Mirror Particle، استارتاپی دو ساله در سان‌فرانسیسکو، در حال ساخت یک مدل پایه (foundation model) از صفر است که رفتار مصرف‌کننده و دلایل پشت آن را پیش‌بینی کند. ابهیوکتی آهوژا، بنیان‌گذار و مدیرعامل این شرکت، معتقد است رویکرد رایج فعلی — استفاده از LLMها با پرامپت یا فاین‌تیونینگ برای ایفای نقش یک گروه جمعیتی هدف — بنیاداً اشتباه است.

آهوژا می‌گوید: «مثل این است که با یک آب‌پاش به آبشار نیاگارا بروید. LLMها روی صدها میلیارد داده آموزش دیده‌اند؛ چقدر می‌توانید با مقدار کمی داده رفتارشان را تغییر دهید؟» او اضافه می‌کند که LLMها زبان نوشتاری را مدل‌سازی می‌کنند، اما انسان از ادراک بصری، استدلال فضایی و هوش اجتماعی ساخته شده است.

رقابت در بازار پیش‌بینی رفتار#

Mirror Particle در فضایی رقابتی وارد شده است. در یک سال گذشته، Simile با ارزیابی ۲ میلیارد دلاری ۲۰۰ میلیون دلار سرمایه جذب کرده، Aaru با ارزیابی ۱ میلیارد دلاری ۸۸ میلیون دلار، و Humans& با ارزیابی ۴/۴۸ میلیارد دلاری ۴۸۰ میلیون دلار در مرحله seed جذب کرده و محصول Persimmon را برای مدل‌سازی رفتار انسان راه‌اندازی کرده است.

رویکرد و داده‌ها#

Mirror Particle ترکیبی اختصاصی از داده‌ها را به کار می‌گیرد: داده‌های مشتری مشتریان خود، رویدادهای جاری، فرهنگ عامه، شبکه‌های اجتماعی و موارد دیگر. تمرکز اصلی بر «رفتار آشکار» (revealed behavior) است — یعنی آنچه مردم واقعاً انجام می‌دهند، نه پاسخ‌های پرسشنامه‌ای.

در یک پایلوت اولیه، یک برند معروف غذای حیوانات خانگی می‌خواست بداند چه تصویری روی بسته‌بندی بگذارد تا فروش بیشتر شود. فناوری Mirror Particle نشان داد سؤال اشتباه بود: تصویر اهمیت نداشت؛ مشکل این بود که برند آن‌قدر شناخته‌شده بود که به‌عنوان محصول انبوه و ارزان تلقی می‌شد.

این شرکت یک دور فرشته سرمایه‌گذاری انجام داده و نزدیک به بستن اولین دور venture است. Mirror Particle هفته آینده در رقابت Startup Battlefield 200 در TechCrunch Disrupt 2026 (۱۳ تا ۱۵ اکتبر، سان‌فرانسیسکو) شرکت می‌کند.

خوانش تحریریه#

این خبر در وهله اول یک ادعای فنی است، نه یک محصول آماده. Mirror Particle هنوز مدلش را منتشر نکرده، مشتری عمومی ندارد، و دور venture اولش هم بسته نشده. آنچه این خبر را برای کسی که همین حالا با ابزارهای موجود ایجنت می‌سازد جالب می‌کند، نقد آهوژا به روش رایج است: اینکه فاین‌تیونینگ یک LLM با داده‌های محدود یک گروه جمعیتی، تغییر معناداری در رفتار مدل ایجاد نمی‌کند. این ادعا قابل آزمون است و اگر درست باشد، بسیاری از کارهایی که امروز با «شبیه‌سازی پرسونا» انجام می‌شود، پایه‌ی سستی دارد. اما هنوز هیچ مقایسه‌ی کمّی بین رویکرد Mirror Particle و LLMهای فاین‌تیون‌شده ارائه نشده، پس باید با احتیاط قضاوت کرد.

منبع: TechCrunch AI