AI 行为预测新思路：不用大语言模型，还能怎么玩？
Simile 融资 2 亿美元、估值 20 亿；Aaru 融资 8800 万、估值 10 亿；Humans& 今年 1 月更是宣布一笔 4.8 亿美元的种子轮、估值达 44.8 亿美元——预测人类行为的 AI 创业公司正在成为资本宠儿。
而一家成立两年的旧金山公司 Mirror Particle 认为，现有主流方案从根上就走偏了。
LLM 预测行为：拿消防水管接尼亚加拉瀑布
目前行业普遍做法是用大语言模型，通过提示词或微调扮演特定人群来预测行为。但 Mirror Particle 联合创始人兼 CEO Abhivyakti Ahuja 形容这是"拿消防水管接尼亚加拉瀑布"：
"LLM 在数千亿数据点上训练出来，你靠少量数据微调，能改变多少它的行为？它仍然困在过去。"
在她看来，LLM 建模的是文字语言，而人类感知世界靠的是视觉、空间推理和社会智能。用它来做行为预测，本质上是在研究"人类没注意到什么"——这和预测行为完全是两码事。
从零构建"人类行为基础模型"
Mirror Particle 选择了一条不同的路：从头构建一个基础模型（foundation model），模拟人类行为背后的因果机制，以及行为如何随时间演变。
"我们不想捕捉静态的人，" Ahuja 说，"我们想捕捉变化中的人。这意味着要获取纵向数据：人如何变化、什么触发因素在驱动变化、变化的程度如何。如果完全没有变化，那本身也是一个信号。" 技术实现上，Mirror Particle 整合了客户自有数据、时事、流行文化、社媒信息等多源数据，将人群视为一个随时间演化的系统，追踪动机如何随着经历推进而转移。核心关注点是"外显行为"——人们实际做了什么，而非自我报告的问卷答案。
从市场调研到包装策略：已跑通真实案例
和竞争对手一样，Mirror Particle 首先切入预算最成熟的场景：市场研究、品牌与产品战略。但区别在于，它不只帮品牌写出更吸引 Z 世代的文案，而是先判断这个人群是否真的想要这款产品。
"如果目标人群根本不想要眼影盘呢？" Ahuja 举例，"如果想在这个市场卖货，或许腮红是更好的选择。" 更关键的是，Mirror Particle 的预测引擎还能给出行为背后的"为什么"——动机、约束条件、支撑结论的上下文——帮助品牌做出更明智的决策。
一个早期试点案例很能说明问题：某知名宠物食品品牌想知道包装上放什么图案能提升销量，鸡肉？牛肉？蔬菜？Mirror Particle 的技术发现，品牌问错了问题——图案根本不重要。真正的问题在于品牌辨识度太高，被消费者归类为"大众廉价"品牌，销量会因此触及天花板，不先解决这个认知问题，包装改什么都徒劳。
团队背景：从神经科学到机器人
Ahuja 对"建模人脑"的执念源自她的学术背景：神经科学加计算机科学，在多伦多大学师从 AI 先驱 Geoffrey Hinton，毕业论文研究方向正是神经网络。毕业后她在 Amazon Robotics 做机器人制造机器人，正是在那里遇到了后来的联合创始人 Will Song（长期从事销售个性化引擎开发）和 Thomson Yen（专注用深度学习研究 AI 智能体如何理解人类行为）。
公司已结束天使轮，正在关闭首轮风险融资，同时报名参加 10 月 13–15 日在旧金山举行的 TechCrunch Disrupt 2026 Startup Battlefield 200 竞赛。
长期愿景是成为"预测人类行为的通用层"，从广泛的人群级别分析逐步走向个人级别的洞察。"我们需要更好的人类模型，才能和 AI 共处、与人共处。" Ahuja 说。
评论