---
title: "Человеческое поведение и общество · Симуляции · Гипотеза симуляции"
url: https://simulation-hypothesis.com/ru/simulations/human-society
description: "Решения, толпы, мнения, рынки, прошлые общества и целые популяции. Часть таксономии симуляций, которые люди действительно запускают."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Гипотеза симуляции (simulation-hypothesis.com)"
---

[Симуляции](https://simulation-hypothesis.com/ru/simulations)область 8 из 18

# Человеческое поведение и общество

Решения, толпы, мнения, рынки, прошлые общества и целые популяции.

Здесь люди представлены как принимающие решения, как толпы, рынки и популяции. Модели намеренно простые. Часто смысл в том, чтобы показать, как мало личных намерений нужно для большого общественного узора. Антропологи и археологи используют те же инструменты, чтобы восстанавливать общества, которых уже нет. Поэтому это самые близкие реальные аналоги симуляций предков из гипотезы.

## Разум и решения

### Когнитивные архитектуры

Вычислительная модель человеческой памяти, внимания и рассуждения, которую запускают на той же задаче, что давали людям в лаборатории.

Вопрос, на который отвечает: Допускает ли модель те же ошибки с той же скоростью, что и люди?

Не учитывает: Подгонка человеческого времени реакции не доказывает, что модель использует настоящий механизм мозга.

Работает на: около 10^12 FLOPS приблизительно настольная рабочая станция, запускающая архитектуру на лабораторной задаче С: 1983 Создание Ньюэллом единой когнитивной архитектуры Soar

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Правила и состояния](https://simulation-hypothesis.com/ru/simulations/methods#m-rules)нижний уровень: Правила

### Модели принятия решений

Свидетельства накапливаются случайно, пока не пересекут порог; так объясняют выбор и время реакции.

Вопрос, на который отвечает: Почему люди меняют скорость на точность именно так?

Не учитывает: Предполагает, что свидетельства накапливаются с постоянной шумной скоростью; это упрощённая нейронная картина.

Работает на: около 10^9 FLOPS приблизительно ноутбук, подгоняющий модель дрейфа-диффузии под данные о выборе С: 1978 Модель принятия решений дрейфа и диффузии Рэтклиффа

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Модели обучения

Агенты учатся на награде и ошибке; модель подогнана под поведение людей и животных в экспериментах по обучению.

Вопрос, на который отвечает: Какое правило обучения лучше всего объясняет, как люди приспосабливаются к меняющимся шансам?

Не учитывает: Хорошо передаёт среднее поведение, но часто упускает индивидуальные различия в обучении.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, подгоняющая модель обучения с подкреплением С: 1972 Модель ассоциативного обучения Рескорлы и Вагнера

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Модели социального познания и теории разума

Представление агента о том, во что верит, чего хочет или что знает другой, вложенное внутрь него самого; оно объясняет, как люди предсказывают поведение друг друга и манипулируют им.

Вопрос, на который отвечает: На сколько уровней вглубь люди на самом деле рассуждают о том, что думают другие?

Не учитывает: Большинство моделей ограничивает вложенность убеждений небольшим числом уровней, хотя настоящие рассуждения менее регулярны.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая модель вложенных убеждений С: 1978 Теория разума Premack и Woodruff, позже формализованная вычислительно

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Правила и состояния](https://simulation-hypothesis.com/ru/simulations/methods#m-rules)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Правила

### Моделирование эмоций и аффекта

Смоделированная оценка ситуации, например угрозы или потери, превращается в эмоциональное состояние, которое затем смещает последующие решения агента.

Вопрос, на который отвечает: Как страх или злость на самом деле меняют последующий выбор?

Не учитывает: Правила оценки ситуации — это теория эмоций, принятая моделистом, а не прямое считывание чьих-либо чувств.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая модель эмоций на основе оценки ситуации С: 1988 Когнитивная модель эмоций Ортони, Клора и Коллинза

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Правила и состояния](https://simulation-hypothesis.com/ru/simulations/methods#m-rules)[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Правила

### Моделирование выбора при риске и неопределённости

Игры и решения прогоняют через модель того, как люди на самом деле взвешивают выигрыши, потери и вероятности, а не как это делал бы чисто рациональный агент.

Вопрос, на который отвечает: Почему выбор людей при риске так последовательно расходится с рациональным учебным ответом?

Не учитывает: Хорошо подгоняет средние смещения, но выбор отдельного человека может отклоняться от подогнанной кривой.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, подгоняющая модель выбора по теории перспектив С: 1992 Кумулятивная теория перспектив Тверски и Канемана о выборе при риске

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Правила

### Респонденты опросов на языковых моделях

Языковой модели дают демографический профиль и просят отвечать на вопросы опроса так, как ответил бы такой человек.

Вопрос, на который отвечает: Может ли модель заменить выборку опроса, чтобы предсказывать ответы групп?

Не учитывает: Наследует предвзятость и однородность обучающих текстов модели и слаба на группах, которых в них было мало.

Работает на: около 10^14 FLOPS приблизительно Одно обращение к модели на смоделированного респондента С: 2022 Out of One, Many: using language models to simulate human samples (2022) [источник](https://arxiv.org/abs/2209.06899)

[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

### Поведенческие эксперименты с языковыми моделями

Языковым моделям задают роли множества разных участников, чтобы воспроизвести классические эксперименты по психологии и экономике.

Вопрос, на который отвечает: Воспроизводит ли модель человеческие результаты классического исследования?

Не учитывает: Воспроизведение может отражать заученные исследования, а модель может не обобщаться на новые схемы.

Работает на: около 10^14 FLOPS приблизительно Много обращений к модели на эксперимент С: 2022 Using large language models to simulate multiple humans and replicate human subject studies (2022) [источник](https://arxiv.org/abs/2208.10264)

[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

## Социальная динамика

### Сортировка жителей по районам

Домохозяйства переезжают, когда среди соседей слишком мало похожих на них. Это модель Томаса Шеллинга о том, как мягкие предпочтения дают резкое разделение.

Вопрос, на который отвечает: Сколько личных предпочтений нужно, чтобы получился разделённый город?

Не учитывает: Настоящая сегрегация связана и с доходом, и с дискриминацией, и с историей, которых одни лишь мягкие предпочтения не объясняют.

Работает на: около 10^9 FLOPS приблизительно ноутбук, запускающий модель сегрегации Шеллинга на сетке С: 1971 Первоначальная модель сегрегации Шеллинга, которую разыгрывали вручную и позже перенесли на компьютер В дереве симуляций: [Сегрегация по Шеллингу](https://simulation-hypothesis.com/ru/trees/simulations?n=soc-schelling)

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Запустить интерактивную модель](https://simulation-hypothesis.com/ru/simulations/run#toy-schelling)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Клеточные автоматы](https://simulation-hypothesis.com/ru/simulations/methods#m-cellular-automata)нижний уровень: Тела

### Динамика мнений

Агенты подталкивают взгляды друг друга через контакты и сети.

Вопрос, на который отвечает: Когда группа приходит к согласию, а когда раскалывается на лагеря?

Не учитывает: В настоящих мнениях есть эмоции и идентичность, которых простые правила усреднения не улавливают.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, обновляющая мнения в социальной сети С: 1974 Модель итеративного объединения мнений ДеГрута, позднее смоделированная на сетях

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Тела

### Сотрудничество и нормы

Повторяющиеся игры доверия и обмана между многими игроками, с репутациями и наказанием.

Вопрос, на который отвечает: Как нормы сотрудничества и справедливости становятся устойчивыми?

Не учитывает: Настоящие репутации и наказание грязнее и медленнее, чем в чистых повторяющихся играх.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, проводящая турниры повторяющихся игр С: 1980 Компьютерные турниры Аксельрода по повторяющейся дилемме заключённого

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Распространение идей

Нововведения, привычки и слухи распространяются по социальным сетям.

Вопрос, на который отвечает: Почему одни идеи приживаются, а другие никогда не распространяются?

Не учитывает: Лучше предсказывает кривые распространения, чем объясняет, почему именно этот человек переключается.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, моделирующая распространение по социальной сети С: 1969 Математическая модель Басса распространения новых товаров, позднее смоделированная

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Формирование социальных сетей

Люди заводят и рвут связи по правилам вроде «друзья друзей» и сходства.

Вопрос, на который отвечает: Почему в больших сетях между почти любыми парами узлов короткие пути?

Не учитывает: Образование связей на самом деле зависит от географии и институтов, которые абстрактные правила пропускают.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, растящая сеть по правилу присоединения С: 1999 Модель предпочтительного присоединения Барабаши и Альберт для роста сетей

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Тела

### Эволюция языка

Агенты изобретают слова и грамматику, чтобы общаться, и передают их дальше.

Вопрос, на который отвечает: Как может возникнуть общий словарь, если никто не руководит?

Не учитывает: У настоящего языка грамматика и история намного богаче небольших словарей, которые вырабатывают агенты.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, на которой агенты изобретают общий словарь С: 1995 Ранние симуляции Стилса, где агенты придумывали общий словарь

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Культурная эволюция

Навыки, орудия и традиции копируются, улучшаются и теряются на протяжении поколений.

Вопрос, на который отвечает: Почему более крупные и лучше связанные популяции сохраняют более сложные технологии?

Не учитывает: Относится к культуре как к генам, передаваемым между людьми, и упускает, как идеи изобретают заново.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, моделирующая передачу признаков по поколениям С: 1981 Модели культурной передачи Кавалли-Сфорца и Фельдмана

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Эволюционные](https://simulation-hypothesis.com/ru/simulations/methods#m-evolutionary)нижний уровень: Популяции

### Общества агентов на языковых моделях

Десятки программных агентов на основе языковой модели, у каждого есть память и планы, живут в маленьком смоделированном городе и формируют социальное поведение.

Вопрос, на который отвечает: Какие социальные узоры возникают, когда агенты планируют и разговаривают на естественном языке?

Не учитывает: Поведение берётся из обучения языковой модели, а запуски дороги и их трудно воспроизвести.

Работает на: около 10^15 FLOPS приблизительно Тысячи обращений к модели на каждый смоделированный день С: 2023 Generative Agents: interactive simulacra of human behavior (2023) [источник](https://arxiv.org/abs/2304.03442)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

### Прототипы населённых социальных систем

Языковая модель создаёт сообщество смоделированных участников с постами и ответами, чтобы дизайнеры могли испытать соцсеть до запуска.

Вопрос, на который отвечает: Какое поведение может привлечь новое сообщество?

Не учитывает: Результат меняется от прогона к прогону, а злоумышленники реалистичны ровно настолько, насколько реалистичен запрос.

Работает на: около 10^13 FLOPS приблизительно Много обращений к модели на сообщество С: 2022 Social Simulacra (2022) [источник](https://arxiv.org/abs/2208.04024)

[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Правила

### Симуляция социальной платформы на языковых моделях

Платформу с лентами, подписками и рекомендациями населяют до миллиона пользователей под управлением модели, чтобы изучать распространение информации и стадное поведение.

Вопрос, на который отвечает: Как распространяются посты, мнения и дезинформация на платформе, где пользователи управляются моделями?

Не учитывает: Агенты гораздо более однородны, чем настоящие пользователи, а проверка в реальном мире ограничена.

Работает на: около 10^17 FLOPS приблизительно Вывод крупных моделей С: 2024 OASIS: open agent social interaction simulations with one million agents (2024) [источник](https://arxiv.org/abs/2411.11581)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Правила

### Симуляция петли обратной связи рекомендательных систем

Смоделированные пользователи и рекомендательная система взаимодействуют на протяжении многих раундов, чтобы показать, как рекомендации меняют выбор пользователей.

Вопрос, на который отвечает: Сужают ли рекомендательные системы то, что люди потребляют со временем?

Не учитывает: Поведение пользователей — стилизованная модель, а не измеренные предпочтения.

Работает на: около 10^10 FLOPS приблизительно Дешёвые повторные раунды С: 2017 How algorithmic confounding in recommendation systems increases homogeneity and decreases utility (2017) [источник](https://arxiv.org/abs/1710.11214)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Симуляция пользователей на языковых моделях для рекомендательных систем

Агенты на языковых моделях со вкусовыми профилями просматривают предложенное, оценивают его и бросают. Так они заменяют пользователей при проверке алгоритмов рекомендаций.

Вопрос, на который отвечает: Как пользователи отреагировали бы на новый алгоритм рекомендаций?

Не учитывает: Вкус агента — лишь приближение к настоящим вкусам.

Работает на: около 10^14 FLOPS приблизительно Много обращений к модели на смоделированного пользователя С: 2023 On generative agents in recommendation (2023) [источник](https://arxiv.org/abs/2310.10108)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

### Распространение дезинформации и слухов

Люди в кластерах решают поделиться историей по тому, сколько их контактов уже поделились, поэтому распространение зависит от структуры сети.

Вопрос, на который отвечает: Какая структура сети позволяет ложной истории стать вирусной?

Не учитывает: Алгоритмы платформ и мотивы тех, кто делится, упрощены.

Работает на: около 10^7 FLOPS приблизительно сетевое распространение на рабочей станции. С: 2018 Тёрнберг, эхокамеры и вирусная дезинформация: моделирование фейковых новостей как сложного заражения. [источник](https://doi.org/10.1371/journal.pone.0203958)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Популяции

### Миграция под климатическим давлением

Домохозяйства решают, уезжать ли из региона, исходя из дохода, климатических потрясений и социальных связей, а потоки между районами суммируются.

Вопрос, на который отвечает: Сколько людей переедет, если упадут осадки или доходы от фермерства?

Не учитывает: Правила решений предполагаются, а миграция имеет много причин.

Работает на: около 10^8 FLOPS приблизительно региональные агентные расчёты на рабочей станции. С: 2011 Kniveton и коллеги, агентно-ориентированные симуляции будущих изменений миграционных потоков для Буркина-Фасо. [источник](https://doi.org/10.1016/j.gloenvcha.2011.09.006)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Популяции

### Модели человеческой мобильности и миграции

Поток людей между местами предсказывают по численности населения и расстояниям, используя правила гравитационного или радиационного типа.

Вопрос, на который отвечает: Сколько людей ездит между двумя местами?

Не учитывает: Игнорирует транспортные расходы, границы и индивидуальные различия.

Работает на: около 10^6 FLOPS приблизительно расчёт матрицы потоков на ноутбуке. С: 2012 Simini и коллеги, универсальная модель закономерностей мобильности и миграции. [источник](https://doi.org/10.1038/nature10856)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Популяции

### Создание синтетического населения

Строится полный набор искусственных домохозяйств и людей, совпадающий с известными итогами реального города или страны, и каждому достаются возраст, работа, дом и семья.

Вопрос, на который отвечает: Как получить реалистичную копию всех жителей региона, не пользуясь ничьими реальными записями?

Не учитывает: Совпадают только итоги, которые публикует перепись, поэтому корреляции между чертами, которые не измерялись, выдуманы.

Работает на: около 10^9 FLOPS приблизительно часов на рабочей станции для страны. С: 1996 Создание синтетических базовых популяций Бекманом, Багерли и Маккеем. [источник](https://doi.org/10.1016/0965-8564%2896%2900004-3)

[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Популяции

## Толпы

### Динамика пешеходов и толпы

Каждый ходок обходит препятствия и других людей по социальным силам.

Вопрос, на который отвечает: Где на этой станции у толп возникают узкие места и как предотвратить давку?

Не учитывает: Настоящие толпы паникуют и ведут себя непредсказуемо так, как гладкие модели сил упускают.

Работает на: около 10^13 FLOPS приблизительно университетский кластер, моделирующий десятки тысяч ходоков С: 1995 Модель социальных сил Хелбинга и Молнара для движения пешеходов

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Непрерывные поля](https://simulation-hypothesis.com/ru/simulations/methods#m-continuum)нижний уровень: Тела

### Эмоции толпы и поведенческое заражение

Настроение или действие, например паника, ликование или смех, передаётся от человека к человеку в плотной толпе быстрее, чем кто-либо решал присоединиться.

Вопрос, на который отвечает: Как чувство или поступок распространяется по толпе незнакомцев?

Не учитывает: Правила заражения обычно угадывают по видеозаписям постфактум, а не измеряют вживую.

Работает на: около 10^11 FLOPS приблизительно настольная рабочая станция, моделирующая распространение настроения в толпе С: 2000 первые агентные модели эмоционального заражения при панике в толпе

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Тела

### Модели коллективных действий и точек перелома

Каждый человек готов присоединиться, только когда уже присоединилось достаточно других, так что переход толпы от тишины к совместным действиям зависит от набора индивидуальных порогов.

Вопрос, на который отвечает: Сколько людей должно сделать это первыми, чтобы остальные пошли следом?

Не учитывает: Предполагает, что порог у каждого заранее фиксирован, тогда как настоящие пороги сдвигаются, когда толпа приходит в движение.

Работает на: около 10^9 FLOPS приблизительно ноутбук, запускающий пороговый каскад по населению С: 1978 Пороговая модель коллективного поведения Грановеттера

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Коллективная оценка и мудрость толпы

Много независимых, каждая по себе шумных оценок одного числа, сложенных вместе, чтобы увидеть, насколько среднее ближе к истине, чем оценка любого одного человека.

Вопрос, на который отвечает: Когда усреднение многих догадок лучше, чем вопрос одному эксперту?

Не учитывает: Эффект усреднения исчезает, когда отдельные оценки перестают быть независимыми.

Работает на: около 10^9 FLOPS приблизительно ноутбук, который объединяет догадки методом Монте-Карло С: 1907 Анализ догадок толпы о весе быка Фрэнсисом Гальтоном

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Сетевые модели мобилизации на протест

Люди решают, присоединяться ли к протесту, по тому, сколько их знакомых уже идёт. Участие распространяется по сети, а не по толпе в одном месте.

Вопрос, на который отвечает: Как протестное движение вырастает от нескольких убеждённых людей до массовой явки?

Не учитывает: Вступление считается единым решением «да или нет» и упускает мелкие шаги настоящей приверженности.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, моделирующая вербовку по сети С: 1997 Сетевая модель участия в протесте Kim и Bearman

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Моделирование рисков болезней при массовых скоплениях людей

Необычайно плотное временное смешение людей на фестивале, паломничестве или спортивном событии моделируют, чтобы оценить, как быстро инфекция могла бы распространиться и угаснуть после того, как толпа разойдётся.

Вопрос, на который отвечает: Какой дополнительный риск болезни создаёт собрание стольких людей на несколько дней?

Не учитывает: Когда толпа разошлась, отследить, куда пойдут возникшие заражения, в основном невозможно.

Работает на: около 10^12 FLOPS приблизительно университетский кластер, моделирующий контакты на одном собрании С: 1987 моделирование вспышки менингита среди паломников при массовом скоплении

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Тела

## Экономики и рынки

### Макроэкономические модели

Целая экономика как типичные домохозяйства, фирмы, банки и центральный банк, которые реагируют друг на друга.

Вопрос, на который отвечает: Что станет с рабочими местами и ценами, если процентные ставки вырастут?

Не учитывает: Модели репрезентативного домохозяйства могут упускать динамику, порождаемую неравенством.

Работает на: около 10^12 FLOPS приблизительно настольный компьютер или небольшой кластер, решающий структурную макроэкономическую модель С: 1955 Ранняя компьютерная макроэконометрическая модель Клейна и Голдбергера

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Популяции

### Агентные экономики

Тысячи отдельных домохозяйств, фирм и банков покупают, продают, берут в долг и разоряются.

Вопрос, на который отвечает: Как кризисы начинаются из обычного поведения?

Не учитывает: Правила поведения агентов выбирает моделист, их не измеряли у людей.

Работает на: около 10^13 FLOPS приблизительно университетский кластер, моделирующий тысячи взаимодействующих домохозяйств и фирм С: 1993 первые агентные модели вычислительной экономики в Институте Санта-Фе

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Финансовые рынки

Трейдеры с разными стратегиями выставляют заявки на смоделированный рынок.

Вопрос, на который отвечает: Откуда берутся крахи и пузыри?

Не учитывает: На настоящих рынках есть регулирование, новости и редкие события, которых нет в игрушечных торговых правилах.

Работает на: около 10^13 FLOPS приблизительно университетский кластер, моделирующий взаимодействие множества торговых стратегий С: 1994 Искусственный фондовый рынок Санта-Фе, Palmer, Arthur и коллеги [источник](https://deepblue.lib.umich.edu/items/18b0197f-305e-40c5-b9bf-98ca56549ca5) В дереве симуляций: [Искусственный фондовый рынок](https://simulation-hypothesis.com/ru/trees/simulations?n=soc-santafe)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Тела

### Финансовый риск

Тысячи возможных вариантов будущего для портфеля, банка или страховщика.

Вопрос, на который отвечает: Насколько страшна потеря, которая бывает раз в сто лет?

Не учитывает: Предполагает, что будущее статистически похоже на прошлое, а в кризис это не так.

Работает на: около 10^13 FLOPS приблизительно кластер банка или страховой компании, который прогоняет миллионы сценариев Монте-Карло С: 1994 раннее внедрение группами управления рисками моделей Монте-Карло для стоимости под риском

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Популяции

### Дизайн рынков и аукционов

Участники торгов со своими стратегиями соревнуются по разным правилам аукциона.

Вопрос, на который отвечает: Какой набор правил даёт самую справедливую цену с наименьшими манипуляциями?

Не учитывает: Настоящие участники торгов не всегда ведут себя так рационально, как предполагают стратегии.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, проверяющая стратегии ставок по правилам аукциона С: 1961 Теория аукционов Викри, позднее проверенная симуляцией и экспериментом

[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Искусственные общества

Агенты собирают ресурсы, торгуют и размножаются на ландшафте ресурсов, и из этого возникают распределения богатства и торговля.

Вопрос, на который отвечает: Каких простых правил достаточно, чтобы вырастить крупные черты общества?

Не учитывает: Простые правила могут вырастить реалистично выглядящие узоры по неверной причине.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая агентную модель экономики на ландшафте С: 1996 Модель Sugarscape Эпштейна и Акстелла В дереве симуляций: [Sugarscape](https://simulation-hypothesis.com/ru/trees/simulations?n=soc-sugarscape)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Симуляция экономической политики, разработанной ИИ

Обучающиеся агенты выступают рабочими в симулированной экономике, а обученный планировщик ищет налоговую политику, которая уравновешивает равенство и производительность.

Вопрос, на который отвечает: К какому налоговому правилу приходят обучающиеся агенты и планировщик?

Не учитывает: Настоящие люди отличаются от обучающихся агентов, а структура экономики проста.

Работает на: около 10^15 FLOPS приблизительно Обучение с подкреплением в большом масштабе С: 2020 The AI Economist (2020) [источник](https://arxiv.org/abs/2004.13332)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

### Агентные симуляторы бирж

Смоделированная биржа с полной книгой заявок и сообщениями с отметками времени, где взаимодействуют торговые агенты, в том числе обучающиеся.

Вопрос, на который отвечает: Как торговая стратегия или изменение правила повлияют на рынок?

Не учитывает: Поведение агентов стилизовано, а влияние на рынок трудно откалибровать.

Работает на: около 10^11 FLOPS приблизительно Событийные прогоны с тысячами агентов С: 2019 ABIDES: towards high-fidelity market simulation for AI research (2019) [источник](https://arxiv.org/abs/1904.12066)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Дискретные события](https://simulation-hypothesis.com/ru/simulations/methods#m-discrete-event)нижний уровень: Правила

### Агентные модели рынка жилья

Домохозяйства с доходами, банки с правилами кредитования и ограниченный жилой фонд взаимодействуют. Видно, как кредитное плечо и кредит меняют цены и количество дефолтов.

Вопрос, на который отвечает: Как правила кредитования порождают подъёмы и спады на рынке жилья?

Не учитывает: Поведение домохозяйств задано правилами, а данные малодетальны.

Работает на: около 10^9 FLOPS приблизительно сотни тысяч агентов на рабочей станции. С: 2012 Геанакоплос с коллегами: подход к системному риску через агентную модель рынка жилья. [источник](https://doi.org/10.1257/aer.102.3.53)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Популяции

### Динамические стохастические модели общего равновесия

Типичные домохозяйство и фирма делают выбор во времени под случайными потрясениями, а модель показывает, как такие возмущения и политика влияют на экономику.

Вопрос, на который отвечает: Как экономика отвечает на потрясение или изменение процентной ставки?

Не учитывает: Предполагает рациональных типичных агентов и не умеет легко порождать кризисы.

Работает на: около 10^6 FLOPS приблизительно возмущения или байесовская оценка на ноутбуке. С: 1982 Kydland и Prescott, время на строительство и совокупные колебания. [источник](https://doi.org/10.2307/1913386)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Модели страховых катастроф

Тысячи смоделированных штормов, землетрясений или наводнений применяют к портфелю недвижимости, чтобы оценить убытки, с которыми мог бы столкнуться страховщик.

Вопрос, на который отвечает: Какой убыток превышается раз в 200 лет?

Не учитывает: Редкие экстремумы опираются на короткие записи, а уязвимость зданий оценена.

Работает на: около 10^11 FLOPS приблизительно большие каталоги событий на кластере. С: 1972 Фридман: страхование и природные опасности. [источник](https://doi.org/10.1017/s0515036100005699)

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Популяции

### Финансовое заражение в межбанковских сетях

Банки, связанные кредитами, получают удар, и прослеживаются сбои, которые переходят от одного к другому, чтобы измерить системный риск.

Вопрос, на который отвечает: Как далеко распространяется крах одного банка по системе?

Не учитывает: Воздействие наблюдается лишь частично, а поведение банков фиксировано.

Работает на: около 10^7 FLOPS приблизительно алгоритмы клиринга на рабочей станции. С: 2001 Айзенберг и Ное: системный риск в финансовых системах. [источник](https://doi.org/10.1287/mnsc.47.2.236.9835)

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Правила

### Кинетические модели обмена богатством

Агенты попарно обмениваются случайными суммами денег, как сталкивающиеся частицы газа, и возникает распределение богатства.

Вопрос, на который отвечает: Дают ли простые случайные обмены наблюдаемое неравенство?

Не учитывает: Правила обмена игнорируют производство, кредит и институты.

Работает на: около 10^6 FLOPS приблизительно симуляция миллионов обменов на ноутбуке. С: 2000 Драгулеску и Яковенко: статистическая механика денег. [источник](https://doi.org/10.1007/s100510070114)

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Частицы и задача N тел](https://simulation-hypothesis.com/ru/simulations/methods#m-particles)нижний уровень: Правила

### Модели экономических волн после бедствий

Модель «затраты — выпуск», описывающая, как отрасли снабжают друг друга, получает удар в виде потерянных мощностей после бедствия, и нехватка каскадом идёт по цепочке поставок.

Вопрос, на который отвечает: Каковы общие экономические потери, когда катастрофа останавливает некоторые отрасли?

Не учитывает: Фиксированные технические коэффициенты преувеличивают жёсткость и игнорируют то, что фирмы меняют поставщиков.

Работает на: около 10^6 FLOPS приблизительно матричные модели на ноутбуке. С: 2008 Hallegatte, адаптивная региональная межотраслевая модель, применённая к экономическому ущербу от урагана «Катрина». [источник](https://doi.org/10.1111/j.1539-6924.2008.01046.x)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)нижний уровень: Правила

### Агентные модели рынка электроэнергии

Генераторы многократно делают заявки на рынок и учатся на прибыли, а картина цен показывает, как правила влияют на результаты.

Вопрос, на который отвечает: Ведут ли правила аукциона к более низким ценам или к сговору участников?

Не учитывает: Правила обучения фирм заданы заранее.

Работает на: около 10^7 FLOPS приблизительно симуляция повторяющихся аукционов на рабочей станции. С: 2001 Бауэр и Банн: экспериментальный анализ эффективности аукционов с единой ценой и дискриминационных аукционов. [источник](https://doi.org/10.1016/s0165-1889%2800%2900036-1)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)[Эволюционные](https://simulation-hypothesis.com/ru/simulations/methods#m-evolutionary)нижний уровень: Популяции

### Связанные модели эпидемии и экономики

Эпидемическую модель связывают с моделью экономики: инфекция снижает работу и расходы, а экономический выбор меняет распространение.

Вопрос, на который отвечает: Каков компромисс между спасёнными жизнями и потерянным объёмом производства?

Не учитывает: Предполагается, что поведение рационально и однородно.

Работает на: около 10^6 FLOPS приблизительно динамическая оптимизация на ноутбуке. С: 2020 Эйхенбаум, Ребело и Трабандт: макроэкономика эпидемий. [источник](https://doi.org/10.3386/w26882)

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Популяции

### Модели биржевых «внезапных обвалов»

Несколько типов торговых агентов, в том числе быстрые автоматические продавцы и медленные покупатели, ориентирующиеся на фундаментальную стоимость, взаимодействуют в модели фьючерсного рынка. Видно, как может нарастать и восстанавливаться внезапное падение цены.

Вопрос, на который отвечает: Могут ли крупная заявка на продажу и тонкая ликвидность сами вызвать обвал цен по всему рынку?

Не учитывает: Стратегии агентов — простые замены настоящих фирм, чьи алгоритмы хранятся в секрете, поэтому рассказанная история правдоподобна, но не проверена.

Работает на: около 10^11 FLOPS приблизительно часов на кластере для ансамблей торговых дней. С: 2012 Агентная модель рынка фьючерсов E-Mini S&P 500, применённая ко внезапному обвалу 2010 года, Paddrik и коллеги. [источник](https://doi.org/10.1109/cifer.2012.6327800)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Дискретные события](https://simulation-hypothesis.com/ru/simulations/methods#m-discrete-event)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Популяции

### Сговор алгоритмов о ценах

Программы ценообразования, которые учатся на результатах продаж, помещают в смоделированный рынок, чтобы увидеть, не начнут ли они вместе назначать высокие цены, ни разу не поговорив.

Вопрос, на который отвечает: Могут ли независимые продавцы с обучающимися алгоритмами прийти к тому, чтобы держать цены выше конкурентных?

Не учитывает: Рынки крошечные, с несколькими фирмами и одинаковыми товарами, а настоящие фирмы используют более богатую информацию и устройство.

Работает на: около 10^9 FLOPS приблизительно миллионы повторных раундов на рабочей станции. С: 2019 Исследование Калвано, Кальцолари, Деничоло и Пасторелло об алгоритмическом ценообразовании ИИ и сговоре. [источник](https://doi.org/10.2139/ssrn.3304991)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)нижний уровень: Популяции

### Макроэкономические агенты на языковых моделях

Агенты на языковых моделях выступают домохозяйствами и фирмами в симулированной экономике: решают словами, сколько работать, тратить и откладывать, а затем измеряют общий выпуск и инфляцию.

Вопрос, на который отвечает: Воспроизводят ли агенты, рассуждающие на языке, закономерности настоящих макроэкономик?

Не учитывает: Поведение агентов берётся из текстов, которые они выучили, и может отражать то, что люди пишут об экономике, а не то, как они действуют.

Работает на: около 10^16 FLOPS приблизительно миллионы обращений к модели для сотни агентов за десятилетия смоделированного времени. С: 2023 EconAgent Li и коллег: агенты на языковых моделях для симуляции макроэкономической активности. [источник](https://arxiv.org/abs/2310.10436)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Популяции

## Антропология и археология

### Реконструированные древние общества

Земледельческие хозяйства прошлого общества живут на смоделированном ландшафте, восстановленном по данным о климате и почве, например деревни предков пуэбло на юго-западе США.

Вопрос, на который отвечает: Почему эту долину заселили и почему оставили?

Не учитывает: Зависит от реконструкций климата и урожайности, у которых своя большая неопределённость.

Работает на: около 10^12 FLOPS приблизительно университетский кластер, прогоняющий века жизни смоделированных домохозяйств С: 2002 Модель Акстелла, Эпштейна, Дина, Гумермана и коллег для анасази-кайента в долине Лонг-Хаус [источник](https://profiles.wustl.edu/en/publications/population-growth-and-collapse-in-a-multiagent-model-of-the-kayen/) В дереве симуляций: [Искусственные анасази](https://simulation-hypothesis.com/ru/trees/simulations?n=soc-anasazi)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Расселение человека

Первые человеческие популяции расселяются по континентам, пока меняются климат и береговые линии.

Вопрос, на который отвечает: Когда и какими путями люди добрались до каждого континента?

Не учитывает: Пути и даты зависят от климатических и генетических оценок, которые продолжают меняться.

Работает на: около 10^12 FLOPS приблизительно университетский кластер, моделирующий расселение популяции по континентам С: 2008 к 2008 году: первые агентные симуляции расселения людей из Африки

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Клеточные автоматы](https://simulation-hypothesis.com/ru/simulations/methods#m-cellular-automata)нижний уровень: Популяции

### Экономики охотников-собирателей

Группы собирают пищу, переходят на новое место стоянки и делят еду.

Вопрос, на который отвечает: Почему у собирателей дележ пищи стал всеобщим?

Не учитывает: Этнографические данные от горстки уцелевших групп заменяют более широкое древнее разнообразие.

Работает на: около 10^11 FLOPS приблизительно настольная рабочая станция, моделирующая решения группы о поиске пищи и дележе С: 1994 первые агентные модели решений об обмене пищей у собирателей

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Торговля и обмен в древности

Поселения, связанные тропами и морскими путями, между ними движутся товары и идеи.

Вопрос, на который отвечает: Как обсидиан, керамика и идеи путешествовали так далеко?

Не учитывает: Сохранившиеся артефакты составляют скудную и смещённую выборку из всего, что на самом деле перемещалось.

Работает на: около 10^11 FLOPS приблизительно настольная рабочая станция, моделирующая обмен в сети поселений С: 2007 к 2007 году: первые сетевые модели торговых путей римской эпохи

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Демографическая микросимуляция

Синтетическое население проживает рождения, партнёрства, переезды и смерти год за годом.

Вопрос, на который отвечает: Как будет стареть население и что это значит для пенсий и ухода?

Не учитывает: Ошибки в вероятностях отдельных событий жизни накапливаются за смоделированную жизнь.

Работает на: около 10^13 FLOPS приблизительно университетский кластер, моделирующий события в жизни синтетического населения С: 1957 Первая версия микросимуляционной модели населения США, Orcutt

Модели: [Человек](https://simulation-hypothesis.com/ru/entities/human)

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Тела

### Строительство памятников и инженерная реконструкция

Нагрузки на конструкцию, труд и логистику древнего монумента проверяют, моделируя возможные способы строительства и сравнивая с тем, что физические остатки способны и не способны выдержать.

Вопрос, на который отвечает: Мог ли этот памятник на самом деле быть построен так, как говорит предание или ведущая теория?

Не учитывает: Несколько конкурирующих способов строительства часто одинаково хорошо подходят к сохранившимся свидетельствам.

Работает на: около 10^11 FLOPS приблизительно настольная рабочая станция, запускающая структурную и трудовую логистическую модель С: 1997 первые симуляции, проверяющие, как могли работать пандусы для строительства египетских пирамид

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

## Политика и организации

### Микромоделирование налогов и пособий

Предложенное изменение налогов или пособий применяют к большой выборке настоящих домохозяйств.

Вопрос, на который отвечает: Кто выигрывает и кто проигрывает от этого изменения и насколько?

Не учитывает: Предполагает, что люди не меняют поведение в ответ на политику, а иногда меняют.

Работает на: около 10^12 FLOPS приблизительно университетский кластер, применяющий правила к большой выборке домохозяйств С: 1976 Микросимуляция налоговой политики США DYNASIM, Orcutt и коллеги

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Правила и состояния](https://simulation-hypothesis.com/ru/simulations/methods#m-rules)нижний уровень: Тела

### Модели мира

Население, еда, промышленность, ресурсы и загрязнение как запасы и контуры обратной связи в глобальном масштабе.

Вопрос, на который отвечает: Что случится с миром с конечными ресурсами при продолжающемся росте?

Не учитывает: Горстка глобальных запасов скрывает все региональные и национальные различия.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, решающая глобальную модель запасов и потоков С: 1971 World2 Форрестера, опубликованная в World Dynamics; за ней в 1972 году последовала World3 для «Пределов роста» [источник](https://en.wikipedia.org/wiki/World3) В дереве симуляций: [World3](https://simulation-hypothesis.com/ru/trees/simulations?n=soc-world3)

[Системная динамика](https://simulation-hypothesis.com/ru/simulations/methods#m-system-dynamics)нижний уровень: Популяции

### Организации и команды

Члены организации, проблемы и решения движутся по ней.

Вопрос, на который отвечает: Почему организации принимают именно такие решения?

Не учитывает: Настоящую организационную политику и личности трудно свести к правилам решений.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, моделирующая прохождение решений через организацию С: 1963 Имитационные модели принятия решений в организациях Сайерта и Марча

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Тела

### Моделирование вычислимого общего равновесия

Отрасли, домохозяйства и государство целой экономики собраны заново как система рынков, которые должны сойтись одновременно; затем на неё воздействуют налогом или торговой политикой, чтобы увидеть, где установятся цены и выпуск.

Вопрос, на который отвечает: Как вся экономика перестраивается после этого изменения политики?

Не учитывает: Предполагает, что рынки чисто переходят к новому равновесию, и не учитывает беспорядочный переход на практике.

Работает на: около 10^11 FLOPS приблизительно небольшой кластер, решающий большую систему уравнений равновесия рынка С: 1972 Прикладная модель общего равновесия налоговой политики Шовена и Уолли

[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Популяции

### Моделирование институциональной коррупции и добросовестности

Чиновники и граждане решают, давать ли взятку, сообщать или подчиняться, каждый с оглядкой на то, насколько уже распространена коррупция и насколько вероятно попасться.

Вопрос, на который отвечает: Почему коррупция остаётся редкой в одних институтах и становится нормой в других?

Не учитывает: Настоящая коррупция скрыта по замыслу, поэтому числа, питающие модель, — грубые оценки.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая агентную модель соблюдения правил С: 2002 первые агентные модели того, как коррупция распространяется внутри учреждения

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)нижний уровень: Правила

### Сетевые модели распространения политики

Принятие одним правительством закона или программы распространяется на другие по связям между ними: соседи, торговые партнёры или общие профессиональные сети.

Вопрос, на который отвечает: Почему одни правительства быстро копируют политику, а другие вообще её не принимают?

Не учитывает: Скопировать политику на бумаге легче смоделировать, чем то, работает ли она так же в другом месте.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, моделирующая распространение практик по сети правительств С: 1990 к 1990 году: первые сетевые модели распространения политики между правительствами

[Сетевые модели](https://simulation-hypothesis.com/ru/simulations/methods#m-network)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Популяции

### Организации из агентов на языковых моделях

Агенты на языковых моделях берут роли менеджера, программиста и тестировщика и вместе делают программу.

Вопрос, на который отвечает: Может ли команда агентов с ролями выполнить многошаговую организационную задачу?

Не учитывает: Результат зависит от запросов, а настоящего человеческого трения внутри организаций нет.

Работает на: около 10^14 FLOPS приблизительно Много обращений к модели на проект С: 2023 ChatDev: communicative agents for software development (2023) [источник](https://arxiv.org/abs/2307.07924)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)нижний уровень: Правила

### Переговорные агенты, опирающиеся на язык

Агенты сочетают языковую модель со стратегическим планированием, чтобы вести переговоры и создавать союзы в многопользовательской игре, разговаривая друг с другом.

Вопрос, на который отвечает: Может ли агент убеждать и планировать вместе с людьми в открытых переговорах?

Не учитывает: Правила только одной игры, и она не может рассуждать о долгосрочном доверии.

Работает на: около 10^16 FLOPS приблизительно Масштабное обучение плюс планирование во время игры С: 2022 Human-level play in the game of Diplomacy by combining language models with strategic reasoning (2022) [источник](https://doi.org/10.1126/science.ade9097)

[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)нижний уровень: Правила

### Системная динамика эпидемии опиоидов

Запасы потребителей рецептурных препаратов, злоупотребляющих ими, потребителей героина и умерших связаны обратной связью и рычагами политики, такими как ограничение поставок и лечение.

Вопрос, на который отвечает: Какое сочетание мер снижает смертность от опиоидов?

Не учитывает: Незаконное предложение меняется быстрее, чем модели успевают подстраиваться.

Работает на: около 10^5 FLOPS приблизительно моделирование запасов и потоков на ноутбуке. С: 2013 Моделирование влияния смоделированных образовательных вмешательств на применение фармацевтических опиоидов, Уэйкленд с коллегами. [источник](https://doi.org/10.1177/1090198113492767)

[Системная динамика](https://simulation-hypothesis.com/ru/simulations/methods#m-system-dynamics)нижний уровень: Популяции

### Исследовательское моделирование при глубокой неопределённости

Модель прогоняют по тысячам сочетаний неизвестных входных данных и мер политики, чтобы найти стратегии, устойчивые, а не оптимальные для одного прогноза.

Вопрос, на который отвечает: Какая политика приемлема для самого широкого круга возможных вариантов будущего?

Не учитывает: Диапазон исследуемых вариантов будущего по-прежнему выбирает аналитик.

Работает на: около 10^10 FLOPS приблизительно ансамбли прогонов базовой модели на кластере. С: 1993 Бэнкс: исследовательское моделирование для анализа политики. [источник](https://doi.org/10.1287/opre.41.3.435)

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Правила

### Динамика цепочек поставок и эффект хлыста

Заказы и запасы идут через завод, дистрибьютора и розничного продавца с задержками, а небольшие изменения спроса вырастают в большие колебания выше по цепочке.

Вопрос, на который отвечает: Почему малые изменения спроса вызывают огромные колебания заказов выше по цепочке?

Не учитывает: Настоящие фирмы реагируют на информацию, которую модель опускает.

Работает на: около 10^5 FLOPS приблизительно моделирование запасов и потоков на ноутбуке. С: 1958 Forrester, industrial dynamics: a major breakthrough for decision makers. [источник](https://doi.org/10.1007/978-3-642-27922-5%5F13)

[Системная динамика](https://simulation-hypothesis.com/ru/simulations/methods#m-system-dynamics)[Дискретные события](https://simulation-hypothesis.com/ru/simulations/methods#m-discrete-event)нижний уровень: Правила

## Право, правосудие и выборы

### Симуляция выборов и систем голосования

Один и тот же набор избирателей и кандидатов прогоняют по разным правилам голосования, например мажоритарному, ранжированному или пропорциональному, чтобы сравнить, кто на самом деле выиграл бы.

Вопрос, на который отвечает: Изменила бы другая система голосования победителя на этих выборах?

Не учитывает: Предполагает, что предпочтения избирателей остаются неизменными, хотя другая система изменила бы то, как люди голосуют.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, проводящая выборы по разным правилам голосования С: 1975 первые компьютерные симуляции, сравнивающие исходы при разных правилах голосования

[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)нижний уровень: Правила

### Симуляция судов и потока дел

Дела поступают, ждут слушаний и проходят стадии судебной системы; так видно, где копится очередь и что с ней сделает больше судей или залов.

Вопрос, на который отвечает: Сколько времени уйдёт на разбор накопившихся дел этого суда и что действительно ускорило бы его?

Не учитывает: Настоящая сложность дел и человеческое усмотрение меняются сильнее, чем предполагает модель очередей.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая дискретно-событийную модель потока дел С: 1976 первые дискретно-событийные симуляции отставания судебных дел в США

[Дискретные события](https://simulation-hypothesis.com/ru/simulations/methods#m-discrete-event)[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Правила

### Моделирование вынесения приговоров и риска рецидива

Записанную историю человека прогоняют через статистическую модель, которая оценивает вероятность повторного преступления; её используют при решениях об условно-досрочном освобождении, залоге или приговоре.

Вопрос, на который отвечает: Насколько вероятно, что этот человек совершит преступление снова, судя по людям с похожим прошлым?

Не учитывает: Оценка, построенная по групповой статистике, может оказаться неверной для одного человека, к которому её применяют, в любую сторону.

Работает на: около 10^11 FLOPS приблизительно настольная рабочая станция, подгоняющая модель риска к записям о случаях С: 1928 Актуарная шкала Бёрджесса, предсказывающая успех условно-досрочного освобождения, — ранняя модель риска

[Выученные эмуляторы](https://simulation-hypothesis.com/ru/simulations/methods#m-learned)[Монте-Карло](https://simulation-hypothesis.com/ru/simulations/methods#m-monte-carlo)нижний уровень: Правила

### Симуляция работы полиции и размещения патрулей

Патрульные группы и сообщённые происшествия по городу. Так проверяют, как разные способы закрепления офицеров за районами меняют время реагирования и охват.

Вопрос, на который отвечает: Куда отправлять патрули, чтобы сильнее всего сократить время отклика?

Не учитывает: Исторические данные о преступности могут закрепить прошлые перекосы в том, где размещали полицейских.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, запускающая модель очередей для размещения патрулей С: 1972 Гиперкубовая модель очередей Ларсона для размещения полицейских патрулей

[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)[Дискретные события](https://simulation-hypothesis.com/ru/simulations/methods#m-discrete-event)нижний уровень: Тела

### Симуляция законодательных торгов и коалиций

Партии с позициями в пространстве политики договариваются и образуют коалиции, чтобы принять закон или сформировать правительство. Правила определяют, кто предлагает и чьё согласие нужно.

Вопрос, на который отвечает: Какая коалиция на самом деле сложится и на каком компромиссе остановится?

Не учитывает: Настоящие коалиции складываются вокруг личностей и истории, которые пространственная модель опускает.

Работает на: около 10^10 FLOPS приблизительно настольная рабочая станция, решающая пространственную модель торга за коалицию С: 1980 первые симуляции пространственного голосования и образования коалиций в парламентах

[Теория игр](https://simulation-hypothesis.com/ru/simulations/methods#m-game-theory)[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)нижний уровень: Правила

### Симуляция принятия решений присяжными

Отдельные присяжные с разными начальными взглядами совещаются по правилам, например большинства или единогласия. Так видно, какой вердикт получится и сколько убеждения потребуется группе.

Вопрос, на который отвечает: Отражает ли вердикт силу доказательств или только динамику обсуждения?

Не учитывает: Лабораторные присяжные, разбирающие учебные дела, могут вести себя иначе, чем настоящие присяжные, когда на кону настоящая цена ошибки.

Работает на: около 10^9 FLOPS приблизительно ноутбук, запускающий модель обсуждения по социальной схеме решения С: 1983 Социальные модели схем решения для обсуждения присяжных Дэвиса с коллегами

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Стохастические процессы](https://simulation-hypothesis.com/ru/simulations/methods#m-stochastic)нижний уровень: Правила

### Динамика очагов преступности

Правонарушители ходят по городу и тянутся к местам, где раньше были преступления. Возникают очаги, которые растут, перемещаются и реагируют на работу полиции.

Вопрос, на который отвечает: Как образуются горячие точки и могут ли патрули их сдвинуть?

Не учитывает: Мотивы преступников упрощены, а регистрация преступлений неидеальна.

Работает на: около 10^7 FLOPS приблизительно агентная модель города работает на рабочей станции. С: 2008 Short и коллеги, статистическая модель преступного поведения. [источник](https://doi.org/10.1142/s0218202508003029)

[Агентные](https://simulation-hypothesis.com/ru/simulations/methods#m-agent-based)[Дифференциальные уравнения](https://simulation-hypothesis.com/ru/simulations/methods#m-equations)нижний уровень: Популяции

[◂ Сельское хозяйство и продовольствие](https://simulation-hypothesis.com/ru/simulations/agriculture-food)[Инженерия и технологии ▸](https://simulation-hypothesis.com/ru/simulations/engineering)