這是一種屬於國內原創的AI構架——主觀模型科技。它區別於海外以文字預測為主的LLM路線，走出一條“理解人”的AI正規化。它使人機互動升級：從“問答”走向“共情式理解”，從此，AI開始知道人心裡糾結什麼、口是心非在哪、最後會怎麼選擇。但，這還只是模擬，不是AI真的擁有主觀意識。
話題主持科技：新民晚報 張炯強 郜陽
AI能不能真正理解人？不是“理解你的指令”，不是“根據你的輸入給出回應”——而是理解你這個人：“你為什麼這麼想，你真正在意什麼？”“你說出口的和心裡真實的優先順序之間的那道縫隙科技。”
一名28歲的上海白領女性在社交媒體上寫道：“我是理性消費者，買東西只看成分，不看品牌科技。”但當閨蜜圈都在用某個奢侈品牌時，她買了。事後，她發了一篇“成分黨推薦”的筆記，解釋這是“理性判斷”。人們說的、解釋的、真正在意的、最終做的——四層之間往往充滿矛盾。但這恰恰是一個真實的人。
“理解人”技術上可行
過去三年，大語言模型的能力邊界不斷擴張——從生成文字、圖片、影片，到推理、寫程式碼、自主完成複雜任務科技。但所有這些模型，共享同一個訓練目標：預測下一個詞的機率分佈。這讓它們極其擅長理解和生成語言，卻在一件事上始終力不從心——理解說話者本人。
一個簡單的反例：你問同一個大語言模型“你喜歡喝咖啡還是茶”，今天和明天的回答可能截然不同科技。因為模型沒有“你”，只有當下的上下文。它理解語言，但不建模人。
哲學家維特根斯坦有一句名言：“語言的邊界，就是世界的邊界科技。”反過來想：如果能用語言完整描述一個人，就等於進入了他的世界。那麼，是否存在一種模型，不以語言分佈為目標，而專門建模人的主觀世界——那些想法、偏好、糾結和矛盾？
學術界已經給出了初步答案科技。斯坦福大學與谷歌的研究團隊構建了1000個基於大語言模型的“數字分身”，讓AI代替真人回答問卷。結果出人意料：AI分身與真人回答的吻合率高達85%——而同一個人隔兩週重做同一份問卷，前後一致性也不過如此。另一項研究則發現，AI內部存在可量化的“人格”維度，可以被檢測、預測，甚至精確調控。這些研究共同指向一個可能：以語言模型為基礎，為人的主觀世界建模，在技術上是可行的。
展開全文
四層資料協同訓練
不久前結束的2026世界人工智慧大會上，一個新的模型框架備受關注——主觀世界模型（Subjective World Model，SWM）科技。這一模型最先由特贊科技Tezign研發。
SWM與現有大語言模型的根本區別，在於訓練目標的不同：大語言模型最佳化的是語言分佈的擬合；SWM最佳化的是行為預測的準確率科技。為此，它構建了一套四層遞進的異構資料訓練架構，每一層對應人在不同深度的真實狀態：
表達層（Expression Layer）採集數十億條社交平臺原生語料，建模語言風格與使用者特徵之間的對映關係科技。這一層捕捉的是人在公開場合說什麼——風格、偏好的表達、人設的建構。
敘事層（Story Layer）採集數萬小時一對一深度訪談語料，構建行為動機的時序因果鏈科技。這一層捕捉的是人怎麼解釋自己的選擇，以及這個解釋背後從觸發到決策再到事後合理化的完整故事。
認知層（Cognition Layer）引入SchwartzValueSurvey、Big Five Inventory等心理學標準量表，系統校正“陳述偏好”與“真實偏好”之間的偏差科技。這一層觸及的是人真正在意什麼——往往與嘴上說的並不相同。
行為層（Behavior Layer）透過最後通牒博弈、公共物品博弈等經濟學實驗與真實交易記錄，估計個體的損失厭惡係數、時間折現率、社會規範敏感度，預測人最終會怎麼做——在有真實利益的情境下的實際決策科技。
四層資料協同訓練，輸出的是一個有持久內在狀態的AI人設（AI Persona）科技。它在被連續追問時能保持內在一致性，不會像普通語言模型那樣每次生成彼此矛盾的回答——因為它維護的不是上下文視窗，而是一個人的動機結構和行為引數。
“陳述偏好”不可全信
要理解SWM的意義，需要先正視一個根本性的問題：人說的和做的，往往是兩回事科技。
行為經濟學將這一現象稱為“陳述偏好”（stated preference）與“顯示偏好”（revealed preference）之間的系統性偏差科技。消費者研究中這樣的案例比比皆是：人們在問卷中聲稱重視環保，但真實購買行為中，價格因素的權重遠高於環保因素；人們說自己理性消費，但在社交圈的影響下，購買決策頻繁偏離理性預設。
說的、解釋的、真正在意的、最終做的——四層之間充滿矛盾科技。但這恰恰是一個真實的消費者。
傳統問卷只能捕捉表達層；深度訪談能觸達敘事層；但認知層的價值權重偏差，和行為層的真實決策引數，只能透過專門設計的實驗和真實行為資料來測量科技。這正是SWM四層架構超越現有方法的核心所在。
深度對話層層追問
SWM的商業應用落地於特贊科技旗下的使用者研究平臺Atypica科技。它將AI Persona轉化為可反覆呼叫的消費者認知系統——任何產品、任何想法、任何時刻，即時驗證。這一模型進一步應用在特讚的企業級智慧體產品系列GEA中，作為讓大語言模型真正理解目標消費者的核心技術。
一家母嬰公司曾面臨這樣的困惑：年輕媽媽在社交媒體上頻繁標榜“只買價效比高的”，但購買資料顯示她們復購的是最貴的產品科技。傳統問卷只能抓到使用者願意說出口的那一層內容
Atypica的做法不同科技。先讓AI與2000個真實使用者展開深度對話——不是結構化問卷，而是像朋友聊天一樣的層層追問，直到觸碰真正的決策邏輯。結果清晰呈現：媽媽嘴上說“價效比”，但當婆婆說出“孩子的東西不能省”時，她的選擇立刻翻轉。
這不再是一份讀完就歸檔的報告，而是一個可以反覆呼叫的、活的消費者認知系統科技。過去做一次千人調研需要數週時間和六位數預算；透過Atypica，速度提升100倍，成本降低100倍，可觸達的消費者樣本規模擴大100倍。
一個新正規化的邊界
主觀世界模型並非橫空出世科技。它站在過去三年學術界在認知建模、行為建模、人格建模方向上積累的成果之上，提出了一種工程化的實現路徑：用異構多層資料協同訓練，替代單一語言語料的預訓練目標。這是對大語言模型正規化的一次根本性擴充套件，而不僅僅是應用層的改良。
這一正規化的意義，可能遠超商業應用本身科技。如果AI能夠可靠地建模人的主觀認知結構，它就不只是生產工具，還是理解人類行為的科學儀器——在公共政策模擬、社會科學研究、心理健康干預等領域，都可能開闢全新的可能性。
當然，這一方向同樣面臨深刻的挑戰：訓練資料是否能真實反映多元文化下的認知差異？模型在樣本之外的泛化能力如何驗證？商業應用與個人隱私保護之間的邊界在哪裡？這些問題，都還沒有完整的答案科技。正因為如此，它們才值得被認真提出來。
AI理解人，不是為了更精準地操控人科技。如果這項技術的終點是讓商業離人更近、讓產品更真實地回應人的需求，而不是放大偏見、加劇操縱——那它需要的不只是工程師，還需要心理學家、社會學家、倫理學者，需要公眾的參與，需要監管的介入。
主觀世界模型是一個開始科技。它提出了一個方向：AI不只是生產工具，也可以是理解人的工具。但“理解”本身是有責任的。我們希望在推進這項技術的同時，也參與建立它應有的邊界。
作者：同濟大學教授、設計人工智慧實驗室主任科技，特贊科技發起人 範凌
