체 경제적 비용은 얼마일까?

빠진 것: 고정된 기술 계수는 경직성을 과장하고 기업이 공급업체를 바꾸는 것을 무시해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 하는 행렬 모델. 처음 등장: 2008 Hallegatte, an adaptive regional input-output model applied to the economic cost of Katrina. [출처](https://doi.org/10.1111/j.1539-6924.2008.01046.x)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 규칙

### 전력 시장 에이전트 기반 모델

발전기가 시장에 반복해서 입찰하며 이익에서 배우고, 가격 패턴은 규칙이 결과에 어떻게 영향을 주는지 보여 줘요.

답하는 질문: 경매 규칙은 더 낮은 가격으로 이어질까요, 아니면 담합 입찰로 이어질까요?

빠진 것: 기업의 학습 규칙은 가정한 거예요.

돌아가는 곳: 약 10^7 FLOPS 대략 워크스테이션에서 하는 반복 경매 시뮬레이션. 처음 등장: 2001 Bower와 Bunn, 균일 가격 경매와 차별 가격 경매의 효율에 대한 실험적 분석. [출처](https://doi.org/10.1016/s0165-1889%2800%2900036-1)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 전염병과 경제의 결합 모델

전염병 모델을 경제 모델과 연결해, 감염이 노동과 지출을 줄이고 경제적 선택이 감염의 확산을 바꾸게 해요.

답하는 질문: 살린 생명과 잃은 생산 사이의 맞바꿈은 어떨까?

빠진 것: 행동이 합리적이고 균일하다고 가정해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북에서 동적 최적화. 처음 등장: 2020 Eichenbaum, Rebelo, Trabandt, 전염병의 거시경제학. [출처](https://doi.org/10.3386/w26882)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 플래시 크래시 시장 모델

빠른 자동 매도자와 느린 펀더멘털 매수자를 포함한 여러 종류의 매매 에이전트가 선물 시장 모델에서 상호작용해서, 갑작스러운 가격 붕괴가 어떻게 쌓이고 회복되는지 보여 줘요.

답하는 질문: 큰 매도 주문과 얇은 유동성만으로 시장 전체의 가격 폭락이 촉발될 수 있을까요?

빠진 것: 에이전트의 전략은 알고리즘이 비밀인 실제 기업을 단순하게 대신한 것이라서, 그것이 들려주는 이야기는 검증된 것이 아니라 그럴듯한 것이에요.

돌아가는 곳: 약 10^11 FLOPS 대략 거래일 앙상블을 위한 클러스터 몇 시간. 처음 등장: 2012 Paddrik과 동료들이 2010년 플래시 크래시에 적용한 E-Mini S&P 500 선물 시장 행위자 기반 모델 [출처](https://doi.org/10.1109/cifer.2012.6327800)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 알고리즘 가격 담합

판매 결과로부터 배우는 가격 책정 프로그램을 시뮬레이션된 시장에 넣어, 서로 말 한마디 하지 않고도 함께 높은 가격을 매기게 되는지 살펴봐요.

답하는 질문: 학습 알고리즘을 쓰는 독립적인 판매자들이 가격을 경쟁 수준 위로 유지하게 될 수 있을까요?

빠진 것: 시장은 아주 작아서 기업이 몇 곳뿐이고 상품도 똑같지만, 실제 기업은 더 풍부한 정보와 설계를 써요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 수백만 번 되풀이하는 라운드. 처음 등장: 2019 Calvano, Calzolari, Denicolò, Pastorello의 AI 알고리즘 가격 책정과 담합 연구. [출처](https://doi.org/10.2139/ssrn.3304991)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 개체군

### 언어 모델 거시경제 에이전트

언어 모델 에이전트가 시뮬레이션된 경제에서 가계와 기업이 되어 얼마나 일하고, 쓰고, 저축할지를 말로 결정하고, 전체 산출과 물가 상승을 측정해요.

답하는 질문: 언어로 추론하는 에이전트가 실제 거시경제의 양상을 재현할까요?

빠진 것: 에이전트의 행동은 학습한 텍스트에서 나와서, 사람들이 실제로 행동하는 방식보다 경제에 대해 쓰는 글을 비추는 것일 수 있어요.

돌아가는 곳: 약 10^16 FLOPS 대략 수십 년의 시뮬레이션 시간 동안 에이전트 100명에게 수백만 번의 모델 호출. 처음 등장: 2023 Li and colleagues' EconAgent, language-model agents for simulating macroeconomic activities. [출처](https://arxiv.org/abs/2310.10436)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 개체군

## 인류학과 고고학

### 복원된 고대 사회

과거 사회의 농가들이 기후와 토양 기록으로 복원한 시뮬레이션 지형 위에서 살아가요. 예를 들면 미국 남서부의 선조 푸에블로 마을들이에요.

답하는 질문: 이 계곡에는 왜 사람이 정착했고, 왜 버려졌을까?

빠진 것: 자체로도 큰 불확실성을 지닌 기후와 작물 수확량 복원에 달려 있어요.

돌아가는 곳: 약 10^12 FLOPS 대략 시뮬레이션된 가구의 수 세기를 돌리는 대학 클러스터 처음 등장: 2002 액스텔, 엡스타인, 딘, 구머먼과 동료들의 롱하우스 계곡 케이옌타 아나사지 모델 [출처](https://profiles.wustl.edu/en/publications/population-growth-and-collapse-in-a-multiagent-model-of-the-kayen/) 시뮬레이션 트리에서: [인공 아나사지](https://simulation-hypothesis.com/ko/trees/simulations?n=soc-anasazi)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 인류의 확산

기후와 해안선이 바뀌면서 대륙으로 퍼져 나간 초기 인류 집단.

답하는 질문: 사람들은 언제, 어떤 경로로 각 대륙에 닿았을까?

빠진 것: 경로와 시기는 계속 바뀌는 기후와 유전적 추정에 달려 있어요.

돌아가는 곳: 약 10^12 FLOPS 대략 대륙에 걸친 개체군 확산을 시뮬레이션하는 대학 클러스터 처음 등장: 2008 2008년까지, 아프리카 밖으로의 인류 확산에 대한 초기 에이전트 기반 시뮬레이션

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 개체군

### 수렵 채집 경제

무리가 먹이를 찾고, 야영지를 옮기고, 음식을 나눠요.

답하는 질문: 수렵 채집인 사이에서 음식 나누기는 왜 보편적이 되었을까?

빠진 것: 살아남은 몇몇 집단의 민족지 데이터가 더 넓었던 고대의 다양성을 대신해요.

돌아가는 곳: 약 10^11 FLOPS 대략 한 무리의 채집과 나눔 결정을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1994 채집자의 음식 나눔 결정에 대한 초기 에이전트 기반 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 고대의 무역과 교환

길과 바닷길로 이어진 정착지 사이를 물건과 생각이 오가요.

답하는 질문: 흑요석과 도자기, 그리고 생각은 어떻게 그렇게 멀리까지 퍼졌을까요?

빠진 것: 남아 있는 유물은 실제로 움직인 모든 것 가운데 얇고 편향된 표본이에요.

돌아가는 곳: 약 10^11 FLOPS 대략 정착지 네트워크 전반의 교환을 모델링하는 데스크톱 워크스테이션 처음 등장: 2007 2007년까지, 로마 시대 무역로의 초기 네트워크 모델

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 인구통계 마이크로시뮬레이션

출생, 동반자 관계, 이주, 사망을 해마다 겪는 합성 인구.

답하는 질문: 인구는 어떻게 고령화되고, 연금과 돌봄에는 어떤 의미가 있을까요?

빠진 것: 개별 인생 사건 확률의 오차는 시뮬레이션된 한 평생에 걸쳐 복리로 불어나요.

돌아가는 곳: 약 10^13 FLOPS 대략 합성 인구의 인생 사건을 시뮬레이션하는 대학 클러스터 처음 등장: 1957 Orcutt가 처음 만든 미국 인구 마이크로시뮬레이션 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 몸

### 기념물 건축과 공학적 복원

고대 기념물의 구조 하중, 노동, 물류를 후보 공법으로 시뮬레이션해서, 남아 있는 유적이 견딜 수 있는 것과 없는 것에 견줘 시험해요.

답하는 질문: 이 기념물이 정말 전통이나 유력한 이론이 말하는 방식으로 지어질 수 있었을까요?

빠진 것: 서로 경쟁하는 여러 건축 방법이 남아 있는 증거에 똑같이 잘 맞는 경우가 많아요.

돌아가는 곳: 약 10^11 FLOPS 대략 구조 및 노동 물류 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1997 이집트 피라미드 건설 경사로가 어떻게 작동할 수 있었는지 시험한 초기 시뮬레이션

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

## 정책과 조직

### 세금·복지 마이크로시뮬레이션

세금이나 급여에 대한 제안된 변경을 실제 가구의 큰 표본에 적용해요.

답하는 질문: 이 변화로 누가 얻고 누가 잃으며, 얼마나 그럴까?

빠진 것: 사람들이 정책에 반응해 행동을 바꾸지 않는다고 가정하는데, 가끔은 바꿔요.

돌아가는 곳: 약 10^12 FLOPS 대략 대규모 가구 표본에 규칙을 적용하는 대학 클러스터 처음 등장: 1976 Orcutt와 동료들의 미국 세금 정책 DYNASIM 마이크로시뮬레이션

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 몸

### 세계 모델

인구, 식량, 산업, 자원, 오염을 전 지구 규모의 저량과 되먹임 고리로 나타내요.

답하는 질문: 자원이 한정된 세계가 계속 성장하면 어떻게 될까?

빠진 것: 전 지구 저량 몇 개만으로는 지역과 국가별 차이가 모두 가려져요.

돌아가는 곳: 약 10^10 FLOPS 대략 전 지구 저량-유량 모델을 푸는 데스크톱 워크스테이션 처음 등장: 1971 Forrester의 World2, World Dynamics에 발표됨. 1972년에 성장의 한계를 위한 World3가 뒤를 이음 [출처](https://en.wikipedia.org/wiki/World3) 시뮬레이션 트리에서: [월드3](https://simulation-hypothesis.com/ko/trees/simulations?n=soc-world3)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 조직과 팀

조직 안을 오가는 구성원, 문제, 결정

답하는 질문: 조직은 왜 그런 결정을 내릴까?

빠진 것: 실제 조직 정치와 성격은 의사결정 규칙으로 줄이기 어려워요.

돌아가는 곳: 약 10^10 FLOPS 대략 조직을 거쳐 움직이는 의사 결정을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1963 Cyert와 March의 조직 의사 결정 시뮬레이션 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 계산 가능 일반 균형 모델링

경제 전체의 산업, 가구, 정부를 한꺼번에 청산되어야 하는 시장 체계로 다시 짜서, 세금이나 무역 정책의 충격을 주고 가격과 생산이 어디에 자리 잡는지 봐요.

답하는 질문: 이 정책 변화 뒤에 경제 전체는 어떻게 스스로 균형을 다시 맞출까요?

빠진 것: 시장이 새 균형으로 깔끔하게 자리 잡는다고 가정해, 실제로는 무질서한 전환 과정을 무시해요.

돌아가는 곳: 약 10^11 FLOPS 대략 시장 청산 방정식의 큰 시스템을 푸는 소형 클러스터 처음 등장: 1972 쇼번과 웰리의 세금 정책 응용 일반 균형 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 제도적 부패와 청렴성 모델링

공무원과 시민이 뇌물을 줄지, 신고할지, 따를지를 정하는데, 저마다 부패가 이미 얼마나 흔한지와 걸릴 가능성이 얼마나 되어 보이는지에 반응해요.

답하는 질문: 부패는 왜 어떤 기관에서는 드물게 남고, 어떤 기관에서는 당연한 일이 될까?

빠진 것: 실제 부패는 원래 숨겨져 있어서, 모델에 들어가는 수치는 대략적인 추정이에요.

돌아가는 곳: 약 10^10 FLOPS 대략 에이전트 기반 규정 준수 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 2002 기관 안에서 부패가 퍼지는 방식의 초기 에이전트 기반 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 규칙

### 정책 확산 네트워크 모델

한 정부가 도입한 법이나 프로그램이 이웃 나라, 무역 상대국, 공통 전문가 네트워크 같은 그들 사이의 연결을 따라 다른 정부로 퍼져요.

답하는 질문: 어떤 정부는 정책을 빨리 따라 하고, 어떤 정부는 끝내 채택하지 않는 이유는 무엇일까?

빠진 것: 정책을 서류 위에서 베끼는 것은, 다른 곳에서도 똑같이 통하는지보다 모델링하기 쉬워요.

돌아가는 곳: 약 10^10 FLOPS 대략 정부 네트워크 전반의 정책 채택을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1990 1990년까지, 정부 사이 정책 확산의 초기 네트워크 모델

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

### 언어 모델 에이전트 조직

언어 모델 에이전트가 관리자, 프로그래머, 테스터 같은 역할을 맡아 협업해서 소프트웨어를 만들어요.

답하는 질문: 역할극 에이전트 팀이 여러 단계의 조직 과제를 수행할 수 있을까요?

빠진 것: 출력은 프롬프트에 달려 있고, 실제 사람 조직의 마찰은 없어요.

돌아가는 곳: 약 10^14 FLOPS 대략 프로젝트당 많은 모델 호출 처음 등장: 2023 ChatDev: communicative agents for software development (2023) [출처](https://arxiv.org/abs/2307.07924)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 언어에 기반한 협상 에이전트

에이전트가 언어 모델과 전략적 계획을 결합해, 다인용 게임에서 서로 대화하며 협상하고 동맹을 맺어요.

답하는 질문: 에이전트가 열린 협상에서 사람들을 설득하고 계획을 세울 수 있을까요?

빠진 것: 한 게임의 규칙뿐이고, 장기적인 신뢰에 대해서는 추론할 수 없어요.

돌아가는 곳: 약 10^16 FLOPS 대략 대규모 훈련과 플레이 중 계획 수립 처음 등장: 2022 Human-level play in the game of Diplomacy by combining language models with strategic reasoning (2022) [출처](https://doi.org/10.1126/science.ade9097)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 규칙

### 오피오이드 유행 시스템 다이내믹스

처방약 사용자, 오남용자, 헤로인 사용자, 사망자의 저량이 되먹임과 공급 제한, 치료 같은 정책 수단으로 서로 이어져 있어요.

답하는 질문: 어떤 정책 조합이 오피오이드 사망을 줄일까?

빠진 것: 불법 공급은 모델이 적응하는 것보다 더 빨리 변해요.

돌아가는 곳: 약 10^5 FLOPS 대략 노트북으로 돌리는 저량-유량 시뮬레이션. 처음 등장: 2013 Wakeland and colleagues, modelling the impact of simulated educational interventions on pharmaceutical opioid use. [출처](https://doi.org/10.1177/1090198113492767)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 깊은 불확실성 아래의 탐색적 모델링

모르는 입력과 정책의 조합 수천 가지에 모델을 돌려, 단일 예측에 최적인 전략이 아니라 견고한 전략을 찾아요.

답하는 질문: 어떤 정책이 가장 넓은 범위의 미래에서 받아들일 만할까?

빠진 것: 탐색하는 미래의 범위는 여전히 분석가가 정해요.

돌아가는 곳: 약 10^10 FLOPS 대략 클러스터에서 기본 모델의 실행 앙상블. 처음 등장: 1993 뱅크스, 정책 분석을 위한 탐색적 모델링. [출처](https://doi.org/10.1287/opre.41.3.435)

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 규칙

### 공급망 동역학과 채찍 효과

주문과 재고가 지연과 함께 공장, 유통업체, 소매업체를 거치며 흐르고, 수요의 작은 변화가 상류로 갈수록 큰 출렁임이 돼요.

답하는 질문: 수요의 작은 변화가 왜 상류에서는 거대한 주문 변동을 일으킬까?

빠진 것: 실제 기업은 모델이 빠뜨린 정보에 반응해요.

돌아가는 곳: 약 10^5 FLOPS 대략 노트북으로 돌리는 저량-유량 시뮬레이션. 처음 등장: 1958 Forrester, 산업 역학: 의사 결정자를 위한 큰 돌파구. [출처](https://doi.org/10.1007/978-3-642-27922-5%5F13)

[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)해상도: 규칙

## 법, 정의, 선거

### 선거와 투표 제도 시뮬레이션

같은 유권자와 후보 집단을 최다 득표제, 선호 투표제, 비례 대표제 같은 여러 투표 규칙에 넣고 돌려서, 실제로 누가 이길지 비교해요.

답하는 질문: 다른 투표 제도였다면 이 선거의 승자가 바뀌었을까?

빠진 것: 다른 제도라면 사람들이 투표하는 방식도 달라질 텐데, 유권자의 선호가 고정돼 있다고 가정해요.

돌아가는 곳: 약 10^10 FLOPS 대략 대안적인 투표 규칙으로 선거를 돌려 보는 데스크톱 워크스테이션 처음 등장: 1975 서로 다른 투표 규칙의 결과를 비교한 초기 컴퓨터 시뮬레이션

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 규칙

### 법원과 사건 흐름 시뮬레이션

사건이 도착해 심리를 기다리고 법원 체계의 단계를 거쳐 가는 과정으로, 적체가 어디서 생기는지와 판사나 법정이 더 있으면 어떻게 되는지 봐요.

답하는 질문: 이 법원의 밀린 사건을 처리하는 데 얼마나 걸리고, 실제로 무엇이 속도를 높일까요?

빠진 것: 실제 사건의 복잡성과 사람의 재량은 대기행렬 모델이 가정하는 것보다 더 다양해요.

돌아가는 곳: 약 10^10 FLOPS 대략 사례 흐름의 이산 사건 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1976 미국 법원 사건 적체의 초기 이산 사건 시뮬레이션

[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 규칙

### 형량과 재범 위험 모델링

사람의 기록된 이력을 통계 모델에 넣어 재범 가능성을 점수로 매기고, 가석방, 보석, 양형 결정에 참고해요.

답하는 질문: 비슷한 기록을 가진 사람들을 바탕으로 이 사람이 다시 범죄를 저지를 가능성은 얼마나 될까요?

빠진 것: 집단 통계로 만든 점수는 그것이 적용되는 한 사람에게는 어느 쪽으로든 틀릴 수 있어요.

돌아가는 곳: 약 10^11 FLOPS 대략 사례 기록에 위험 모델을 맞추는 데스크톱 워크스테이션 처음 등장: 1928 Burgess의 가석방 성공 예측 보험 계리 척도, 초기 위험 모델

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 규칙

### 치안과 순찰 배치 시뮬레이션

도시 전체의 순찰 부대와 신고 사건으로, 경찰관을 구역에 배치하는 여러 방식이 대응 시간과 관할 범위를 어떻게 바꾸는지 시험해요.

답하는 질문: 대응 시간을 가장 많이 줄이려면 순찰대를 어디로 보내야 할까?

빠진 것: 과거 범죄 데이터에는 경찰이 어디에 배치되었는지에 따른 과거의 편향이 담겨 있을 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 순찰 배치의 대기행렬 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1972 라슨의 경찰 순찰 배치를 위한 하이퍼큐브 대기행렬 모델

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)해상도: 몸

### 입법 협상과 연립 시뮬레이션

정책 공간에서 입장을 가진 정당들이 누가 제안하고 누가 동의해야 하는지에 대한 규칙에 따라 협상하고 연립을 구성해 법안을 통과시키거나 정부를 만들어요.

답하는 질문: 실제로 어떤 연합이 꾸려지고, 어떤 타협에 이를까?

빠진 것: 실제 연립은 공간 모델이 빠뜨리는 인물과 역사를 중심으로 만들어져요.

돌아가는 곳: 약 10^10 FLOPS 대략 공간적 연정 협상 모델을 푸는 데스크톱 워크스테이션 처음 등장: 1980 의회에서의 공간 투표와 연정 형성의 초기 시뮬레이션

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 규칙

### 배심원 의사결정 시뮬레이션

처음 생각이 서로 다른 배심원 한 명 한 명이 다수결이나 만장일치 같은 규칙 아래 숙의해서, 집단이 어떤 평결에 이르고 설득이 얼마나 일어나는지 살펴봐요.

답하는 질문: 평결이 증거의 강도를 반영할까요, 아니면 숙의의 역학만 반영할까요?

빠진 것: 실험실에서 모의 사건을 판단하는 배심원은 실제로 걸린 것이 있는 진짜 배심원처럼 행동하지 않을 수 있어요.

돌아가는 곳: 약 10^9 FLOPS 대략 사회적 의사결정 도식 숙의 모델을 돌리는 노트북 처음 등장: 1983 Davis와 동료들의 배심 숙의 사회적 의사결정 도식 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 범죄 다발 지역 동역학

범죄자들이 도시를 돌아다니다가 과거에 범죄가 있었던 곳에 끌려서, 커지고, 옮겨 가고, 단속에 반응하는 핫스팟이 만들어져요.

답하는 질문: 핫스팟은 어떻게 생기고, 순찰로 그것을 옮길 수 있을까요?

빠진 것: 범죄자의 동기는 단순화되어 있고 범죄 신고도 불완전해요.

돌아가는 곳: 약 10^7 FLOPS 대략 에이전트 기반 도시는 워크스테이션에서 돌아가요. 처음 등장: 2008 Short and colleagues, a statistical model of criminal behaviour. [출처](https://doi.org/10.1142/s0218202508003029)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

[◂ 농업과 식량](https://simulation-hypothesis.com/ko/simulations/agriculture-food)[공학과 기술 ▸](https://simulation-hypothesis.com/ko/simulations/engineering)