Mirror Particle 正在构建人类行为的“世界模型”

承诺预测人类行为的初创公司正迎来高光时刻。过去一年，Simile 以 20 亿美元估值融资 2 亿美元；Aaru 以 10 亿美元估值融资 8800 万美元；而 AI 初创公司 Humans& 于 1 月宣布完成 4.8 亿美元种子轮，估值 44.8 亿美元，并推出 Persimmon 来建模人类行为。 当前人类行为预测的主流做法，严重依赖大语言模型（LLM），通过提示或微调让它们扮演目标人群。但成立两年、总部位于旧金山的 Mirror Particle 认为，这种方法从根本上是错的。 “这就像带着一把超级水枪去尼亚加拉大瀑布，”Mirror 联合创始人兼首席执行官 Abhivyakti Ahuja 说。该公司向品牌销售一款 AI 引擎，用于预测消费者行为及其背后的原因。“LLM 已经在数千亿个数据点上训练过。用这么少的数据去微调，能多大程度影响它的行为？它仍然困在过去。” Ahuja 不认为 LLM 像人类那样看世界。“LLM 建模的是书面语言，但人类由视觉感知、空间推理和社交智能构成。”她说，依赖它们意味着得到的洞察基于人类不会注意到的东西，而在试图预测人类行为时，这并非关键所在。 Mirror Particle 走的是另一条路：构建一个基础模型，或者用 Ahuja 的话说，一个从零开始构建的世界模型，用来模拟人类为何会做其所做之事，以及人类行为如何随时间变化。 “我们不想捕捉静态的人，”Ahuja 说，“我们想捕捉变化中的人。这意味着要捕捉纵向数据：人们如何变化、是什么触发因素让他们改变，以及改变到什么程度。”她补充说，如果他们没有变化，“这同样是一种信号。” Mirror Particle 已经完成一轮天使融资，并表示即将完成首轮风险投资。该公司下周还将参加 TechCrunch 知名的创业竞赛 Startup Battlefield。 这家初创公司依赖一套专有的数据组合，包括客户方的消费者数据、时事、流行文化、社交媒体等，来建模一个人群细分，并将其视为一个随时间演化的系统，追踪其在不同经历中动机如何变化。重点很大程度放在“显现行为”上——即人们实际做了什么，而非自我报告的调查答案。 与竞争对手一样，Mirror Particle 的初始市场进入策略聚焦于已存在这类洞察预算的领域：市场研究以及品牌和产品战略。例如，Mirror 可能帮助一个美妆品牌不仅为面向 Z 世代的化妆品写出更好的广告文案，还能判断该人群是否真的想要这款产品。 “如果（目标人群）不想要眼影盘呢？”Ahuja 说，“如果你想向这个市场销售产品，也许腮红是更好的选择。” Mirror Particle 的预测引擎还会向客户提供当前或未来行为背后的“为什么”——即支撑其建议的动机、限制条件和额外背景，帮助品牌做出更明智的决策。 在一次早期试点中，一个知名宠物食品品牌想知道包装上用什么图像能提升销量。鸡肉？牛肉？蔬菜？Mirror 的技术发现，该品牌问错了问题。图像并不重要。问题在于，这个品牌太为人熟知，以至于被视为大众化且廉价，除非解决这一认知问题，否则销量会停滞不前。 “我们认为模型演进的方式，就像婴儿学习世界的方式，”Ahuja 说，并指出婴儿从视觉到语言，再到身体意识，最后到社交智能。 对建模人脑的这种根本兴趣，源于 Ahuja 学习神经科学和计算机科学的背景。她来自印度，后来在多伦多大学求学，在那里受到 AI 先驱 Geoffrey Hinton 对神经网络贡献的启发。 毕业后，Ahuja 进入 Amazon Robotics，参与构建制造其他机器人的机器人。也正是在那里，她遇到了联合创始人 Will Song 和 Thomson Yen。Song 职业生涯中有相当一部分时间在构建销售个性化引擎，Yen 则专注于利用深度学习理解 AI 智能体如何理解人类行为。 这家初创公司的长期愿景是成为“预测人类行为的通用层”，并从更广泛的人群层面分析，走向个体层面的洞察。 “如果我们要与 AI 并肩协作，也要彼此协作，我们就需要一个更好的人类模型，”Ahuja 说。 下周，去旧金山市中心举行的 Disrupt 大会看看 Mirror Particle，以及其他数十家经 TechCrunch 编辑团队筛选的创新初创公司。今年 Startup Battlefield 的获胜者将由我们的 VC 评委团于 10 月 15 日周四下午选出。