Simile hæver over 200 millioner dollars til en vurdering på 2 milliarder dollars for at skala simuleringer af menneskelig adfærd

Simile har hævet over 200 millioner dollars i serie B-finansiering til en post-penge-vurdering på 2 milliarder dollars, hvilket giver det Palo Alto-baserede startup-selskab betydelig kapital til at udvikle kunstig intelligens-modeller, der er designet til at simulere, hvordan mennesker tager beslutninger.

Greenoaks ledde runden, mens den eksisterende investor Index Ventures øgede sin støtte. Hanabi, Bain Capital Ventures, A*, Factory og CVS Health Ventures (CVS ) returnerede også, med Definition som ny investor. Finansieringen kommer kun fem måneder efter, at Simile kom ud af stealth-modus med en serie A på 100 millioner dollars ledet af Index Ventures, hvilket bringer selskabets offentliggjorte finansiering over 300 millioner dollars.

Siden sin offentlige lancering siger Simile, at det har øget omsætningen femdoblet, udvidet til over 50 medarbejdere og kørt ti millioner simuleringer for Fortune 100-selskaber. Selskabet planlægger at bruge den nye finansiering til at udvikle sin grundlæggende model for menneskelig adfærd, forbedre simuleringernes pålidelighed og udvide platformen på tværs af brancher, herunder sundhedssektoren, finansielle services, forbrugsvarer og medier.

Opbygning af AI til at forudsige adfærd i stedet for at generere indhold

Det meste af den nuværende generative AI-marked er fokuseret på at producere output. Store sprogmodeller kan producere software, marketing-tekst, billeder, produktkoncepter og forretningsplaner inden for sekunder.

Simile sigter mod beslutningsprocessen, der kommer før disse output er produceret. Dets platform er designet til at hjælpe organisationer med at evaluere, hvad de skal bygge, hvordan forskellige målgrupper kan reagere og hvilke sekundære effekter, der kan opstå efter, at en beslutning er truffet.

Selskabet beskriver sig selv som en opbygger af en grundlæggende model for menneskelig adfærd i stedet for en generel sprogmodel. I stedet for at optimere primært for logiske svar eller flydende tekst er modellen under udvikling for at repræsentere forskelle i menneskers præferencer, erfaringer, værdier og beslutningsmønstre.

Organisationer kan bruge platformen til at oprette sammenlignelige scenarier og undersøge, hvordan den samme simulerede befolkning reagerer, når variabler som priser, beskeder, produktfunktioner eller politikbetingelser ændres. Formålet er ikke blot at spørge syntetiske respondenter om deres mening, men at modelere, hvordan adfærd kan ændre sig over flere betingelser og over tid.

Fra Stanford-forskning til en enterprise-simuleringsplatform

Similes teknologi bygger på forskning udført af medstifter og CEO Joon Sung Park og andre Stanford-forskere, Michael Bernstein og Percy Liang.

Park var den ledende forfatter af den i 2023 publicerede artikel “Generative Agents: Interaktive simulakrer af menneskelig adfærd“, der introducerede en simuleret by befolket af 25 AI-agenter. Hver agent brugte en hukommelsesstrøm sammen med gensøgnings-, refleksions- og planlægningsmekanismer til at fastholde kontekst og bestemme deres næste handlinger.

Agenterne dannede relationer, udviklede rutiner og koordinerede aktiviteter uden, at hver interaktion var udtrykkeligt programmeret. Eksperimentet hjalp med at etablere mange af de arkitektoniske ideer, der nu bruges i multi-agent-simuleringer, hvor autonome agenter interagerer med hinanden i stedet for at reagere uafhængigt på isolerede prompter.

Senere forskning testede, om generative agenter kunne reproducere attituder og adfærd hos virkelige individer. I en studie med 1.052 deltagere skabte forskerne agenter ved hjælp af kvalitative interviews og evaluerede, hvor nøjagtigt de genskabte deltagernes svar.

Agenterne opnåede 85% af den nøjagtighed, som deltagerne viste, da de selv besvarede de samme spørgsmål to uger senere. Dette er en vigtig distinktion: Resultatet betyder ikke, at menneskelig adfærd blev forudsiget med 85% absolut nøjagtighed. Det betyder, at agenterne nærmede sig konsistensniveauet for de mennesker, de var designet til at repræsentere.

Similes website henviser også til efterfølgende arbejde, der involverer 2,9 millioner svar fra 210 sociale videnskabs-eksperimenter. Selskabet siger, at finjustering af modeller på denne adfærdsdata forbedrede alignment på tidligere usete studier med 26% i forhold til den underliggende basismodel.

Tillidskoefficienter er centrale for produktet

En af Similes mere konsekvensfulde tekniske påstande er, at det har trænet en separat tillidsmodel til at estimere simuleringernes pålidelighed.

At forudsige menneskelig adfærd er i sig selv usikkert. Den samme person kan træffe forskellige beslutninger afhængigt af timing, kontekst, tilgængelig information og faktorer, der ikke er til stede i en dataset. Et system, der producerer en enkelt tillidsfuld forudsigelse uden at kommunikere disse begrænsninger, kunne opmuntre organisationer til at behandle simuleret adfærd som faktum.

Simile siger, at dets platform sammenligner simulerede responsfordelinger med responser indsamlet fra virkelige mennesker ved hjælp af Total Variation Distance, en statistisk måling af forskellen mellem to sandsynlighedsfordelinger. Hver resultat modtager en tillidskoefficient baseret på mængden og relevansen af den underliggende menneskelige bevis.

Når bevis for en bestemt befolkning eller scenario er begrænset, er tillidskoefficienten designet til at gøre denne usikkerhed synlig. Selskabet siger også, at dets modeller genkalibreres ugentligt for at inkorporere ændringer i områder som priser, politik, økonomiske forhold og forbrugeradfærd.

Denne valideringslag kan vise sig at være lige så vigtig som simuleringerne selv. For virksomheder, der træffer dyre eller følsomme beslutninger, kan det at vide, når en model er usikker, være mere værdifuldt end at modtage endnu en plausibel forudsigelse.

CVS Health bruger simuleringer til at teste beslutninger før lancering

CVS Health er en af Similes mest fremtrædende tidlige kunder og deltog også i finansieringsrunden gennem CVS Health Ventures.

Virksomheden har brugt simulerede befolkninger til at validere eksisterende kundeundersøgelser, undersøge drivkræfter for patienttilfredshed og teste strategier relateret til medicinadhæren. Den har også udforsket befolkninger, der kan være svære eller dyre at nå gennem traditionelle undersøgelser, herunder patienter med kroniske tilstande.

Ifølge Simile bygger CVS-initiativet på 2,9 millioner samtykkede svar fra over 400.000 deltagere over 200 adfærds-scenarier. Simuleringer er blevet brugt til at forudse ideer og identificere, hvilke hypoteser fortjener yderligere testning gennem virkelige undersøgelser eller pilotprojekter.

Dette skel er vigtigt. Simulering kan reducere antallet af ideer, der skal testes direkte med kunder, men det eliminerer ikke behovet for at indsamle virkelige bevis. CVS har beskrevet teknologien som en måde til at prioritere forskning og raffinere potentielle interventioner, før de udsættes for patienter eller kunder.

Simile arbejder også med Gallup på politikforskning, arbejdspladstudier og sociale trendanalyser. Andre organisationer, der er fremhævet af selskabet, omfatter Wealthfront, Deloitte, Banco Itaú og Suntory. Virksomheder anvender platformen til områder som produkttest, markedsindtræden, kundeoplevelsesforskning, konkurrentpositionering og forberedelse til indtjeningssamtaler.

Bevægelse fra enkelt-agenter til simulerede markeder

Mange af Similes nuværende anvendelser ligner accelereret markedsforskning. En virksomhed kan teste flere produktkoncepter eller beskeder mod en simuleret befolkning, før de beslutter, hvilke der fortjener en rigtig kampagne eller pilot.

Den langsigtede mulighed er betydeligt mere kompleks. Simile ønsker at modelere interaktioner mellem kunder, konkurrenter, institutioner, politik og markeder. I stedet for at forudsige, hvordan isolerede individer vil svare på et spørgsmål, vil disse multi-agent-simuleringer undersøge, hvordan mennesker påvirker hinanden og hvordan beslutninger producerer kaskade-effekter.

Mulige anvendelser kan omfatte modellering af reaktioner på finansielle chok, politiske ændringer, produktlanceringer eller ændringer i incitamenter. En simulering kan undersøge ikke blot, om kunder adopterer en ny tjeneste, men også, hvordan denne adoption ændrer konkurrentadfærd, offentlig opfattelse og efterspørgsel efter relaterede produkter.

Dette er, hvor tekniske begrænsninger bliver mere betydningsfulde. Små fejl kan akkumuleres, når tusinder eller millioner af agenter interagerer, især i simuleringer, hvor tidlige begivenheder ændrer trajektorien for alt, der følger. Simile må demonstrere, at dets valideringsmetoder forbliver meningsfulde, når simuleringer bevæger sig fra enkelt-forudsigelser til komplekse, dynamiske systemer.

Et nyt lag af beslutningsinfrastruktur

Størrelsen og hastigheden af Similes seneste finansiering antyder, at investorer ser simulering af adfærd som et potentiale nyt lag i virksomhedsbeslutninger.

Organisationer bruger allerede betydelige summer på undersøgelser, konsulenter, fokusgrupper, produktprøver og markedsforskning. AI-simuleringer kan gøre det billigere at udforske flere muligheder, teste smallere målgrupper og identificere svage ideer, før de tilfører betydelig kapital.

Teknologien introducerer også vanskelige spørgsmål omkring samtykke, repræsentation og ansvarlighed. En simuleret befolkning er kun så nyttig, som de mennesker, adfærd og omstændigheder, der er repræsenteret i dens underliggende data. Forudsigelser kan blive mindre pålidelige, når de deployes på ukendte kulturer, hurtigt skiftende markeder eller højrisikosituationer med begrænset historisk præcedens.

Derfor kan den stærkeste nærmeste rolle for platforme som Simile måske være at supplere menneskelig forskning i stedet for at erstatte den. Simuleringer kan hjælpe organisationer med at beslutte, hvilke spørgsmål at undersøge, men virkelige kunder og samfund er stadig nødvendige for at verificere, om resultaterne holder uden for modellen.

Similes nye finansiering giver det ressourcerne til at teste, om simulering af menneskelig adfærd kan udvikle sig fra et opkommende forskningsfelt til pålidelig virksomhedsinfrastruktur. Dets umiddelbare udfordring er ikke blot at køre flere simuleringer, men at bevise, at organisationer kan forstå deres begrænsninger og vide, når resultaterne er pålidelige nok til at påvirke væsentlige beslutninger.