LLMエージェントが研究者と被験者の両方を担う時代が来ました。

この記事では、清華大学FIB Labが公開した研究環境「AgentSociety²」の仕組みと、社会科学研究の自動化がどこまで進んでいるかを整理します。

この記事でわかること

  • AgentSociety²が解決する社会科学研究の課題
  • AI社会科学家と硅基被験者の二重ロール設計
  • 文献検索から論文執筆までの閉ループ研究フロー
  • マイクロ・メゾ・マクロの7種類の実験検証
  • 導入方法と類似プロジェクトとの違い

社会科学研究が抱える構造的な壁

社会科学では、公共政策の試行錯誤や災害時の行動変化を、現実世界で何度も繰り返し検証するのは困難です。調査・インタビュー・実験室研究に加え、近年は計算社会科学が台頭しましたが、文献整理、仮説立案、実験設計、シミュレーション、分析、論文執筆は依然として別ツールに分散しています。

研究者が仮説を立てても、それをエージェント設定や環境ルール、介入条件、分析スクリプトに落とし込む作業は手作業が多く、研究の再現性とスピードを阻害します。AgentSociety²は、この断絶した工程を一つの実行環境に統合するために設計されています。

AgentSociety²とは

https://agentsociety2.fiblab.net/

AgentSociety²（AgentSociety 2）は、清華大学FIB Labが開発した「実行可能な社会科学（Executable Social Science）」向けの統合研究環境（Integrated Research Environment、略称IRE）です。2025年に発表された大規模社会シミュレーターAgentSociety 1を土台に、研究プロセスそのものをプラットフォーム内に取り込んだ後継版です。

AgentSociety 1は1万個超のLLMエージェントと500万回超の相互作用をシミュレートし、意見の極化や情報伝播、ユニバーサルベーシックインカム、ハリケーン衝撃などの社会問題を検証しました。AgentSociety²は規模拡大だけでなく、研究フローとシミュレーション社会を同一ランタイム上で接続する点が本質的な進化です。

公式ドキュメントでは、エージェントが担う二つの役割が明示されています。一つは文献統合や実験オーケストレーションを行う「エージェント科学者（agent scientists）」、もう一つは調査・アンケート・介入実験の被験者として機能する「硅基被験者（silicon subjects）」です。

二重ロール設計がもたらす変化

従来のAI Scientist系ツールは、研究者側の補助に留まることが多かったです。社会科学では研究対象が人と社会プロセスそのものであるため、被験者側の再現も不可欠です。AgentSociety²はAI社会科学家（AI Social Scientists）と硅基参加者（Silicon Participants）を同じ実行環境に配置し、仮説から実験データ取得までを閉ループ化します。

硅基被験者は「生成式社会エージェント（Generative Social Agents）」として設計されています。単一のプロンプトで役割を演じるのではなく、スキルベースのアーキテクチャで観察・認知・計画・記憶をモジュール化し、ReActループで行動を更新します。各エージェントは独立したワークスペースに状態・記憶・ログを保持するため、行動の追跡と再現が可能です。

環境側は「智能体化環境（Agentic Environments）」と呼ばれ、囚徒のジレンマ、公共財ゲーム、信頼ゲーム、心理実験、ソーシャルメディア空間、都市移動空間などをモジュールとして組み合わせられます。エージェントは自然言語で行動意図を伝え、CodeGenRouterが環境操作コードを生成して実行します。

文献から論文までの研究パイプライン

AgentSociety²の中核は、4つの研究パラダイム（実証・理論・計算・データ集約）を横断する閉ループパイプラインです。公式ドキュメントに記載された標準フローは次のとおりです。

literature-search → hypothesis → experiment-config → run-experiment → analysis → paper-orchestrator

文献検索スキルはarXiv、CrossRef、OpenAlexなど複数ソースから論文を取得し、ワークスペースのpapers/ディレクトリに保存します。仮説生成では、内部知識庫と外部検索を組み合わせ、仮説を理論根拠・実験設計・シミュレーションモジュールを含む構造化パッケージに変換します（参考）。

実験設計では研究記述層と実行設定層を分離し、init_config.jsonやsteps.yamlを生成してシミュレーションを駆動します。分析スキルはrun/replay/のデータをDuckDB経由で読み取り、レポートとチャートを出力します。論文執筆は独立したpaper-toolkitワークフローが担い、証拠監査とPDFコンパイルまで行います。

人間の研究者が最終判断を握るhuman-in-the-loop設計も公式に強調されています。AIは工程負担を下げ、研究者は理論判断と解釈に集中する分担が前提です。

7種類の多段階実験検証

研究チームは、マイクロ・メゾ・マクロの3スケールで7種類の実験を設計し、単一タスクに閉じたシステムより高い汎用性を示したと報告しています（参考）。

マイクロレベルでは社会規範実験、公共財ゲーム、心理調査（エンダウメント効果、自己高揚、IATなど）を扱います。メゾレベルではソーシャルメディア上の情報コクーンと意見極化を、1万個超のエージェントで検証します。マクロレベルでは都市移動シミュレーションと災害時の行動応答を空間・時間制約つきで再現します。

これらの実験で、既知の知見の再現、逸脱の検出、最適化された相互作用によるスケールアップが確認されたとされています。

技術基盤と導入方法

https://github.com/tsinghua-fib-lab/AgentSociety

AgentSociety²はApache 2.0ライセンスのオープンソースです。PyPIパッケージagentsociety2（2026年6月時点でv2.7.0）をpip install agentsociety2で導入でき、Python 3.11以上とLLM APIキーが必要です。

エージェント実行はRay Tasksでスケールし、推論パターンにはCodeGen（デフォルト）、ReAct、Plan-Execute、Two-Tier、Searchが用意されています。MCP（Model Context Protocol）対応によりツール拡張も可能です。CLI、REST API、VS Code拡張「AI Social Scientist」の3経路で操作でき、オンラインワークスペース（https://agentsociety2.fiblab.net/）を使えばローカル構築なしでも試せます。

実験データはSQLiteとJSONLリプレイで管理され、DuckDBによる高速読み取りと分散トレーシングに対応します。

類似プロジェクトとの違い

AgentSociety 1は大規模都市シミュレーションに強みを持つ一方、研究フローの統合は限定的でした。一般的なAI Scientistツールは文献検索やコード生成に特化しがちで、被験者シミュレーションと切り離されています。

AgentSociety²の差別化点は、研究オーケストレーションと社会シミュレーションを同一フレームワークで動かす点です。社会科学の実験設計・被験者行動・環境介入・結果分析を一貫したワークスペースで扱えるため、仮説の検証サイクルを短縮できます。

研究者とAI開発者への示唆

AgentSociety²は、LLMエージェントを「タスク実行器」ではなく「研究インフラ」として位置づけています。社会科学者にとっては、倫理・コストの制約下で反実仮想やメカニズム探索を試せる実験場になります。AI開発者にとっては、マルチエージェント推論、スキル設計、環境モジュール化、長期間シミュレーションの文脈管理といった実装パターンの参照になります。

硅基被験者が人間を代替するものではなく、現実世界の補完的な実験空間である点は公式に明記されています。それでも、仮説を実行可能な形に変換し、再現可能な証拠として蓄積する仕組みは、計算社会科学の次の基盤候補として注目に値します。