速读

上一篇我们论证了一件事：推荐系统正在从“猜你喜欢”走向“理解你为什么喜欢”。

核心在于从统计走向因果，从预测走向仿真。

这一篇回答一个更具体的问题：仿真怎么落地？

人心幸福实验室的答案是 PLM —— 个人语言模型，更准确地说，Personal Logos Model。

它让一个人拥有一个属于自己的模型，这个模型记得他的过去，理解他的偏好如何演化，能够在不同条件下推演他的选择。

这不是一个更大的推荐算法。这是一种新的智能范式。

传统推荐系统只有一种模型：一个模型服务所有人。

它把所有用户的行为压缩进同一个参数空间，然后问：这个人像哪一群人？他和那群人一样，所以他会喜欢那群人喜欢的东西。

这条路走到极致，就是 TikTok 的算法。它不需要理解你，它只需要找到足够像你的人，然后把他们的选择复制给你。

但 PLM 做的事情正好相反。

它不问“你和谁像”。它问“你是谁”。

PLM 的核心定义是：一人一模型。

用一个人的全量数据 —— 他的每一次点击、每一次购买、每一次放弃、每一次沉默 —— 训练一个只属于他的模型。这个模型不是静态的画像标签，而是随他的生活经历持续更新的智能体。它保持人格一致性，能够在对话、决策和行为预测中，以这个人的方式思考和选择。

这里有一个关键的技术转折：PLM 从 Personal Language Model 演进为 Personal Logos Model。Logos 是古希腊语，本义为“话语、理性、规律”。PLM 不是在学一个人的语言，是在学一个人的内在逻辑。

LLM 学的是人类语言的平均分布。PLM 学的是一个人独特的行为规律。

PLM 的架构直觉：潜意识与意识。

实验室团队用了一个很有解释力的类比：PLM 是潜意识，LLM 是意识。

LLM 负责对话、表达、即时的交互。它像一个前台，快速响应，处理当下。但它的判断从哪里来？从 PLM 来。PLM 在后台运行，存储长期记忆，建立行为模型，维持人格一致。它不直接说话，但它是所有话的源头。

这解释了为什么只有 LLM 做不了彻底个性化。

PLM 填补的，正是这个空白。

PLM 是一种世界模型，属于个体的世界模型。

这个世界模型可以类比自动驾驶。Momenta 做的是物理世界的模型 —— 理解车辆、道路、交通参与者之间的运动关系。PLM 做的是人的主观世界模型 —— 理解一个人如何感知商品、场景、关系，以及这些感知如何转化为选择。

更加精炼的表达是，PLM 是一种 agent-based 仿真技术。它通过世界模型提供世界知识，进行个体仿真。

这意味着 PLM 不是在做预测，是在做推演。给定一个人的 PLM，给定一个场景、一件商品、一个时间点，PLM 可以模拟这个人的反应 —— 包括他的注意、兴趣、犹豫、决策、放弃和复购。

这不是“他可能买”。这是“如果他在这个状态下遇到这个商品，他会这样想，这样犹豫，然后这样决定。”

PLM 的数据飞轮：从 Ontology 到隐变量。

PLM 的技术架构建立在数据库的设计上 —— 本体论（Ontology）：一种对“人的行为世界”的统一语义定义。

数据从采集层（L0）进入，经过统一协议（L1）归一化，在衍生层（L2）计算特征，最终进入 PLM 层（L3）生成隐变量。隐变量是 PLM 最核心的技术概念 —— 它代表那些不可直接观测但驱动行为的内部状态：人格、偏好、信念、欲望、场域。

这些隐变量不是人为设计的标签。它们是模型从数据中推断出来的。

就像物理学家通过观测天体的运动推断引力场的存在，PLM 通过观测一个人的行为推断他的内在状态。

你看到的是他买了这件衣服，PLM 推断的是他此刻处于一种“身份探索期”。

下一篇，我们进一步探讨元模型——模型之上的模型。