Trải nghiệm công nghệ 'đọc tâm trí' tại WAIC: Khi mô hình AI thấu hiểu thế giới quan

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

19/07/2026 19:55:52 Nguồn: QbitAI

Mô hình thế giới chủ quan (Subjective World Model)

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Nếu bạn bước chân vào hiện trường WAIC 2026, cảm nhận trực quan nhất có lẽ chỉ gói gọn trong một từ: "Cạnh tranh khốc liệt".

Với hơn 1.100 doanh nghiệp và khu triển lãm rộng 100.000 mét vuông, nhìn đâu cũng thấy từ khóa "Agent" nhấp nháy trên màn hình của hầu hết các gian hàng.

Thế nhưng, càng hô hào về "tác nhân thông minh" (Agent), sự lo âu của ngành càng trở nên rõ rệt: Cuộc đua về sức mạnh tính toán đã đến hồi kết, vậy Agent rốt cuộc làm sao để thâm nhập vào doanh nghiệp và giúp các mảng kinh doanh cốt lõi tạo ra lợi nhuận?

Giữa sự ồn ào của công nghệ, một giải pháp mới đã thu hút sự chú ý của chúng tôi — Mô hình thế giới chủ quan (Subjective World Model - SWM).

△ "Mô hình thế giới chủ quan" xuất hiện trên bản tin trực tiếp của CCTV

Để hiểu rõ kiến trúc mới này, chúng tôi đã chen chân theo dòng người vào gian hàng của Tezign.

Đối diện với những phân tích kỹ thuật chuyên sâu, chúng tôi buộc phải thừa nhận rằng, con đường trước đây vốn kỳ vọng vào các mô hình ngôn ngữ lớn (LLM) để đoán ý người tiêu dùng có lẽ đã sai ngay từ đầu.

Bởi lẽ, LLM về bản chất không phù hợp để mô hình hóa quá trình ra quyết định của con người.

Phán đoán cốt lõi trong thiết kế kiến trúc

Điểm khởi đầu của SWM là một sự thật đã được xác nhận trong tâm lý học nhận thức: Tồn tại một độ lệch hệ thống giữa "tự báo cáo ưu tiên" (self-reported preference) và "trọng số quyết định thực tế" (actual decision weight) của con người; độ lệch này có thể đo lường và mô hình hóa được.

Dựa trên phán đoán này, SWM chọn con đường huấn luyện phối hợp dữ liệu dị thể bốn lớp —

Mỗi lớp nhắm vào các tác vụ con khác nhau để "thấu hiểu con người", sử dụng nguồn dữ liệu, mục tiêu mô hình hóa và cơ chế xác thực riêng biệt, sau đó kết hợp chấm điểm từ cả bốn lớp khi suy luận.

Lớp 1: Lớp biểu đạt (Expression Layer)

Dữ liệu: Hàng tỷ câu văn bản gốc từ các nền tảng mạng xã hội.

Mục tiêu: Xây dựng vector phong cách ngôn ngữ → ánh xạ không gian cao chiều của các đặc trưng nhân khẩu học/tâm lý học (demographic/psychographic).

Bản chất kỹ thuật: Đây là một tác vụ học biểu diễn (representation learning) có giám sát. Đầu vào là chuỗi văn bản lịch sử của người dùng, tín hiệu giám sát đến từ nhãn hồ sơ người dùng (tuổi/khu vực/nghề nghiệp/tầng lớp tiêu dùng, v.v.). Sau khi huấn luyện hội tụ, người dùng trong cùng một cụm nhân khẩu học (demographic cluster) sẽ tự nhiên tập hợp lại trong không gian embedding dựa trên biểu đạt ngôn ngữ của họ — embedding này đóng vai trò là "persona anchor" (mỏ neo chân dung) cho các lớp tiếp theo.

Bản thân lớp biểu đạt không phải là rào cản kỹ thuật — dữ liệu mạng xã hội có thể thu thập ở quy mô lớn.

Giá trị của nó nằm ở việc cung cấp "nền tảng khuếch tán" cho dữ liệu phỏng vấn sâu thưa thớt của Story Layer: thông qua persona anchor để chuyển dịch các đặc trưng chân dung từ phỏng vấn sâu sang nhóm người dùng mạng xã hội rộng lớn hơn.

Lớp 2: Lớp tường thuật (Story Layer)

Dữ liệu: Hàng chục nghìn giờ dữ liệu phỏng vấn sâu 1-1, mỗi cuộc phỏng vấn kéo dài 1-2 giờ, tạo ra 5.000-20.000 từ văn bản phi cấu trúc.

Mục tiêu: Mô hình hóa đồ thị nhân quả theo trình tự thời gian của động cơ mua hàng (causal graph of purchase motivation).

Bản chất kỹ thuật: Đây là tác vụ mô hình hóa nhân quả theo trình tự, không phải tác vụ phân loại hay tạo văn bản. Mục tiêu huấn luyện không phải là dự đoán "câu tiếp theo là gì", mà là nhận diện chuỗi nhân quả hoàn chỉnh: sự kiện kích hoạt (trigger event) → hình thành cân nhắc (consideration formation) → điểm quyết định (decision point) → hợp lý hóa sau mua hàng (post-purchase rationalization), và cấu trúc hóa chúng thành đồ thị nhân quả có hướng.

Tại sao dữ liệu tổng hợp (synthetic data) hoàn toàn thất bại ở lớp này:

Lời kể của người được phỏng vấn thực tế có tính nhất quán nhân quả xuyên bối cảnh (causal consistency) — cùng một cá nhân khi mô tả các tình huống mua hàng khác nhau, cấu trúc động cơ cốt lõi của họ sẽ xuất hiện lặp đi lặp lại dưới các hình thức biểu hiện khác nhau, tạo thành "chữ ký động cơ" (motivation signature) có thể nhận diện được.

Dữ liệu phỏng vấn mô phỏng do LLM tạo ra không có thuộc tính này, lý do là LLM dự đoán độc lập ở mỗi bước token, không duy trì được trạng thái nội tại nhất quán xuyên suốt các bối cảnh.

Dữ liệu tổng hợp sẽ thất bại một cách hệ thống trong quá trình kiểm chứng chéo giữa Cognition Layer và Behavior Layer — tương đương với một cơ chế chống tổng hợp được tích hợp sẵn.

Lớp 3: Lớp nhận thức (Cognition Layer)

Dữ liệu: Bảng câu hỏi đánh giá hành vi, Thang đo giá trị Schwartz (Schwartz Value Survey), Thang đo tính cách Big Five (Big Five Inventory), v.v.

Mục tiêu: Vector trọng số giá trị (value weight vector) và hệ số ưu tiên rủi ro của cá nhân.

Bản chất kỹ thuật: Cốt lõi của lớp này là mô hình hóa khoảng cách giữa ưu tiên được tuyên bố (stated preference) và ưu tiên thực tế (revealed preference) — tức là hàm sai lệch giữa "người tiêu dùng nói họ quan tâm điều gì" và "người tiêu dùng thực sự cân nhắc điều gì khi ra quyết định". Mục tiêu huấn luyện là thiết lập ánh xạ hiệu chỉnh giữa các tường thuật hành vi từ Story Layer và kết quả đo lường từ các thang đo, từ đó xuất ra vector trọng số giá trị thực tế của cá nhân.

Lớp 4: Lớp hành vi (Behavior Layer)

Dữ liệu: Dữ liệu thí nghiệm kinh tế học hành vi (ultimatum game / public goods game / trust game) + hồ sơ giao dịch thực tế.

Mục tiêu: Ước tính tham số kinh tế học hành vi — hệ số ác cảm mất mát (loss aversion coefficient λ), tỷ lệ chiết khấu thời gian hyperbolic (hyperbolic temporal discounting rate δ), độ nhạy với chuẩn mực xã hội (social norm sensitivity γ).

Bản chất kỹ thuật: Mô hình hóa cá nhân dựa trên tham số hóa của lý thuyết triển vọng (prospect theory). Các tham số này đóng vai trò then chốt trong việc dự đoán hành vi xuyên bối cảnh: khi mô hình gặp các tình huống nằm ngoài phân phối (out-of-distribution) — những danh mục sản phẩm hoặc tình huống mua hàng chưa từng thấy trong dữ liệu lịch sử — nó cần ngoại suy phản ứng thông qua các tham số cơ bản này thay vì dựa vào việc khớp mẫu lịch sử. Đây là lý do nền tảng giúp SWM hoạt động hiệu quả trong nghiên cứu sản phẩm mới.