San Francisco-i székhelyű Mirror Particle két éve dolgozik egy olyan alapmodell (foundation model) felépítésén, amely — a vállalat szerint — jobban képes megjósolni és megmagyarázni az emberi viselkedést, mint a mai nagy nyelvi modellek (LLM-ek). A cég azt állítja, hogy a jelenlegi megközelítés, amely LLM-eket finomhangolva vagy szerepjátszásra késztetve próbál demográfiai csoportokat modellezni, alapvetően hibás.
"Olyan, mintha egy vízipisztollyal mennél a Niagara-vízeséshez" — mondta Abhivyakti Ahuja, a Mirror Particle társalapítója és vezérigazgatója. Ahuja szerint a nyelvi modellek szöveges adatok modellezésére lettek kiképezve, miközben az emberek döntéseit nagyban befolyásolja a vizuális és térbeli észlelés, a társas intelligencia és a hosszú távú változások. "Ha csak néhány tucat vagy száz példa alapján finomhangoljuk az LLM-et, az kevés ahhoz, hogy a jelenlegi viselkedést pontosan tükrözze — még mindig a múlt maradékaival dolgozik."
Más megközelítés: világmodell és longitudinalitás
Mirror Particle megközelítése egy, a nulláról épített "world model": nem pusztán egy statikus felhasználói profilt akar rögzíteni, hanem a viselkedés időbeli alakulását. Ahuja szerint kulcsfontosságú a longitudinális adatok rögzítése: hogyan változnak az emberek, mely kiváltó tényezők hatnak rájuk és milyen mértékben. Az is információ, ha valaki nem változik — ez önmagában jelzés lehet.
A startup szerint az általuk használt adathalmaz több forrásból tevődik össze: ügyfeleik vásárlói adatai, aktuális hírek és események, popkultúra, közösségi média és más kontextuális jelek. Ezek alapján a cég egy adott demográfiai szegmenst rendszerszerűen modellez, nyomon követve, hogyan tolódnak el a motivációk ahogy a csoport tagjai különböző tapasztalatokon mennek keresztül. A hangsúly sokszor a "revealed behavior" — azaz a tényleges, megfigyelt viselkedés — elemzésén van, nem pedig az önbevalláson alapuló kérdőíves válaszokon.
Piaci fókusz és ügyfélpéldák
Mint sok riválisa, Mirror Particle kezdetben olyan területekre céloz, ahol már léteznek költségkeretek piac- és márka- illetve termékstratégiai kutatásra. Például egy szépségipari márkának nemcsak abban segíthetnek, hogy hogyan írjanak hatékonyabb hirdetési szöveget Gen Z-nek, hanem abban is, hogy egyáltalán akarja-e ez a demográfia az adott terméket.
"Mi van akkor, ha [a célcsoport] nem akar szemhéjpúder-palettát?" — tette fel a kérdést Ahuja. "Lehet, hogy pirosító lenne a jobb termék erre a piacra."
Egy korai pilot során egy ismert állateledel-márka azt szerette volna megtudni, hogy milyen képi elemek növelnék az eladásokat a csomagoláson — csirke, marha vagy zöldségek. Mirror Particle elemzése szerint a képanyag önmagában nem volt a fő probléma: a márka annyira ismert volt, hogy a fogyasztók tömegtermékként, olcsóként tekintettek rá, és az eladások addig stagnálnának, amíg ezt a megítélést nem kezelnék.
Csapat és háttér
Abhivyakti Ahuja a neuró- és számítástudományi tanulmányokból hozza a modellépítés iránti érdeklődést; a University of Toronto-ban tanult, és Geoffrey Hinton munkássága inspirálta. Karrierje során az Amazon Roboticsnál dolgozott, ahol olyan robotokat építettek, amelyek más robotokat gyártanak; itt ismerkedett meg társalapítóival, Will Songgal és Thomson Yennel. Will Song a karrierje során értékesítési personalizációs motorokat épített, Thomson Yen pedig a mélytanulás alkalmazására fókuszált AI-ügynökök emberi viselkedésének megértésében.
Finanszírozás, verseny és jövőkép
Mirror Particle már angel körös befektetést kapott, és a cég szerint közel áll első kockázatitőke-körének lezárásához. A vállalat részt vesz a TechCrunch Disrupt 2026 rendezvény Startup Battlefield 200 versenyén, amely San Francisco belvárosában zajlik 2026. október 13–15. között; a Startup Battlefield győztesét a VC-bírák választják ki 2026. október 15-én.
A hosszú távú cél az, hogy Mirror Particle legyen az "általános réteg" az emberi viselkedés anticipációjához: először populációszintű elemzésekkel, majd fokozatosan egyénre szabott predikciókkal. "Ha együtt akarunk dolgozni az AI-kkal és egymással, jobb emberi modellre van szükségünk" — összegzett Ahuja.
Miért számít ez
A Mirror Particle megközelítése rávilágít egy fontos vitaponton az AI-kutatásban: elegendő-e a nyelvi adatokból származó mintázatokra hagyatkozni az emberi döntések megértéséhez, vagy szükség van olyan multimodális, időben kiterjedt modellekre, amelyek a vizuális, társas és kontextuális változásokat is követik. A startup által bemutatott módszer és korai eredmények azt sugallják, hogy a márkák és termékfejlesztők hatékonyabban hozhatnak döntéseket, ha a megfigyelt viselkedés és a mögöttes motivációk is láthatóvá válnak.
