UNSW 助攻 GenAISim 政策模擬器

UNSW 給 Dr Yunchen Hua 12 個月 fellowship，推進 GenAISim 和 SOCIA，把政策問題轉成可執行的 AI 模擬。

這篇在講一個很實際的題目。UNSW 讓 Dr Yunchen (Devin) Hua 拿到 Founders Engineering Spinout Fellowship。時間是 12 個月。目標很直白，就是把研究做成能用的產品。

這案子不是空談。它放在 ARC Centre of Excellence for Automated Decision-Making and Society 裡。團隊還有一篇 ACL 2026 接受發表的論文。講白了，這不是只會畫餅的 AI 專案。

GenAISim 想解的痛點

政策單位最怕什麼。最怕決策做下去，才發現副作用一堆。傳統模擬器常常太硬。要嘛建置麻煩，要嘛更新很慢，要嘛根本看不懂。

GenAISim 想做的是把這件事變簡單。它把 generative AI 和模擬流程接起來。重點是多方互動，不是單一數字跑到底。這很適合都市規劃、社會政策、公共治理這種場景。

它的核心概念很像先試跑，再下決定。你可以先看不同政策在不同人群、機構、誘因下會怎麼變。這比只看 Excel 表好太多。因為現實世界從來不是線性的。

• 把政策需求半自動轉成模擬程式。
• 保留人類審核，不讓 AI 自己亂來。
• 讓使用者能檢查模擬怎麼建出來。
• 盡量用真實資料，不只靠合成輸出。

SOCIA 在做什麼

SOCIA 全名是 Simulation Orchestration for Computational Intelligence with Agents。名字很長。功能其實很單純。它把政策問題，翻成可執行的模擬結構。

這一步很重要。很多 AI 工具死在最後一哩。論文看起來很漂亮，實際上沒人敢拿來用。因為太黑箱、太脆、太難改。SOCIA 想解的就是這個。

它不是要取代決策者。這點我覺得很重要。真正有用的工具，是幫你縮小不確定性。它會把風險、取捨、可能失敗的地方先攤開。

“It is truly through the collective efforts and collaboration of all the universities and research institutions involved that this project was established, which has given me the opportunity to pursue this line of research and ultimately led to this opportunity,” said Dr Hua.

Flora Salim 也提到，這個 fellowship 讓團隊更接近實際影響。這句話很務實。因為政策模擬工具的價值，不在 demo 多炫，而在能不能幫人少踩坑。

Dr Hua 的研究背景也很對味。他做 NLP、LLM、knowledge graphs、dialogue systems、machine learning、deep learning、reinforcement learning 和 causality。這種組合，才有機會把自然語言政策描述轉成機器可跑的規則。

學術訊號和商轉訊號對上了

很多 fellowship 聽起來很漂亮，實際上只是短期資源補貼。這案子比較不一樣。它背後有論文，有研究團隊，也有明確的技術名詞。SOCIA-EVO 這篇作品已經進了 ACL。這不是隨便丟個簡報就能拿到的東西。

ACL 是語言技術圈很重要的會議。能進去，至少代表研究方法和實驗設計過了一關。對政策模擬這種跨領域題目來說，這很重要。因為你不只要會做，還要能證明你做得有道理。

商轉跟學術常常卡在不同節奏。學術要新。政府和企業要穩。要可解釋。要能維護。要能配合流程。12 個月的 fellowship，剛好就是測試這條轉換帶的時間。

• UNSW Founders Engineering Spinout Fellowship：12 個月支持早期研究商轉。
• ADM+S：GenAISim 的研究基地。
• ACL 2026：SOCIA-EVO 的發表舞台。
• UNSW：這次 spinout 路線的主體學校。

如果 SOCIA 能維持透明度，這東西就有機會進入 policy lab、城市規劃、研究單位。反過來說，如果它只是另一個漂亮 demo，那就會很快被忘掉。這種工具最怕的，就是只在會議室裡活著。

跟其他工具比，差在哪

傳統模擬工具通常有兩種毛病。第一種是太工程化。第二種是太抽象。前者難用，後者難信。GenAISim 想走中間路線。它不是純黑箱，也不是純手工。

和一般 LLM API 工具比，它更像一個工作流系統。它會把政策語句拆成可執行步驟。這很像把自然語言當介面，但底層還是保留模擬邏輯。這樣做的好處，是比較容易追蹤每一步怎麼來。

和一般決策支援軟體比，它的差異在互動。不是只給你一張報表。它想讓你問更多次「如果改這個，會怎樣」。這才是政策模擬真正值錢的地方。

• 比起純 LLM，它多了模擬結構。
• 比起傳統 simulator，它更重視自然語言介面。
• 比起黑箱預測，它強調可檢查性。
• 比起一次性報表，它支援反覆試算。

我覺得這類工具最有機會先落地的地方，不是中央政府。比較可能是地方政府、研究機構、智庫，或需要快速做情境分析的團隊。因為這些單位更常遇到資料不完整、問題又很複雜的狀況。

這波背後的產業脈絡

AI 這兩年很熱，但真正有用的產品，常常不是聊天機器人。反而是那些把 AI 接進流程的工具。像是文件處理、程式生成、客服工單、風險分析，都是這種路線。GenAISim 也在這條路上。

政策科技一直有市場，只是以前做法太重。現在有 LLM 之後，很多自然語言工作可以先自動化一段。問題是，最後還是得接到可驗證的系統。這也是為什麼 SOCIA 這種「把問題變成模擬」的工具值得看。

如果你是工程師，這案子也有啟發。AI 不一定要直接回答問題。它也可以幫你搭骨架，幫你生流程，幫你做 scenario generation。真正難的，不是生成文字，而是生成可以被人用的結構。

接下來要看什麼

接下來 12 個月，重點很簡單。GenAISim 能不能從研究走到實用。它要證明三件事。可理解。可修改。可信任。少一項都不行。

如果它做得到，這類工具會變成政策分析的新型工作台。做不到，也沒關係。至少它會告訴大家，AI 在政策模擬裡，哪裡真的有用，哪裡只是看起來很猛。

我會繼續盯兩件事。第一，SOCIA-EVO 的技術細節有沒有公開。第二，fellowship 期間有沒有出現可試用的產品版本。這兩個答案，會決定它是研究新聞，還是實際工具。