发散推理模型：探索、评估与收敛

设计一个新产品概念时，你需要先发散——想出尽可能多的可能性，然后再收敛——从中找到真正值得深入的方向。

这个"先发散再收敛"的思维过程，对人类来说是自然的。但对 AI 来说，它意味着一类特殊的推理挑战。

大多数 AI 推理是线性的：给定问题，找到最优解。发散推理需要的是另一种能力：在不确定的空间里系统性地探索，生成多样性，对探索结果进行有依据的评估，然后有理由地收敛到值得深入的方向。

探索阶段：多样性和覆盖度

发散推理的第一个问题是：如何保证探索足够宽？

直觉上，让 AI "多生成几个方案"不是发散推理。如果 AI 的多个输出都在同一个概念空间里打转，它们只是同一个答案的不同表述，不是真正的发散。

有效的探索需要主动维护多样性：确保生成结果在关键维度上有足够的分布——不同价格定位、不同目标受众、不同功能核心、不同情感诉求。这需要推理模型在生成过程中持续检查"我还没有探索过的区域在哪里"，而不是沿着最高置信度的路径一路走下去。

特赞的发散推理模型在创意生成场景里处理的核心问题就是这个：给定一个品牌约束和市场目标，系统如何生成覆盖足够宽的概念空间，而不是反复生成变体相近的方案。

评估阶段：在不确定中打分

发散出来的候选方案需要被评估，但这个评估很难。

客观指标（技术可行性、成本、法规合规）相对容易处理。主观判断（这个方向是否有市场吸引力、是否符合品牌基因、是否能打动目标用户）才是真正的难点。

这里 SWM 进来了。发散推理模型的评估层，调用的是主观世界模型——"按照这个品牌的判断标准，这个概念方向打多少分""按照这个用户群的偏好模型，这个方案的接受概率是多少"。

评估的结果不是一个确定的排名，而是一个可以解释的判断：这个方向在这些维度上有优势、在这些维度上有风险、不确定性主要集中在这里。这种可解释性是人能介入和调整的前提。

收敛阶段：有理由地缩小空间

收敛不是"选最高分的那个"。真实的业务决策比这复杂。

有时候最高分的方案风险也最高，收益和风险要一起考虑。有时候第二名的方案更容易执行，短期价值更确定。有时候需要从发散出来的多个方向里选两三个同时推进，而不是押注单一方向。

好的收敛推理需要考虑：目标优先级（这次决策最看重什么）、约束条件（时间、资源、风险承受度）、以及不确定性的分布（对哪些评估结论最有信心、对哪些最不确定）。

收敛给出的不是一个答案，而是一个有理由的方向选择，附带关键假设和验证路径。这个形式让后续的人工决策和 AI 执行都有可操作的基础。

发散推理在企业里的真实价值

发散推理模型在以下场景最有价值：问题空间本身是开放的（有很多可能的解法），判断标准是主体特定的（什么是"好的"取决于这个品牌或这个用户群），以及决策的代价是非对称的（选错方向的成本远高于多探索几个方向的成本）。

新品概念生成、内容策略规划、市场进入路径选择——这些都是典型场景。

它和"让 AI 直接给我一个最优方案"的最大区别在于：发散推理保留了可探索的空间，让人能在 AI 生成的结构化选项里做有依据的判断，而不是接受或拒绝一个黑盒输出。

企业真正需要的，不是一个能替代决策的 AI，而是一个能把决策空间结构化、把判断依据显式化的 AI。发散推理模型处理的正是这件事。