de.wedoany.com-Bericht: Das chinesische Unternehmen Tezhan Technology hat auf der World Künstliche Intelligenz Conference (WAIC) 2026 ein Subjektives Weltmodell vorgestellt, das durch kooperatives Training mit vier heterogenen Datenschichten das reale Entscheidungsverhalten von Verbrauchern simuliert. Der Ausgangspunkt des Modells basiert auf der bekannten Tatsache aus der kognitiven Psychologie, dass zwischen „selbstberichteten Präferenzen" und „tatsächlichen Entscheidungsgewichten" eine systematische Abweichung besteht, und zielt darauf ab, die inhärenten Grenzen großer Sprachmodelle bei der Modellierung menschlicher Entscheidungen zu überwinden.
Die Messe zog über 1.100 Unternehmen an und erstreckte sich über eine Ausstellungsfläche von 100.000 Quadratmetern. Die von Tezhan Technology vorgeschlagene Architektur des Subjektiven Weltmodells (SWM) umfasst vier Ebenen. Die erste Ebene ist die Ausdrucksebene, die mit Milliarden von Rohdaten aus sozialen Plattformen eine hochdimensionale Abbildung von Sprachstilvektoren der Nutzer auf demografische und psychologische Merkmale erstellt. Die zweite Ebene ist die Narrative Ebene, die auf Zehntausenden von Stunden eins-zu-eins Tiefeninterviews (Einzelgespräche von 1 bis 2 Stunden Dauer, die 5.000 bis 20.000 Wörter unstrukturierten Text erzeugen) basiert und zeitliche Kausaldiagramme von Verhaltensmotiven modelliert; diese Ebene betont, dass reale Interviewdaten eine situationsübergreifende kausale Konsistenz aufweisen, die durch synthetische Daten nicht ersetzt werden kann.
Die dritte Ebene ist die Kognitive Ebene, die durch standardisierte Skalen wie Verhaltensbeurteilungsfragebögen, die Schwartz Value Survey und das Big-Five-Persönlichkeitsinventar individuelle Wertgewichtsvektoren und Risikopräferenzkoeffizienten modelliert, um die Differenz zwischen den geäußerten Präferenzen der Verbraucher und den tatsächlichen Entscheidungsabwägungen zu quantifizieren. Die vierte Ebene ist die Verhaltensebene, die Daten aus ökonomischen Spielen wie dem Ultimatumspiel, dem öffentlichen-Gut-Spiel und dem Vertrauensspiel sowie reale Transaktionsaufzeichnungen für parametrische Individualmodellierung nutzt und drei verhaltensökonomische Parameter ausgibt: den Verlustaversionkoeffizienten λ, die hyperbolische Zeitdiskontierungsrate δ und die Sensitivität für soziale Normen γ.
Bei der Inferenz verwaltet SWM für jede Zielpersona vier gemeinsame Zustände: den Sprachstil-Embedding der Ausdrucksebene, das Motiv-Kausaldiagramm der Narrative Ebene, den Wertgewichtsvektor der Kognitiven Ebene und die ökonomischen Parameter der Verhaltensebene. Die vier Ebenen bewerten gemeinsam und erzeugen eine AI-Persona mit innerem Zustand. Im Gegensatz zu zustandslosen großen Sprachmodellen, die bei jeder Anfrage unabhängig antworten, kann die Persona von SWM bei fortlaufenden Nachfragen einen konsistenten inneren Zustand aufrechterhalten. Quantitative Ergebnisse zeigen eine Genauigkeit der Verhaltenssimulation von 85% (basierend auf echten Tiefeninterviews als Referenz). Durch die Diffusion von Sozialdaten können über 300.000 AI-Personas generiert werden, darunter mehr als 10.000 hochpräzise Personas, die direkt aus Interviewdaten trainiert wurden, mit einer Lieferzeit von weniger als 30 Minuten.
Neben der Verständnisseite hat Tezhan Technology die GEA (Generative Enterprise Agent) Unternehmens-Agenten-Architektur entwickelt, um verbraucherorientierte Aufgaben auszuführen. Die Orchestrierungsebene dieser Architektur wird von Chinas erstem registrierten Large Language Model für divergentes Denken, dem Creative Reasoning Model, angetrieben. Die Ausführungsebene kann über 400 modulare Agent Skills aufrufen und mehr als 30 Basismodelle koordinieren, während das Context System als persistente Speicherschicht für Unternehmenswissen dient. Derzeit ist diese Architektur in Geschäftsszenarien wie Content-Marketing, Insights-Forschung, Produktinnovation und Design-Kreation in großem Maßstab implementiert, mit einem monatlichen Token-Einsatz von über 10 Milliarden, der mehr als 50 Länder und Regionen weltweit abdeckt.
Tezhan Technology erklärte, dass die Wettbewerbsbarriere von SWM nicht in der Reproduzierbarkeit der Architektur liegt, sondern in den über ein Jahrzehnt angesammelten echten Tiefeninterviewdaten der Narrative Ebene und dem darin integrierten Anti-Synthese-Mechanismus – nachdem der synthetische Datenansatz bei der Kreuzvalidierung der kognitiven und Verhaltensebene systematisch versagt, müssen nachfolgende Wettbewerber echte Daten von Grund auf sammeln. Der Wettbewerb in der zweiten Hälfte der Unternehmens-KI wird sich von der Fähigkeit zur Modellintegration hin zur Tiefe des Bereichsverständnisses in Geschäftsszenarien und der Akkumulation technologischer Vermögenswerte verlagern.
