大表格模型详解：理解一种新型生成式 AI

大型表格模型是一种生成式人工智能系统，能够分析大规模表格以及其他类型的有组织数据集，例如整齐存储在固定行和列中的数十亿笔支付交易。它能够利用这些数据集寻找规律并进行预测。通过这种方式，它有助于发现人类或其他类型软件难以察觉的趋势与行为。

大型语言模型（驱动着 OpenAI 的 ChatGPT 和 Google 的 Gemini）基于文本、图像和视频进行训练，这些数据也称为非结构化数据。它们特别擅长创建相似类型的内容（例如短篇故事或图像），也可用于开发软件代码。

大型表格模型基于结构化数据进行训练，例如交易记录的行和列。大型表格模型擅长寻找模式、预测行为，并有可能在幕后改善系统。

两种类型的生成式 AI 模型都是使用海量数据进行训练的——无论是用于大语言模型的书面文本，还是用于大型表格模型的结构化数据集。随后，这两种类型的模型都可以利用这种训练进行分析和预测。

对于 LLM 而言，这意味着在分析了数百万甚至数千万个句子之后，能够预测句子中的下一个词可能是什么。这就是它能够编写新故事或歌词的原因。

对于大型表格模型而言，这可能意味着在分析了数十亿笔先前的交易后，预测某人的下一笔支付交易。这样一来，它就可以为欺诈预防模型提供信息，帮助识别哪些可能是合法交易，哪些可能是欺诈行为。

虽然大语言模型在处理结构化数据方面表现一般，但大表格模型（LTM）往往擅长处理和分析此类信息。由于大表格模型和大语言模型从不同类型的数据中学习，因此二者无法互相替代。相反，它们的功能各不相同，并且可以相辅相成。

LTM 可用于分析不同的数据集和结构化数据，使用户能够跨越包含大量数据行的庞大且异构的表格，发现新的关联并获得全新的洞察。

在金融服务和支付领域，大模型可以通过学习大量交易数据中的模式，更早、更准确地帮助识别可疑活动。它能够识别典型的消费模式，并迅速识别出何时有异常情况不符合该模式。由于大模型能够了解各种情况下正常行为的表现，因此它还可以帮助反欺诈系统避免将合法购买误判为欺诈，在寻找真正风险的同时减少不必要的卡片拒付。

万事达卡开始开发自有 LTM（基于数十亿条匿名化交易训练而成），以便准确调查此类场景和用途。我们相信，我们的 LTM 可用于网络安全、忠诚度和奖励计划、个性化模型、投资组合优化以及数据分析工具。此外，由于 LTM 比现有传统机器学习 AI 系统更具灵活性，我们或许只需使用少量的 LTM，而不必像今天这样构建和维护数千个更传统的机器学习模型。

除支付和金融服务外，LTM 还可用于管理大量结构化数据的任何行业（从制药到能源，再到交通运输和物流），从而使组织能够在其数据中发现新的洞察。

根据本文发布之时的公开信息显示，目前几乎没有——或者说极少有——投入实际生产运行的 LTM。然而，迄今为止，许多公司在自主研发 LTM 方面已宣布取得了积极成果，且许多公司正积极推进其投入生产。有关生成式人工智能功能的资讯日新月异，因此应预计到围绕 LTM 的快速变革与新发现将不断涌现。

目前看来，与大语言模型不同，大表格模型更有可能在幕后运行，从而强化防欺诈系统、分析大型数据集并增强组织内的数据科学能力。

我们尚不清楚 LTM 将如何与 AI 智能体交互。目前，大语言模型（LLM）被用作支持各种 AI 智能体（如 ChatGPT）的基础，但对于 LTM 来说，由于它们更多地用于改进和简化组织的运营与系统，因此类似的应用场景并不那么明显。然而，我们可以设想这样一个未来：智能体可以与 LTM 合作，以类似于当今使用 LLM 的方式来解决现实世界中的问题。

例如，未来某天，智能代理可能会利用来自大表格模型的分析结果，为通过生成式 AI 聊天机器人购物的用户提供个性化推荐。通过这种方式，大表格模型最终可用于帮助推动智能体式商务的发展——这是一种新兴且不断发展的零售形式，利用这些智能体来进行购物、发现和购买。