Mirror Particle در حال ساخت مدل هوش مصنوعی رفتار انسان است

مدل‌سازی رفتار انسان با هوش مصنوعی، محور برنامه Mirror Particle است؛ استارتاپی دوساله در سان‌فرانسیسکو که می‌خواهد رفتار مصرف‌کنندگان و دلیل تغییر آن را پیش‌بینی کند. این شرکت در گزارشی که TechCrunch روز ۶ اکتبر منتشر کرد، رویکرد رایج مبتنی بر مدل‌های زبانی بزرگ را برای این کار ناکافی دانست و از ساخت یک مدل بنیادی برای شبیه‌سازی تغییرات رفتار انسان خبر داد. هدف عملی این تلاش، کمک به برندها برای تصمیم‌گیری درباره محصول و راهبرد بازاریابی است؛ حوزه‌ای که در آن پیش‌بینی دقیق تقاضا می‌تواند بر انتخاب‌های تجاری اثر بگذارد.

چرا Mirror Particle به‌دنبال رویکردی متفاوت است؟

بسیاری از روش‌های فعلی پیش‌بینی رفتار، از LLMها استفاده می‌کنند؛ این مدل‌ها با دستور یا تنظیم بیشتر وادار می‌شوند نقش فردی از یک گروه جمعیتی را بازی کنند. اما به گفته Abhivyakti Ahuja، هم‌بنیان‌گذار و مدیرعامل Mirror Particle، چنین روشی ممکن است تصویر ناقصی از انسان بسازد. LLMها عمدتاً از زبان نوشتاری الگو می‌گیرند، درحالی‌که رفتار انسان، از نظر او، با ادراک دیداری، درک فضا و توانایی فهم روابط اجتماعی نیز شکل می‌گیرد.

تنظیم دقیق یا fine-tuning، فرایند سازگارکردن یک مدل آموزش‌دیده با داده یا کاربرد مشخص است. Ahuja استدلال می‌کند که افزودن مقدار محدودی داده درباره یک گروه هدف، لزوماً نمی‌تواند گرایش‌های مدلی را که پیش‌تر با حجم بسیار بزرگی از داده آموزش دیده تغییر دهد. در نتیجه، شرکتی که می‌خواهد بداند مردم واقعاً چه می‌کنند، ممکن است از مدلی پاسخ بگیرد که بیشتر بازتاب الگوهای زبانی است تا تجربه و رفتار روزمره آن‌ها.

Mirror Particle به‌جای تمرکز بر تصویری ثابت از یک فرد یا گروه، می‌خواهد تغییرات را در گذر زمان دنبال کند. مدل بنیادی، اصطلاحی برای مدلی است که می‌تواند پایه چندین کاربرد باشد؛ این شرکت آن را نوعی «مدل جهان» می‌داند که هدفش شبیه‌سازی چرایی رفتار انسان و نحوه تغییر آن است.

داده‌های طولی و رفتار واقعی مصرف‌کنندگان

طبق توضیحات Ahuja، سامانه Mirror Particle داده‌های مشتریان شرکت‌های طرف قرارداد را با اطلاعاتی از رویدادهای جاری، فرهنگ عامه و شبکه‌های اجتماعی ترکیب می‌کند. سپس از این ترکیب برای تحلیل یک گروه جمعیتی به‌عنوان سامانه‌ای در حال تغییر استفاده می‌شود: تجربه‌ها ممکن است انگیزه‌ها را جابه‌جا کنند و این تغییرات، به‌نوبه خود، بر انتخاب‌های بعدی اثر بگذارند.

یکی از محورهای کار، چیزی است که شرکت «رفتار آشکارشده» می‌نامد؛ یعنی آنچه افراد در عمل انجام می‌دهند، نه صرفاً آنچه در پرسش‌نامه‌ها درباره خود گزارش می‌کنند. داده‌های طولی نیز به اطلاعاتی گفته می‌شود که در طول زمان گردآوری می‌شوند و امکان مشاهده تغییرات را فراهم می‌کنند. Ahuja می‌گوید مدل باید بتواند بررسی کند چه عواملی افراد را تغییر می‌دهند، این تغییر تا چه اندازه است و حتی ثابت‌ماندن رفتار چه معنایی دارد.

این جزئیات برای مشتریان تجاری اهمیت دارد، چون پیش‌بینی تنها زمانی می‌تواند به تصمیم کمک کند که دلیل آن هم روشن باشد. Mirror Particle می‌گوید موتور پیش‌بینی‌اش علاوه بر پیشنهاد درباره رفتار فعلی یا آینده، انگیزه‌ها، محدودیت‌ها و زمینه‌های مؤثر بر آن را نیز ارائه می‌دهد.

نمونه آزمایشی و بازار هدف شرکت

راهبرد آغازین Mirror Particle به بازارهایی محدود می‌شود که از پیش برای تحلیل مصرف‌کننده بودجه دارند: تحقیقات بازار و برنامه‌ریزی برند و محصول. شرکت می‌تواند، برای نمونه، به یک برند کمک کند بفهمد تبلیغ یک محصول آرایشی برای نسل Z چگونه نوشته شود؛ اما پرسش مهم‌تر شاید این باشد که آیا این گروه اصلاً خواهان آن محصول هست یا نه. به گفته Ahuja، ممکن است بررسی‌ها نشان دهد محصول دیگری انتخاب مناسب‌تری برای آن بازار است.

در یکی از پروژه‌های آزمایشی، یک برند شناخته‌شده غذای حیوانات خانگی می‌خواست بداند تصویر مرغ، گوشت گاو یا سبزیجات روی بسته‌بندی فروش را بیشتر می‌کند. بنا بر روایت شرکت، تحلیل Mirror Particle نشان داد مسئله اصلی تصویر روی بسته نبود: شناخته‌شدن برند باعث شده بود بخشی از مشتریان آن را محصولی عمومی و ارزان تلقی کنند. بنابراین، از نگاه تحلیل، تغییر تصویر به‌تنهایی مشکل فروش را برطرف نمی‌کرد و برداشت مشتریان از جایگاه برند باید مورد توجه قرار می‌گرفت.

این نمونه نشان می‌دهد شرکت قصد دارد از پیشنهادهای جزئی بازاریابی فراتر برود و فرض اولیه مشتری را هم بررسی کند. بااین‌حال، اطلاعات منتشرشده درباره یک پروژه آزمایشی به‌تنهایی برای سنجش دقت یا کارایی گسترده‌تر سامانه کافی نیست؛ در گزارش، نتایج عددی مستقلی از عملکرد محصول ارائه نشده است.

سرمایه‌گذاری و رقابت در بازار مدل رفتار

Mirror Particle وارد فضایی شده که توجه استارتاپ‌ها و سرمایه‌گذاران را جلب کرده است. به گزارش TechCrunch، Simile در یک سال گذشته ۲۰۰ میلیون دلار سرمایه جذب کرده و ارزش‌گذاری آن به ۲ میلیارد دلار رسیده است. Aaru نیز ۸۸ میلیون دلار با ارزش‌گذاری یک میلیارد دلاری جذب کرده است. همچنین Humans& در ژانویه از جذب ۴۸۰ میلیون دلار در دور بذری با ارزش‌گذاری ۴.۴۸ میلیارد دلار خبر داد و محصول Persimmon را برای مدل‌سازی رفتار انسان معرفی کرد.

Mirror Particle تاکنون یک دور سرمایه‌گذاری فرشته جذب کرده و می‌گوید به نهایی‌کردن نخستین دور سرمایه‌گذاری خطرپذیر خود نزدیک است. این شرکت همچنین قرار بود هفته پس از انتشار گزارش، در رقابت Startup Battlefield 200 در رویداد TechCrunch Disrupt 2026 در سان‌فرانسیسکو شرکت کند. حضور در این رقابت فرصتی برای معرفی استارتاپ است، اما به‌خودی‌خود درباره نتیجه تجاری یا دقت مدل آن چیزی ثابت نمی‌کند.

پشتوانه رویکرد شرکت به پیشینه Ahuja در علوم اعصاب و علوم کامپیوتر بازمی‌گردد. او در دانشگاه تورنتو تحصیل کرده و، به گفته خودش، از کارهای Geoffrey Hinton در شبکه‌های عصبی الهام گرفته است. پس از آن در Amazon Robotics کار کرد؛ جایی که با هم‌بنیان‌گذارانش Will Song و Thomson Yen آشنا شد. Song در ساخت سامانه‌های شخصی‌سازی فروش سابقه دارد و Yen روی یادگیری عمیق و درک رفتار انسان به‌وسیله عامل‌های هوش مصنوعی کار کرده است.

چشم‌انداز بلندمدت Mirror Particle، تبدیل‌شدن به لایه‌ای عمومی برای پیش‌بینی رفتار انسان است؛ مسیری که شرکت می‌خواهد از تحلیل گروه‌های بزرگ آغاز کند و در نهایت به بینش‌هایی درباره افراد برسد. این هدف گسترده است و فاصله آن با محصول فعلی و توانایی اثبات‌شده شرکت در گزارش روشن نشده است. پرسش محوری برای مشتریان و سرمایه‌گذاران این خواهد بود که آیا ترکیب داده‌های متنوع می‌تواند پیش‌بینی‌هایی قابل اتکا و قابل استفاده در تصمیم‌های واقعی بسازد یا نه.

این خبر برای چه کسانی اهمیت دارد

برای برندها و تیم‌های تحقیقات بازار، رویکرد Mirror Particle می‌تواند به معنای سنجش فرض‌های اولیه پیش از صرف هزینه برای محصول یا تبلیغ باشد. برای پژوهشگران و فعالان هوش مصنوعی نیز این تلاش نمونه‌ای از جست‌وجوی جایگزین برای شبیه‌سازی رفتار با اتکا به متن است؛ جایگزینی که می‌کوشد تغییرات زمانی و رفتار واقعی را وارد مدل کند. در عین حال، شرکت هنوز باید نشان دهد سامانه‌اش در مقیاس عملی چگونه عمل می‌کند و پیش‌بینی‌هایش تا چه اندازه با رفتار مشاهده‌شده هم‌خوان است.