探秘WAIC的“读心”模型：特赞如何通过主观世界模型模拟消费者决策
在2026年世界人工智能大会上，几乎每个展馆都充斥着智能体的话语。超过1100家企业占据了逾10万平方米的展览面积，许多展位都宣称拥有能够规划、行动、协作并完成工作的系统。
探秘WAIC的“读心”模型：特赞如何通过主观世界模型模拟消费者决策
引言
在2026年世界人工智能大会上，几乎每个展馆都充斥着智能体的话语。超过1100家企业占据了逾10万平方米的展览面积，许多展位都宣称拥有能够规划、行动、协作并完成工作的系统。
对商业而言，一个更棘手的问题却并不显眼：当模型访问变得普及后，智能体如何才能充分理解客户，从而为产品、营销、研发或设计决策提供支持？
特赞在其展位上给出了一个答案：主观世界模型，简称SWM。
源文章将SWM描述为一种AI“读心术”。这个说法最好理解为一种比喻。该系统并非真正读取私密想法。它试图估算人们在表达自我、解释选择、权衡不同价值以及在约束条件下行为时所展现出的稳定模式。
该架构支持了特赞的AI研究智能体Atypica，用于生成和访谈AI人格。随后，特赞将消费者理解层连接到其生成式企业代理，旨在将研究洞见转化为商业行动。
该模型围绕一个简单但重要的观察结果构建：人们口头上说的偏好与实际驱动其决策的因素并不总是一致。
核心架构假设
SWM始于消费者心理学和行为经济学中的一个常见发现：陈述偏好可能与显示偏好存在系统性差异。
一位客户可能说价格是最重要的因素，然后却因为信任、地位、便利性、熟悉度、社交环境或感知风险而反复选择更贵的产品。
问卷调查捕捉的是人们能够或选择报告的内容。一次购买行为则捕捉了一个可见的结果。这两种来源都不一定能揭示完整的决策过程。
特赞提出的解决方案是一个四层异构建模系统。每一层都用不同类型的数据和不同的目标进行训练，然后在推理过程中各层共同发挥作用。
这四层是：
- 表达层——一个人如何呈现和表达自己
- 叙事层——动机如何随着个人叙事而发展
- 认知层——如何权衡价值、风险和利弊
- 行为层——这些内在倾向如何转化为行动
![图片展示了特赞科技的主观世界模型（Subjective World Model）架构。模型基于全球100万真实用户数据，包含表达层、叙事层、认知层和行为层四个层次。表达层涉及如何呈现和表达自己，叙事层关注个人叙述中动机的发展，认知层探讨价值、风险和权衡的权重，行为层则体现内部倾向如何转化为行动。右侧详细列出各层的数据来源和目标，如表达层的数据来源为社交媒体、跨平台表达语料库等，目标是理解人们如何表达自己。](https://we0-cms.oss-cn-beijing.aliyuncs.
Tezign 将 SWM 呈现为一种建模人的结构，而非更大的通用语言模型。大型语言模型仍是周围系统的一部分，但人物状态并非仅依赖于一个告诉模型"扮演"特定客户的提示。
第一层：表达层
表达层使用来自社交平台及其他原生交流环境的大量语言数据。
其目标是将语言模式映射到人口统计和心理特征上。系统可分析：
- 常用词汇和短语
- 句子长度与节奏
- 情感基调
- 重复主题
- 跨平台的风格差异
- 自我呈现模式
- 与年龄、地域、职业、兴趣或消费水平相关的信号
从技术角度看，原文献将此描述为一项有监督的表示学习任务。
用户的历史文本作为输入，而个人资料标签或其他已知属性提供监督信号。训练完成后，具有相关特征的用户会在嵌入空间中形成聚类。
最终形成的表示作为人物锚点，供后续层级使用。
表达层的价值
深度访谈包含比社交帖子更丰富的信息，但成本高昂且数据稀疏。社交语言则更容易大规模收集。
Tezign 的方法将表达层作为两者间的桥梁。少量经过深度研究的人物画像可与公开语言模式相似的更大群体建立关联。
原文献认为，该层并非主要竞争壁垒，因为社交数据可以大规模获取。其价值在于为成本更高的故事层提供分布基础。
重要局限
语言并非揭示身份的中性窗口。
人们在不同平台呈现不同的自我，会使用反讽、模仿潮流、共享账号、随时间改变、根据受众调整语气。从语言中推断人口统计或心理特征也可能引入偏见和隐私风险。
因此，生产系统需制定明确规则，涵盖：
- 同意与合法数据使用
- 个人身份信息
- 敏感属性推断
- 数据保留
- 代表性
- 偏见评估
- 用户更正与删除
- 概率预测的适当使用
嵌入可估算相似性，但无法证明一个人的身份、动机或未来行为。
第二层：故事层
故事层使用长篇的一对一访谈。
据 Tezign 报告，其训练数据包含数万小时的深度访谈。一次典型访谈持续一到两小时，根据语言和转录格式的不同，可产生约5000至20000个汉字或单词的非结构化素材。
其目标并非普通的分类或下一个词预测，而是重构决策背后的时间因果结构。
简化的序列可能包括：
- 触发事件
考虑的形成
3. 比较与冲突
4. 决策点
5. 购后解读
试想两位顾客购买了同一款高端咖啡机。
一位可能受便捷性驱动。另一位可能希望掌控品质。还有一位可能将其视为换工作或搬家后新身份的一部分。
可见的购买行为完全相同，但其动机图谱却截然不同。
跨情境的动机特征
该理论认为，真实访谈中蕴含着一种跨情境的因果一致性。
同一个人可能用不同语言描述不同的购买行为，但这些故事背后可能浮现出重复出现的动机结构。一个强烈回避后悔的顾客，在选择电子产品、保险、旅行和医疗保健时，都可能表现出这种倾向。
SWM（心灵漫游模型）试图将这些重复模式识别为动机特征。
故事层被视为该系统最难以复现的数据资产，因为它需要长时间的访谈、细致的提问、转录、解读以及持续的积累。
为何慎用合成访谈
该理论提出一个有力论点：合成访谈数据在这一层面会失效，因为生成的虚拟人格可能无法在无关情境中保持稳定的内部状态。
这一论断应被理解为特赞的技术主张，而非所有语言模型系统的普遍局限。
现代大型语言模型应用可以通过上下文窗口、记忆系统、结构化档案、检索和外部数据库来维持状态。然而，生成的虚拟人格仍可能给出貌似合理的答案，却缺乏真实个人一致行为历史的支撑。
因此，相关区别不在于简单的大型语言模型与非大型语言模型，而是：
- 提示引导模拟 vs. 实证依据模拟
- 生成式一致性 vs. 测量式一致性
- 表面合理性 vs. 验证的行为一致性
SWM 试图将虚拟人格锚定于观察到的访谈中，并针对独立的认知和行为数据进行检验。
第三层：认知层
认知层模拟一个人如何权衡价值与风险。
其数据可能包括：
- 行为判断问卷
- 施瓦茨价值观量表测量
- 大五人格量表
- 风险偏好任务
- 其他标准化的心理或行为测量工具
该层旨在估算一个价值权重向量以及与风险偏好相关的系数。
这即是系统尝试量化差距的地方——即一个人口头认为重要的东西，与实际上影响其决策的因素之间的差距。
例如，一位顾客可能在调查中将可持续性排得很高，但在购买时始终优先考虑价格和便捷性。系统不一定会将调查结果视为虚假，而是会估算该报告价值观在真实条件下如何与其他价值观竞争。
校准层，而非人格标签
目的并不仅仅是贴上一个宽泛的标签，如“环保意识强”或“风险规避”。
其预期输出更接近于一个
加权决策画像：
- 该个体对潜在损失的反应有多强烈？
- 他们能接受多大的不确定性？
- 便利性在何种情况下会超越价格因素？
- 社会认可能如何影响选择？
- 哪些价值观在不同情境下保持稳定？
- 在时间压力或资源稀缺条件下，哪些偏好会发生改变？
故事情节层提供叙事证据，认知层则对个体陈述及推断出的优先级进行结构化校准。
心理测量始终是不完整且依赖情境的。它们应服务于模型建构，而非成为对个体的永久性或确定性判断。
第四层：行为层
行为层用于检验前三层能否预测实际行动。
其输入包含经济博弈实验数据，以及在法律与伦理允许范围内的真实交易记录。
来源提及的博弈与行为参数包括：
- 最后通牒博弈
- 公共物品博弈
- 信任博弈
- 损失厌恶系数
- 双曲线时间贴现率
- 社会规范敏感度
这些任务将参与者置于明确约束条件下，要求其分配资源、合作、信任他人、接受不平等报价，或在即时与延迟价值之间做出选择。
由此产生的行为数据可与个体在访谈或问卷中的表述进行对比。
该层对新场景的意义
当新决策与历史数据相似时，历史模式匹配效果最佳。
新产品可能缺乏直接先例，客户也从未购买过该类目商品。
行为层试图通过更基础的行为倾向进行泛化。若人物画像具备估算的损失厌恶模式、时间偏好及社会规范敏感度，模型便可在模拟新场景响应时调用这些参数。
这正是原文解释SWM在缺乏历史销售数据的早期产品研究中具有价值的原因。
行为参数具有概率性。它们应被用于估算可能响应的分布范围，而非断言某个体的确定行为。
四层次如何生成AI人物画像
训练完成后，SWM会维护包含以下内容的联合人物状态：
- 来自表达层的语言风格嵌入
- 来自故事情节层的动机图谱
- 来自认知层的价值观权重与风险画像
- 来自行为层的行为经济学参数
当研究人员提出新问题（如"您如何看待这款包装设计？"）时，各层次将分别贡献回答的不同部分。
表达层影响措辞、语气与情感风格。
故事情节层检索相关动机与既往决策模式。
认知层调整自我报告与模型化优先级之间的差异。
行为层注入可能迁移至陌生产品或情境的稳定倾向。
预期效果是生成在后续访谈中保持内在一致的AI人物画像。
来源将此方法直接由通用大语言模型生成的人物画像进行对比。从技术层面而言……
精确对比：
| 直接提示人物形象 | SWM式结构化人物形象 |
|---|---|
| 状态可能仅存在于当前提示或会话中 | 人物状态在多个建模层中显式表示 |
| 通常针对看似合理的回应进行优化 | 旨在复现可测量的行为模式 |
| 一致性取决于提示设计和记忆 | 一致性由持久的人物表示支持 |
| 验证可能是定性的 | 验证包括行为比较和经济博弈 |
| 易于大规模创建 | 数据收集和校准成本更高 |
区别不在于大语言模型能否维持状态，而在于SWM旨在将人物状态作为一流的、可测量的对象，而非提示的隐式结果。
Atypica GameLab如何测试人物形象的准确性
Atypica是建立在主观世界模型基础上的消费者研究代理。
其GameLab评估环境让人类参与者和AI人物形象完成相同的行为经济学博弈，然后比较产生的决策。
该平台包含囚徒困境和猎鹿博弈等游戏格式。这些实验在多轮次中测试合作、背叛、协调、信任和策略适应。
一个独立的分析界面按游戏类型比较了几种语言模型和人物形象系统。
来源报告了以下产品数据：
- 行为模拟准确率达到85%（以人类访谈为参考基准）
- 超过30万个AI人物形象
- 超过1万个高精度人物形象直接从深度访谈材料中训练
- 研究交付时间不到30分钟
Atypica当前的公开网站单独报告称，拥有超过30万个AI人物形象、超过100万次访谈，以及研究完成时间不到30分钟。
这些是供应商报告的产品指标。本文审查的公开材料未提供足够的方法论细节，以便独立复现85%的准确率数据。
在依赖人物形象系统做出重要决策之前，组织应询问：
- 究竟什么才算准确预测？
- 准确率是跨人群、游戏、问题还是决策取平均值？
- 人类基准是什么？
- 样本规模有多大、代表性如何？
这是评估组吗？
- 新类别和新国家的表现是否稳定？
- 不确定性如何呈现？
- 用户画像多久重新校准一次？
- 哪些类型的决策不应进行模拟？
只有当分数的分母、协议、置信区间和部署场景清晰时，这个分数才有意义。
从理解消费者到执行企业工作
SWM专为工作流中理解消费者的一方设计。
特赞的生成式企业代理旨在将这种理解与执行连接起来。
这两个系统形成了一个更广阔的循环：
- SWM建模消费者的表达、动机、价值观和行为。
- Atypica将这些模型转化为可研究的AI用户画像。
- 研究成果转化为结构化的企业背景信息。
- GEA评估可能的业务路径。
- 智能体技能执行选定的任务。
- 结果反馈至背景和评估系统。
GEA的四层架构
意图层
系统从业务目标开始，而非技术提示。
企业可以要求它：
- 探索产品机会
- 评估包装方向
- 识别新客户群体
- 设计内容增长计划
- 比较创意策略
- 进行持续的消费者研究
意图层将目标转化为结构化任务。
编排层
编排层由特赞的创意推理模型驱动。
特赞将该模型描述为先发散：它先扩展几条可能的路径，然后再判断、选择和安排执行。
它不会立即收敛于一个答案，而是会评估几种组合，包括：
- 客户群体
- 产品主张
- 定价方法
- 创意方向
- 分销渠道
- 市场状况
- 运营成本
- 预期结果
模型随后为选定的路径选择工具、模型和智能体。
智能体技能层
执行层调用模块化技能来完成具体工作。
特赞报告称已有超过400个技能模块，涵盖消费者洞察、内容创作、数据分析、创意评估和品牌一致性检查等领域。
根据公司资料，该系统可以在一个任务中协调超过30个基础模型。
模块化的技能架构允许平台将不同的子任务路由到不同的模型，而不是期望一个基础模型在所有操作上都能同样出色。
上下文系统
上下文系统提供持续的企业记忆。
它可以组织：
- 品牌指南
- 历史决策
- 研究报告
- 产品信息
- 内容资产
- 业务规则
- 过往活动结果
- 客户洞察
- 核准术语
- 权限与合规要求
特赞将此描述为企业的单一知识源。
真相。
其目标是减少长期工作流程中的上下文漂移。智能体可以参照组织的实际标准，而非仅依赖通用模型知识或重新输入的提示。
从输出到持续的业务循环
原文章指出，GEA已被应用于消费者研究、内容营销、产品创新和设计领域。
特赞（Tezign）报告称该系统：
- 协调30多个基础模型
- 使用400多种模块化智能体技能
- 每月处理超过100亿个token
- 在50多个国家和地区运营
- 服务超过180家企业客户
这些数据来自特赞自家的产品和宣传材料。
更大的架构理念是：企业智能体不应在生成报告或创意资产后就停止工作。它应保留上下文、观察反馈并持续推进业务目标。
这一目标比在现有软件中添加大语言模型接口更为艰巨。
它需要：
- 可靠的数据管道
- 身份与权限控制
- 人工审批边界
- 版本化的业务规则
- 可审计的智能体操作
- 中间决策评估
- 漂移监控
- 安全的模型与工具编排
- 最终结果的明确责任归属
缺乏这些控制措施，持久性在放大有效学习的同时，也容易放大错误。
为何特赞称故事层才是真正的护城河
原文章认为，四层架构本身是可以被复制的。
所谓的竞争壁垒在于积累的故事层数据：与认知测量和行为实验相关联的多年长篇幅访谈数据。
算力可以更快地训练模型，但无法瞬间重建十年间与真实人物的访谈数据。
这是SWM背后的核心商业论点：
通用模型将广泛普及，而专有、经过验证的领域上下文将持续成为企业系统的差异化优势。
同样的逻辑也体现在特赞的GEA架构中。基础模型可以替换或组合，但组织的研究历史、品牌标准、决策规则和积累的成果则更难复制。
但这并不意味着专有数据集天然具有优势。
其质量取决于：
- 访谈设计
- 参与者知情同意
- 样本覆盖范围
- 文化与地域代表性
- 标注一致性
- 访谈者效应
- 数据时效性
- 基于真实结果的验证
- 治理与访问控制
- 纠正不准确画像的能力
庞大的历史数据集可以成为复利资产。但如果采集过程不严谨，也可能成为偏见的放大来源。
在WAIC演示之外还需证明什么
SWM提出了一个融合语言、叙事、心理测量学与行为数据的有趣架构。
仍有几个问题对独立评估至关重要。
结果能否复现？
公开资料描述了架构并报告了主要产品指标，但尚未提供完整的技术论文、数据集规范、训练协议或可复现的基准测试。
独立评估有助于明确该方法在哪些方面优于：
- 人工访谈
- 调查问卷
- 检索增强型大语言模型角色
- 具备结构化记忆的智能体系统
- 传统细分模型
- 合成用户平台
准确性是否能够跨领域迁移？
在消费品决策场景下校准的角色可能无法适用于医疗、金融、就业或政治行为领域。
该模型应针对每个类别、文化、语言和决策类型分别进行评估。
不确定性如何传达？
当存在多种合理反应时，模拟不应只返回一个确定的答案。
有用的输出可能包括：
- 概率分布
- 置信区间
- 备选角色回应
- 对假设的敏感度
- 支持每个预测的证据
- 已知的盲点
隐私与知情同意如何管理？
消费者模拟可能涉及高度敏感的推断。
组织需要了解个人是否同意收集并建模其访谈、社交、心理及交易数据。同时，他们还需要相应的控制机制，以防止系统做出被禁止或歧视性的决策。
哪些环节必须保留人类控制权？
AI角色有助于生成假设、压力测试想法，并减少需要昂贵实地研究的选项数量。
但它们不应在高影响研究中自动取代真实客户。
在以下情况下，人类的参与仍然至关重要：
- 决策涉及安全、权利或准入问题
- 目标人群为弱势群体
- 新市场缺乏代表性数据
- 文化解读至关重要
- 模型置信度较低
- 结果与观察到的行为相矛盾
- 组织需要具有法律防御力的证据
模拟消费者的最大价值或许在于改进向真人提出的问题，而非将真人从研究流程中剔除。
企业AI的转变：从模型获取到领域理解
文章最后提出了一个关于企业AI的宏观论断。
在应用的第一阶段，竞争优势往往来自获取强大模型并快速集成。
这一优势正在缩小。基础模型API在众多标准任务上的可替换性越来越强，企业可以在多个提供商之间分配工作。
下一轮差异化竞争将更加深入：
- 系统是否理解业务领域？
- 是否能保留机构背景？
- 是否能模拟受决策影响的人群？
- 能否在执行前验证假设？
- 能否将洞察转化为可重复的工作流程？
- 每项完成的任务是否能优化下一个任务？
SWM试图将消费者理解转化为可重复使用的技术资产。
GEA则试图将这种理解转化为一个执行循环。
在世界人工智能大会上，最引人注目的关键词是“读心术”。但更现实的命题少了几分神奇，多了几分实用：结合多种人类证据，维持明确的角色状态，通过行为进行检验，并将结果接入企业工作流程。
![图片展示的是2024世界人工智能大会（WAIC）现场，特赞展台前人头攒动。]
展台顶部设有“Tezign”标识，旁边配有“360° Enterprise”字样。中央位置摆放着一座类似灯塔的装置，其上印有“Tezign”名称，底部标注“2024世界人工智能大会”。装置旁设有绿色屏幕，显示相关动态内容。展台四周点缀绿植，背景可见“温州科技”等文字。本图与文档中关于WAIC大会及特赞展台的介绍内容相吻合。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/7cc949af-95c8-4a41-81d4-75eb95468f59-83989fd9-6d02-434c-a702-8c5bbfff9571.jpeg)
常见问题
什么是特赞的主观世界模型？
主观世界模型（Subjective World Model）是一种建模框架，用于分析人们如何表达自我、解释选择、权衡价值观及在约束条件下做出行为。该模型支撑着Atypica的AI人设与消费者研究工作流。
SWM真的能读取人类思维吗？
不能。"读心术"仅是媒体比喻。该系统通过语言、访谈、问卷、实验及其他可用数据来估算心理与行为模式。
SWM的四层架构是什么？
四层架构包括：表达层、故事层、认知层与行为层。分别代表语言风格、动机历程、价值与风险权衡，以及行为倾向。
SWM人设与普通大语言模型人设的区别？
普通提示人设主要依赖指令与对话上下文。而SWM风格人设则基于多种测量数据构建显式、持久的状态，并通过行为任务进行评估。
什么是Atypica GameLab？
GameLab是一个评估环境，用于比较AI人设与人类参与者在行为经济学游戏中的决策。其目的在于衡量和校准人设行为与人类参考的匹配度。
什么是GEA？
GEA代表生成式企业代理（Generative Enterprise Agent），是特赞的企业代理架构，包含意图层、创意推理模型编排、模块化代理技能及持久上下文系统。
报道中85%的行为准确率是否经过独立验证？
该数据源自原始报道及特赞相关资料，但本文审查的公开信息未提供完全可复现的评估方案。建议组织索取基准定义、样本量、基线及特定领域的结果。
AI人设能否替代人类消费者研究？
AI人设可协助生成假设、对比概念并开展频繁的早期测试。但在高影响、文化敏感、受监管或代表性不足的研究场景中，不应自动替代真实参与者。
相关工具
- Atypica：特赞的AI研究代理，用于生成人设、执行访谈及分析消费者决策模式。
- 特赞GEA：特赞四层生成式企业代理架构官方概览。
- 创意推理模型：特赞面向复杂商业决策的发散优先推理与编排系统。
- 上下文系统：特赞的持久企业上下文层，涵盖资产、规则、决策及代理工作流。
- [Clipo Idea](https://www.tezign.
com/en/updates/clipo-idea-social-media-team)：特赞旗下一款将创意推理与模拟用户验证相结合的产品，用于社交媒体内容策划。
相关链接
- 主观世界模型官方概览：特赞关于主观世界模型、其四个数据层及公开商业案例的说明。
- Atypica官方网站：当前产品信息、人物画像数量、研究工作流程及使用案例。
- 特赞GEA产品公告：关于意图、编排、智能体技能及企业上下文的官方详细信息。
- 创意推理模型技术概览：对多路径发散推理与路径评估的描述。
- 上下文系统：让数据创造商业价值：特赞关于上下文检索、上下文图谱、权限及企业记忆的说明。
- GEA洞察研究：关于运用企业上下文、AI人物画像及持续消费者研究的官方资料。
- 特赞在WAIC 2026：公司公开的WAIC展会及央视采访详情。
总结
特赞主观世界模型通过融合表达、叙事、认知和行为四个证据层，试图改进消费者模拟。由此产生的人物画像旨在保持稳定的内在状态，并在后续提问及陌生场景中保持一致的响应。
Atypica将该模型转化为研究工作流程，并运用行为博弈来比较AI人物画像的决策与人类参考系。随后GEA将消费者理解与企业规划、模型编排、智能体技能及持久化商业上下文相连接。
该架构前景可观，但其核心准确率、可迁移性、隐私保护措施及商业影响力均需透明的协议与独立评估。供应商报告的结果应被视为供进一步测试的证据，而非普遍适用的证明。
主观世界模型背后的核心理念并非字面意义上的读心术——而是试图将消费者理解从一次性的提示词，转变为一个可衡量、可维持状态、可持续复用的企业资产。