圍觀WAIC模型「讀心術」！現場火火火火火

走進2026年世界人工智能大會（WAIC）現場，超過1100家企業擠滿10萬平方米展區，幾乎每面螢幕都閃著「智能體」這個關鍵字。然而，術語喊得越響，業界的焦慮也越明顯——算力內捲幾乎走到盡頭，智能體究竟如何真正進入企業、幫助核心業務創造價值？在一片技術喧囂中，一個名為「主觀世界模型」（Subjective World Model，SWM）的新架構吸引了目光，甚至登上央視新聞直播，成為展會上最受議論的技術方向之一。為了深入理解這套系統，我們擠進特贊科技的展位。在技術團隊的拆解下，一個關鍵判斷逐漸清晰：過去倚賴大語言模型去猜測消費者心思的路線，可能從一開始就走錯了方向。

因為大型語言模型從根本上不適合用來建模人類的決策。SWM的設計起點源自認知心理學的已知事實——人的「自我報告偏好」與「真實決策權重」之間存在系統性偏差，而這個偏差不僅可測量，也能被建模。基於這個判斷，SWM採用四層異構數據協同訓練的架構，每一層針對不同類型的「理解人」子任務，使用不同的數據源、建模目標與驗證機制，推理時再由四層聯合打分。第一層是表達層，利用數十億條社交平台原生語料，建構語言風格向量，將其映射到人口統計與心理特徵的高維空間。這個層的輸出作為後續層的persona錨點，雖然本身壁壘不高，但能為敘事層的稀疏深訪數據提供擴散基底。

第二層敘事層則使用數萬小時的一對一深度訪談語料，單次訪談長達一至兩小時，產生數千至兩萬字的非結構化文本。這一層的任務不是生成或分類，而是序列因果建模：從受訪者的敘述中辨識觸發事件、考慮形成、決策點到購買後合理化的完整因果鏈，並將其結構化為有向因果圖。值得注意的是，合成數據在這一層完全失效，因為真實受訪者的敘述具有跨情境的因果一致性，同一人的核心動機結構會在不同購買場景中以不同形式反覆出現，形成獨特的「動機簽名」。大型語言模型生成的模擬訪談缺乏這種跨情境一致的內在狀態，在後續的認知層與行為層交叉驗證中會系統性失敗，形成一個內建的抗合成機制。

第三層認知層導入行為判斷問卷、價值觀量表與五大人格量表等標準化工具，目標是估計個體的價值權重向量與風險偏好係數。這一層的核心在於建模「stated preference」（消費者說他在意什麼）與「revealed preference」（消費者實際決策時的權衡）之間的差距函數，並在敘事層提供的行為敘述與量表測量結果間建立校正映射。第四層行為層則使用經濟博弈實驗數據，如最後通牒遊戲、公共財遊戲與信任遊戲，再加上真實交易記錄，以展望理論為基礎進行參數化個體建模，估計損失厭惡係數、時間折現率與社會規範敏感度等參數。

這些基礎參數讓模型在面對從未見過的產品類別或購買情境時，能透過外推做出反應，而非僅依賴歷史模式比對，這也是SWM能在新產品研究中有效運作的底層原因。四層訓練完成後，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，以及行為層的經濟學參數。推理時面對一個新的研究提示，四層共同決定輸出：表達層決定語言風格與情緒色彩，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。

這樣產出的AI Persona在連續追問下能維持一致的內在狀態，這與大型語言模型生成的persona有本質區別——後者是無狀態的，每次回答獨立生成；SWM的persona則是有狀態的，擁有跨提示持續存在的內在狀態。量化結果顯示，這套方法在行為模擬準確率上達到85%，以真人深度訪談為基準進行比對。目前特贊科技已透過社交數據擴散生成超過30萬個AI Persona，其中1萬個以上屬於由深訪語料直接訓練的高精度版本，且整批交付時間不到30分鐘。為了確保模擬準確性，團隊還建置了Gamelab機制，讓真人與AI Persona完成相同的經濟學行為實驗，透過決策數據比對來量化校準。

從理解側到執行側，特贊科技進一步研發了GEA（Generative Enterprise Agent）企業級智能體架構，專門執行面對消費者的任務，與SWM構成完整的理解－執行鏈路。GEA的編排層由特贊自研的發散推理模型驅動，這是中國首個完成備案的發散推理領域大模型，核心設計是在收斂之前先窮盡發散可能性，而非直接走beam search到最優解，這在創意內容生成、方案設計等需要探索解空間的任務上具有顯著優勢。執行層則調用超過400個模組化的Agent Skill，單次任務可協調30個以上的基礎模型。

同時，Context System作為企業知識的持久化儲存層，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，有效解決多輪任務中的上下文漂移問題。這套系統已在內容行銷、洞察研究、產品創新與設計創作等業務場景完成大規模部署，月均Token部署量超過100億，覆蓋全球50多個國家與地區。分析競爭壁壘時，特贊團隊坦言，SWM的架構本身並非無法複製，真正的門檻在於敘事層的數據積累——十年的真實深度訪談語料堆疊，加上內建的抗合成機制，使得這項數據資產具備自我保護能力。

當合成數據路線在認知層與行為層的交叉驗證中系統性失敗，後進競爭者只能從頭進行真實深訪，追趕十年的累積，這個差距無法靠算力縮短。過去兩年，企業AI的競爭主軸是「接入」——接哪個大模型、能否快速上線一個Copilot。如今這個階段已基本過去，大模型API成為商品，工程接入能力不再是壁壘。企業AI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澱為可持續調用的技術資產。SWM之所以難以追趕，本質上正是它把「理解消費者」做成了具有複利效應的積累，形成一個隨業務規模自動加深的飛輪。