در عصر سلطه مدل‌های زبانی بزرگ (LLMs)، استارتاپ نوظهور Mirror Particle با رویکردی ساختارشکنانه، مدلسازی رفتار انسان را از محدوده احتمالات آماریِ متنی خارج کرده و به سمت مفهوم «مدل‌های جهان» (World Models) برده است. این رویکرد به دنبال درک ریشه‌ای انگیزه و تغییرات رفتاری در طول زمان است.
فراتر از احتمالات متن: چرا LLMها برای پیش‌بینی رفتار کافی نیستند؟
بسیاری از پلتفرم‌های فعلیِ پیش‌بینی رفتار، تنها با تنظیم دقیق (Fine-tuning) یا پرامپت‌نویسی برای LLMها سعی در شبیه‌سازی جمعیت‌های هدف دارند. آبویاتی آهوجا، مدیرعامل Mirror Particle، این روش را با تلاش برای خالی کردن آبشار نیاگارا با یک تفنگ آب‌پاش مقایسه می‌کند. مشکل اصلی اینجاست که LLMها برای مدلسازی زبان نوشته‌شده آموزش دیده‌اند، در حالی که رفتار انسانی بر پایه ادراک بصری، استدلال فضایی و هوش اجتماعی شکل می‌گیرد. این مدل‌ها فاقد درک درستی از ماهیت «تغییرپذیر» انسان هستند؛ انسانی که نه یک موجود ایستا، بلکه سیستمی در حال تکامل در واکنش به محرک‌های بیرونی است.
معماری مدل‌های جهان‌محور (World Model)
استارتاپ Mirror Particle به جای تکیه بر داده‌های ایستا، بر روی یک بنیادِ محاسباتی تمرکز کرده است که شبیه‌سازی می‌کند چرا انسان‌ها دست به عمل می‌زنند و این رفتار چگونه در طول زمان دگرگون می‌شود. این سیستم با استفاده از ترکیبی اختصاصی از داده‌های مشتریان، رویدادهای جاری، فرهنگ عامه و شبکه‌های اجتماعی، یک لایه عمومی برای پیش‌بینی رفتار ایجاد می‌کند.
شاخص‌های اصلی سیستم پیش‌بینی Mirror Particle
- تمرکز بر رفتار آشکار (Revealed Behavior): اولویت‌دهی به کنش‌های واقعی کاربران به جای پاسخ‌های خوداظهاری در نظرسنجی‌ها.
- تحلیل طولی (Longitudinal Analysis): مدلسازی تغییرات انگیزه‌ها و محرک‌ها در طول زمان به عنوان یک سیگنال حیاتی.
- استدلال زمینه‌ای (Contextual Reasoning): ارائه «چرایی» پشت رفتارهای مشتری، شامل محدودیت‌ها و انگیزه‌های پنهان.
- هوش مصنوعی یادگیرنده: الهام‌گرفته از فرآیند یادگیری نوزادان، از درک بصری به سمت هوش اجتماعی.
از آمازون رباتیک تا درک رفتار انسانی
تیم بنیان‌گذار این شرکت، شامل متخصصانی با سابقه در Amazon Robotics و علوم اعصاب، قصد دارند از تحلیل‌های کلان‌محور به سمت بینش‌های فردی (Individual-level insights) حرکت کنند. یک نمونه کاربردی در گزارش‌های اولیه این استارتاپ نشان می‌دهد که چگونه برای یک برند تولید غذای حیوانات، به جای پیشنهادِ بهینه‌سازیِ بصری بسته‌بندی، متوجه شدند که مشکل برند، جایگاه‌سازی نامناسب در بازار به عنوان محصولی «ارزان‌قیمت» است که منجر به توقف رشد فروش شده بود.
چشم‌انداز آینده و نتیجه‌گیری
این فناوری در حال رقابت در رویداد Startup Battlefield 200 در کنفرانس TechCrunch Disrupt مهرماه ۱۴۰۵ (اکتبر ۲۰۲۶) است. هدف نهایی Mirror Particle تبدیل شدن به لایه اصلی پیش‌بینی رفتار انسانی است؛ چرا که با گسترش تعامل میان انسان و هوش مصنوعی، نیاز به مدل‌های دقیق‌تری از رفتار انسانی برای کارکرد متقابل به یک ضرورت زیرساختی تبدیل شده است.
