共计 1326 个字符，预计需要花费 4 分钟才能阅读完成。
围观 WAIC 模型「读心术」! 现场火火火火火
2026 年世界人工智能大会 (WAIC) 现场,1100 多家企业、10 万平方米展区 , 几乎每个展台都在谈论“智能体”(Agent)。但在一片喧嚣中, 一个名为“主观世界模型”(Subjective World Model, SWM) 的技术方案脱颖而出, 甚至登上了央视新闻直播间。它试图回答一个核心问题:AI 到底能不能真正读懂人的心思?
📌 从 LLM 的局限到 SWM 的破局
过去, 业界习惯依赖大语言模型 (LLM) 来猜测消费者意图,但 SWM 的提出者特赞科技认为, 这条路可能走错了。因为 LLM 本质上不适合建模人的决策——人的“自我报告偏好”与“真实决策权重”之间存在系统性偏差, 而这种偏差是可测量、可建模的。SWM 正是基于这一认知心理学事实, 设计了四层异构数据协同训练路径。
🔍 四层架构: 从表达层到行为层
- 表达层(Expression Layer): 利用数十亿条社交语料, 构建语言风格到人口 / 心理特征的高维映射, 为后续层提供“扩散基底”。
- 叙事层(Story Layer): 基于数万小时一对一深度访谈, 建模行为动机的时序因果图, 识别从触发事件到购买决策的完整因果链。这是 SWM 的核心壁垒, 合成数据在此层会系统性失败。
- 认知层(Cognition Layer): 通过标准化量表测量个体的价值权重向量和风险偏好, 建模“说在意”与“实际决策”之间的差值函数。
- 行为层(Behavior Layer): 利用经济博弈实验和真实交易记录, 估计行为经济学参数(如损失厌恶系数), 实现跨情境行为外推。
💡 AI Persona: 有状态的智能体
四层训练完成后,SWM 为每个目标 Persona 维护一组联合状态。推理时, 给定新研究 prompt, 四层联合打分, 输出具有一致内在状态的 AI Persona。这与 LLM 的 stateless persona 形成本质区别——SWM 的 persona 是 stateful 的, 能跨 prompt 维持动机和价值观的连续。量化结果显示, 其行为模拟准确率达到 85%(对比真人深访基准), 可交付 30 万 +AI Persona, 且时间小于 30 分钟。
📊 从理解到执行:GEA 架构落地
SWM 负责“理解消费者”,而特赞的 GEA(Generative Enterprise Agent)架构负责“执行面向消费者的任务”。GEA 由特赞自研的发散推理模型 (中国首个备案的发散推理大模型) 驱动, 核心是在收敛前先穷尽发散可能性, 适合创意内容生成等探索性任务。执行层调用 400+ 模块化 Agent Skill, 单次任务可协调 30+ 基础模型。目前, 该架构已在内容营销、洞察研究、产品创新等场景大规模部署, 月均 Token 部署量超 100 亿, 覆盖全球 50+ 国家和地区。
🚀 行业观察: 企业 AI 下半场的竞争壁垒
SWM 的架构本身可复制,但真正的壁垒在于叙事层的数据积累——特赞十年间积累的真实深访语料, 加上内置的抗合成机制, 使后发竞争者只能从头开始做真实深访, 难以用算力缩短差距。企业 AI 的上半场是“接入”大模型, 下半场则比拼对业务场景的深度理解, 以及将理解沉淀为可持续调用的技术资产。SWM 正是将“理解消费者”做成了有复利效应的积累, 形成随业务规模自动加深的飞轮。
