企业AI需要两个世界模型

AI小蝌蚪行业资讯📡 量子位2026-10-26397 阅读💛 126 收藏
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

企业AI需要两个世界模型

特赞想让企业Agent真正懂业务

允中 发自 凹非寺

量子位 | 公众号QbitAI

一个有些反直觉的现实是:

AI已经在企业里被广泛用起来了,但很多公司的生产力并没有因此明显上升。

麻省理工NANDA发布的2025年企业生成式AI报告中,有一组经常被放在一起看的数字:

在受访的企业中,有95%的企业生成式AI试点没有带来可衡量的损益回报;与此同时,超过90%企业中的员工已经在用个人AI工具干活,真正购买官方企业订阅的公司却只有40%。

这组数字背后其实是同一个问题:

AI被用起来了,但它停在了个人层面。

所以今天企业面临的,已经不是“要不要接入AI”,而是另一个更难的问题:

接入之后,企业到底该自己积累什么,才能让AI真正变成生产力?

在今天上午,上海西岸的WTCC论坛上,特赞创始人范凌给出的答案是:

企业最终要补的,不是一套更强的模型,而是两个世界模型。

先理解客户,再理解公司

“世界模型”这个词,说简单点,就是一个系统能不能回答:如果我这么做,接下来会发生什么。

放到企业里,这个问题至少有两个方向:

一个向外,理解客户。客户为什么会偏好某个选择,什么会让他们改变主意,什么样的表达和产品更容易被接受。这一层,特赞在论坛上的说法是“客户世界模型”,也就是后来材料里更常出现的“主观世界模型”。

一个向内,理解公司。一项决策进入企业内部之后,会经过什么流程,受哪些资源、规则和协作关系影响,最后能不能真正落地。这个部分更接近“企业世界模型”。

两者看起来都在回答“怎么做决策”,但本质不是一个东西。

“理解客户”的主观世界模型,处理的是主观偏好、动机和选择,靠的是外部用户数据;

“理解公司”的企业世界模型,处理的是流程、资产、规则和默会知识,靠的是组织内部长期积累的上下文。

关于主观世界模型,前段时间量子位已经做过一次细致的讲解,这里不再展开。

也正因为这两套东西的数据来源、更新节奏、责任归属都不一样,它们很难被粗暴合并成一个大模型。

合在一起,往往不是更强,而是两边一起变钝,缺掉任何一边,问题都会立刻暴露出来:

  • 只有企业世界模型,智能体知道事该怎么做,却不知道这件事值不值得做,最后可能只是高效地完成一个错误目标。
  • 只有客户世界模型,智能体能理解需求,却落不到真正的组织交付上,最后就会变成懂需求,但做不出来。

所以这不是“多一套模型更保险”的问题,而是企业智能体架构里本来就缺了两块完全不同的东西。

企业最值钱的知识,往往还没写下来

如果说客户世界模型更接近外部感知,那企业世界模型最难的地方,其实在内部知识的识别、组织和利用。

因为组织里最值钱的东西,很多恰恰不在文档里。

特赞在论坛上把企业知识拆成两类:

  • 一类是显性知识,能写进手册、流程、制度,追求的是更高、更快、更准;
  • 另一类是默会知识,像品味、判断、边界感、经验和关系,没法被完整表达,只能在具体项目和协作中慢慢长出来。

这也解释了为什么“把文档都喂给AI”并不等于“AI理解了企业”。

事实上,已经有不少企业,正在尝试基于模型能力构建自己的上下文系统。

但上下文建得好不好,这一层可能还没有形成统一的判断标准。

企业真正需要的上下文系统,至少得满足几个条件:

  • 它不是替换原有系统,而是连接已有数据湖、业务系统和资产系统;
  • 它不是给人读的知识,而是能被智能体调用的结构化对象和关系;
  • 它也不是一次性交付,而是能在每次判断之后留下复盘依据,让同类问题下次不必从零再来。

一句话总结就是:智能体调用的不是数据,而是上下文。

专家判断,正在变成训练数据

如果说企业世界模型解决的是内部上下文,那另一个正在发生的变化,是专家判断开始进入训练数据。

这里说的不是第三个世界模型,也不等同于客户世界模型。

它更像是两套世界模型之下,共用的一层能力底座。

据论坛和相关技术资料披露,特赞已经引入了大量不同领域的专家,参与真实判断过程的采集和标注,让训练信号不再只依赖通用数据,而是开始包含业务语境里的判断路径(Creative Trajectory)。与此同时,一些合作机构也在沿着类似方向推进研究,相关判断路径的积累已达万条量级。

这件事为什么重要?

因为企业里最值钱的知识,如判断标准、取舍逻辑、风险敏感度,互联网上没有,通用模型里也没有。

它们本来只存在于人、项目和档案之间。

现在做的,其实是把这些原本难以留存的判断过程,变成一种可以积累的资产。

也因此,这条路最终通向的,不只是“模型更懂业务”,而是一个清晰的企业AI进化方向:

从“租用智能”,走向“主权智能”。

真正难评的,不是答案对不对,而是“像不像这家公司”

最后还剩一个绕不过去的问题:怎么评?

通用benchmark衡量的是模型能不能答对标准答案。

但企业场景里,更重要的问题往往不是“对不对”,而是:它是不是按这家公司的方式做对的。

一家公司的品牌边界、一家团队的选品逻辑、一个管理者对风险的容忍区间,这些都不在公开评测集里,也不在通用模型的默认价值观里。

所以业务垂直benchmark真正有价值的地方,不在于给模型打一个分,而在于它把组织的判断标准变成了一个能持续回归、持续比较、持续修正的测试集。

一旦这个东西存在,模型升级、流程调整、团队变化到底带来了什么能力变化,就不必再靠“感觉变好了”来判断。

这一点,特赞的团队提到一个很典型的校准方法:

在Atypica的场景中,通过让真人和AI persona去完成同样的经济学行为实验,再用两者之间的差异来量化校准模拟效果,从而反哺到模型训练和优化中。

量子位今年7月在WAIC现场报道时提到过一个结果:主观世界模型在行为模拟上的准确率达到85%。

当然,这种模拟和benchmark本质上还是校准工具,它们能让研究和验证更早发生,但不能替代真人研究本身。

Agentic Transformation的开始

企业里智能体要真正跑起来,需要搭建什么样的机制?

有了基础之后,又该如何让机制真正转起来?

论坛上给出的说法是,企业智能体真正要跑起来,得转动一个完整闭环:Signal、Plan、Create、Evals。

  • Signal和Evals更依赖客户世界模型,它们回答的是:用户现在在意什么,做出来的东西客户到底买不买账。
  • Plan和Create则更依赖企业世界模型,它们回答的是:这件事在组织里到底能不能做,资源、流程和约束摆在这里,该怎么推进。

这背后其实对应的是企业智能体和上一代Copilot的差别。

Copilot更像一次性被调用的工具:你问,它答;你开任务,它给你一个结果。

但企业真正需要的智能体不是这样。它是长程的,可以持续运行,得进入工作流,得跨时间保留目标、状态和反馈,而不是每次都从零开始。

范凌在演讲里说:

智能体把工作推到80分,人再把它从80分带到120分。

这句话重要的地方,不是“80分”和“120分”这两个数字,而是它重新定义了人和智能体的分工。

两者不是替代关系,而是错位分工:AI负责把大量可Token化的工作往前推,专家真正有价值的地方,仍然在最后那段高密度判断里。

把这些线索放在一起看,企业级AI进入了一个新的阶段,“两个世界模型”给出的,其实就是这套能力在企业架构里的表达:

一套理解外部,一套理解内部,中间跑一个能持续推进的长程智能体。

值得一提的是,特赞在WTCC论坛上同步发布了Agentic Transformation共建计划,把高校、研究机构、企业、模型与技术伙伴、专业实践者都拉进来,原因也很简单:这条路还没有被完全验证,很多问题没有现成答案,只能在开放协作中边做边成长。

比起“怎么把AI用起来”,特赞试图用一种共建的方式,来解答另一个更难的问题:

企业要想把自己的判断,变成一种可积累的资产。那么第一步,该怎么做?

参考链接:https://game.atypica.ai/

*本文系量子位获授权刊载,观点仅为原作者所有。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
世界模型 特赞
思邈
  • 一张5090跑起34B实时世界模型,国产玩家拿下英伟达大奖!2026-10-23
  • 国产5B生图模型海外突然爆火,4天超百万下载2026-10-23
  • 南京物理AI上大分!三位图灵奖得主发声,50个应用场景亮相2026-10-23
  • 量智齐飞!4个月9款车落地,轻舟城市NOA击穿10-20万体验天花板2026-10-21

相关阅读

文章评论(12)

晨沐雨20 天前

实话,说的不明不白

回复
空向阳20 天前

看完了,收获满满,期待更多更新。

回复
风拾光20 天前

赞同,实践出真知。

回复
风倚栏20 天前

思路清晰,干货满满。

回复
一个橘子20 天前

内容翔实,正好需要,先收藏再看。

回复
暮拾贝20 天前

很有价值的分享,感谢整理。

回复
一叶知秋20 天前

点赞,必须点赞

回复
吴超20 天前

路过

回复
拾贝者20 天前

刚好最近在找这方面的资料,太及时了。

回复
星寻梦20 天前

楼主辛苦了,内容很有参考价值。

回复
吴超20 天前

赞同,实践出真知。

回复
风倚栏20 天前

写得挺用心的,支持一下。

回复