大型列表模型解析：理解生成式 AI 的新形式

大型列表模型是一種生成式 AI 系統，能夠分析大規模列表及其他類型的有組織數據集，例如整齊儲存於固定行與列中的數十億筆支付交易。它能夠利用這些數據集尋找模式並進行預測。透過這種方式，它有助於發現人類或其他類型的軟件難以發掘的趨勢與行為。

推動 OpenAI 的 ChatGPT 和 Google 的 Gemini 的大語言模型，是透過文字、圖像和影片（也稱為非結構化數據）進行訓練的。它們特別擅長創作各類相似內容，例如短篇故事或圖像，亦可用於開發軟件代碼。

LTM 透過結構化數據（例如交易紀錄的橫行與直行）進行訓練。LTM 擅長尋找模式、預測行為，並可能在幕後改善系統。

這兩種生成式 AI 模型都經過大量資料的訓練——無論是 LLM 的書面文字，還是 LTM 的有組織數據集。這兩種模型隨後都可以利用這些訓練進行分析與預測。

對 LLM 而言，這意味著在分析了數以百萬計的句子後，能夠預測句子中的下一個單詞可能是甚麼。這正是它能夠編寫新故事或歌詞的原因。

對於 LTM 而言，這可能意味著在分析數十億筆先前的交易後，預測某人的下一筆付款交易。透過這種方式，它能夠為防詐模型提供資訊，協助分辨何者可能是合法交易，何者可能是詐騙。

雖然大型語言模型（LLM）在處理結構化數據方面表現較弱，但大型表格模型往往擅長處理和分析這類資訊。由於大型表格模型與大型語言模型從不同類型的數據中學習，因此兩者無法互相取代。相反，它們的功能各異，並且能夠相輔相成。

LTM 可用於分析不同的資料集與結構化資料，讓用戶能夠在包含大量資料列的大型且互不相同的表格中尋找新的關聯並獲得新的洞見。

在金融服務和支付領域，大型表格模型可以透過從大量交易數據中學習模式，更早、更準確地協助發現可疑活動。它能夠識別典型的消費模式，並在某些情況突然不符合該模式時迅速識別出來。由於大型表格模型能夠在各種情況下了解正常行為的外觀，因此它還可以協助防詐騙系統避免將合法購買誤認為詐騙，在尋找真實風險的同時，減少不必要的信用卡拒付情況。

Mastercard 開始開發自家的大型表格模型，並透過數十億筆匿名化交易進行訓練，藉此精確調查這類情境與用途。我們相信，我們的大型表格模型可用於網絡安全、會員及獎勵計劃、個人化模型、投資組合優化及數據分析工具。此外，由於大型表格模型比現有的傳統機器學習 AI 系統更具靈活性，我們未來或可使用少量的大型表格模型，而非建立和維護現今數以千計的傳統機器學習模型。

除了支付和金融服務之外，LTM 還可用於管理大量結構化數據的任何行業——從製藥到能源，再到交通運輸和物流——讓各組織能夠在其數據中識別新的洞察。

根據本文發布時的公開資訊顯示，現今實際投入生產的 LTM 似乎寥寥無幾（如果有的話）。然而，許多公司迄今已宣布其在研發自有 LTM 方面取得積極成果，且許多公司似乎正朝著投入生產的方向邁進。有關生成式 AI 功能的消息每天都在發布，因此預期涉及 LTM 的快速變化與新發現將會不斷出現。

目前看來，與 LLM 不同的是，LTM 更傾向於在幕後運作，以加強防詐騙系統、分析大型數據集，並強化組織內的數據科學能力。

我們尚不清楚 LTM 將如何與 AI 代理互動。現今，LLMs 被用作驅動各種 AI 代理（例如 ChatGPT）的基礎，但對於 LTM 而言，這類用例並不那麼明顯，因為它們更多是用於改善和簡化組織的營運與系統。然而，我們可以想像這樣一個未來：代理可以與 LTM 合作，以類似現今使用 LLMs 的方式來解決現實世界的問題。

例如，代理有朝一日可能會利用來自 LTM 的分析結果，為透過生成式 AI 聊天機械人購物的用戶提供個人化推薦。透過這種方式，LTM 最終可用於協助驅動代理式商務（agentic commerce）——這是一種利用這些代理來進行購物、探索和購買的新興零售形式。