Simile erhält über 200 Millionen Dollar bei einer Bewertung von 2 Milliarden Dollar, um menschliches Verhalten zu simulieren

Simile hat über 200 Millionen Dollar in Series-B-Finanzierung bei einer Post-Money-Bewertung von 2 Milliarden Dollar aufgenommen, wodurch das in Palo Alto ansässige Startup erhebliche Mittel zur Entwicklung von künstlicher Intelligenz-Modellen erhält, die darauf ausgelegt sind, zu simulieren, wie Menschen Entscheidungen treffen.

Greenoaks führte die Runde an, während der bestehende Investor Index Ventures seine Beteiligung erhöhte. Hanabi, Bain Capital Ventures, A*, Factory und CVS Health Ventures (CVS ) kehrten ebenfalls zurück, während Definition als neuer Investor beitrat. Die Finanzierung erfolgte nur fünf Monate nachdem Simile aus der Geheimhaltung herauskam und eine Serie-A-Finanzierung in Höhe von 100 Millionen Dollar von Index Ventures erhielt, wodurch die bekannt gegebenen Finanzierungsbeträge des Unternehmens über 300 Millionen Dollar hinausgingen.

Seit seinem öffentlichen Launch gibt Simile an, dass es seinen Umsatz verfünffacht, auf über 50 Mitarbeiter expandiert und für Fortune-100-Unternehmen Zehnmillionen von Simulationen durchgeführt hat. Das Unternehmen plant, die neue Finanzierung zu nutzen, um sein Grundmodell für menschliches Verhalten zu verbessern, die Zuverlässigkeit seiner Simulationen zu erhöhen und die Plattform über Branchen wie Gesundheitswesen, Finanzdienstleistungen, Konsumgüter und Medien auszubauen.

Building AI to Predict Behavior Rather Than Generate Content

Der größte Teil des aktuellen Marktes für generative künstliche Intelligenz konzentriert sich auf die Erstellung von Ausgaben. Große Sprachmodelle können Software, Marketing-Texte, Bilder, Produktkonzepte und Geschäftspläne innerhalb von Sekunden erstellen.

Simile zielt auf den Entscheidungsprozess ab, der vor der Erstellung dieser Ausgaben stattfindet. Seine Plattform soll Organisationen dabei helfen, zu bewerten, was sie bauen sollten, wie unterschiedliche Zielgruppen reagieren könnten und welche sekundären Effekte nach der Umsetzung einer Entscheidung auftreten könnten.

Das Unternehmen beschreibt sich selbst als Aufbau eines Grundmodells für menschliches Verhalten, anstatt eines weiteren allgemeinen Sprachmodells. Anstatt primär auf logische Antworten oder flüssigen Text zu optimieren, wird das Modell darauf trainiert, Unterschiede in den Vorlieben, Erfahrungen, Werten und Entscheidungsmustern von Menschen darzustellen.

Organisationen können die Plattform nutzen, um vergleichbare Szenarien zu erstellen und zu untersuchen, wie die gleiche simulierte Bevölkerung reagiert, wenn Variablen wie Preise, Messaging, Produktmerkmale oder Richtlinienbedingungen geändert werden. Das Ziel ist nicht einfach, synthetische Befragte um Meinungen zu bitten, sondern zu modellieren, wie sich das Verhalten über mehrere Bedingungen und im Laufe der Zeit ändern könnte.

From Stanford Research to an Enterprise Simulation Platform

Similes Technologie basiert auf Forschungen, die von Mitgründer und CEO Joon Sung Park und anderen Stanford-Forschern wie Michael Bernstein und Percy Liang durchgeführt wurden.

Park war der Hauptautor des 2023 veröffentlichten Artikels “Generative Agents: Interactive Simulacra of Human Behavior“, der eine simulierte Stadt mit 25 künstlichen Intelligenz-Agenten vorstellte. Jeder Agent nutzte einen Speicherstrom sowie Abruf-, Reflexions- und Planungsmechanismen, um Kontext zu bewahren und seine nächsten Aktionen zu bestimmen.

Die Agenten bildeten Beziehungen, entwickelten Routinen und koordinierten Aktivitäten, ohne dass jede Interaktion explizit programmiert wurde. Das Experiment half dabei, viele der architektonischen Ideen zu etablieren, die nun in Multi-Agenten-Simulationen verwendet werden, in denen autonome Agenten miteinander interagieren, anstatt unabhängig auf isolierte Anfragen zu reagieren.

Spätere Forschungen testeten, ob generative Agenten die Einstellungen und das Verhalten realer Personen reproduzieren könnten. In einer Studie mit 1.052 Teilnehmern erstellten Forscher Agenten mithilfe qualitativer Interviews und bewerteten, wie genau sie die Antworten der Teilnehmer replizierten.

Die Agenten erreichten 85 % der Genauigkeit, die die Teilnehmer selbst bei der Beantwortung der gleichen Fragen zwei Wochen später erreichten. Dies ist ein wichtiger Unterschied: Das Ergebnis bedeutet nicht, dass menschliches Verhalten mit 85 % absoluter Genauigkeit vorhergesagt wurde. Es bedeutet, dass die Agenten die Konsistenz der Menschen, die sie darstellen sollten, erreichten.

Similes Website verweist auch auf spätere Arbeiten, an denen 2,9 Millionen Antworten aus 210 sozialwissenschaftlichen Experimenten beteiligt waren. Das Unternehmen gibt an, dass die Feinabstimmung von Modellen auf diese Verhaltensdaten die Übereinstimmung auf bisher nicht gesehenen Studien um 26 % im Vergleich zum zugrunde liegenden Basismodell verbesserte.

Confidence Scores Are Central to the Product

Ein wichtiger technischer Anspruch von Simile ist, dass es ein separates Vertrauensmodell trainiert hat, um die Zuverlässigkeit jeder Simulation zu schätzen.

Die Vorhersage menschlichen Verhaltens ist von Natur aus unsicher. Dieselbe Person kann je nach Zeitpunkt, Kontext, verfügbarer Information und Faktoren, die in einem Datensatz nicht vorhanden sind, unterschiedliche Entscheidungen treffen. Ein System, das eine einzelne zuversichtliche Vorhersage ohne Mitteilung dieser Einschränkungen liefert, könnte Organisationen dazu verleiten, simulierte Verhaltensweisen als Tatsache zu behandeln.

Simile gibt an, dass seine Plattform simulierte Antwortverteilungen mit Antworten von realen Personen mithilfe der Total Variation Distance, einer statistischen Messgröße für den Unterschied zwischen zwei Wahrscheinlichkeitsverteilungen, vergleicht. Jedes Ergebnis erhält einen Vertrauenswert basierend auf der Menge und Relevanz der unterstützenden menschlichen Beweise.

Wenn die Beweise für eine bestimmte Bevölkerung oder ein bestimmtes Szenario begrenzt sind, soll der Vertrauenswert diese Unsicherheit sichtbar machen. Das Unternehmen gibt auch an, dass seine Modelle wöchentlich neu kalibriert werden, um Änderungen in Bereichen wie Preisen, Richtlinien, wirtschaftlichen Bedingungen und Verbraucherverhalten zu berücksichtigen.

Diese Validierungsschicht könnte sich als ebenso wichtig erweisen wie die Simulationen selbst. Für Unternehmen, die teure oder sensible Entscheidungen treffen, kann es wertvoller sein zu wissen, wann ein Modell nicht zuverlässig ist, als eine weitere plausible Vorhersage zu erhalten.

CVS Health Uses Simulations to Test Decisions Before Launch

CVS Health ist einer von Similes prominentesten frühen Kunden und hat auch an der Finanzierungsrunde über CVS Health Ventures teilgenommen.

Das Gesundheitsunternehmen hat simulierte Bevölkerungen verwendet, um bestehende Kundenforschung zu validieren, Treiber der Patientenzufriedenheit zu untersuchen und Strategien im Zusammenhang mit der Medikamenteneinhaltung zu testen. Es hat auch Populationen erforscht, die schwierig oder teuer über traditionelle Umfragen zu erreichen sind, einschließlich Patienten mit chronischen Erkrankungen.

Laut Simile basiert die CVS-Initiative auf 2,9 Millionen Zustimmungsantworten von über 400.000 Teilnehmern in über 200 Verhaltensszenarien. Simulationen wurden verwendet, um Ideen vorab zu bewerten und zu bestimmen, welche Hypothesen weitere Tests durch reale Forschung oder Pilotprojekte verdienen.

Dieser Unterschied ist wichtig. Simulation kann die Anzahl der Ideen reduzieren, die direkt mit Kunden getestet werden müssen, aber sie eliminiert nicht die Notwendigkeit, reale Beweise zu sammeln. CVS hat die Technologie als Mittel beschrieben, Forschung zu priorisieren und potenzielle Interventionen vor der Exposition von Patienten oder Kunden zu verfeinern.

Simile arbeitet auch mit Gallup an politischer Forschung, Arbeitsplatzstudien und sozialer Trendanalyse. Andere von dem Unternehmen vorgestellte Organisationen umfassen Wealthfront, Deloitte, Banco Itaú und Suntory. Unternehmen wenden die Plattform auf Bereiche wie Produkttests, Markteintritt, Kundenunterstützungsforschung, Wettbewerbspositionierung und Vorbereitung von Gewinnmitteilungen an.

Moving From Individual Agents to Simulated Markets

Viele von Similes aktuellen Anwendungen ähneln beschleunigter Marktforschung. Ein Unternehmen kann mehrere Produktkonzepte oder Nachrichten gegen eine simulierte Bevölkerung testen, bevor es entscheidet, welche davon eine reale Kampagne oder ein Pilotprojekt verdienen.

Die langfristige Chance ist erheblich komplexer. Simile möchte die Interaktionen zwischen Kunden, Wettbewerbern, Institutionen, Richtlinien und Märkten modellieren. Anstatt vorherzusagen, wie isolierte Einzelpersonen auf eine Frage reagieren, würden diese Multi-Agenten-Simulationen untersuchen, wie Menschen einander beeinflussen und wie Entscheidungen sich zu Kettenreaktionen auswirken.

Mögliche Anwendungen könnten die Modellierung von Reaktionen auf finanzielle Schocks, Richtlinienänderungen, Produktstarts oder Änderungen von Anreizen umfassen. Eine Simulation könnte nicht nur untersuchen, ob Kunden einen neuen Dienst annehmen, sondern auch, wie diese Adoption das Verhalten der Wettbewerber, die öffentliche Wahrnehmung und die Nachfrage nach verwandten Produkten ändert.

Dies ist der Punkt, an dem technische Einschränkungen bedeutender werden. Kleine Fehler können sich ansammeln, wenn Tausende oder Millionen von Agenten interagieren, insbesondere in Simulationen, in denen frühe Ereignisse den Verlauf aller nachfolgenden Ereignisse ändern. Simile muss demonstrieren, dass seine Validierungsmethoden auch dann noch sinnvoll sind, wenn Simulationen von individuellen Vorhersagen zu komplexen, dynamischen Systemen übergehen.

A New Layer of Decision Infrastructure

Die Größe und Geschwindigkeit von Similes letzter Finanzierung lassen darauf schließen, dass Investoren das Verhaltenssimulations-Modell als potenzielle neue Schicht in der Unternehmensentscheidung sehen.

Organisationen geben bereits viel Geld für Umfragen, Beratung, Fokusgruppen, Produkttests und Marktforschung aus. KI-Simulationen könnten es billiger machen, mehr Optionen zu erkunden, schmalere Zielgruppen zu testen und schwache Ideen zu identifizieren, bevor erhebliches Kapital eingesetzt wird.

Die Technologie wirft auch schwierige Fragen zu Zustimmung, Repräsentation und Rechenschaftspflicht auf. Eine simulierte Bevölkerung ist nur so nützlich wie die Menschen, Verhaltensweisen und Umstände, die in ihren zugrunde liegenden Daten dargestellt sind. Vorhersagen können weniger zuverlässig werden, wenn sie in unbekannten Kulturen, sich schnell ändernden Märkten oder hochriskanten Situationen mit begrenzter historischer Vorgeschichte eingesetzt werden.

Der stärkste kurzfristige Rolle für Plattformen wie Simile mag darin bestehen, menschliche Forschung zu ergänzen, anstatt sie zu ersetzen. Simulationen können Organisationen helfen, zu entscheiden, welche Fragen zu untersuchen sind, aber reale Kunden und Gemeinschaften bleiben notwendig, um zu überprüfen, ob die Ergebnisse außerhalb des Modells gültig sind.

Similes neue Finanzierung gibt ihm die Ressourcen, um zu testen, ob menschliche Verhaltenssimulierung von einem aufkommenden Forschungsfeld zu einer zuverlässigen Unternehmensinfrastruktur fortschreiten kann. Seine unmittelbare Herausforderung besteht nicht darin, einfach mehr Simulationen durchzuführen, sondern zu beweisen, dass Organisationen ihre Grenzen verstehen und wissen, wann die Ergebnisse zuverlässig genug sind, um bedeutende Entscheidungen zu beeinflussen.