تصور کنید پیش از صرف یک دلار برای تولید محصول، دقیقاً بدانید آیا سلیقهٔ نسل Z در مورد یک رنگ خاص از لوازم آرایشی تغییر کرده است یا خیر. این وعدهٔ Mirror Particle است؛ شرکتی مستقر در سان‌فرانسیسکو که معتقد است پیش‌بینی رفتار انسان با ابزارهای فعلی اساساً اشتباه است. در حالی که نسل جدیدی از استارتاپ‌های هوش مصنوعی در رقابتی تنگاتنگ برای پیش‌بینی رفتار انسان هستند، Mirror Particle بر این باور است که اتکای فعلی صنعت به مدل‌های زبانی بزرگ (LLMs) یک نقص بنیادین دارد.
بسیاری از کسب‌وکارها امروز برای شناخت مشتری، از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — استفاده می‌کنند و از آن‌ها می‌خواهند نقش یک گروه خاص از مردم را بازی کنند (Roleplay). اما به گفتهٔ آبهیویاکتی آهوجا (Abhivyakti Ahuja)، مدیرعامل Mirror Particle، این روش شبیه «بردن یک تفنگ آب‌پاش به آبشار نیاگارا» است؛ زیرا مدل‌های زبانی روی متن آموزش دیده‌اند، نه روی ادراک بصری، استدلال فضایی و هوش اجتماعی که محرک واقعی رفتارهای انسانی است. آهوجا استدلال می‌کند که چون LLMها روی صدها میلیارد نقطه داده آموزش دیده‌اند، تنظیم دقیق (Fine-tuning) آن‌ها با مقادیر کمی از داده‌های جدید، باعث می‌شود آن‌ها «در گذشته گیر کنند» و نتوانند تغییرات لحظه‌ای رفتار انسان را درک کنند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های استدلال در مدل‌های زبانی اشاره کردیم، تکیه بر داده‌های متنی برای پیش‌بینی دنیای فیزیکی همواره با خطا همراه بوده است. Mirror Particle برای حل این مشکل، یک مدل بنیادی (Foundation Model) — شبیه به یک زیربنای جامع که مفاهیم کلی دنیا را می‌فهمد تا بتوان روی آن کاربردهای خاص ساخت — یا یک «مدل جهانی» (World Model) طراحی کرده است تا بفهمد انسان‌ها چرا به شکلی خاص عمل می‌کنند و این انگیزه‌ها چگونه در طول زمان تغییر می‌کنند. این رویکرد یادآور تلاش‌های گسترده‌تر در صنعت برای آموزش هوش مصنوعی از طریق محیط‌های شبیه‌سازی شده است، مشابه آنچه در استفاده از داده‌های بازی‌های ویدئویی برای آموزش مدل‌های فیزیکی مشاهده می‌کنیم تا محدودیت‌های دنیای واقعی شکسته شود.
طبق گزارش‌های منتشر شده، این شرکت در حال رقابت با غول‌های سرمایه‌گذاری شده‌ای در این حوزه است. برای درک مقیاس این بازار و حجم سرمایه‌هایی که به سمت پیش‌بینی رفتار سرازیر شده، کافی است به ارقام سال گذشته نگاه کنید:
- Simile: جذب ۲۰۰ میلیون دلار با ارزش‌گذاری ۲ میلیارد دلار.
- Aaru: جذب ۸۸ میلیون دلار با ارزش‌گذاری ۱ میلیارد دلار.
- humans&: اعلام جذب ۴۸۰ میلیون دلار در ژانویه با ارزش‌گذاری ۴.۴۸ میلیارد دلار برای عرضه مدل رفتاری خود به نام Persimmon.
موتور Mirror Particle بر مفهومی به نام «رفتار آشکار» (Revealed Behavior) تمرکز دارد؛ یعنی آنچه مردم واقعاً انجام می‌دهند، نه آنچه در نظرسنجی‌ها یا داده‌های خود-گزارشی (Self-reported) ادعا می‌کنند. این مدل از ترکیبی اختصاصی از داده‌ها استفاده می‌کند تا تصویری واقعی از انسان بسازد:
- داده‌های مشتریان اختصاصی هر شرکت (Client-specific data)
- رویدادهای جاری و فرهنگ عامه در لحظه (Real-time current events and pop culture)
- روندهای شبکه‌های اجتماعی
- داده‌های طولی (Longitudinal Data) برای ردیابی اینکه چگونه محرک‌های مختلف، یک فرد را در طول زمان تغییر می‌دهند
به نقل از مدیرعامل شرکت، ردیابی داده‌های طولی اجازه می‌دهد تا مدل بفهمد انگیزه‌ها با گذشت زمان و تجربه چگونه تغییر می‌کنند. آهوجا اشاره می‌کند که اگر مردم تغییر نکنند، «این ثبات نیز خود یک سیگنال» برای مدل است.
این رویکرد به هوش مصنوعی اجازه می‌دهد تا نه تنها بفهمد یک گروه جمعیتی چه می‌خواهد، بلکه «چرایی» پشت آن رفتار، شامل محدودیت‌ها و زمینه‌هایی که یک توصیه را توجیه می‌کنند، شناسایی کند. برای مثال، در یک پروژه آزمایشی برای یک برند معروف غذای حیوانات خانگی، شرکت می‌خواست بداند آیا استفاده از تصاویر مرغ، گاو یا سبزیجات باعث افزایش فروش می‌شود یا خیر. فناوری Mirror نشان داد که برند اساساً سوال غلطی می‌پرسید؛ تصاویر اهمیتی نداشتند چون برند در ذهن مشتری «بیش از حد عام و ارزان» (Mass market) شده بود و همین موضوع باعث توقف رشد فروش شده بود.
تیم Mirror Particle ریشه در تخصص‌های عمیق دارد. آهوجا با پیشینه در علوم اعصاب و علوم کامپیوتر از دانشگاه تورنتو، تحت تأثیر جفری هینتون (Geoffrey Hinton) و دستاوردهای او در شبکه عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — این مسیر را آغاز کرد. او به همراه ویل سانگ (Will Song)، متخصص موتورهای شخصی‌سازی فروش، و تامسون ین (Thomson Yen)، متخصص یادگیری عمیق برای درک نحوه ادراک عامل‌های هوش مصنوعی از رفتار انسان، این استارتاپ را تأسیس کرد. این تیم پیش از این در Amazon Robotics با هم کار می‌کردند و در آنجا ربات‌هایی را می‌ساختند که می‌توانستند ربات‌های دیگر را تولید کنند.
این شرکت در حال حاضر در حال نهایی کردن اولین دور سرمایه‌گذاری خطرپذیر (Venture Round) خود پس از یک دور اولیه جذب سرمایه از فرشتگان سرمایه‌گذار (Angel Round) است. همچنین، Mirror Particle در رقابت Startup Battlefield وب‌سایت TechCrunch حضور دارد که برندهٔ آن در بعدازظهر پنجشنبه، ۱۵ اکتبر توسط داوران VC (سرمایه‌گذاران خطرپذیر) تعیین می‌شود.
برای رهبران کسب‌وکار، این یک چرخش از تحقیقات بازار ایستا به شبیه‌سازی پویا است. به جای اینکه بپرسند آیا نسل Z یک پالت آرایشی خاص را دوست دارد یا خیر، برندها می‌توانند پیش از صرف یک دلار برای تولید، تعیین کنند که آیا سلیقه این گروه کلاً به سمت رژگونه تغییر کرده است یا خیر. آهوجا تکامل این مدل را به یادگیری یک نوزاد تشبیه می‌کند که ابتدا بینایی، سپس زبان و در نهایت آگاهی بدنی و هوش اجتماعی را می‌آموزد تا در نهایت به یک «لایه کلی برای پیش‌بینی رفتار انسان» برسد.
هدف نهایی این استارتاپ، حرکت از تحلیل‌های کلی در سطح جمعیت به سمت بینش‌های دقیق در سطح فردی است. به قول آهوجا: «اگر قرار است در کنار هوش مصنوعی و با یکدیگر کار کنیم، فقط به مدل بهتری از انسان‌ها نیاز داریم.»
نتایج رقابت Startup Battlefield در ۱۵ اکتبر را دنبال کنید تا ببینید سرمایه‌گذاران مدل‌های شبیه‌ساز را در برابر مدل‌های زبانی (LLM-based roleplaying) چگونه ارزش‌گذاری می‌کنند.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا تحلیل‌های فعلی شما بر اساس «ادعای کاربر» است یا «رفتار واقعی»؛ تفاوت این دو می‌تواند استراتژی محصول را تغییر دهد.
- نتایج رقابت Startup Battlefield در ۱۵ اکتبر را دنبال کنید تا ببینید سرمایه‌گذاران مدل‌های شبیه‌ساز را در برابر مدل‌های زبانی چگونه ارزش‌گذاری می‌کنند.
- مطالعه کنید که چگونه داده‌های طولی (Longitudinal Data) می‌توانند نرخ ریزش مشتری (Churn Rate) را دقیق‌تر از مدل‌های پیش‌بینی لحظه‌ای تخمین بزنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو