这是一种属于国内原创的AI构架——主观模型。它区别于海外以文本预测为主的LLM路线，走出一条“理解人”的AI范式。它使人机交互升级：从“问答”走向“共情式理解”，从此，AI开始知道人心里纠结什么、口是心非在哪、最后会怎么选择。但，这还只是仿真，不是AI真的拥有主观意识。
话题主持：新民晚报 张炯强 郜阳
AI能不能真正理解人？不是“理解你的指令”，不是“根据你的输入给出回应”——而是理解你这个人：“你为什么这么想，你真正在意什么？”“你说出口的和心里真实的优先级之间的那道缝隙。”
一名28岁的上海白领女性在社交媒体上写道：“我是理性消费者，买东西只看成分，不看品牌。”但当闺蜜圈都在用某个奢侈品牌时，她买了。事后，她发了一篇“成分党推荐”的笔记，解释这是“理性判断”。人们说的、解释的、真正在意的、最终做的——四层之间往往充满矛盾。但这恰恰是一个真实的人。
“理解人”技术上可行
过去三年，大语言模型的能力边界不断扩张——从生成文字、图片、视频，到推理、写代码、自主完成复杂任务。但所有这些模型，共享同一个训练目标：预测下一个词的概率分布。这让它们极其擅长理解和生成语言，却在一件事上始终力不从心——理解说话者本人。
一个简单的反例：你问同一个大语言模型“你喜欢喝咖啡还是茶”，今天和明天的回答可能截然不同。因为模型没有“你”，只有当下的上下文。它理解语言，但不建模人。
哲学家维特根斯坦有一句名言：“语言的边界，就是世界的边界。”反过来想：如果能用语言完整描述一个人，就等于进入了他的世界。那么，是否存在一种模型，不以语言分布为目标，而专门建模人的主观世界——那些想法、偏好、纠结和矛盾？
学术界已经给出了初步答案。斯坦福大学与谷歌的研究团队构建了1000个基于大语言模型的“数字分身”，让AI代替真人回答问卷。结果出人意料：AI分身与真人回答的吻合率高达85%——而同一个人隔两周重做同一份问卷，前后一致性也不过如此。另一项研究则发现，AI内部存在可量化的“人格”维度，可以被检测、预测，甚至精确调控。这些研究共同指向一个可能：以语言模型为基础，为人的主观世界建模，在技术上是可行的。
四层数据协同训练
不久前结束的2026世界人工智能大会上，一个新的模型框架备受关注——主观世界模型（Subjective World Model，SWM）。这一模型最先由特赞科技Tezign研发。
SWM与现有大语言模型的根本区别，在于训练目标的不同：大语言模型优化的是语言分布的拟合；SWM优化的是行为预测的准确率。为此，它构建了一套四层递进的异构数据训练架构，每一层对应人在不同深度的真实状态：
表达层（Expression Layer）采集数十亿条社交平台原生语料，建模语言风格与用户特征之间的映射关系。这一层捕捉的是人在公开场合说什么——风格、偏好的表达、人设的建构。
叙事层（Story Layer）采集数万小时一对一深度访谈语料，构建行为动机的时序因果链。这一层捕捉的是人怎么解释自己的选择，以及这个解释背后从触发到决策再到事后合理化的完整故事。
认知层（Cognition Layer）引入SchwartzValueSurvey、Big Five Inventory等心理学标准量表，系统校正“陈述偏好”与“真实偏好”之间的偏差。这一层触及的是人真正在意什么——往往与嘴上说的并不相同。
行为层（Behavior Layer）通过最后通牒博弈、公共物品博弈等经济学实验与真实交易记录，估计个体的损失厌恶系数、时间折现率、社会规范敏感度，预测人最终会怎么做——在有真实利益的情境下的实际决策。
四层数据协同训练，输出的是一个有持久内在状态的AI人设（AI Persona）。它在被连续追问时能保持内在一致性，不会像普通语言模型那样每次生成彼此矛盾的回答——因为它维护的不是上下文窗口，而是一个人的动机结构和行为参数。
“陈述偏好”不可全信
要理解SWM的意义，需要先正视一个根本性的问题：人说的和做的，往往是两回事。
行为经济学将这一现象称为“陈述偏好”（stated preference）与“显示偏好”（revealed preference）之间的系统性偏差。消费者研究中这样的案例比比皆是：人们在问卷中声称重视环保，但真实购买行为中，价格因素的权重远高于环保因素；人们说自己理性消费，但在社交圈的影响下，购买决策频繁偏离理性预设。
说的、解释的、真正在意的、最终做的——四层之间充满矛盾。但这恰恰是一个真实的消费者。
传统问卷只能捕捉表达层；深度访谈能触达叙事层；但认知层的价值权重偏差，和行为层的真实决策参数，只能通过专门设计的实验和真实行为数据来测量。这正是SWM四层架构超越现有方法的核心所在。
深度对话层层追问
SWM的商业应用落地于特赞科技旗下的用户研究平台Atypica。它将AI Persona转化为可反复调用的消费者认知系统——任何产品、任何想法、任何时刻，即时验证。这一模型进一步应用在特赞的企业级智能体产品系列GEA中，作为让大语言模型真正理解目标消费者的核心技术。
一家母婴公司曾面临这样的困惑：年轻妈妈在社交媒体上频繁标榜“只买性价比高的”，但购买数据显示她们复购的是最贵的产品。传统问卷只能抓到用户愿意说出口的那一层内容
Atypica的做法不同。先让AI与2000个真实用户展开深度对话——不是结构化问卷，而是像朋友聊天一样的层层追问，直到触碰真正的决策逻辑。结果清晰呈现：妈妈嘴上说“性价比”，但当婆婆说出“孩子的东西不能省”时，她的选择立刻翻转。
这不再是一份读完就归档的报告，而是一个可以反复调用的、活的消费者认知系统。过去做一次千人调研需要数周时间和六位数预算；通过Atypica，速度提升100倍，成本降低100倍，可触达的消费者样本规模扩大100倍。
一个新范式的边界
主观世界模型并非横空出世。它站在过去三年学术界在认知建模、行为建模、人格建模方向上积累的成果之上，提出了一种工程化的实现路径：用异构多层数据协同训练，替代单一语言语料的预训练目标。这是对大语言模型范式的一次根本性扩展，而不仅仅是应用层的改良。
这一范式的意义，可能远超商业应用本身。如果AI能够可靠地建模人的主观认知结构，它就不只是生产工具，还是理解人类行为的科学仪器——在公共政策模拟、社会科学研究、心理健康干预等领域，都可能开辟全新的可能性。
当然，这一方向同样面临深刻的挑战：训练数据是否能真实反映多元文化下的认知差异？模型在样本之外的泛化能力如何验证？商业应用与个人隐私保护之间的边界在哪里？这些问题，都还没有完整的答案。正因为如此，它们才值得被认真提出来。
AI理解人，不是为了更精准地操控人。如果这项技术的终点是让商业离人更近、让产品更真实地回应人的需求，而不是放大偏见、加剧操纵——那它需要的不只是工程师，还需要心理学家、社会学家、伦理学者，需要公众的参与，需要监管的介入。
主观世界模型是一个开始。它提出了一个方向：AI不只是生产工具，也可以是理解人的工具。但“理解”本身是有责任的。我们希望在推进这项技术的同时，也参与建立它应有的边界。
作者：同济大学教授、设计人工智能实验室主任，特赞科技发起人 范凌
【更多阅读】穿透“自我叙事”，AI如何预测你的下一步？｜新民·科技前沿
信钰证券提示：文章来自网络，不代表本站观点。
