งานวิจัยฉบับนี้แก้ปัญหาค่าใช้จ่ายที่สูงลิ่วในการจำลองสังคมของ AI Agent ขนาดใหญ่ (Large Language Model Agents) ซึ่งมักติดขัดที่ความต้องการทรัพยากรคำนวณมหาศาล โดยผู้วิจัยได้นำความรู้จากฟิสิกส์เชิงสถิติมาประยุกต์ใช้เพื่อสร้างตัวแทน (Surrogate Model) ที่มีพารามิเตอร์น้อยลง โมเดลเหล่านี้ถูกฝึกสอนด้วยข้อมูลจากการสืบค้นเพียงไม่กี่พันครั้งเพื่อให้ทำหน้าที่แทนเอเจนท์ตัวจริง
หัวใจสำคัญของงานนี้คือการพิสูจน์ว่าพฤติกรรมในระดับมหภาคของสังคมเอเจนท์ เช่น พฤติกรรมเชิงเฟส (Phase Behaviour) และแนวโน้มเมื่อจำนวนเอเจนท์เพิ่มขึ้น สามารถจำลองได้โดยไม่ต้องอาศัยความสามารถในการคิดของเอเจนท์เดี่ยวที่ซับซ้อนเกินไป โดยผู้วิจัยได้ทดสอบผ่านระบบเศรษฐกิจจำลอง EconAgent และการจำลองอื่น ๆ อีก 7 รูปแบบ ซึ่งผลลัพธ์เป็นไปตามทฤษฎีที่คาดการณ์ไว้ด้วยต้นทุนที่ต่ำเพียงไม่กี่ดอลลาร์
