Репортаж от Wedoany，Китайская компания Tezign Technology на Всемирной конференции по искусственному интеллекту (WAIC) 2026 года представила модель субъективного мира, которая моделирует реальное потребительское поведение с помощью координированного обучения на четырёхуровневых гетерогенных данных. Разработка модели основана на известном факте из когнитивной психологии о систематическом расхождении между «самоотчётными предпочтениями» и «реальными весами решений», и направлена на преодоление врождённых ограничений больших языковых моделей, непригодных для моделирования человеческих решений.
Выставка привлекла более 1100 компаний-участников, площадь экспозиции составила 100 000 квадратных метров. Архитектура модели субъективного мира (Subjective World Model, SWM), предложенная Tezign Technology, включает четыре уровня. Первый уровень — уровень выражения, использующий миллиарды единиц нативных данных из социальных платформ для построения многомерного отображения векторов языкового стиля пользователей с демографическими и психологическими характеристиками. Второй уровень — нарративный уровень, основанный на десятках тысяч часов парных глубинных интервью (каждое интервью длится от 1 до 2 часов, генерируя от пяти до двадцати тысяч слов неструктурированного текста) для моделирования временных причинно-следственных графов поведенческих мотивов; этот уровень подчёркивает, что реальные данные интервью обладают кросс-ситуационной причинной согласованностью, которую синтетические данные не могут заменить.
Третий уровень — когнитивный уровень, использующий стандартизированные опросники, такие как опросник поведенческих суждений, Шкала ценностей Шварца (Schwartz Value Survey) и Большая пятёрка (Big Five), для моделирования индивидуальных векторов весов ценностей и коэффициентов склонности к риску, с целью количественной оценки разницы между заявленными предпочтениями потребителей и их реальными компромиссами в решениях. Четвёртый уровень — поведенческий уровень, использующий данные экономических игр, таких как игра «Ультиматум», игра «Общественное благо» и игра «Доверие», а также реальные транзакционные записи для параметрического индивидуального моделирования, выводя три параметра поведенческой экономики: коэффициент неприятия потерь λ, коэффициент гиперболического дисконтирования времени δ и коэффициент чувствительности к социальным нормам γ.
При выводе SWM поддерживает четыре типа совместных состояний для каждого целевого персонажа: встраивание языкового стиля на уровне выражения, причинно-следственный граф мотивов на нарративном уровне, вектор весов ценностей на когнитивном уровне и экономические параметры на поведенческом уровне. Четырёхуровневая совместная оценка генерирует AI-персонажа с внутренним состоянием. В отличие от больших языковых моделей без состояния, которые генерируют ответы независимо каждый раз, персонаж SWM сохраняет согласованное внутреннее состояние при последовательных запросах. Количественные результаты показывают точность моделирования поведения 85% (на основе глубинных интервью с реальными людьми). С помощью распространения социальных данных можно сгенерировать более 300 000 AI-персонажей, из которых более 10 000 высокоточных персонажей, обученных непосредственно на данных глубинных интервью, со временем доставки менее 30 минут.
Помимо понимающей стороны, Tezign Technology разработала корпоративную агентную архитектуру GEA (Generative Enterprise Agent) для выполнения задач, ориентированных на потребителей. Оркестровочный уровень этой архитектуры управляется первой в Китае зарегистрированной моделью дивергентного мышления Creative Reasoning Model, исполнительный уровень может вызывать более 400 модульных навыков агента и координировать более 30 базовых моделей, а Context System служит уровнем постоянного хранения корпоративных знаний. В настоящее время эта архитектура широко внедрена в таких бизнес-сценариях, как контент-маркетинг, исследования инсайтов, инновации продуктов и дизайн-творчество, со среднемесячным объёмом развёртывания токенов более 10 миллиардов, охватывая более 50 стран и регионов мира.
Представители Tezign заявили, что конкурентный барьер SWM заключается не в воспроизводимости архитектуры, а в накопленных за десять лет реальных данных глубинных интервью на нарративном уровне и встроенном механизме защиты от синтетики — когда синтетические данные систематически терпят неудачу при кросс-валидации на когнитивном и поведенческом уровнях, последующим конкурентам придётся накапливать реальные данные с нуля. Конкуренция во второй половине корпоративного ИИ сместится от возможностей подключения моделей к глубине понимания бизнес-сценариев и накоплению технологических активов.
