Har hela branschen fel metod? Uppstickaren som bygger AI-modellen för mänskligt beteende från grunden
Uppstickaren Mirror Particle hävdar att hela branschen bygger AI på fel grunder.
En bransch med fel kompass?
Det händer sällan att ett litet tvåårigt bolag får mig att stanna upp och tänka om. Men Mirror Particle är ett sådant undantag.
Att förutsäga mänskligt beteende med hjälp av AI har blivit en av de hetaste kapplöpningarna i tech-världen just nu. Enligt TechCrunch har bolag som Simile rest 200 miljoner dollar till en värdering på två miljarder, Aaru fått in 88 miljoner dollar, och Humans& tillkännagivit en häpnadsväckande fröfinansieringsrunda på hela 480 miljoner dollar. Intresset är genuint – och pengarna följer med.
Men Mirror Particles grundare och vd Abhivyakti Ahuja ställer sig en obehaglig fråga som ingen av de kapitalmättade konkurrenterna verkar vilja besvara: Vad händer om hela branschen löser rätt problem med fel verktyg?
Leksaksvattenpisolen vid Niagarafallen
Den dominerande metoden idag är att ta en stor språkmodell – tänk GPT-varianter eller liknande – och finjustera den med data från en specifik målgrupp. Resultatet ska sedan kunna förutsäga hur den gruppen beter sig som konsumenter, väljare eller användare.
Ahuja är inte imponerad.
– Det är som att ta med en leksaksvattenpisol till Niagarafallen, säger hon i en intervju med TechCrunch. Språkmodeller är tränade på hundratals miljarder datapunkter. Hur mycket kan man egentligen påverka deras beteende med den lilla mängd data man stoppar in vid finjustering?
Det är ett vassare argument än det låter. Stora språkmodeller är i grunden textmaskiner – de har lärt sig världen genom skrivet språk. Men människan formas inte primärt av text. Vi navigerar rum, läser ansiktsuttryck, reagerar på ljud och dofter, bär på djupt inbyggda sociala instinkter. Att reducera det mänskliga beteendet till ett textproblem är, menar Ahuja, fundamentalt missvisande.
En grundmodell för det mänskliga
Mirror Particle tar därför ett radikalt annorlunda grepp. I stället för att utgå från en befintlig språkmodell bygger de en helt ny grundmodell från grunden – en modell vars enda syfte är att simulera varför människor beter sig som de gör, och hur det beteendet förändras över tid.
Centralt för deras ansats är begreppet avslöjat beteende – vad människor faktiskt gör, inte vad de säger att de gör i enkäter och intervjuer. Det är en viktig distinktion. Vi människor är notoriskt dåliga på att beskriva våra egna drivkrafter. Vi rationaliserar i efterhand, svarar det vi tror förväntas av oss, och agerar sedan helt annorlunda i verkliga situationer.
Detta är inte en ny insikt inom beteendevetenskap – men det är första gången jag ser ett AI-bolag göra den till sin tekniska kärnprincip snarare än en marknadsföringsfotnot.
Varför detta är större än det verkar
Låt oss zooma ut. Det vi pratar om är egentligen nästa stora front inom AI: att gå från modeller som förstår information till modeller som förstår intentioner.
Idag kan AI analysera vad du köpte, vad du klickade på, vad du sökte efter. Det Mirror Particle siktar på är att förstå varför – och att modellera hur det svaret skiftar beroende på kontext, humör, livssituation och socialt sammanhang.
Om de lyckas öppnar det dörrar inom allt från produktutveckling och marknadsföring till folkhälsa och stadsplanering. En trovärdig modell av mänskligt beteende är inte bara ett affärsverktyg – det är potentiellt ett av de mest kraftfulla analytiska instrument som någonsin byggts.
Naturligtvis medföljer enorma frågor om integritet, maktbalans och etik. Vem äger modellen av dig? Vem får använda den, och i vilket syfte? Det är frågor Mirror Particle ännu inte besvarar offentligt – och frågor hela branschen måste ta på allvar.
Men grundproblemet de identifierar – att branschen förutsäger konsumentbeteende med fel metod – det känns klokt och välgrundat. Det är modigt att resa den kritiken mitt i ett kapitalflöde som belönar konformitet.
Vår analys
Mirror Particle är ett bolag att bevaka noga, inte för att de redan har lyckats – det är för tidigt att säga – utan för att de ställer rätt frågor.
Den stora lärdomen från AI-historien är att genombrott sällan kommer från de som optimerar befintliga metoder hårdast. De kommer från dem som ifrågasätter metodens grundantaganden. Att bygga en grundmodell för mänskligt beteende, baserad på faktiska handlingar snarare än självrapporterade åsikter, är ett sådant grundantagande-skifte.
Jag tror att detta område – att modellera människor snarare än text – kommer att vara en av de mest omstridda och ekonomiskt betydelsefulla frontlinjerna inom AI under de kommande fem åren. Bolag som lyckas här kommer att sitta på något extraordinärt värdefullt.
Samtidigt är risken för missbruk påtaglig. En precis modell av mänskligt beteende i fel händer är inte ett affärsverktyg – det är ett manipulationsverktyg. Reglering och etisk ram måste byggas parallellt med tekniken, inte i efterhand.