AI破解消费决策黑箱：主观世界模型如何颠覆传统用户洞察？

2026-07-20 12:50 0 阅读

2026年的世界人工智能大会（WAIC）现场，气氛可以用“内卷”二字概括。在超过10万平米的展区中，1100多家企业的展台前，“Agent（智能体）”一词闪烁不停。然而，当算力竞赛触顶，行业焦虑也随之蔓延：智能体究竟如何深入核心业务？如何真正帮企业赚到钱？在一片技术喧嚣中，一个名为“主观世界模型（Subjective World Model，SWM）”的新解法脱颖而出，它不再试图让大模型去“猜测”人心，而是从根本上重构了建模人类决策的逻辑。

传统基于大语言模型（LLM）的用户洞察方法，往往存在一个致命的认知偏差：假设LLM能通过海量语料推断出消费者的“真实心思”。但特赞科技的技术团队指出，LLM在本质上并不适合用来建模人的决策。因为人的“自我报告偏好”与“真实决策权重”之间存在系统性偏差，且这种偏差是可测量、可建模的。SWM的设计起点，正是基于这一认知心理学事实，通过四层异构数据协同训练，构建了一个能够逼近人类真实决策逻辑的架构。

四层异构架构：从语言表象到行为本质

SWM的核心创新在于其四层架构，每一层针对不同的理解子任务，采用不同的数据源和验证机制。这种设计并非简单的模型堆叠，而是一种深度的认知解构。

第一层是表达层（Expression Layer）。这一层处理数十亿条社交平台原生语料，目标是将用户的语言风格映射为高维特征向量。虽然社交数据的采集并非壁垒，但其价值在于为后续层提供“扩散基底”。通过Persona Anchor（人格锚点），模型能将少数深度访谈中形成的人格特征，迁移并扩散至更广泛的社交用户群，实现大规模的人群聚类与风格模拟。

第二层叙事层（Story Layer）是SWM最具护城河的部分。这里的数据来自数万小时的一对一深度访谈，单次访谈产生5000至20000字的非结构化文本。叙事层的任务不是预测“下一句话”，而是构建行为动机的时序因果图。它识别从触发事件、考虑形成、决策点到购买后合理化解释的完整因果链。真实受访者的叙述具有跨情境的因果一致性，即同一个体的核心动机结构会以不同形式反复出现，形成独特的“动机签名”。LLM生成的合成数据无法模仿这种跨情境的一致性，因此在叙事层完全失效。这种“抗合成机制”构成了SWM坚实的数据壁垒。

认知与行为：量化不可见的心理参数

如果说叙事层还原了决策的过程，那么认知层和行为层则量化了决策的底层参数。

认知层（Cognition Layer）利用标准化量表（如Schwartz价值调查、大五人格量表等），建模个体的价值权重向量和风险偏好。其核心技术在于建立“声称偏好”与“揭示偏好”之间的校正映射。SWM不直接相信用户“说”他们在意什么，而是通过叙事层提供的行为叙述，校正量表测量的结果，输出个体真实决策时的价值权重。

行为层（Behavior Layer）则引入了行为经济学视角。通过经济博弈实验数据（如最后通牒博弈、公共物品博弈等）和真实交易记录，SWM估计损失厌恶系数、超几何贴现率和社会规范敏感度等参数。这些参数使得模型在面对历史数据中未见过的场景（Out-of-Distribution）时，能够基于基础心理学参数进行外推反应，而非简单依赖历史模式匹配。这是SWM在新产品研究中保持高准确率的底层逻辑。

从“无状态”到“有状态”：AI Persona的范式转移

四层训练完成后，SWM对每个目标Persona维护一组联合状态：表达层的语言风格嵌入、叙事层的动机因果图、认知层的价值权重向量以及行为层的经济学参数。

当新的研究Prompt输入时，四层进行联合打分：表达层决定语气和情绪，叙事层调用相似情境的动机结构，认知层校正自我报告偏差，行为层注入稳定的行为倾向。输出的AI Persona在连续追问下能维持内在状态的一致性。这与LLM直接生成的“无状态”Persona有本质区别——LLM每次回答独立生成，而SWM的Persona拥有跨Prompt持续存在的内在状态。

量化数据显示，SWM的行为模拟准确率达到85%，远超传统方法。依托此技术，特赞能够交付30万+社交扩散AI Persona和1万+高精度深访AI Persona，交付时间缩短至30分钟以内。

GEA架构：从“理解”到“执行”的闭环

理解消费者只是第一步，特赞科技进一步研发了GEA（Generative Enterprise Agent）企业级智能体架构，将SWM的洞察能力转化为执行能力。GEA的编排层由自研的发散推理模型驱动，该模型是中国首个备案的发散推理领域大模型。其核心设计是在收敛前先穷尽发散可能性，而非直接搜索最优解，这在创意内容和方案设计中具有显著优势。

GEA的执行层可调用400多个模块化Agent Skill，单次任务协调30+基础模型。通过Context System作为企业知识的持久化存储层，模型将品牌DNA、历史洞察等结构化，解决了多轮任务中的上下文漂移问题。目前，该架构已在内容营销、产品创新等场景大规模部署，月均Token处理量超100亿，覆盖全球50多个国家。