Decitron: Model AI Keputusan Am Pertama Global Dilancarkan

Menghasilkan jawapan sedang menjadi kemampuan asas AI, manakala menarik kesimpulan tentang dunia nyata adalah tugas yang lebih sukar pada peringkat seterusnya.

Keputusan sebenar bukanlah satu soal jawab statik. Ia berlaku dalam dunia yang terus berubah, dengan banyak pihak bertindak serentak, maklumat tidak lengkap, dan penuh ketidakpastian.

Sebagai contoh, jika sebuah model sumber terbuka baru tiba-tiba menurunkan kos, adakah syarikat model terkemuka akan mengikuti penurunan harga? Bagaimana pula penyedia awan, pembangun, dan syarikat aplikasi akan menyusun semula strategi mereka? Dalam keputusan semacam ini, tindakan satu pihak akan mengubah syarat yang dihadapi pihak lain dalam langkah seterusnya, dan reaksi baru akan terus mengubah situasi. Ia seperti permainan catur di mana semua pemain menjatuhkan catur mereka secara serentak—setiap kali sebiji catur dijatuhkan, keadaan permainan berubah.

Dalam konteks inilah, selepas Decitron (disingkat sebagai decision machine) daripada Zhongke Wenge dilancarkan, ia dijulangkan oleh pelbagai media teknologi utama sebagai "model keputusan am pertama di dunia". Gelaran ini menekankan bukan kehadiran pertama teknologi tunggal seperti model dunia, agen pelbagai, atau penyelesaian permainan, tetapi bahawa decision machine pertama kali menggabungkan kemampuan-kemampuan ini ke dalam satu kerangka keputusan yang merangkumi dunia terbuka, membentuk satu gelung lengkap yang merangkumi pemodelan berterusan, simulasi, penyelesaian, dan penyesuaian.

Yang dinamakan “segera” ialah usahanya untuk mengabstrakkan masalah pengambilan keputusan yang kompleks dari pelbagai bidang kepada satu struktur sepunya — keadaan dunia, pihak yang terlibat, ruang tindakan, hubungan sekatan, interaksi berbilang putaran, dan hasil yang tidak pasti, serta meneruskan penarikan kesimpulan dan penyelesaian dalam kerangka yang sama.

Alamat laporan teknikal: https://chinaxiv.org/abs/202608.00064

Pada 3 Ogos, laporan teknikal penuh Decitron telah dilancarkan, secara sistemik mengumumkan tiga sumbangan teknologi utamanya untuk pertama kalinya:

Pertama, mengusulkan model dunia eksplisit MetaWorld, yang mengorganisasi maklumat pelbagai sumber menjadi keadaan dunia yang terstruktur, kekal, dan boleh dikira bersama pemodelan sebab-akibatnya; kedua, menggunakan perwakilan formal State–Action–Outcome (SAO) untuk mengubah keputusan kompleks menjadi bentuk ekspresi dan penarikan kesimpulan yang boleh dikira; ketiga, membina arsitektur penalaran hibrid AutoABM yang menggabungkan simulasi agen pelbagai, penalaran permainan, dan pengoptimuman formal, yang menyelesaikan masalah keputusan kompleks seperti keseimbangan permainan, perancangan strategi, dan pemenuhan kekangan berdasarkan sistem penarikan kesimpulan keputusan agen pelbagai. Ketiga-tiga elemen ini bersama-sama membentuk dasar teknologi mesin keputusan, dengan matlamat untuk mengubah penilaian sementara sistem AI menjadi proses pengiraan dan penarikan kesimpulan yang terus dikemaskini seiring perubahan dunia.

Sekarang, sekitar "simulasi pengambilan keputusan", beberapa kemampuan utama yang diperlukan AI (seperti model dunia, agen pelbagai, penalaran permainan, dan ramalan kebarangkalian) sebenarnya telah muncul berturut-turut. Cabaran sebenarnya ialah: apabila AI berpindah dari tugas tertutup ke dunia nyata yang terbuka, kemampuan-kemampuan ini mesti bekerja secara bersama-sama berdasarkan keadaan dunia yang sama dan dikemas kini secara berterusan, dan tidak boleh hanya memberikan analisis yang saling berasingan dalam satu Prompt sahaja.

Pertama, lihat model dunia. Apabila disebut World Model, orang cenderung memikirkan model dunia fizikal yang secara utama berfokus pada persepsi visual, ruang, fizik, atau persekitaran robot seperti Sora, World Labs, dan V-JEPA. Sebaliknya, MetaWorld yang dicadangkan oleh Decision Machine berfokus pada skenario pengambilan keputusan yang lebih kompleks: ekonomi, dasar, persaingan korporat, dan geopolitik—sistem terbuka yang melibatkan subjek, pemboleh ubah, hubungan, dan sekatan yang jauh lebih rumit.

MetaWorld boleh dianggap sebagai perluasan model dunia kepada sistem sosial, yang perlu menangani tiga masalah rumit: perbezaan peraturan, refleksiviti (interaksi dua arah dan pengaruh berulang antara sebab dan akibat), dan ketidakpastian yang tidak boleh dihapus sepenuhnya. Ini juga membawa satu masalah langsung: jika penilaian terhadap dunia semasa mengalami penyimpangan, adakah simulasi seterusnya akan ikut menyimpang?

Setelah memasuki sistem sosial, mempertahankan keadaan persekitaran sahaja tidak mencukupi; AI juga perlu menilai bagaimana peserta lain bertindak. Richelieu yang dicadangkan oleh CICERO Meta dan pasukan Universiti Peking telah menunjukkan kemampuan beberapa Agen untuk berinteraksi dan bermain strategi dalam maklumat terhad; bagi pengambilan keputusan sebenar dalam dunia terbuka, selepas mensimulasikan tindakan semua pihak, perlu diteruskan dengan menilai sama ada strategi tersebut boleh dilaksanakan, permainan mungkin berakhir di keseimbangan mana, serta kebarangkalian dan syarat bagi pelbagai masa depan yang mungkin berlaku.

Makna mesin pengambilan keputusan terletak di sini: arsitektur inferensi hibrida AutoABM menggabungkan pemahaman semantik LLM, representasi terstruktur SAO, pemodelan dan simulasi agen jamak, serta inferensi dan pengoptimalan strategi dalam satu rantai pelaksanaan yang seragam, menghubungkan empat langkah: “memahami dunia — mensimulasikan simulasi — mencari penyelesaian keputusan — menilai masa depan”.

Sistem pengambilan keputusan terdiri daripada enam peringkat: input dan tugas, data dan pengetahuan, pemodelan dan formalisasi, simulasi dan penalaran, ramalan dan penyesuaian, laporan dan penjelasan, membentuk rantai lengkap dari maklumat realiti kepada output keputusan.

Seterusnya, kita akan menggunakan kes “Dalam separuh tahun ke depan, bagaimana konflik perdagangan yang kompleks ini mungkin berkembang?” sebagai contoh, untuk melihat bagaimana mesin pengambilan keputusan membangun keadaan dunia semasa berdasarkan maklumat sebenar, mensimulasikan tindakan pihak-pihak yang terlibat, menguji pelbagai laluan masa depan yang mungkin berlaku, serta syarat-syarat di mana laluan-laluan ini akan berlaku.

Langkah pertama: Jangan terburu-buru menerka masa depan, tetapi fahami terlebih dahulu “apa yang sedang berlaku sekarang” dan fakta-fakta mana yang boleh dipercayai.

Maklumat dunia nyata adalah kompleks, mungkin berulang atau bertentangan, atau mungkin sudah usang. Mesin pengambil keputusan terlebih dahulu mengubah soalan pengguna menjadi tugas berstruktur, yang secara jelas menentukan apa yang perlu dijawab, subjek yang terlibat, tempoh pemantauan, dan sekatan yang ada. Dalam kes ini, sistem akan terlebih dahulu mengenal pasti pihak utama yang terlibat dalam konflik tersebut, lingkungan masa, dan isu utama semasa, kemudian menghimpunkan maklumat daripada sumber yang berbeza seperti laporan berita, media sosial, dan laporan penyelidikan berdasarkan elemen-elemen seperti cukai import, rantaian bekalan, dasar industri, dan tingkah laku perusahaan yang mungkin mempengaruhi perkembangan situasi.

Rajah 2: Carta alir pemprosesan data

Maklumat yang dikumpulkan akan terlebih dahulu melalui proses penghapusan duplikasi, pengelompokan, dan penarikan peristiwa, serta disusun menjadi garis masa peristiwa dan sekumpulan unit bukti yang lebih terperinci. Sistem kemudian menilai kualiti maklumat secara berperingkat menggunakan Evidence Quality Score (EQS), termasuk relevansi dengan soalan semasa, kredibiliti sumber, ketepatan masa dan kelengkapan kandungan, serta kekonsistenan antara sumber yang berbeza. Sementara itu, arah tuju bukti ditentukan berdasarkan tahap keyakinan yang berbeza, di mana bukti dengan keyakinan tinggi akan terus masuk ke fasa inferens seterusnya.

Jika bukti yang ada tidak mencukupi atau terdapat konflik antara sumber yang berbeza, sistem akan terus melaksanakan penarikan dan penalaran bergilir berdasarkan ReAct, menyesuaikan carian seterusnya berdasarkan maklumat yang masih kurang, serta memperkaya garis masa yang sedia ada dengan maklumat baharu yang ditemui.

Rajah 3: Menggunakan mekanisme alternatif penarikan dan penalaran berdasarkan ReAct

Langkah kedua, tukar fakta yang telah disaring menjadi sebuah «keadaan dunia» yang dikemas secara berterusan. Fakta memberitahu sistem apa yang berlaku, dan seterusnya perlu ditentukan lagi: apabila perubahan-perubahan ini digabungkan, keadaan dunia semasa adalah seperti apa.

Mesin keputusan menggunakan representasi State–Action–Outcome (SAO) untuk formalisasi proses ini, di mana State menggambarkan keadaan dunia semasa, Action merekod tindakan yang diambil oleh setiap Agen dalam keadaan semasa, dan Outcome merekod hasil seperti keuntungan, kerugian, kos, dan risiko yang diakibatkan oleh tindakan tersebut. Perlu diperhatikan bahawa State membezakan antara keadaan makro dan keadaan kuantitatif yang lebih halus. Dalam kes ini, peningkatan geseran boleh menjadi keadaan makro, manakala tahap cukai, harga barangan, dan tahap kesan terhadap rantaian bekalan boleh dimasukkan ke dalam rekod keadaan yang lebih halus.

Selain itu, sistem juga mempertimbangkan gangguan luar secara berasingan, seperti perubahan dasar politik, perubahan persekitaran, atau peristiwa lain yang tidak dikawal oleh Agen. Selepas satu tindakan dan peristiwa luar berlaku, keadaan dunia akan dikemaskini. Keadaan yang dikemaskini kemudian menjadi titik permulaan bagi tindakan seterusnya. Proses ini berulang secara berterusan, membentuk satu trajektori SAO yang berterusan.

Rajah 4: Proses operasi SAO

Yang bertanggungjawab untuk memelihara status sebenar ialah MetaWorld, yang menghasilkan struktur status dunia yang boleh dikira dan dikemas kini. Status boleh dibahagikan kepada tiga peringkat: Environment Layer merekodkan persekitaran keseluruhan yang dikongsi oleh semua peserta, seperti peringkat situasi, harga sumber, dsb.; Agent Metrics Layer merekodkan sumber, kemampuan, dan kemajuan matlamat setiap Agent; Relationship Matrix Layer merekodkan perubahan hubungan antara pelbagai Agent.

MetaWorld juga menggunakan DAG sebab (Causal Directed Acyclic Graph) untuk mengawal bagaimana keadaan berubah: kesan yang mungkin antara pemboleh ubah telah diorganisasi ke dalam graf sebab-sebab semasa peringkat pemodelan. Semasa proses inferens, sistem mengemas kini keadaan nod dan bobot sisi sebab, tetapi tidak menghasilkan semula graf sebab-sebab setiap pusingan.

Ini penting untuk simulasi jangka panjang. Perubahan tarif sebelumnya mempengaruhi harga, harga pula mengubah pilihan perusahaan dan respons peserta lain, dan semua perubahan ini perlu dikekalkan untuk melanjutkan pengiraan seterusnya. MetaWorld bertanggung jawab atas “buku besar dunia” yang dikemas kini secara berterusan ini.

Langkah ketiga, dengan keadaan dunia yang telah ada, setiap Agen mulai bertindak. Pemodelan Berasaskan Agen (ABM) tradisional biasanya memerlukan pakar untuk mentakrifkan terlebih dahulu peserta, peraturan tingkah laku, pemboleh ubah persekitaran, dan mekanisme interaksi. Jika soalannya berubah, banyak perkara perlu dimodelkan semula. AutoABM yang dicadangkan oleh mesin pengambil keputusan mengautomatiskan langkah ini: terhadap soalan dalam bahasa semula jadi, sistem akan menggabungkan bukti luaran, mengekstrak peserta, matlamat dan sekatan, ruang tindakan, pemboleh ubah persekitaran, serta hubungan sebab-akibat, kemudian membina persekitaran simulasi pelbagai agen berdasarkan maklumat tersebut.

Sebuah konflik perdagangan mungkin melibatkan pelbagai agen seperti kerajaan, perusahaan, organisasi industri, dan pengguna, di mana setiap pihak mempunyai matlamat, sumber, preferensi risiko, dan garis merah yang tidak boleh dilanggar sendiri. Agen-agen ini tidak memiliki sudut pandang Tuhan, dan hanya boleh bertindak berdasarkan maklumat separa yang mereka kuasai.

Dalam setiap tindakan, Agen terlebih dahulu mengambil interaksi dan jejak sejarah sebelumnya, kemudian menilai peluang, risiko, dan batasan dalam situasi semasa, menghasilkan beberapa strategi pilihan serta membuat keputusan. Selain itu, setiap putaran tidak hanya mendorong ke satu arah sahaja; sistem secara serentak mengembangkan beberapa keadaan dunia yang berbeza, termasuk laluan keseimbangan yang relatif stabil, arah evolusi yang lebih optimis atau pesimis, serta cabang berkesan tinggi yang mempunyai kebarangkalian rendah tetapi boleh mengubah situasi secara ketara sekiranya berlaku. Selepas itu, laluan-laluan ini disaring dan disahkan, keadaan dunia dikemas kini, dan masuk ke putaran seterusnya. Seiring dengan tindakan berterusan oleh pihak-pihak yang terlibat, beberapa laluan kehilangan syarat keberlakuannya, manakala laluan lain menjadi lebih mungkin berlaku.

Rajah 5: Paradigma Perilaku Agen

Di luar simulasi agen pelbagai, pengambilan keputusan yang kompleks memerlukan seorang “hakim matematik”. Agen pelbagai boleh menghasilkan banyak lintasan masa depan yang kelihatan munasabah, tetapi memikirkan sesuatu tidak sama dengan melaksanakannya; keputusan sebenar masih tertakluk kepada batasan ketat seperti belanjawan, sumber, masa, garis merah dasar, dan keseimbangan antara pihak-pihak.

Sistem pengambil keputusan telah diintegrasikan dengan kemampuan penyelesaian formal, termasuk lima kelas masalah: teori permainan klasik, pengagihan sumber daya dan pengoptimuman, perancangan dan penjadualan laluan, inferensi kebarangkalian di bawah ketidakpastian, serta pemenuhan kekangan. Sebagai contoh, bagaimana mengagihkan sumber daya apabila bajet terhad, keseimbangan apa yang mungkin terbentuk dalam permainan pelbagai pihak, atau sama ada satu strategi melanggar garis merah yang telah ditetapkan—semua ini boleh dimasukkan ke dalam lapisan pengiraan ini. Dalam masalah permainan, sistem juga mempunyai sembilan jenis permainan atom klasik yang telah dibina dalam, termasuk dilema tahanan, permainan berburu rusa, permainan pengecut, dan permainan jumlah sifar, yang meliputi 144 topologi Robinson–Goforth 2×2 untuk mengenal pasti dan menyelesaikan struktur permainan yang berbeza.

Fokus lapisan ini ialah mengembalikan strategi kandidat yang dihasilkan oleh agen pelbagai ke dalam kerangka permainan, batasan, dan pengoptimuman yang boleh dikira, menjadikan "secara semantik munasabah" menjadi "secara formal boleh diuji".

Pada piawai TMGBench yang menguji kemampuan permainan agen pelbagai, ketepatan keseimbangan keputusan mencapai 99.4%, ketepatan pengenalan topologi 100%, masa penyelesaian purata 0.8 saat, dan skor penjelasan 4.3/5.0.

Jadual 2: Lima jenis masalah penyelesaian utama

Pembahagian tugas antara simulasi agen banyak dan penyelesaian formal adalah jelas: yang pertama bertanggungjawab untuk mengembangkan laluan-laluan yang mungkin berlaku; yang kedua bertanggungjawab untuk memeriksa sama ada laluan-laluan ini boleh bertahan di bawah sekatan dan struktur permainan.

Pada peringkat terakhir simulasi, masih tinggal satu soalan utama: Berapakah kebarangkalian setiap lintasan masa depan yang telah dijelaskan sebelum ini berlaku? Untuk tujuan ini, mesin pengambilan keputusan menetapkan bahagian peramalan dan penyesuaian (Forecasting & Calibration).

Berdasarkan laluan calon yang diperoleh sebelumnya, lapisan ini meneruskan pemprosesan ketidakpastian tersebut: sistem menggabungkan keputusan inferens model dan isyarat penyesuaian luaran untuk memberikan kebarangkalian kepada pelbagai hasil, kemudian menyesuaikan kebarangkalian tersebut menggunakan maklumat pasaran ramalan, prestasi ramalan sejarah, dan peraturan penilaian kebarangkalian. Keputusan mesin keputusan bukan lagi sekadar senarai pernyataan skenario “apa yang mungkin berlaku”, tetapi setiap laluan juga dilengkapi dengan penilaian kebarangkalian yang berkaitan, dan terus dikemas kini mengikut bukti serta hasil inferens baharu.

Kita boleh memahaminya sebagai peta masa depan yang dinamik: pergesekan perdagangan yang terus meningkat, pelonggaran sementara oleh kedua-dua belah pihak, atau munculnya pemboleh ubah tiba-tiba baru, semuanya boleh menjadi cabang yang berbeza. Sistem menilai kemungkinan setiap laluan serta perubahan apa yang akan membuat satu laluan menjadi lebih mungkin berlaku.

Rajah 6: Modul ramalan kebarangkalian

Dengan ini, mesin keputusan menghubungkan satu siri pemeriksaan keputusan yang lengkap.

Laporan tersebut menggunakan beberapa set eksperimen untuk menguji sistem inferensi mesin keputusan, dengan hasil yang paling patut diperhatikan ialah «inferensi peristiwa dan ramalan kebarangkalian».

Pertama, tinjau set ramalan peristiwa buatan sendiri untuk mengamati sama ada penarikan terstruktur boleh memperbaiki ramalan peristiwa. Pasukan membina satu set data yang mengandungi 74 peristiwa dan 370 soalan penilaian binari, yang merangkumi pelbagai kategori peristiwa dengan ketidakstabilan tinggi, serta memasukkan jangka masa ramalan yang berbeza ke dalam penilaian. Dalam pengaturan penilaian pasukan, hasil keseluruhan mesin keputusan ialah 78.41%.

Selain itu, dalam tetapan LLM-NEWS, untuk kumpulan jangka pendek 3-30 hari, keputusan mesin keputusan adalah 72.80%, manakala GPT-5.5 dan Claude-4.7 masing-masing 35.43% dan 44.62%; semasa memasuki jangka menengah dan jangka panjang, jurang ini berkurang secara beransur-ansur. Dengan kata lain, penarikan struktur mempunyai kelebihan yang lebih ketara dalam skenario jangka pendek di mana situasi berubah dengan pantas dan pola sejarah sukar digunakan semula.

Kemudian, eksperimen tambahan di pasaran ramalan awam PolyBench.

FFA (Ketepatan Ramalan Akhir) mesin keputusan ialah 81.20%, EVPA (Ketepatan Ramalan Volatiliti Yang Dijangka) ialah 73.40%, dan MSE (Ralat Kuasa Dua Purata) ialah 0.822, ketiga-tiga indikator ini lebih baik daripada Gemini-3-Flash, MiMo-V2-Flash, dan Grok-4.1-Fast. Ini menunjukkan bahawa mesin keputusan mencapai prestasi yang lebih baik dalam menangkap arah perubahan probabiliti pasaran dan mengawal ralat probabiliti.

AI generatif menggunakan token sebagai unit pengiraan asas, menyelesaikan soalan "bagaimana menghasilkan bahagian seterusnya"; AI keputusan pula menggunakan perubahan keadaan dunia sebagai objek pengiraan asas, menyelesaikan soalan "bagaimana satu tindakan akan mengubah dunia seterusnya". Yang pertama memperhatikan sama ada jawapan adalah munasabah, manakala yang kedua perlu menangani sebab-akibat, sekatan realiti, tindak balas lawan, dan perubahan kebarangkalian. Kedua-duanya bukan sekadar penambahan kemampuan, tetapi perubahan paradigma pengiraan.

AI pengambilan keputusan sukar muncul secara semula jadi hanya dengan peningkatan skala parameter dan kemampuan bahasa yang lebih kuat. Setelah memasuki dunia terbuka, model asas masih penting, tetapi ia beralih dari menjadi keseluruhan sistem kepada menjadi komponen sistem pengambilan keputusan. Unit persaingan AI juga berpindah dari model tunggal kepada sistem lengkap.

Makna teknikal mesin pengambilan keputusan ialah ia mengorganisasi kemampuan yang sebelumnya tersebar menjadi satu struktur pengambilan keputusan yang seragam. Istilah “umum” tidak bermaksud meramal masa depan di semua bidang, tetapi masalah dari pelbagai bidang boleh diterjemahkan menjadi keadaan, tindakan, hasil, sekatan, dan ketidakpastian, lalu dimasukkan ke dalam kerangka penarikan kesimpulan dan penyelesaian yang sama.

Dari sudut pandang ini, nilai sebenarnya daripada "model keputusan universal pertama di dunia" bukan hanya tentang merebut gelar "pertama", tetapi lebih kepada membentuk kerangka teknologi yang cukup lengkap bagi "model keputusan universal": menggunakan penggambaran keadaan eksplisit untuk menggambarkan dunia, menggunakan agen pelbagai untuk menjalankan tindakan, menguji strategi melalui permainan dan pengoptimuman, kemudian menyesuaikan kebarangkalian bagi pelbagai laluan masa depan. Sehubungan dengan itu, standard penilaian AI juga mulai berubah — bukan sahaja melihat sama ada jawapan itu tepat, tetapi juga sama ada keadaan boleh dikekalkan konsisten, penarikan kesimpulan boleh diuji, kebarangkalian boleh dipercayai, serta sama ada ia boleh dikemaskini dengan segera apabila maklumat baharu muncul.

Setelah semua, jawapan yang kedengaran betul tidak sama dengan keputusan yang tahan terhadap perubahan sebenar.

Artikel ini berasal daripada akaun微信公众号 "Machine Heart" (ID: almosthuman2014), penulis: Membincangkan AI Keputusan