隨著電子商務的發展從信息經濟轉向注意力經濟，商家在瞬息萬變的數碼市場中，需要花越來越多的精力吸引和維持消費者的注意力。生成式人工智能，特別是大型語言模型，正在改變商家與客戶互動的方式，它能夠與客戶進行個人化、人性化和情境感知的交流。這一轉變將電子商務從靜態的搜尋系統推向動態的代理互動。儘管先前的研究通過各種方法檢視了客戶的注意力，例如注意力分配模型、眼動追踪、認知負擔理論和行為經濟學，但這些方法往往難以整合多模態數據、情境及情感因素，以及社會動態。傳統的預測和決策模型也缺乏自然語言理解和生成能力，這限制了它們在捕捉客戶意圖和支持適應性、注意力驅動策略方面的有效性。

本項目的目標是為基於注意力的電子商務應用開發人工智能代理，這些代理能支持實時互動、適應性反應和自主決策。在第一階段，生成式人工智能將從多模態數據中發掘客戶注意力和行為的新模式，隨後為商家開發少量樣本（few-shot）和零樣本（zero-shot）預測模型。根據這些洞見，本項目將設計適應性、注意力驅動的產品選擇和銷售策略，結合大型模型來進行情感分析、意圖識別、產品定位和內容生成，與較小、更高效的模型（如動態規劃和機器學習）相結合，以優化關鍵字選擇、目標廣告投放和自然及付費渠道上的個性化銷售。

在第二階段，項目將開發以任務為主的人工智能互動優化工具，以及專為電子商務運營而設計的基於代理的決策框架。這些優化工具將結合自然語言和數值反饋，協助商家完成特定任務，包括產品選擇優化、適應性匹配和配給決策。我們將研究基於代理的建模和混合專家架構，以支持動態對話和複雜環境的模擬。項目將進一步引入一個嚴謹的監督性微調框架，用於基於擴散模型的連續時間強化學習，將其構建為隨機控制問題，使模型輸出與商家的目標保持一致，最終讓商家能夠獲得穩健、高效且可擴展的人工智能驅動決策支持。