大型列表模型解析：理解生成式 AI 的新形式

大型列表模型（Large tabular model，簡稱 LTM）是一種生成式 AI 系統，能夠分析大規模表格與其他類型的組織化資料集，例如整齊儲存於固定列與欄中的數十億筆支付交易。它能夠使用這些資料集來尋找趨勢並進行預測。透過這種方式，它能協助發掘人類或其他類型的軟體難以察覺的趨勢與行為。

大型語言模型支援 OpenAI 的 ChatGPT 和 Google 的 Gemini，它們是以文字、圖像和影片（也稱為非結構化資料）進行訓練的。它們特別擅長建立類似類型的內容（例如短篇故事或影像），也可用於開發軟體程式碼。

LTM 是根據結構化資料（例如交易記錄的列與欄）進行訓練的。LTM 擅長尋找模式、預測行為，並可能在後台改善系統。

這兩種生成式 AI 模型都是使用龐大的資料量進行訓練的——無論是用於 LLM 的書面文字，還是用於 LTM 的組織化資料集。然後，這兩種模型都可以利用這些訓練來進行分析與預測。

對 LLM 而言，這可能代表在分析了數百萬甚至數千萬個句子之後，預測句子中的下一個單字可能是什麼。這就是它能夠編寫新故事或歌詞的原因。

對大型表格模型（LTM）而言，這可能意味著在分析數十億筆先前的交易之後，預測某人的下一筆付款交易。如此一來，它就能為防範詐欺模型提供資訊，協助判斷哪些可能是合法交易，哪些可能是詐欺。

雖然 LLM 在處理結構化資料方面較不擅長，但 LTM 通常在處理和分析這類資訊方面表現出色。由於 LTM 和 LLM 是從不同類型的資料中學習，因此兩者無法互相取代。相反地，它們的功能各異，並且能夠互補。

LTM 可用於分析不同的資料集與結構化資料，讓使用者能夠在包含許多資料列的大型且異質的表格中，找出新的關聯並獲得全新的洞察。

在金融服務與支付領域中，LTM 可以透過學習大量交易資料中的模式，更早、更準確地發現可疑活動。它可以識別典型的消費模式，並在有任何狀況突然不符該模式時迅速辨識出來。由於 LTM 能夠學習多種情境下的正常行為樣貌，因此它也能協助詐騙防範系統避免將合法的購買誤判為詐騙，進而減少不必要的信用卡拒刷，同時持續防範真正的風險。

Mastercard 開始開發自身的 LTM，並利用數十億筆匿名化交易進行訓練，以精確調查這類情境與用途。我們相信，我們的 LTM 可用於網路安全、忠誠度與獎勵計畫、個人化模型、投資組合最佳化和資料分析工具。此外，由於 LTM 比現有的傳統機器學習 AI 系統更具靈活性，我們或許只需使用少數幾個 LTM，而不必像今天這樣建構和維護數千個更傳統的機器學習模型。

除了支付和金融服務之外，LTM 還可用於管理大量結構化資料的任何產業（從製藥到能源，再到運輸與物流），讓組織能夠從其資料中識別出新的洞察。

根據本文發布時公開可用的資訊顯示，目前實際投入生產的 LTM（若有）似乎寥寥無幾。然而，許多公司迄今在其自有 LTM 的研發方面已宣布了正面的成果，且許多公司似乎正朝著投入生產的方向努力。關於生成式 AI 功能的消息每天都在發布，因此應預期與 LTM 相關的快速變遷和新發現將會不斷湧現。

目前看來，與 LLM 不同，LTM 更有可能在後台運作，以強化詐欺防範系統、分析大型資料集並強化組織內的資料科學能力。

我們尚不清楚 LTM 將如何與 AI 代理互動。如今，LLM 被用作驅動許多種類 AI 代理（例如 ChatGPT）的基礎，但 LTM 的此類用例並不明顯，因為它們更多被用於改善和簡化組織的營運與系統。不過，我們可以想像這樣一個未來：代理可以與 LTM 合作解決現實世界的問題，其方式類似於當今使用 LLM 的方式。

例如，未來某個代理程式可能會利用來自 LTM 的分析結果，為透過生成式 AI 聊天機器人購物的消費者提供個人化推薦。透過這種方式，LTM 最終可用於協助推動代理式商務（agentic commerce），這是一種利用這些代理程式來進行購物、探索與購買的全新發展中零售形式。