לא לייצר טקסט, אלא לחזות בני אדם: Mirror Particle מציעה חלופה למודלי השפה בחיזוי התנהגות צרכנים
Mirror Particle, סטארט-אפ מסן פרנסיסקו, בונה מאפס "world model" של התנהגות אנושית, במקום לבקש ממודלי שפה לגלם קהלי יעד. ברשת מופצת טענה שמודל מסוג זה מנבא תשובות לסקרים ב-74% פחות שגיאה מתשעה מודלים מובילים, אבל הטענה לא מופיעה במקור המקושר ולא אומתה.
חברות שמבטיחות לחזות איך בני אדם יתנהגו גייסו בשנה האחרונה מאות מיליוני דולרים. רובן מסתמכות על אותה שיטה: לוקחים מודל שפה גדול (LLM) ומבקשים ממנו, באמצעות הנחיות או fine-tuning (התאמה נוספת של המודל על נתונים ייעודיים), לגלם קבוצה דמוגרפית מסוימת. הסטארט-אפ Mirror Particle מסן פרנסיסקו טוען שהשיטה הזו שבורה מהיסוד. לכן הוא בונה מודל בסיס משלו, שנועד לחזות התנהגות ולא לייצר טקסט, כך לפי TechCrunch.
שוק חם, ושיטה שנויה במחלוקת
לפי TechCrunch, החברה Simile גייסה 200 מיליון דולר לפי שווי של 2 מיליארד דולר, ו-Aaru גייסה 88 מיליון דולר לפי שווי של מיליארד דולר. Humans&, שהודיעה בינואר על סבב seed של 480 מיליון דולר לפי שווי של 4.48 מיליארד דולר, השיקה את Persimmon, מוצר למידול התנהגות אנושית.
אבהיוויאקטי אהוג'ה (Abhivyakti Ahuja), מייסדת-שותפה ומנכ"לית Mirror Particle, ספקנית לגבי הגישה המקובלת. "זה כמו להביא רובה מים למפלי הניאגרה", היא אומרת. "מודלי שפה אומנו על מאות מיליארדי נקודות מידע. כמה אפשר להשפיע על ההתנהגות שלהם בעזרת כמות כל כך קטנה של נתונים? הם עדיין תקועים בעבר." לטענתה, מודלי שפה ממדלים שפה כתובה, ואילו בני אדם "עשויים מתפיסה חזותית, חשיבה מרחבית ואינטליגנציה חברתית".
מודל שמתעד אנשים משתנים
Mirror Particle בונה מאפס מה שאהוג'ה מכנה world model: מודל שמדמה למה אנשים עושים את מה שהם עושים, ואיך ההתנהגות שלהם משתנה לאורך זמן. "אנחנו לא רוצים לתעד את האדם הסטטי, אלא את האדם המשתנה", היא אומרת. המודל ניזון משילוב של נתוני הלקוחות של החברות שמשתמשות בו, אירועים אקטואליים, תרבות פופולרית ורשתות חברתיות. הדגש הוא על "התנהגות בפועל", כלומר מה שאנשים עושים בפועל ולא מה שהם מדווחים על עצמם בסקרים.
כמו המתחרות, החברה מתמקדת בשלב הראשון בתחומים שבהם כבר מוקצים תקציבים: מחקר שוק ואסטרטגיית מותג ומוצר. בפיילוט מוקדם רצה מותג מוכר של מזון לחיות מחמד לדעת איזה דימוי לשים על האריזה: עוף, בקר או ירקות. לפי החברה, הממצא היה שהדימוי בכלל לא משנה. המותג נתפס כמוצר המוני וזול, והמכירות ימשיכו לדשדש עד שהוא יטפל בתדמית הזו.
אהוג'ה למדה מדעי המוח ומדעי המחשב באוניברסיטת טורונטו, ומשם עברה ל-Amazon Robotics. שם הכירה את המייסדים-השותפים ויל סונג (Will Song) ותומסון ין (Thomson Yen). החברה בת שנתיים, גייסה סבב אנג'לים ולדבריה היא קרובה לסגירת סבב הון סיכון ראשון. היא גם נבחרה להתחרות ב-Startup Battlefield 200 בכנס TechCrunch Disrupt 2026, שנערך בסן פרנסיסקו ב-13 עד 15 באוקטובר.
ומה עם ה-74%?
ב-Reddit מופץ פוסט שלפיו מודל AI חדש, שנבנה לחזות התנהגות אנושית ולא לייצר טקסט, ניצח תשעה מודלים מובילים בחיזוי התשובות של אנשים לסקרים, עם 74% פחות שגיאה. את הטענה הזו לא הצלחנו לאמת. היא לא מופיעה בכתבה של TechCrunch, ובחומרים שעמדו לרשותנו לא נמצא מאמר מחקרי שמפרט אותה. אין שם שיטת מדידה, אין רשימה של תשעת המודלים, ואין מידע על הסקרים שעליהם נבחנו. גם לא ברור שהפוסט מתייחס דווקא ל-Mirror Particle. כל עוד המחקר המקורי לא פורסם ונבדק, צריך להתייחס למספר כאל דיווח לא מאומת.
למה זה חשוב
ככל הנראה, המחלוקת כאן נוגעת לשאלה רחבה יותר בתעשייה: האם מודל שלמד לנבא את המילה הבאה יכול לשמש גם כתחליף לבני אדם. אם הגישה של Mirror Particle תוכיח את עצמה, המשמעות עשויה להיות שחיזוי התנהגות ידרוש מודלים ייעודיים ונתונים שנאספים לאורך זמן, ולא רק הנחיות חכמות למודלי שפה קיימים. עד שיתפרסמו נתונים שניתן לבדוק, הטענות של כל החברות בתחום נשארות בגדר הבטחה.