Simile samler inn over 200 millioner dollar med en verdi på 2 milliarder dollar for å skalle menneskelige atferdssimuleringer

Simile har samlet inn over 200 millioner dollar i Series B-finansiering med en post-penges verdi på 2 milliarder dollar, og gir det Palo Alto-baserte startup-selskapet betydelig kapital til å utvikle kunstig intelligens-modeller som er designet til å simulere hvordan mennesker tar beslutninger.

Greenoaks ledet runden, mens eksisterende investor Index Ventures økte sin støtte. Hanabi, Bain Capital Ventures, A*, Factory og CVS Health Ventures (CVS ) returnerte også, med Definition som ny investor. Finansieringen kommer bare fem måneder etter at Simile gikk ut av stealth-modus med en Series A på 100 millioner dollar ledet av Index Ventures, og tar selskapets avdekkede finansiering over 300 millioner dollar.

Siden selskapets offentlige lansering sier Simile at det har økt omsetningen femdoblet, utvidet til over 50 ansatte og kjørt titalls millioner simuleringer for Fortune 100-selskaper. Selskapet planlegger å bruke den nye finansieringen til å fremme sin grunnmodell for menneskelig atferd, forbedre påliteligheten av sine simuleringer og utvide plattformen over industrier som helse, finansielle tjenester, forbrukerprodukter og media.

Bygging av AI for å forutsi atferd i stedet for å generere innhold

Det meste av den nåværende generative AI-markedet er fokusert på å produsere utdata. Store språkmodeller kan produsere programvare, markedsføringskopier, bilder, produktkonsepter og forretningsplaner innen sekunder.

Simile er rettet mot beslutningsprosessen som kommer før disse utdataene produseres. Plattformen er ment å hjelpe organisasjoner med å evaluere hva de bør bygge, hvordan forskjellige målgrupper kan reagere og hva slags sekundære effekter som kan oppstå etter at en beslutning er implementert.

Selskapet beskriver seg selv som en bygger av en grunnmodell for menneskelig atferd i stedet for en annen generell språkmodell. I stedet for å optimere primært for logiske svar eller flytende tekst, er modellen i ferd med å bli trent til å representere forskjeller i menneskers preferanser, erfaringer, verdier og beslutningsmønster.

Organisasjoner kan bruke plattformen til å opprette sammenlignbare scenarier og undersøke hvordan den samme simuleringspopulasjonen reagerer når variabler som pris, meldinger, produktfunksjoner eller politiske betingelser endres. Målet er ikke bare å spørre syntetiske respondenter om meninger, men å modellere hvordan atferd kan endre seg over flere betingelser og over tid.

Fra Stanford-forskning til en bedriftssimuleringsplattform

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

Park var hovedforfatter av den 2023 “Generative Agents: Interactive Simulacra of Human Behavior ”-artikkelen, som introduserte en simuleringsby befolket av 25 AI-agenter. Hver agent brukte en minnestrom sammen med gjenvinning, refleksjon og planleggingsmekanismer for å opprettholde kontekst og bestemme sine neste handlinger.

Agentene dannet relasjoner, utviklet rutiner og koordinerte aktiviteter uten at hver interaksjon var eksplisitt programmert. Eksperimentet hjalp til å etablere mange av de arkitektoniske ideene som nå brukes i multi-agent-simuleringer, der autonome agenter interagerer med hverandre i stedet for å respondere uavhengig på isolerte signaler.

Senere forskning testet om generative agenter kunne gjenskape holdninger og atferd hos virkelige individer. I en studie med 1 052 deltakere, skapte forskerne agenter ved hjelp av kvalitative intervjuer og evaluerte hvor nøyaktig de repliserte deltakernes svar.

Agentene oppnådde 85% av nøyaktigheten som deltakerne viste da de svarte på samme spørsmål selv to uker senere. Dette er en viktig distinksjon: resultatet betyr ikke at menneskelig atferd ble forutsagt med 85% absolutt nøyaktighet. Det betyr at agentene nærmet seg konsistensnivået til de menneskene de var designet til å representere.

Similes nettsted peker også på senere arbeid som omfatter 2,9 millioner svar fra 210 sosialvitenskapelige eksperimenter. Selskapet sier at finjustering av modeller på denne atferdsdataen forbedret tilpasningen på tidligere usett studier med 26% sammenlignet med den underliggende basismodellen.

Tillitspoeng er sentrale for produktet

En av Similes mer konsekvensfulle tekniske krav er at de har trent en separat tillitsmodell til å estimere påliteligheten av hver simulering.

Å forutsi menneskelig atferd er innebygget usikkert. Samme person kan ta forskjellige beslutninger avhengig av tidspunkt, kontekst, tilgjengelig informasjon og faktorer som ikke er til stede i en datasett. Et system som produserer en enkelt sikker forutsigelse uten å kommunisere disse begrensningene, kunne oppmuntre organisasjoner til å behandle simuleringsatferd som fakta.

Simile sier at deres plattform sammenligner simuleringsresponsfordeling med svar samlet inn fra virkelige mennesker ved hjelp av Total Variation Distance, en statistisk måling av forskjellen mellom to sannsynlighetsfordelinger. Hver resultater mottar en tillitspoeng basert på mengden og relevansen av den underliggende menneskelige bevis.

Når bevis for en bestemt befolkning eller scenario er begrenset, er tillitspoenget ment å gjøre denne usikkerheten synlig. Selskapet sier også at deres modeller er omkalibrert ukentlig for å inkorporere endringer i områder som priser, politikk, økonomiske forhold og forbrukeratferd.

Denne valideringslaget kan vise seg å være like viktig som simuleringene selv. For bedrifter som tar dyre eller følsomme beslutninger, kan det å vite når en modell er usannsynlig å være pålitelig, være mer verdifullt enn å motta en annen plausibel forutsigelse.

CVS Health bruker simuleringer til å teste beslutninger før lansering

CVS Health er en av Similes mest fremtredende tidlige kunder og deltok også i finansieringsrunden gjennom CVS Health Ventures.

Helse-selskapet har brukt simuleringspopulasjoner til å validere eksisterende kundeundersøkelser, undersøke drivere av pasienttilfredshet og teste strategier relatert til medikament-etterlevelse. De har også utforsket populasjoner som kan være vanskelige eller dyre å nå gjennom tradisjonelle undersøkelser, inkludert pasienter med kroniske tilstander.

Ifølge Simile, CVS-initiativet bygger på 2,9 millioner samtykkede svar fra over 400 000 deltakere over mer enn 200 atferdsscenarier. Simuleringer har blitt brukt til å forhåndsvelge ideer og identifisere hvilke hypoteser som fortjener videre testing gjennom virkelige undersøkelser eller piloter.

Dette skillet er viktig. Simulering kan redusere antallet ideer som må testes direkte med kunder, men det eliminerer ikke behovet for å samle inn virkelige bevis. CVS har beskrevet teknologien som en måte å prioritere forskning og finjustere potensielle intervensjoner før de eksponeres for pasienter eller kunder.

Simile samarbeider også med Gallup på policyforskning, arbeidsplassstudier og sosiale trendanalyser. Andre organisasjoner som er fremtredende i selskapet, inkluderer Wealthfront, Deloitte, Banco Itaú og Suntory. Bedrifter bruker plattformen til områder som produkttesting, markedsinngang, kundeerfaringundersøkelser, konkurranseposisjonering og inntektskalleforberedelse.

Flytting fra enkelt-agenter til simuleringsmarkeder

Mange av Similes nåværende anvendelser ligner akselerert markedsforskning. Et selskap kan teste flere produktkonsepter eller meldinger mot en simuleringspopulasjon før de bestemmer hvilke som fortjener en virkelig kampanje eller pilot.

Den lengrevarige muligheten er betraktelig mer kompleks. Simile ønsker å modellere interaksjoner mellom kunder, konkurrenter, institusjoner, politikk og markeder. I stedet for å forutsi hvordan isolerte individer vil svare på et spørsmål, ville disse multi-agent-simuleringene undersøke hvordan mennesker påvirker hverandre og hvordan beslutninger produserer kaskadeffekter.

Mulige anvendelser kan inkludere modellering av reaksjoner på finansielle sjokk, politiske endringer, produktlanseringer eller endringer i incitamenter. En simulering kan undersøke ikke bare om kunder tar i bruk en ny tjeneste, men også hvordan den adopsjonen endrer konkurrentatferd, offentlig oppfatning og etterspørsel etter relaterte produkter.

Dette er der tekniske begrensningene vil bli mer betydelige. Små feil kan akkumuleres når tusenvis eller millioner av agenter interagerer, spesielt i simuleringer hvor tidlige hendelser endrer trajektorien av alt som følger. Simile må demonstrere at deres valideringsmetoder forblir meningsfulle når simuleringer flytter seg fra enkelt-prediksjoner til komplekse, dynamiske systemer.

Et nytt lag av beslutningsinfrastruktur

Størrelsen og hastigheten på Similes siste finansiering antyder at investorer ser på atferdssimulering som et potensielt nytt lag i bedriftsbeslutninger.

Organisasjoner bruker allerede mye penger på undersøkelser, konsulenter, fokusgrupper, produktprøvinger og markedsforskning. AI-simuleringer kan gjøre det billigere å utforske flere alternativer, teste smalere målgrupper og identifisere svake ideer før de begynner å binde betydelige midler.

Teknologien introduserer også vanskelige spørsmål om samtykke, representasjon og ansvar. En simuleringspopulasjon er bare så nyttig som de mennesker, atferd og omstendigheter som er representert i dens underliggende data. Forutsigelsene kan bli mindre pålitelige når de deployeres over ukjente kulturer, raskt endrende markeder eller høyrisikosituationer med begrensede historiske precedenser.

Av denne grunn kan den sterkeste nærmeste rollen for plattformer som Simile være å supplere menneskelig forskning i stedet for å erstatte den. Simuleringer kan hjelpe organisasjoner med å bestemme hvilke spørsmål å undersøke, men virkelige kunder og samfunn er fortsatt nødvendige for å verifisere om resultater holder utenfor modellen.

Similes nye finansiering gir dem ressursene til å teste om menneskelig atferdssimulering kan utvikle seg fra et fremvoksende forskningsfelt til pålitelig bedriftsinfrastruktur. Deres umiddelbare utfordring er ikke bare å kjøre flere simuleringer, men å bevise at organisasjoner kan forstå deres begrensninger og vite når resultater er pålitelige nok til å påvirke betydelige beslutninger.