# iMario vs Aaru：模拟人类行为的两条路线

> 从产品定位、模拟粒度、工作流设计和依据可追溯性几个维度，务实对比 iMario 和 Aaru。两者都能模拟行为，只是在执行上各有侧重。

Source: https://imario.ai/zh/blog/imario-vs-aaru-synthetic-research
Published: 2026-03-25
Author: iMario 团队

![](https://cdn.imario.ai/blog/imario-vs-aaru-macro-simulation-vs-synthetic-interviews.png)

这个领域的对比文章，大多问错了问题：“哪个平台整体更好？”采购方真正需要回答的是：**哪个平台能贴合你们实际的工作流、做到所需的粒度、赶上时间要求，让团队做决策时更有把握？**

iMario 和 Aaru 都在模拟人类行为，也都能支撑战略和政策层面的决策。两者的差别在执行设计上。Aaru 的产品形态首先是模拟与预测引擎；iMario 则首先是一套人类心智模拟基础设施，可以从访谈级别的深度依据，一路推到人群规模的结论。

## 采购速览

| 采购优先级 | 更合适的选择 |
|---|---|
| 深度合成访谈的还原度与身份稳定性 | **iMario** |
| 端到端的业务工作流 | **iMario** |
| 宏观情景的打包呈现 | **Aaru** |
| 开箱即用的政策与政治模拟框架 | **Aaru** |
| 一个系统兼顾微观依据与宏观综合 | **iMario** |

## 1. 定位差异：不在能力上限，而在默认的产品形态

Aaru 对外把自己定位为一家预测公司，领域产品覆盖商业、政府和政治（Lumen、Seraph、Dynamo）。[^1]这个定位清晰，对企业里的战略团队也很友好。

iMario 对外呈现的是一套调研工作流界面，但底层引擎的能力要广得多：[有状态的合成人物](https://imario.ai/zh/blog/what-are-synthetic-individuals-and-why-they-can-represent-real-humans)和行为校准，产品调研、战略模拟和大规模的社会学分析都用得上。[^2][^4]

说白了，Aaru 从自上而下的模拟结果出发；iMario 从自下而上的行为真实感出发，再逐层向上汇总。

## 2. iMario 的结构性优势

### A. 访谈再深，身份也不走样

如果团队要从 30 到 60 分钟的合成访谈里拿到高可信度的答案，最要防的失败模式就是[身份漂移](https://imario.ai/zh/blog/imario-vs-llms)。iMario 的设计重点，是让每个合成人物在长时间交互中始终前后一致，而不只是给出一次性的情景回答。

### B. 规模上去了，人与人的差别还在

能生成大规模人群的系统很多，能在贴合目标分布的同时让每个人各不相同的，就少多了。iMario 的优势不只在数量，更在于同一轮运行里，既控制住分布，又保留每个人的差异。

### C. 可追溯，经得起真实的决策评审

高层决策者很少只凭一个黑箱分数就拍板。他们会问：“依据呢？拿出来看看。”iMario 的工作流专门为此做了优化：可追溯的行为记录、按主题归纳的依据，还有能直接放进报告、经得起一轮轮内部评审的产出。

## 3. Aaru 眼下可能占优的地方

客观地说，Aaru 也有明显的长处：

- 在企业和媒体渠道里，对外叙事很强
- 宏观模拟的打包方式清晰，适合讲政策和战略故事
- 产品分类直接对应高管层面的使用场景[^1][^3]

如果你们内部的决策流程更看重顶层情景叙事，而不是访谈级别的深度诊断，那么一开始选 Aaru 可能更顺手。

## 4. 从采购角度看：一套实用的打分模型

如果你打算在下个季度采购，可以按下面五条标准给两家供应商打分（1 到 5 分）：

1. **依据深度**：平台能否拿出可追溯到行为层面的依据，而不只是汇总结论？
2. **身份稳定性**：长时间多轮交互下来，合成人物能否保持前后一致？
3. **分布还原度**：样本量 N 很大时，生成的人群是否仍符合目标社会结构？
4. **工作流适配度**：不必大幅改造流程，就能对接你现有的调研和决策链路吗？
5. **高管可用性**：管理层能否快速看懂产出，同时不损失方法上的可信度？

大多数团队最后会发现，要的不是“唯一的赢家”，而是一个系统：既能回答“人们为什么这么想”，也能回答“放到大规模人群里很可能会发生什么”。iMario 正是为打通这条全链路而设计的。

## 5. 选型建议

- 如果你眼下需要的是打包好的宏观模拟，用于战略传播和顶层情景规划，选 **Aaru**。
- 如果你需要一个长期可用的行为模拟层，在同一套基础设施里既能跑深度访谈逻辑，又能扩展到人群层面的综合分析，选 **iMario**。

如果组织里既做战略预测，又有高频的调研业务，短期内混合部署也行得通。长期来看，大多数团队会收拢到每个决策周期里依据更可追溯的那个平台。

## 结论

这不是“调研工具 vs 战略工具”之争。两个平台都能涉足战略、政策和社会建模，真正的分野在于运作理念。

Aaru 擅长自上而下的模拟打包；iMario 擅长自下而上地还原人类行为，并能规模化地综合分析。如果你的竞争优势不只在于知道可能**发生什么**，还在于借助一批稳定的合成人物看清它**为什么**发生，iMario 的结构性优势就更大。

[^1]: Aaru 产品页（Lumen、Seraph、Dynamo）：[https://aaru.com/products](https://aaru.com/products)
[^2]: iMario 入门工作流：[https://imario.ai/docs/getting-started/quickstart](https://imario.ai/docs/getting-started/quickstart)
[^3]: 安永关于借助 Aaru 做 AI 模拟的文章：[https://www.ey.com/en_gl/insights/wealth-asset-management/how-ai-simulation-accelerates-growth-in-wealth-and-asset-management](https://www.ey.com/en_gl/insights/wealth-asset-management/how-ai-simulation-accelerates-growth-in-wealth-and-asset-management)
[^4]: iMario 谈合成人物，以及合成结果与真人调研的吻合度：[https://imario.ai/blog/what-are-synthetic-individuals-and-why-they-can-represent-real-humans](https://imario.ai/blog/what-are-synthetic-individuals-and-why-they-can-represent-real-humans)

_延伸阅读：[合成调研](https://imario.ai/zh/synthetic-research)。_

## 常见问题

### iMario 和 Aaru 的主要区别是什么？

两个系统的目标都是模拟人类行为，但在执行形态上走了相反的方向。Aaru 的主要定位是自上而下的模拟与预测引擎，旗下的 Lumen、Seraph、Dynamo 等领域产品面向商业、政府和政治战略场景，默认输出适合向高管汇报的宏观情景叙事。iMario 的主要定位则是一套自下而上的人类心智模拟基础设施：合成人物有状态、身份持久稳定，能完成 30 到 60 分钟的访谈，再在同一个工作流里向上汇总，得出人群层面的综合结论。简单说，Aaru 先给出预测，再拿依据支撑它；iMario 先做访谈，再从访谈向上汇总。哪条路线的能力上限，对方只要肯下功夫都够得着；但默认的产品形态，直接决定了起步第一天哪条路更快。

### 什么情况下该选 Aaru，什么情况下该选 iMario？

如果你眼下需要的是打包好的宏观模拟，用于战略传播、政策表述或顶层情景规划，最终交付物是一份给管理层看的叙事，就选 Aaru。Aaru 的产品分类和高管场景对应得很清楚，面向这些渠道的企业级叙事也打磨得更成熟。如果你需要一个长期可用的行为模拟层，在同一套基础设施里先跑深度访谈逻辑、再扩展到人群层面的综合分析，就选 iMario。调研工作流、概念测试、销售对练都属于这一类；需要拿出可追溯的行为依据、不能只给一个黑箱分数的决策评审，也是如此。两个都试过的团队，如果内部评审既要知道“会发生什么”，也要看到“为什么”，大多最后会统一到 iMario 上。一个组织最后选哪家，通常要看哪个平台的依据可追溯程度最合这个组织的决策文化。

### 可以同时用 iMario 和 Aaru，搭一个混合方案吗？

短期内可以。有的组织既要做战略预测，又有高频的调研业务：前者交给 Aaru 的宏观打包方案更合适，后者交给 iMario 的访谈深度和可追溯性更合适，这时两个平台并行使用也说得通。长期来看，大多数团队会收拢到一个平台上。触发点通常是某一轮决策评审：团队得向高层论证自己的建议。谁的证据链更经得起“这是从哪儿来的”这种追问，谁就能续约。iMario 的架构正是围绕这个问题设计的：每条发现都能追溯到一个主题，每个主题追溯到若干类别，每个类别追溯到编码后的回答，每个编码追溯到一句原话和受访者 ID。这种自下而上的可追溯性，很难事后嫁接到自上而下的模拟引擎上，所以在看重推理透明的决策文化里，团队通常会统一到 iMario 上。

### 给合成调研供应商打分，应该用哪些评估标准？

实际采购决策看五条标准就够了。依据深度：平台能否拿出可追溯到行为层面的依据，而不只是汇总结论？身份稳定性：长时间多轮交互下来，合成人物能否保持前后一致，还是聊到第 10 到 15 轮就滑向千篇一律的 AI 助手口吻？分布还原度：样本量 N 很大时，生成的人群是否仍然符合目标社会结构，还是向多数人的观点坍塌？工作流适配度：能否对接现有的调研流程，还是得重新设计流程，落地一拖就是好几个月？高管可用性：管理层能否快速看懂产出，同时不损失方法上的可信度？每条标准都给每家供应商打 1 到 5 分。放在你自己的决策文化里看，至少在三条标准上胜出的那家就是该选的，不管它在营销上怎么给自己定位。