2026 WAIC现场直击：智能体赛道内卷加剧，主观世界模型成为破局新方向

2026年世界人工智能大会（WAIC）现场，如果你真正走进去，扑面而来的只有一种感觉——竞争激烈，卷得令人窒息。

1100多家参展企业、10万平方米的展区，每个展台的屏幕上都在闪烁同一个关键词：智能体（Agent）。然而，“智能体”喊得越响亮，行业的焦虑就越明显：算力内卷已经走到尽头，智能体究竟怎样才能真正落地企业、为核心业务创造价值？

在一众技术喧嚣中，一个全新的架构吸引了我们的目光——主观世界模型（Subjective World Model，简称SWM）。

为了深入了解这一新架构，我们挤进了特赞科技的展位。听完技术团队硬核的拆解后，才意识到一个事实：过去指望通过大模型去猜测消费者心思，这条路从一开始就走错了方向。

因为，大语言模型（LLM）从根本上就不适合用来建模人的决策过程。

SWM的设计起点，其实源于认知心理学的一个已知事实：人的“自我报告偏好”与“真实决策权重”之间存在系统性偏差。这个偏差是可测量的，也是可建模的。

基于这一判断，SWM走了一条四层异构数据协同训练的路径。每一层解决一个特定的“理解人”子任务，采用不同的数据源、不同的建模目标、不同的验证机制，推理时，四层联合打分。

表达层：语言风格，才是第一张名片

数据来源：数十亿条社交平台原生语料。

目标：构建语言风格向量，映射到人口统计学和心理学特征。

技术本质：这是一个有监督的表示学习任务（representation learning）。输入是用户的历史文本序列，监督信号来自用户画像标注（年龄、地域、职业、消费层级等）。训练收敛后，相同人口特征集群的用户，其语言表征在向量空间里会自然聚集。这个embedding，就成为后续层的人物画像（persona）锚点。

表达层本身并非壁垒——社交数据可以规模化采集。它的真正价值在于，为下一层（叙事层）的稀疏深访数据提供了“扩散基底”：通过persona锚点，将深访得来的persona特征，迁移到更大范围的社交用户群。

叙事层：动机的因果图谱，才是最硬的护城河

数据来源：数万小时一对一的深度访谈语料，单次访谈1-2小时，产生5k-20k字的非结构化文本。

目标：建模行为动机的时序因果图（causal graph of purchase motivation）。

技术本质：这是一个序列因果建模任务，而不是分类或生成任务。训练目标不是预测“下一句话是什么”，而是识别访谈叙述中的完整因果链：trigger event → consideration formation → decision point → post-purchase rationalization，并将其结构化为有向因果图。

为什么合成数据在这一层完全失效？

真实受访者的叙述，天然具有跨情境的因果一致性（causal consistency）。同一个个体在描述不同购买场景时，其核心动机结构会以不同形式反复出现，形成可识别的“动机签名”。

而LLM生成的模拟访谈数据，没有这个属性。因为LLM在每个token步骤独立预测，它没有维护跨情境一致的内在状态。合成语料在认知层（Cognition Layer）和行为层（Behavior Layer）的交叉验证中会系统性失败——这相当于一个内置的抗合成机制。

认知层：说出来的，和做出来的，差距有多大？

数据来源：行为判断问卷、施瓦茨价值观量表（Schwartz Value Survey）、大五人格量表（Big Five Inventory）等标准化量表。

目标：个体的价值权重向量和风险偏好系数。

技术本质：这一层的核心，是建模陈述偏好（stated preference）和显示偏好（revealed preference）之间的差距——也就是“消费者说自己在意什么”与“消费者实际决策时在权衡什么”之间的差值函数。训练目标是在叙事层（Story Layer）提供的叙事和量表测量结果之间建立校正映射，最终输出个体的真实价值权重向量。

行为层：用经济学实验，给模型装上“稳定器”

数据来源：经济博弈实验数据（最后通牒博弈、公共物品博弈、信任博弈）加上真实交易记录。

目标：行为经济学参数估计——损失厌恶系数λ、双曲线贴现率δ、社会规范敏感性γ。

技术本质：基于前景理论（prospect theory）的参数化个体建模。这些参数在跨情境行为预测中起关键作用：当模型遇到全新的场景（历史上没有见过的产品类别或购买情境），它需要依靠这些基础参数外推反应，而不是依赖历史模式匹配。这是SWM能在新产品研究中有效工作的底层原因。

四层训练完成后，SWM对每个目标人物画像（persona）维持一组联合状态：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 + 行为层的经济学参数。

推理时，输入一个新的研究问题（比如“你对这款新包装设计有什么看法”），四层联合打分：表达层决定语言风格和情绪色彩，叙事层调用相似情境下的动机结构，认知层校正自我报告偏差，行为层注入跨情境稳定的行为倾向参数。

输出的AI人物画像（AI Persona），在连续追问下，能维持一致的内在状态——这是和LLM直接生成persona的本质区别：

• LLM的persona是无状态的（stateless），每次回答都是独立生成；
• SWM的persona是有状态的（stateful），它有一个跨提示词（prompt）持续存在的内在状态。

量化结果：行为模拟准确率85%（对比真人深访基准）。30万+ AI Persona（社交数据扩散），1万+高精度AI Persona（深访语料直接训练），交付时间＜30分钟。

注：atypica是基于主观世界模型构建的智能体，Gamelab是atypica为了确保AI模拟准确性的核心评估手段（Evals），通过让真人和AI Persona完成相同的经济学行为实验，对比两者的决策数据，以此量化校准AI Persona对真人的模拟准确度，目标是让AI Persona和真人的数据无限接近。

SWM是“理解消费者”的模型，特赞的团队更进一步，研发了GEA（Generative Enterprise Agent）企业级智能体架构——这是“执行面向消费者任务”的架构。两者在特赞的技术栈中，构成理解-执行的完整链路。

GEA的编排层由特赞自研发散推理模型（Creative Reasoning Model）驱动——这是中国首个备案的发散推理领域的大模型，核心设计是：在收敛前，先穷尽发散可能性，而不是直接走波束搜索（beam search）到最优解。这个特性，在创意内容生成、方案设计等需要探索解空间的任务上，具有显著优势。

执行层调用400+模块化Agent Skill，单次任务可以协调30+基础模型。Context System作为企业知识的持久化存储层，将品牌DNA、历史洞察、产品库、素材库等结构化为智能体可检索的上下文，有效解决多轮任务中的上下文漂移问题。

目前，GEA已经在内容营销、洞察研究、产品创新、设计创作等业务场景跑通并实现大规模部署，月均Token部署量超过100亿，覆盖全球50多个国家和地区。

壁垒：十年的真实深访，算力无法缩短的差距

SWM的竞争壁垒，不在于架构设计的复杂度——四层协同建模的框架本身，是可以被复制的。

真正的壁垒，在于叙事层（Story Layer）的数据积累。十年间真实深访语料的堆叠，加上内置的抗合成机制，让这个数据壁垒具备了自我保护能力。

当合成数据路线在认知层/行为层（Cognition/Behavior Layer）交叉验证中系统性失败，后发竞争者就只有一条路：从头开始做真实深访，追赶十年的数据积累。这个差距，不能用算力缩短。

过去两年，企业AI的主要竞争逻辑是“接入”——接哪个大模型、能不能快速上线一个协处理器（Copilot）。这个阶段基本过去了。大模型API已经是商品，工程接入能力不再形成壁垒。

下半场真正拉开差距的，是对业务场景的领域理解深度，以及能否把这种理解沉淀为可持续调用的技术资产。

SWM之所以难以被追赶，本质上是因为它把“理解消费者”这件事，做成了有复利效应的积累。这是一个随业务规模自动加深的飞轮，一旦启动，就很难停下来。