允中 發自 凹非寺
量子位 | 公眾號 QbitAI
如果你走進2026 WAIC的現場,最直觀的感受可能只有一個“卷”字。
1100多家企業、10萬平米的展區,目之所及,幾乎每家展臺的屏幕上都閃爍著Agent這個詞。
但“智能體”喊得越響,行業的焦慮就越明顯:算力內卷到頭了,Agent到底怎么進企業、怎么幫核心業務賺錢?
在一片技術喧囂中,一個新解法吸引了我們的注意——主觀世界模型(Subjective World Model,SWM)。
![]()
△“主觀世界模型”登上央視新聞直播間
為了搞懂這個新架構,我們順著人流擠進了特贊科技的展位。
在硬核的技術拆解面前,我們不得不承認,過去指望靠大模型(LLM)去猜測消費者心思的路子,可能從一開始就走錯了。
因為,LLM從根本上不適合用來建模人的決策。
架構設計的核心判斷
SWM的設計起點是一個認知心理學上的已知事實:人的“自我報告偏好”和“真實決策權重”之間存在系統性偏差,這個偏差是可測量的,也是可建模的。
基于這個判斷,SWM選擇了四層異構數據協同訓練的路徑——
每一層針對不同類型的“理解人”子任務,使用不同數據源、不同建模目標、不同驗證機制,推理時四層聯合打分。
Layer 1:表達層Expression Layer
數據:數十億條社交平臺原生語料
目標:構建語言風格向量 → demographic/psychographic特征的高維映射
技術本質:這是一個有監督的representation learning任務。輸入是用戶的歷史文本序列,監督信號來自用戶畫像標注(年齡/地域/職業/消費層級等)。訓練收斂后,相同demographic cluster的用戶,其語言表征在embedding空間中會自然聚集——這個embedding作為后續層的persona anchor。
表達層本身不是壁壘——社交數據可以規模化采集。
它的價值在于為Story Layer的稀疏深訪數據提供“擴散基底”:通過persona anchor將深訪persona的特征遷移到更大范圍的社交用戶群。
Layer 2:敘事層Story Layer
數據:數萬小時一對一深度訪談語料,單次訪談1-2h,產生5k-20k字非結構化文本
目標:建模行為動機的時序因果圖(causal graph of purchase motivation)
技術本質:這是一個序列因果建模任務,而非分類或生成任務。訓練目標不是預測“下一句話是什么”,而是識別訪談敘述中的trigger event → consideration formation → decision point → post-purchase rationalization的完整因果鏈,并將其結構化為有向因果圖。
為什么合成數據在這一層完全失效:
真實受訪者的敘述具有跨情境的因果一致性(causal consistency)——同一個個體在描述不同購買場景時,其核心動機結構會以不同表現形式反復出現,形成可識別的“動機簽名”。
LLM生成的模擬訪談數據沒有這個屬性,原因是LLM在每個token步驟獨立預測,沒有維護跨情境一致的內在狀態。
合成語料在Cognition Layer和Behavior Layer的交叉驗證中會系統性失敗——相當于一個內置的抗合成機制。
Layer 3:認知層Cognition Layer
數據:行為判斷問卷、Schwartz Value Survey、Big Five Inventory等標準化量表
目標:個體的價值權重向量(value weight vector)和風險偏好系數
技術本質:這一層的核心是建模stated preference和revealed preference之間的gap——即“消費者說他在意什么”和“消費者實際決策時權衡什么”之間的差值函數。訓練目標是在Story Layer提供的行為敘述和量表測量結果之間建立校正映射,輸出個體的真實價值權重向量。
Layer 4:行為層Behavior Layer
數據:經濟博弈實驗數據(ultimatum game / public goods game / trust game)+ 真實交易記錄
目標:行為經濟學參數估計——loss aversion coefficient λ、hyperbolic temporal discounting rate δ、social norm sensitivity γ
技術本質:基于prospect theory的參數化個體建模。這些參數在跨情境行為預測中起關鍵作用:當模型遇到out-of-distribution場景(歷史數據中沒有見過的產品類別或購買情境),需要通過這些基礎參數外推反應,而非依賴歷史pattern匹配。這是SWM能在新產品研究中有效工作的底層原因。
四層協同推理:如何輸出AI Persona
四層訓練完成后,SWM對每個目標persona維護一組聯合狀態:表達層的語言風格嵌入 + 敘事層的動機因果圖 + 認知層的價值權重向量 + 行為層的經濟學參數。
推理時,給定一個新的研究prompt(如“你對這款新包裝設計有什么看法”),四層聯合打分:表達層決定語言風格和情緒色彩,敘事層調用相似情境下的動機結構,認知層校正自我報告偏差,行為層注入跨情境穩定的行為傾向參數。
輸出的AI Persona在連續追問下維持一致的內在狀態——這是和LLM直接生成persona的本質區別:
- LLM的persona是stateless的,每次回答獨立生成;
- SWM的persona是stateful的,有一個跨prompt持續存在的內在狀態。
量化結果:行為模擬準確率85%(對比真人深訪基準)。30萬+AI Persona(社交數據擴散),1萬+高精度AI Persona(深訪語料直接訓練),交付<30分鐘。
![]()
![]()
注:atypica是基于主觀世界模型構建的智能體,Gamelab是atypica為了確保AI模擬準確性的核心Evals手段,通過讓真人和AI Persona完成相同的經濟學行為實驗,對比兩者的決策數據,以此量化校準AI Persona對真人的模擬準確度,目標是讓AI Persona和真人的數據無限接近。
如何從理解側到執行側?
SWM是“理解消費者”的模型,特贊的團隊更進一步,研發了GEA(Generative Enterprise Agent)企業級智能體架構——是“執行面向消費者任務”的架構。
兩者在特贊的技術棧中構成理解-執行的完整鏈路。
GEA的編排層由特贊自研發散推理模型(Creative Reasoning Model)驅動——這是中國首個備案的發散推理領域的大模型,核心設計是在收斂前先窮盡發散可能性,而非直接走beam search到最優解。
這個特性在創意內容生成、方案設計等需要探索解空間的任務上有顯著優勢。
執行層調用400+模塊化Agent Skill,單次任務可協調30+基礎模型。
Context System作為企業知識的持久化存儲層,將品牌DNA、歷史洞察、產品庫、素材庫等結構化為智能體可檢索的上下文,解決多輪任務中的上下文漂移問題。
目前,其已在內容營銷、洞察研究、產品創新、設計創作等業務場景跑通并實現大規模部署,月均Token部署量超100億,覆蓋全球50+國家和地區。
△特贊的展位,H1-C135,觀眾們在了解主觀世界模型
企業AI下半場,一個技術判斷
SWM的競爭壁壘不在于架構設計的復雜度——四層協同建模的框架本身是可以被復制的。
壁壘在于Story Layer的數據積累:十年間真實深訪語料的堆疊,加上內置的抗合成機制,使這個數據壁壘具備了自我保護能力。
當合成數據路線在Cognition/Behavior交叉驗證中系統性失敗,后發競爭者就只有一條路:從頭開始做真實深訪,追趕十年的數據積累。
這個差距不能用算力縮短。
過去兩年,企業AI的主要競爭邏輯是“接入”——接哪個大模型、能不能快速上線一個Copilot。
這個階段基本過去了。大模型API已經是商品,工程接入能力不再形成壁壘。
下半場真正拉開差距的,是對業務場景的領域理解深度,以及能否把這種理解沉淀為可持續調用的技術資產。
SWM之所以難以被追趕,本質上是它把“理解消費者”做成了有復利效應的積累,這是一個隨業務規模自動加深的飛輪。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.