Manager
Our mission is End suffering. These articles follow the work toward Manager: building synthetic populations, testing behavior models, and studying interventions. A working simulation is a starting point for evidence, not proof of real-world benefit.
English
What if AI improved the systems around us?
Most AI products ask a person to do something: open an app, type a request, follow advice. I’m interested in a different question. What if AI could improve the conditions around people, so t
What Andon Labs teaches us about benchmark-first AI
A useful benchmark gives an AI a world it cannot improve just by saying that it has succeeded. There are resources, time, constraints, actions, and outcomes that exist outside its prose.
How AI Economist learns rules that people adapt to
A shared rule changes people's incentives. People adapt, and their adaptations change what the rule achieves. Salesforce's AI Economist makes this loop explicit through two-level reinforceme
What Aaru simulates: populations, behavior, and the evidence behind the predictions
A new price can change which customers stay. A financial announcement can reassure one investor group and unsettle another. Decisions like these require an estimate of responses to condition
What Simile predicts: human behavior, uncertainty, and evidence before intervention
Before changing a price, a payment interface, or a pharmacy experience, a team wants to know how people will respond. Simile builds simulations for those questions. Its clearest supported us
From human simulation to environment design
A bank changes a payment experience. A pharmacy changes how people reach a pharmacist. Before committing, can either test how people will respond? Human simulation companies sell technology
Population simulation fundamentals: building a population and predicting its response
Suppose a community facility is considering different opening hours. Opening on weekday afternoons and opening in the evening will serve different people. To examine the difference before ma
Understanding PopulationSim, SFT, and DPO through calculations
A population weight says how many households or people a sampled record represents. A model weight is a numerical parameter used to compute predictions. These are different quantities despit
Conditional probability: which group are we counting within?
Conditional probability is a probability restricted to cases satisfying a condition. “What percentage of all students cycle to school?” and “What percentage of boys cycle to school?” use dif
Bayesian networks: connecting conditional probabilities to generate a population
A Bayesian network represents the joint distribution of several attributes using a directed graph and conditional probability tables. It extends a statement such as “30% of boys cycle to sch
Generating populations with VAEs: learning combinations of attributes
Sources checked October 17, 2026. This introduction distinguishes the basic model, paper-specific extensions, and the code we read.
Generating populations with GANs: the generator and discriminator
Japanese labels. Resident-card values are fictional, not measured results.
Generating populations with diffusion models: separate training from sampling
Japanese labels. Distinguishing DDPM, TabDDPM, latent diffusion, and population-synthesis code reveals different learning targets and generation procedures.
Generating populations with LLMs: fine-tuning versus prompting
Japanese labels. Sources checked October 18, 2026. An LLM is a Large Language Model. This article concerns generating attributes of synthetic individuals and households. Behavior prediction
Which population-synthesis method should we use? Reviews and recent comparisons
Sources checked October 17, 2026. A recent paper does not determine a winner for every use case. Compare inputs, objectives, and evaluation conditions. Population synthesis and social simula
From synthetic populations to behavior prediction: statistical models, LLMs, Aaru, and Simile
“Create synthetic people, then predict their responses” describes a basic architecture for individual-level social simulation: represent the target population, provide a situation, predict r
Comparing population-generation methods for Manager
Choose population methods from available evidence and required constraints. Our initial six-cell reconstruction compares an independence baseline with existing IPF. At household/person level
Choosing data for Manager: populations, behavior, and interventions
Learning population composition, observed behavior, and intervention effects requires different data. This guide separates company descriptions, paper reports, and our design choices.
Integerizing a synthetic population while preserving people, households, and geography
Small numerical examples here are fictional, not measured population-generation results.
Reconstructing a population from public statistics: IPF versus a simple baseline
Given only counts by age and counts by poverty status, we reconstructed how many people in each age group fell below the poverty threshold. The experiment ran on October 18, 2026, using the
Building a synthetic population of 441,570 households without breaking household membership
Public data for Rhode Island produced a synthetic population of 441,570 households and 1,042,763 people. Each individual received a new ID, while people belonging to the same household remai
From population construction to behavior prediction
Creating a list of synthetic residents and predicting their choices are different tasks. Numbers and resident cards here are fictional teaching examples.
Behavior prediction: from available inputs to probabilities of action
Behavior prediction estimates a later action from information available at a particular time. Consider someone about to depart who can choose either a bus or walking. Past travel records can
How to build behavioral data
One record should tell us who faced a choice, when it happened, which options were available, and what they did.
Are AI neurons more readable than we thought? Reading Goodfire’s “Already Clean”
Goodfire’s Nick Cammarata argues that directly investigating neurons may be more promising than commonly assumed. His research essay *Neural Networks Are Already Clean* revisits why neural n
What Numerai Unity teaches us about scoring predictions against reality
Sources checked October 18, 2026. This is an explanation and participation proposal, not a report of model training, account creation, prediction submission, event registration, NMR purchase
Where did world-modeling, world-changing AI come from? MiroFish, Goodfire, Numerai, and Manager
AI-generated conceptual illustration with Japanese labels. People, probabilities, and plots are illustrative, not model outputs, returns, or intervention effects.
日本語
AIが人の周囲の仕組みを改善したら
多くのAI製品は、アプリを開き、質問し、助言に従うことを人に求めます。私が考えたいのは、人の周囲の条件をAIが改善し、使っていない人の生活にも恩恵が届く仕組みです。
Andon Labsから学ぶベンチマークを起点にしたAI開発
良いベンチマークには、AIが成功を語るだけでは変わらない世界があります。資源、時間、制約、操作、結果を、AIの文章の外に置きます。
AI Economistは人々が適応する共有ルールをどう学ぶか
共有ルールが変わると、人の行動が変わります。その適応が、ルールの成果も変えます。SalesforceのAI Economistは、このループを二層の強化学習で明示した研究です。
Aaruは何をシミュレーションするのか。仮想人口、行動予測、検証の仕組み
新しい価格を設定したとき、どの顧客が離れるのか。金融商品の説明を変えたとき、どの投資家が信頼するのか。こうした判断では、過去の売上だけでも、アンケートの回答だけでも足りない。まだ実施していない選択肢への反応を、実施前に比較する必要がある。
Simileは人間の何を予測するのか：行動分布、信頼度、社会を変える前の検証
新しいサービスの料金を変えると、何人が使い続け、何人が離れるのか。薬局の待ち時間や説明を変えると、誰の負担が減るのか。Simileは、こうした判断の前に人間の反応をシミュレーションする企業だ。公開資料から読み取れる有力な使い方は、候補を早く比較し、現実の調査や実験をどこに集中させるかを決めることである。[1][2]
人口を表し、環境を変え、結果から学ぶ：人間シミュレーションと閉ループ意思決定の全体像
共同施設の開館時間を変えると、利用できる人が変わる。配送先の配分を変えると、届く資源の量が変わる。実施前に結果を予測し、実施後に確かめ、その結果から次の判断を改善できるだろうか。
人口シミュレーションの基礎：集団を作ることと、反応を予測すること
ある地域で、共同施設の利用時間を変えるとする。平日の昼に開ける案と、夕方に開ける案では、利用できる人が違う。実施前にその違いを調べるには、その地域にどんな人々がいて、時間の変更にどう反応するかを考える必要がある。
PopulationSim、SFT、DPOを計算から理解する
人口の重みは、標本が何世帯・何人を代表するかを表す。モデルの重みは、予測を計算する数値パラメータである。同じ「重み」でも別の量なので、区別して読む。
条件付き確率：どの人たちの中で数えるか
条件付き確率（conditional probability）は、ある条件に当てはまる対象に絞ったときの確率である。「全員の中で自転車通学は何％か」と「男子の中で自転車通学は何％か」では、分母となる集団が違う。
ベイジアンネットワーク：条件付き確率をつないで人口を作る
ベイジアンネットワーク（Bayesian network）は、複数の属性の結合分布を、矢印のある図と条件付き確率の表で表現するモデルである。例えば「男子なら自転車通学30%」という一つの条件から、条件付き確率をつないで複数の属性を持つ仮想の人を作ることへ進める。
VAEで人口を作る：属性の組み合わせをデータから学ぶ
調査日：2026年10月17日。人口合成の入門講座。基本、論文ごとの工夫、読んだコードを区別する。
GANで人口を作る：生成器と判別器の役割
図は説明用。住民カードの数値は架空で、実測結果ではありません。
拡散モデルで人口を作る：ノイズを加える学習と生成を分ける
DDPM、TabDDPM、潜在空間での拡散、人口合成の公開コードを区別すると、学習するものと生成手順の違いが見えてくる。
LLMで人口を作る：追加学習と指示による生成を分ける
調査日：2026年10月18日。LLMはLarge Language Model、大規模言語モデル。今回は仮想の個人・世帯の属性記録を作る方法を扱う。人の行動予測や、介入の効果測定は別の工程である。
人口合成はどの方法がよいか：レビューと最近の比較研究から選ぶ
調査日：2026年10月17日。最新の一論文だけから全用途の勝者を決めず、入力・目的・評価条件をそろえて判断する。人口合成と、人口に行動を与える社会シミュレーションは異なる工程である。
合成人口から行動予測へ：統計モデル、LLM、Aaru、Simileの違い
「仮想の人々を作り、その人たちがどう反応するかを予測する」という理解は、個人単位の社会シミュレーションの基本構成に当たる。まず対象集団の属性構成を表現し、次に状況を与えて反応を予測し、最後に集団へ集計する。ただし、集団の説明と状況から回答分布を直接予測する方式もあり、全方式が一人ずつの人物を明示的に生成するわけではない。
人口生成方式の比較とマネージャーでの選定
人口合成の方式は、使えるデータと必要な制約によって選ぶ。最初の6セル復元は単純な独立仮定と既存IPFを比較する。世帯・個人段階では、元の世帯の再標本化と集計調整を軸に、BNを比較候補にする。高次元化などに応じて拡散モデルやLLM等を追加評価する。以下は先行研究に基づく設計判断で、私たちが全方式を実測比較した順位ではない。
マネージャーのデータ選び：人口、行動、介入をつなぐ
人口構成、実際の行動、介入の効果を学ぶには、それぞれ違うデータが必要になる。企業の説明、論文の報告、設計上の選択を分けて、代表的な資料を比較する。
人口合成の整数化：個人・世帯・地域の整合を保つ
ここで用いる小さな数字は架空で、実人口生成の結果ではない。
公開統計から人口を復元して、IPFと単純法を比べた
年齢別の人数と貧困状態別の人数だけを渡し、「どの年齢群に貧困基準未満の人が何人いるか」を復元した。米国の50州とDCを使った実装を2026年10月18日に動かし、最終評価41地域の平均TVDは単純法0.01435、IPF0.00888だった。平均では改善したものの、12地域ではIPFの方が悪かった。
世帯を壊さず、44万世帯と104万人の仮想人口を作った
Rhode Islandの公開データから、441,570世帯・1,042,763人の仮想人口を生成した。一人ずつの記録に新しいIDを付け、同じ家に属する人を結びつけた。出力を読み直した検査では、欠員・孤立した個人・ID重複・元属性の不一致は0だった。
人口づくりから行動予測へ
仮想の住民一覧を作ることと、その人々が何を選ぶかを予測することは別の課題になる。数値と住民カードは説明用の架空例である。
行動予測の基礎 入力から行動の確率を求める
行動予測は、ある時点で分かる情報から、その後の行動を推定することだ。例えば「これから出発する人がバスと徒歩のどちらを選ぶか」を考える。過去の移動記録から条件と選択の関係を調べ、新しい場面の予測を、後で実際の選択と比べる。
行動データの作り方
誰が、いつ、何を選べて、何をしたかを1行にする
AIのニューロンは、思ったより読めるのか。Goodfireの「Already Clean」を読む
GoodfireのNick Cammarataは、ニューラルネットのニューロンを直接調べる研究に、従来考えられていた以上の可能性があると主張している。指定された研究エッセイ『Neural Networks Are Already Clean』は、解釈しにくさの原因を再検討するものだ。著者自身がworking hypothesisと位置付けている。[1]
Numerai Unityから学ぶ、予測を現実で採点する仕組み
2026-10-18確認。これは公開資料からの解説と参加方針案であり、モデル学習、アカウント作成、予測提出、イベント登録、NMRの購入・ステーキングは実施していない。
世界を理解し、変えるAIはどこから来たのか。MiroFish、Goodfire、Numeraiとマネージャー
図はAI生成の概念図。人物、確率、グラフは例示で、実際のモデル出力、収益、介入効果を表すものではない。