42AI想提前看穿人的下一步

42AI在11月2日正式走出隐身状态，并公布一套号称能够预测人类与AI智能体行为的“行为世界模型”。这家以色列创业公司同时披露了6250万美元种子资金，首批落地场景不是机器人或游戏，而是金融经纪商：在市场剧烈波动之前，预测客户可能买什么、卖什么、交易多少，以及这些行为会给平台带来多大的流动性和风险敞口。(techcrunch.com)

行为世界模型是把个体特征、历史交互和外部环境编码为内部状态，再输出未来行为概率分布的预测模型。 它与传统用户画像最大的区别，是目标不再只是判断“这个人过去喜欢什么”，而是推演“当他遇到过去没有出现过的情况时，可能会怎么做”。

这个方向确实比推荐系统更有野心，但42AI目前拿出的证据，还不足以支持“AI已经能看穿人类”的科幻叙事。更准确的说法是：42AI正在把心理测量、用户行为分析和基于Transformer的状态预测拼成一个垂直模型，并在金融交易这个反馈快、数据密集、经济价值明确的领域证明它能否赚钱。

它预测的不是一个动作，而是一组概率

42AI的核心判断是，人的具体选择会变，但风险偏好、冲动程度、控制欲和应对压力的方式相对稳定。 因此，公司并不满足于用过去几笔交易直接外推下一笔交易，而是试图从开户流程、KYC认证、客服沟通、资金转移、交易频率、语音情绪和市场状态中，提取更底层的“行为驱动因素”。(techcrunch.com)

传统行为预测更像观察一辆车过去十次都向左转，于是猜测第十一次仍会向左。42AI想做的事情更像判断司机为什么向左转：他是否厌恶拥堵、是否愿意冒险抄近路、是否容易受到同伴建议影响，以及道路突然封闭时会如何重新选择。

模型最终输出的是某种行为发生的概率，而不是断言一个人必然会采取某个动作。 例如，系统可以预测某类客户在市场单日下跌8%、保证金接近阈值且客服沟通情绪紧张时，有65%的概率减仓、25%的概率补充保证金、10%的概率维持仓位。经纪商真正需要的也不是猜中每一笔订单，而是提前估计整体资金流、保证金需求和对冲规模。

42AI称，其技术栈包含两个不同层次：一个模型负责将原始活动转换为行为特征，并模拟这些特征与情境变量的互动；另一个语言模型负责把预测原因转换成自然语言解释。官方页面宣称，长时间行为模拟的响应延迟为1至10毫秒，针对特定事件的行为预测延迟为2至12毫秒，但公司尚未公布独立测试环境、硬件配置和吞吐量数据。(42ai.com)

关键不是世界模型，而是“谁的世界”

世界模型是能够学习环境状态如何随时间和动作变化，并在模型内部推演未来结果的AI系统。 传统世界模型主要研究物理环境：机器人推一下杯子，杯子会往哪里移动；游戏角色转动方向，下一帧画面会发生什么变化；自动驾驶车辆改变速度，周围交通参与者会如何响应。

42AI把这个定义向人的内部状态推进了一步。该公司CTO Ehud Ezra的说法是，在它的模型里，“每个人都是一个世界”；模型不仅要表示外部事件，还要表示个体如何理解这些事件，以及稳定特征和临时状态之间如何冲突。(techcrunch.com)

这意味着42AI预测的状态转移不再只是“市场下跌—用户卖出”，而是更接近下面这条链路：

• 市场下跌提高损失压力；
• 损失压力与个体风险厌恶程度发生作用；
• 客服沟通、朋友建议和历史盈亏改变当前状态；
• 当前状态再影响买入、卖出、等待或转移资金的概率。

这种设计的价值，在于它有机会处理训练数据中没有完全重复出现的新组合。 一个用户可能从未经历过某只股票暴跌、保证金告警和突发新闻同时出现的情境，但如果模型确实学会了这些变量如何影响他的行为倾向，就可能组合出一个比历史相似度更可靠的预测。

问题也恰恰出在这里：模型必须证明自己学到的是可迁移的行为规律，而不是从数千万条记录中找到了更隐蔽的相关性。仅凭“陌生情境”四个字，无法区分真正的因果推演和更复杂的模式匹配。

公开数据看起来很强，但不能混着比较

42AI宣称交易流预测准确率达到98%，但这个数字并不代表系统能准确猜中98%的个人交易。 公司CEO Amit Gal-Or进一步解释，98%主要表示实际交易流是否落在模型预测的数值区间内，而不是逐笔命中交易方向、标的和数量。更能反映分类能力的数据，是交易方向和交易量预测的F1分数为0.80至0.85。(techcrunch.com)

F1分数是精确率与召回率的调和平均值，用来同时衡量误报和漏报。0.80至0.85通常意味着模型具备较强的业务可用性，但没有测试集构成、类别分布、预测时间窗口、基线模型和置信区间，这个成绩还无法被独立验证。

42AI在2026年2月公开的一篇论文提供了另一组更具体、也更克制的结果。论文中的Large Behavioral Model基于Llama 3.1 8B Instruct进行LoRA微调，使用74维心理特征、55类战略决策情境和计划招募的2500名参与者数据，训练集包含75%的情境，剩余25%用于测试对未见情境的泛化。(arxiv.org)

| 系统或方法 | 预测对象 | 输入方式 | 公开结果 | 需要注意的问题 | |---|---|---|---|---| | 42AI金融行为世界模型 | 交易方向、交易量与资金流 | 交易、客服、情绪、市场及行为特征 | 方向和交易量F1为0.80至0.85；98%为区间覆盖口径 | 缺少公开测试集和独立复现 | | 42AI LBM，20项特征 | 五选一战略行为 | 结构化心理特征与情境 | 准确率0.62，Macro-F1为0.45 | 基于问卷和假设情境，不等同于真实交易 | | 42AI LBM，5项特征 | 五选一战略行为 | Big Five人格特征 | 准确率0.48，Macro-F1为0.26 | 信息维度有限 | | Claude 4.5 Sonnet基线 | 五选一战略行为 | Big Five文本提示 | 准确率0.463，Macro-F1为0.250 | 属于提示预测，没有专门微调 | | 未微调Llama 3.1 8B | 五选一战略行为 | Big Five文本提示 | 准确率0.42，Macro-F1为0.16 | 容易输出平均化人格 |

论文中最值得关注的结果不是绝对准确率，而是结构化特征数量增加后模型仍能继续获益。 当心理特征从5项增加到10项、再增加到20项时，LBM准确率从0.48提升到0.56和0.62，Macro-F1从0.26提升到0.39和0.45；继续扩展到40项和74项后，收益则趋于饱和。(arxiv.org)

相比之下，依赖长提示词描述人物性格的通用模型没有从更多特征中获得同等收益。这个现象可以称为“提示复杂度天花板”：开发者在提示词里塞入几十项人格描述，并不意味着模型会稳定使用所有信息；一些特征会被忽略，一些会互相覆盖，模型最终仍可能退回到“典型用户”或“社会平均人”的回答。

42AI的技术判断因此是合理的：如果目标是持续模拟一个具体的人，人物特征不能只是每次对话临时附带的文字说明，而应成为模型内部相对稳定的条件表示。它类似给游戏角色建立一套持续存在的属性面板，而不是每进入一个场景，就重新用一段文字提醒模型“这个角色谨慎、内向、容易焦虑”。

真正的护城河是数据，不是8B参数

42AI的模型规模并不突出，真正难复制的是“心理特征—场景—真实行为”之间的配对数据。 论文中的基础模型只有80亿参数，训练采用LoRA，秩为16，训练2个Epoch；从工程角度看，这不是只有头部实验室才能完成的模型改造。(arxiv.org)

真正昂贵的部分是获得一个人的结构化心理测量结果，再把这些结果与他在不同风险、时间压力和利益冲突下的选择对应起来。42AI表示，公司先通过心理评估和行为情境研究了数千人，随后加入覆盖超过200万人的政府及生物样本库数据；客户数据目前覆盖接近3000万人。(techcrunch.com)

这些数据规模听起来很大，但三类数据不能简单视为同一种训练样本。心理问卷通常有清晰的特征定义，却未必对应真实行动；交易记录是真实行动，却很难知道行为背后的心理原因；政府和生物样本库覆盖面更广，但数据用途、标注粒度与授权范围可能完全不同。

42AI能否建立护城河，取决于它能否把这些异构数据对齐成可验证的状态变量。 如果所谓“风险厌恶”只是由用户过去卖出次数反向推导，再用它预测未来是否卖出，模型可能陷入循环定义；如果风险特征来自独立心理测量，并能预测未出现过的市场情境，结果才更接近世界模型，而不是换了名字的客户分析系统。

现阶段最有价值的用途，是提前管理群体风险

42AI短期内最现实的产品价值，不是精准操纵单个用户，而是帮助机构预测大量用户的总体行为分布。 公司称，目前已有10家大型经纪商使用其系统管理流动性、保证金和对冲风险，业务收入达到七位数美元规模；一家经纪商据称通过动态对冲获得约3000万美元额外价值。上述数据均来自公司披露，尚未得到客户或第三方审计确认。(techcrunch.com)

对经纪商来说，即使模型无法准确判断张三明天会卖出多少股票，只要能较准确地预测10万名客户在大跌期间的净卖出区间，系统就有商业价值。平台可以提前准备现金、调整保证金规则、控制单一标的敞口，并决定需要购买多少保护性头寸。

这个逻辑也能迁移到游戏、反欺诈和网络安全。游戏公司可以预测玩家在经济系统变化后的流失和付费行为；支付平台可以判断一个账户在新型诈骗场景下采取异常操作的概率；安全系统可以模拟攻击者或AI智能体面对权限变化时的下一步动作。

42AI距离通用的人类行为模型仍然很远，因为每个新领域都需要重新加入规则、上下文和数据。 公司自己也承认，当模型缺少关键情境时，准确率会下降，例如用户临时听取朋友建议并改变交易计划；在进入新领域时，模型也需要学习该领域的规则和背景。(techcrunch.com)

因此，“陌生情境”应该被理解为同一业务边界内未见过的变量组合，而不是把一个金融模型直接搬到医院、家庭或机器人场景后仍能准确预测人类。它具备的是有限外推能力，不是跨领域读心能力。

风险不只是隐私，而是预测结果会改变行为

行为预测模型最大的治理难题，是预测方可能有能力改变被预测者所处的环境。 一家经纪商如果知道某类客户在特定提示下更可能追加资金，它既可以用这个能力降低风险，也可以修改界面、通知频率和产品排序，引导客户采取对平台更有利的行为。

42AI强调模型不需要姓名等直接身份信息，但匿名并不等于无法识别个人。只要系统持续关联同一客户的交易、通话、资金转移和情绪特征，它实际上仍在维护个人级行为档案。即使模型“不知道这个人叫什么”，平台仍知道预测结果对应哪个账户。(techcrunch.com)

去除个人身份信息解决的是数据泄露问题，却没有自动解决行为操纵、差别定价和不公平干预问题。 当模型被用于提高保证金、限制交易、判定欺诈风险或生成个性化劝说策略时，一个错误预测可能直接改变用户能否获得服务，以及需要承担多高的成本。

公司目前给出的保护措施主要是监管要求、内部监控和伦理委员会，但尚未解释客户是否会被限制利用预测结果与用户进行利益冲突交易。对于金融行为模型而言，这不是附属问题，而是产品能否大规模部署的前置条件。

42AI提出了一个好问题，但答案还在验证中

42AI最有价值的地方，是把世界模型的对象从物理环境推进到了人的稳定特征与决策状态。 大语言模型擅长生成“一个风险厌恶的人可能如何回答”，但它们经常在长对话中出现身份漂移，也难以稳定使用几十项相互作用的人格变量；专门训练的行为模型，确实有机会补上这一层能力。(arxiv.org)

42AI最值得警惕的地方，是商业宣传中的“预测人类行为”容易掩盖指标边界。 98%的区间覆盖率、0.80至0.85的交易预测F1，以及论文中的0.62情境选择准确率，衡量的是三件不同的事情，不能拼成一个“98%看穿人类”的结论。

目前更合理的判断是：42AI已经证明结构化心理特征和专项微调可以显著改善个体行为模拟，也初步证明了这套系统可能在金融风险管理中产生商业价值；但它尚未证明模型能够跨人群、跨文化和跨行业稳定泛化，更没有证明它掌握了人类行为背后的因果机制。

世界模型过去让AI在内部“想象”一辆车会开向哪里，42AI则希望它开始想象驾驶者为什么转弯。这个方向可能成为未来智能体理解人类的重要基础设施，也可能变成更精密的用户操纵工具。两种结果之间的距离，不取决于模型会不会预测，而取决于谁拥有预测结果，以及它被允许拿来做什么。

参考来源

• World Models GitHub专题：汇总世界模型、强化学习与环境模拟相关开源项目，适合了解技术路线演进。
• WorldPrediction：Meta FAIR等团队发布的高层世界建模与长程行动规划评测项目。
• Microsoft WHAM：微软公开的World and Human Action Model，可同时预测游戏画面与玩家控制动作。
• World Models技术脉络：整理2018年至2026年主要世界模型架构及研究分支。