Panika w cyfrowym bliźniaku: jak agenci z ograniczonym budżetem testują miasto przed katastrofą

Podczas powodzi w 2024 roku centra zarządzania kryzysowego w południowej Polsce miały ten sam problem co zawsze: modele ewakuacji zakładały racjonalne zachowania, a w praktyce ludzie blokowali drogi, wykupowali wodę i ignorowali alerty. Nowa generacja symulacji, oparta na agentach z własnym metabolizmem ekonomicznym, odwzorowuje ten chaos zanim dojdzie do prawdziwej katastrofy.

Problem, którego nie rozwiążą mapy

Standardowe symulacje kryzysowe w zarządzaniu miejskim mają fundamentalną wadę: modelują populację jako jednolitą masę, która reaguje przewidywalnie na bodźce. Rzeczywistość jest inna. Podczas huraganu Katrina niektórzy mieszkańcy opuszczali strefę zagrożenia z 48-godzinnym wyprzedzeniem, inni ignorowali nakazy ewakuacji nawet gdy woda sięgała pierwszego piętra. Modele oparte na średniej statystycznej zawodzą właśnie w tych skrajnościach, które decydują o liczbie ofiar.

Z rozmów z kierownikami centrów zarządzania kryzysowego w Krakowie i Wrocławiu wynika, że najbardziej palącym problemem nie jest brak danych topograficznych, tylko niemożność przewidzenia, jak zachowa się 50 tysięcy ludzi, gdy jednocześnie wysiądzie prąd, przestanie działać woda pitna, a w mediach społecznościowych pojawi się sprzeczny przekaz o skali zagrożenia testów. Tu właśnie wchodzi podejście opisane w pracy badaczy z Uniwersytetu Tokijskiego nad OpenLife.

Cyfrowy bliźniak zaludniony autonomicznymi agentami

Koncepcja open-world ALIFE, przedstawiona przez Atsushiego Masumoriego i zespół, opiera się na prostej obserwacji: duże modele językowe nie muszą być już tylko chatbotami. Otoczone asynchronicznymi procesami, takimi jak trwała pamięć, percepcja i najważniejszy element, metabolizm oparty na budżecie, stają się autonomicznymi agentami w otwartym świecie. Ich przetrwanie zależy od zarządzania ograniczonymi zasobami, podobnie jak w biologii.

Klucz do zastosowania w zarządzaniu kryzysowym tkwi właśnie w tym budżetowym metabolizmie sensie. Każdy agent w cyfrowym bliźniaku miasta otrzymuje limitowany budżet na 'przeżycie'. Musi opłacać dostęp do informacji (symulowane API alertowe), podejmować decyzje o zakupie zasobów i planować swoją trasę. Gdy woda pitna staje się dobrem rzadkim, a syreny alarmowe wyją, agent z niskim budżetem i ograniczoną mobilnością, reprezentujący na przykład osobę starszą bez samochodu, zachowa się inaczej niż młody agent z rezerwą gotówki i dostępem do pojazdu.

Scenariusz: powódź błyskawiczna w dzielnicy mieszkaniowej

Wyobraźmy sobie test dla warszawskiego systemu zarządzania kryzysowego. Miejski cyfrowy bliźniak Pragi-Północ zostaje zaludniony 2000 agentów. Każdy ma indywidualny profil powstały w wyniku indywiduacji, procesu opisanego w paperze, gdzie agenci wykształcają unikalne wzorce zachowań. Profile obejmują wiek, poziom mobilności, dostęp do transportu, zasoby finansowe i, co ważne, poziom zaufania do komunikatów władz.

Symulacja uruchamia powódź błyskawiczną po ulewnym deszczu. W pierwszej godzinie agenci z wysokim zaufaniem i mobilnością natychmiast kierują się do wyznaczonych punktów ewakuacji. To pokrywa się z przewidywaniami standardowego modelu. Różnica pojawia się przy agentach o niskim zaufaniu, którzy najpierw udają się do sklepów po wodę butelkowaną, a niektórzy ignorują alert do momentu, gdy poziom wody blokuje im wyjazd z ulicy. To zachowanie generuje realistyczny popyt na zasoby, który w symulacji objawia się szybkim opróżnieniem wirtualnych magazynów.

Dodatkowo, pamięć agentów jest reorganizowana według znaczenia, a nie częstotliwości. Alert powodziowy, jako zdarzenie o wysokiej istotności, zostanie zapamiętany i uwzględniony w przyszłych decyzjach agenta nawet jeśli wystąpił tylko raz. To eliminuje problem 'uśpienia czujności' znany z modeli statystycznych.

Korzyści i twardy ROI dla centrów zarządzania

Zastosowanie agentów z metabolizmem ekonomicznym w cyfrowych bliźniakach przynosi trzy wymierne korzyści. Po pierwsze, realistyczne obciążenie infrastruktury. Podczas symulacji widzimy nie tylko, który most zostanie zablokowany, ale też który sklep zostanie opróżniony w 20 minut, a która droga ewakuacyjna zakorkuje się z powodu paniki, a nie wypadku.

Po drugie, możliwość testowania komunikacji kryzysowej. System z OpenLife pozwala symulować reakcję populacji na różne warianty alertów RCB. Który komunikat wywoła pożądaną ewakuację, a który spotęguje panikę zakupową? Testy można przeprowadzić w 48 godzin na wirtualnej populacji, zamiast uczyć się na błędach podczas prawdziwego kryzysu.

Po trzecie, planowanie ewakuacji dla grup wrażliwych. Indywidualne profile agentów, uwzględniające różnice w mobilności i odporności psychicznej, pozwalają zidentyfikować miejsca, gdzie pomoc musi dotrzeć najszybciej, zanim zawiodą standardowe kanały. Według wewnętrznych analiz centrów zarządzania kryzysowego, o których słyszałem na ubiegłorocznej konferencji w Gdańsku, skrócenie czasu ewakuacji o 15 procent w skali miasta obniża koszty operacyjne akcji ratunkowej o około 20 do 30 procent, głównie przez mniejsze zużycie sprzętu i personelu w newralgicznych punktach.

Podsumowanie: testuj chaos, zanim chaos przetestuje ciebie

Nie twierdzę, że agenci LLM z OpenLife są gotowym produktem do wdrożenia w przyszłym kwartale. Badacze sami zaznaczają, że ich system nie zrealizował sztucznego życia, a jedynie pokazał wykonalność paradygmatu. Dojrzałość tego rozwiązania jest na poziomie TRL 3 lub 4. Diabeł tkwi w detalach: koszt obliczeniowy symulacji dla 2000 agentów z indywidualnym metabolizmem i trwałą pamięcią jest znaczący, a walidacja wyników wymaga porównania z historycznymi danymi o rzeczywistych zachowaniach podczas katastrof.

Mimo to kierunek jest obiecujący. Gdyby któreś z polskich miast zdecydowało się na pilotaż, warto zacząć od małego wycinka, na przykład jednej dzielnicy zaludnionej 500 agentami, przetestować trzy scenariusze powodziowe w cyklu dwutygodniowym i porównać wyniki z modelem tradycyjnym. Ta technologia nie zastąpi doświadczonego zarządcy kryzysowego, ale może dać mu narzędzie do przećwiczenia setki czarnych scenariuszy zanim jeden z nich wydarzy się naprawdę.

• Realistyczne testy obciążenia infrastruktury podczas paniki zakupowej i masowej ewakuacji, bazujące na ekonomicznym metabolizmie, a nie statystycznych średnich.
• Możliwość testowania skuteczności komunikatów RCB na zróżnicowanej, autonomicznej populacji przed wysłaniem ich do realnych odbiorców.
• Precyzyjne planowanie ewakuacji grup wrażliwych dzięki indywidualnym profilom agentów uwzględniającym mobilność i odporność psychiczną.

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.