发散推理：AI生成多种答案背后的机制是什么？

大语言模型在生成文本时，天然带有发散推理的结构特征。模型每生成一个词，都是在一个有结构的概率分布里做采样。这个分布不是平的，它的形状由训练数据里词与词之间的语义关系决定。高概率的词代表最常见、最符合上下文预期的选择；但排在后面的候选词，并非无意义的噪音，而是语义上成立、只是不那么「显然」的路径。

控制这个过程的关键参数叫 Temperature（温度）。温度低，模型倾向于选最高概率的词，输出收敛、确定；温度高，采样范围扩大，模型会更频繁地走向那些次优但仍然合理的路径，输出多样、有时出人意料。这就是为什么同一个问题问三遍，会得到三个不同答案。

发散不是随机，这个区别很重要

一个容易产生的误解是：发散推理等于不稳定，等于模型在乱说。

不是。随机是在没有结构的空间里抽签；发散推理是在有结构的语义空间里扩大搜索范围。两者在起点上就不同。

模型走的那些「次优路径」，仍然处在训练语料确立的语义关联里。如果你要求它写一首关于孤独的诗，温度高的时候它可能会选择「礁石」「候机厅」「被按静音的手机」这样的意象，而不是最显然的「空房间」——但这些选择并非随机，它们在语义层面都能站住脚，只是在表达路径上更偏、更有个性。

这也是发散推理在创意工作里有价值的原因：它让模型能走到那些「不是第一个想到但同样成立」的地方。

从一个人的大脑，到一个企业的知识系统

理解发散推理在个体层面的运作，是一回事；让它在企业决策里真正产生价值，是另一回事。

核心差距在于上下文。一个人类专家发散推理的质量，取决于他脑子里积累了什么——行业经验、用户观察、竞品认知。这些东西越丰富、越真实，他往外推出的方向就越有落地价值，而不只是「听起来合理」。

大模型的发散推理面临同样的问题。通用模型没有你的用户数据，没有你的品牌历史，没有你的行业积累。它能发散，但发散出来的方向缺乏企业独有的校准。

GEA（Generative Enterprise Agent）处理的正是这个环节。当企业的用户数据、历史研究、竞品信号被整合进系统的上下文，发散推理的起点就不再是通用的语义空间，而是带有企业认知积累的结构化空间。从这个起点出发，模型能走到的方向，才真正对业务决策有参考价值。

发散推理本身不稀缺，稀缺的是让发散有质量的「上下文」

发散推理是AI生成能力的底层机制之一，但它能不能在企业的真实决策里产生价值，取决于输入端的质量——用户是谁，数据从哪来，历史判断积累在哪里。

通用模型的发散是在语言空间里漫游，企业智能体的发散是在有业务锚点的认知空间里探路。前者出的是可能性，后者出的是可以用的方向。

如果你在做产品研究或者创意决策，你们现在给AI的上下文够不够？

欢迎和我们聊聊。