Mirror Particle בונה "מודל עולם" של התנהגות אנושית, וטוענת שמודלי שפה לא מתאימים למשימה
הסטארטאפ Mirror Particle מסן פרנסיסקו מפתח מודל יסוד שבנה מאפס כדי לחזות התנהגות של צרכנים ולהסביר את הסיבות לה. לפי החברה, השיטה המקובלת בתחום, LLM שמגלם קהל יעד, פגומה מהיסוד. החברה גייסה סבב אנג'לים, ולדבריה היא קרובה לסגור את סבב ההון סיכון הראשון שלה.
סטארטאפ קטן מסן פרנסיסקו נכנס לאחד התחומים הלוהטים בעולם ה-AI: חיזוי התנהגות אנושית. אבל הוא עושה זאת בדרך אחרת מרוב המתחרים. Mirror Particle, חברה בת שנתיים, לא נשענת על מודלי שפה גדולים (LLM). היא בונה מאפס מודל יסוד שהיא מכנה "מודל עולם". המודל אמור לדמות למה בני אדם עושים את מה שהם עושים, ואיך ההתנהגות שלהם משתנה לאורך זמן.
שוק חם ותחרותי
ההקשר חשוב. לפי TechCrunch, בשנה האחרונה גייסה Simile מאתיים מיליון דולר לפי שווי של שני מיליארד דולר, ו-Aaru גייסה 88 מיליון דולר לפי שווי של מיליארד דולר. Humans& הכריזה בינואר על סבב Seed של 480 מיליון דולר לפי שווי של 4.48 מיליארד דולר, והשיקה את Persimmon, כלי למידול התנהגות אנושית.
הגישה המקובלת היום בתחום מבוססת ברובה על LLM שמקבלים הנחיות (prompting) או עוברים כוונון (fine-tuning) כדי "לשחק" את קהל היעד. ב-Mirror Particle סבורים שהגישה הזו שבורה מהיסוד.
"זה כמו להביא רובה מים למפלי הניאגרה", אומרת אבהיוויאקטי אהוג'ה, מייסדת-שותפה ומנכ"לית החברה. "מודלי שפה אומנו על מאות מיליארדי נקודות מידע. כמה כבר אפשר להשפיע על ההתנהגות שלהם עם כמות קטנה כל כך של מידע? הם עדיין תקועים בעבר". לטענתה, מודלי שפה ממדלים טקסט כתוב, אבל בני אדם בנויים גם מתפיסה חזותית, מחשיבה מרחבית ומאינטליגנציה חברתית.
לתפוס את האדם המשתנה
"אנחנו לא רוצים לתפוס את האדם הסטטי", אומרת אהוג'ה. "אנחנו רוצים לתפוס את האדם המשתנה". לשם כך החברה אוספת נתונים לאורך זמן: איך אנשים משתנים, מה גורם לשינוי ובאיזו מידה. לדבריה, גם כשאנשים לא משתנים, "זה גם סיגנל".
המודל ניזון משילוב קנייני של נתונים: נתוני הלקוחות של המותגים עצמם, אירועים אקטואליים, תרבות פופולרית, רשתות חברתיות ועוד. הדגש הוא על "התנהגות בפועל", כלומר מה שאנשים באמת עושים, ולא מה שהם מדווחים בסקרים.
כמו מתחריה, החברה פונה בשלב הראשון לתחומים שבהם כבר יש תקציבים לתובנות מהסוג הזה: מחקר שוק ואסטרטגיית מותג ומוצר. כך, למשל, היא יכולה לעזור למותג קוסמטיקה לא רק לכתוב פרסומת טובה יותר לדור ה-Z, אלא גם לבדוק אם הקהל הזה בכלל רוצה את המוצר. "מה אם הם לא רוצים פלטות צלליות?", שואלת אהוג'ה. "אולי סומק הוא אפשרות טובה יותר".
בפיילוט מוקדם רצה מותג מוכר של מזון לחיות מחמד לדעת איזו תמונה לשים על האריזה כדי להגדיל את המכירות: עוף, בקר או ירקות. לדברי החברה, המערכת קבעה שהמותג שאל את השאלה הלא נכונה. התמונה לא משנה. הבעיה היא שהמותג מוכר כל כך שהוא נתפס כמוצר המוני וזול, והמכירות יישארו תקועות עד שיטפל בתפיסה הזו.
הצוות והתוכניות
אהוג'ה, במקור מהודו, למדה מדעי המוח ומדעי המחשב באוניברסיטת טורונטו. שם, לדבריה, קיבלה השראה מעבודתו של ג'פרי הינטון על רשתות נוירונים. לאחר מכן עבדה ב-Amazon Robotics, ושם הכירה את שני המייסדים-השותפים: וויל סונג, שבנה מנועי התאמה אישית למכירות, ות'ומסון יין, שעסק בלמידה עמוקה ובאופן שבו סוכני AI מבינים התנהגות אנושית.
החברה גייסה סבב אנג'לים, ולדבריה היא קרובה לסגור את סבב ההון סיכון הראשון שלה. בשבוע הבא היא תתחרה ב-Startup Battlefield 200 בכנס TechCrunch Disrupt 2026, שייערך בסן פרנסיסקו בין 13 ל-15 באוקטובר. בטווח הארוך היא מכוונת להיות "השכבה הכללית לצפיית התנהגות אנושית", ולעבור מניתוח ברמת אוכלוסייה לתובנות ברמת הפרט.
למה זה חשוב
המחלוקת ש-Mirror Particle מעלה נוגעת לשאלה רחבה יותר בתעשייה: האם מודלי שפה, שלמדו מטקסט, יכולים לייצג בני אדם אמיתיים. בשנה האחרונה זרמו מאות מיליוני דולרים לתחום. אם הטענה של החברה תתברר כנכונה, המשמעות ככל הנראה היא שחלק מהשוק בנוי על יסודות רעועים. עם זאת, חשוב לציין שבחומרים שפורסמו לא הוצגו מדדים או השוואות שמראים שהמודל של החברה אכן חוזה טוב יותר מגישת ה-LLM. בינתיים מדובר בטענה של חברה צעירה, ותוקפה ייבחן מול לקוחות.