核心使命：AI-nization 與 Omotenashi
樂天AI（Rakuten AI）的願景是透過「AI-nization」（AI化）將人工智慧全面融入集團業務，為客戶、合作夥伴和員工創造價值。這項策略的核心精神是日本的「Omotenashi」（究極待客之道），旨在利用AI預測客戶需求，提供超越期待的服務體驗。樂天認為，AI的力量應普及，讓每個人在任何時間、任何地點都能受益。
這項願景體現在其公開提供的服務上，例如樂天AI的聊天服務 (ai.rakuten.co.jp/chat)，讓用戶能直接體驗AI的互動能力。
該策略的重點在於打造一個三層式 AI 平台：
- 基礎層（Foundation Layer）：由大型語言模型（LLM）組成，這些模型經過優化以適應樂天獨特的資料與商業需求。
- 應用層（Application Layer）：由數千個 AI 代理（AI Agents）組成，這些代理能自動執行特定任務，例如處理客戶服務、推薦產品或分析資料。
- 使用者介面層（User Interface Layer）：透過自然的語言互動，讓用戶能無縫地與底層的 AI 代理進行溝通與協作。
樂天AI 的最終願景是建立一個強大的 AI 代理生態系，讓 AI 不再只是被動地回應指令，而是能主動預測並解決問題。這將能大幅提升樂天在電子商務、金融科技、行動通訊等領域的服務效率與品質，同時體現樂天獨有的 Omotenashi（究極待客之道）精神。
樂天利用 AI 代理強化「究極待客之道」（Omotenashi）
樂天集團正透過其 AI 策略，特別是代理式 AI（Agentic AI），來重新定義其服務核心價值——「究極待客之道」（Omotenashi）。這篇文章強調，代理式 AI 不僅僅是提供被動的回應，而是能夠主動預測並滿足客戶需求，從而將服務體驗提升到一個全新的層次。
代理式 AI 的核心功能：
- 預測性服務：代理式 AI 能分析用戶在樂天生態系中的行為模式，例如購物、金融和通訊數據，從而在用戶提出需求之前，就先預測他們可能需要的服務或產品。
- 跨生態系協作：這些 AI 代理能夠無縫地串聯樂天旗下的多個服務，例如當用戶在樂天市場購物時，AI 代理可以同時考慮其樂天銀行或樂天旅行的資料，提供更為個人化且完整的建議。
- 提升員工效率：代理式 AI 不僅服務客戶，也作為員工的智慧助手，自動化重複性任務，如數據分析、內容創建和客戶服務管理，讓員工能專注於更具戰略性的工作。
技術能力：從基礎研究到開源貢獻
樂天AI的技術實力建立在全球化的研發網絡（Rakuten Institute of Technology, RIT）之上，並積極將其成果回饋給開源社群。
- 大型語言模型（LLMs）：樂天不僅開發了專為內部優化的生成式AI平台，也將其成果開放。例如，在 Hugging Face 平台上，樂天釋出了
RakutenAI-2.0-8x7B-instruct這個模型 (huggingface.co/Rakuten/RakutenAI-2.0-8x7B-instruct)。從模型名稱中的8x7B可以看出，這是一個採用**混合專家模型（Mixture-of-Experts, MoE）**架構的指令微調模型，展現了樂天在模型架構上的專業技術。 - 代理式生態系統（Agentic Ecosystem）：樂天AI的願景是建立一個由AI代理組成的生態系統。根據其介紹，他們利用如 LangGraph 等工具來驅動代理工作流，讓員工能以最少的程式碼創建並分享AI代理。這不僅加速了新功能的開發，也讓AI技術能更快速地被應用於業務流程中。
- 多模態互動：樂天AI 支援多種輸入方式，包括文字聊天、語音轉文字與影像辨識，讓用戶能以最自然的方式與服務互動。
核心架構：混合專家模型 (MoE)
Rakuten AI 2.0 最引人注目的特點是採用了先進的 Mixture of Experts (MoE) 架構。這項技術的實作細節如下：
- 模型規模與活躍參數：
RakutenAI-2.0-8x7B-instruct這個名稱本身就揭示了其架構：它由 **8 個各自擁有 70 億參數的「專家」組成。這使得模型的總參數數量達到 470 億（8 x 7B），但其活躍參數（Active Parameters）**在每次推論時僅為 130 億左右。 - 路由機制（Router）：當處理一個輸入 Token 時，一個稱為 Router 的路由網路會判斷該 Token 的性質，並精準地將其分配給兩個最相關的專家進行運算。這種選擇性的啟動，使得模型在保持極大知識儲備的同時，其推論所需的運算量（FLOPS）與一個 130 億參數的稠密模型相當，大幅提升了運算效率。
- 效能與效率的平衡：與傳統的 470 億稠密模型相比，MoE 架構在推論時能消耗大約 4 倍少的運算資源，但效能卻能與之匹敵。這使得 Rakuten AI 2.0 能夠在更具成本效益的硬體上運行，實現高效能與低延遲的平衡。
訓練與微調：日語優化與對齊
Rakuten AI 強大效能，源於其精心的訓練與微調流程。
- 基礎模型訓練：該模型基於 Mistral-7B 模型的架構，並在其基礎上，利用樂天內部的高品質日語和英語資料集進行持續訓練。這個資料集經過多階段的清洗、去重和過濾，確保了訓練數據的優良品質。
- Tokenization 優化：為了克服 Mistral 原生分詞器在處理日語漢字時效率低下的問題，樂天將詞彙表（Vocabulary）從 32k 擴展到 48k，並增加了專為日語設計的 Token。這使得日語文本能以更少的 Token 進行編碼，從而提升了有效上下文長度與運算效率。
- 指令微調（Instruction Fine-tuning）：
RakutenAI-2.0-8x7B-instruct版本是透過指令微調和**偏好優化（Preference Optimization）**技術訓練而成。樂天採用了名為 SimPO (Simple Preference Optimization) 的新技術，它是一種相較於傳統 RLHF (人類回饋強化學習) 更簡單、穩定且高效的對齊方法，使得模型能更好地遵循人類指令並產生更符合預期的回應。
性能表現與應用場景
Rakuten AI 2.0 在多項基準測試中展現了其頂尖的競爭力。
- 日語基準測試：該模型在衡量日語對話與指令遵循能力的 Japanese MT-Bench 基準測試中，取得了在 13B 活躍參數級別中名列前茅的成績。其在日語性能上的顯著提升，使其在處理樂天生態系中複雜的日語任務時，表現尤為出色。
- 應用價值：作為一個性能優異且運算高效的模型，Rakuten AI 2.0 不僅被用於樂天內部的多項服務，從電商推薦到金融風控，同時也作為開源模型釋出，賦能廣大的開發者社群，推動日語 AI 應用的創新。
跨領域應用：串聯電商、金融與通訊
樂天AI的獨特之處在於其廣泛的應用場景，能夠在樂天龐大的生態系中發揮綜效。
- 電子商務：在樂天市場（Rakuten Ichiba），AI 透過分析用戶的購買歷史與偏好，提供高度個人化的商品推薦。用戶也能使用自然語言或圖像來進行搜尋，獲得更精準的購物建議。
- 金融科技（Fintech）：AI 技術被用於開發信用評分與風險評估模型，提升樂天銀行與樂天證券等金融服務的營運效率與安全性。
- 行動通訊：樂天移動（Rakuten Mobile）利用 AI 實現網路的自動化管理與優化，同時也將生成式 AI 服務整合到其企業解決方案中，協助企業客戶提升辦公效率。
結論：以AI驅動的全球創新者
樂天AI 的策略，不僅是為其現有業務增添新功能，更是透過將 AI 作為核心驅動力，來重塑整個生態系統。從開源發布的 MoE 模型到前瞻性的 AI 代理生態系，樂天AI 正以其獨特的方式，將技術創新、服務精神與社會責任融為一體，目標是成為一個能夠賦能全球數十億用戶的創新領導者。
*以上文章部份為AI產生內容，無商業用途。
