正文
如图 2 所示,这是对 Decision Modeling 的权威定义。
▲
图2. Decision Modeling的定义
基于这一理念,研究团队进一步发展出一种全新的 AI 推理范式 ——
DecisionFlow
。其核心思想是:
将自然语言输入转化为结构化的“决策空间”表示, 然后通过对变量效用建模与约束条件过滤,最终在透明、可解释的推理框架中得出最优解。
相比于传统的大模型“黑盒”式生成,DecisionFlow 强调
显式建模
、
因果推理
与
多路径权衡评估
,为 AI 注入了“理性思考”的能力。
四步推理流程:决策不是生成,而是推导
DecisionFlow 将整个决策过程划分为
信息提取、信息筛选、效用计算和结果生成
四个阶段。这种模块化设计既保证了每一步的可控性,也为调试与优化提供了清晰的接口。
▲
图3. DecisionFlow的流程图,如何拆解一个问题构建decision model并得到理性的答案
整个过程可总结为四步:
1. 信息提取与结构化
:
该步骤的目标是将自然语言描述的情境转化为标准化、结构化的决策单元。模型首先识别可选行为,并围绕每个行为提取相关的属性信息,同时识别上下文中的约束条件(如道德规则、资源限制等)。这些信息被组织为“动作-属性”矩阵,作为后续推理的输入。
2. 评分与约束过滤
:
决策情境中存在的信息往往冗余而复杂,模型必须学会
识别哪些信息是真正与目标相关的,哪些是可以忽略的干扰项
。
因此,该阶段引入了一个可调节的评分机制,对属性与行为之间的关联性进行量化,并基于上下文目标(如效率、公平性、保守性等)进行裁剪,从而过滤出最关键的决策要素。这种“信息蒸馏”过程有效降低了模型的认知负担,也提升了决策的稳定性与一致性。
3. 构建效用函数
:
与传统语言模型“模糊判断”不同,DecisionFlow 显式地将目标偏好建模为
效用函数
,以评估每个候选方案的价值。该函数基于前一步筛选后的结构化矩阵计算综合效用得分,从而将抽象偏好转化为具体的量化指标。
更重要的是,这一效用函数可动态生成,不依赖外部模板,确保模型能根据不同情境进行自适应决策。此处引入的符号建模思想,是连接人类理性推理与语言模型生成之间的关键桥梁。
4. 生成最终决策与解释
:
完成推理后,模型不仅要输出最优选择,还需要
给出一份与整个推理过程一致的解释
。这一解释来自于对效用函数、约束条件和候选比较的自然语言总结,确保整个决策是透明、可复查、逻辑自洽的。
不同于传统 LLM 中“结果先出、解释后补”的做法,DecisionFlow 实现了
解释即推理、推理即决策
的高度一致性,从而大幅增强了模型输出的可信度与可审查性。
▲
图4. DecisionFlow中的每一步输入与输出
DecisionFlow 的设计哲学体现了三大关键转向:
1. 从答案导向转向结构建模
:
不再直接生成结论,而是通过构建决策结构进行问题求解。
2. 从语言生成转向符号推理
:
强化了模型的抽象建模与数值推理能力,提升逻辑一致性。
3. 从黑箱输出转向透明管道
:
每一步都有中间产物,可视化、可控制、可解释,满足高风险场景的可审计需求。