Simile Samlar In Mer Än 200 Miljoner Dollar Vid En Värdering Av 2 Miljarder Dollar För Att Skala Upp Simuleringar Av Mänskligt Betende

Simile har samlat in mer än 200 miljoner dollar i serie B-finansiering vid en värdering efter pengarna på 2 miljarder dollar, vilket ger det Palo Alto-baserade företaget betydande kapital för att utveckla artificiell intelligensmodeller som är utformade för att simulera hur människor fattar beslut.

Greenoaks ledde rundan, medan den befintliga investeraren Index Ventures ökade sitt stöd. Hanabi, Bain Capital Ventures, A*, Factory och CVS Health Ventures (CVS ) deltog också, med Definition som ny investerare. Finansieringen kommer bara fem månader efter att Simile gick ut från stealth-läget med en serie A på 100 miljoner dollar som leddes av Index Ventures, vilket tar företagets offentliggjorda finansiering till över 300 miljoner dollar.

Sedan dess offentliga lansering säger Simile att de har ökat intäkterna femfaldigt, utökat till mer än 50 anställda och kört tiotals miljoner simuleringar för Fortune 100-företag. Företaget planerar att använda den nya finansieringen för att utveckla sin grundmodell för mänskligt beteende, förbättra tillförlitligheten hos sina simuleringar och expandera plattformen över branscher som hälsovård, finansiella tjänster, konsumentvaror och media.

Att Bygga AI För Att Förutsäga Beteende Snarare Än Generera Innehåll

Större delen av den nuvarande generativa AI-marknaden fokuserar på att skapa utdata. Stora språkmodeller kan producera programvara, marknadsföringskopior, bilder, produktkoncept och affärsplaner inom sekunder.

Simile fokuserar på beslutsprocessen som kommer före dessa utdata skapas. Plattformen är avsedd att hjälpa organisationer utvärdera vad de ska bygga, hur olika målgrupper kan reagera och vilka sekundära effekter som kan uppstå efter att ett beslut har implementerats.

Företaget beskriver sig själv som att bygga en grundmodell för mänskligt beteende snarare än en annan allmän språkmodell. Istället för att optimera primärt för logiska svar eller flytande text, tränas modellen för att representera skillnader i människors preferenser, upplevelser, värderingar och besluts mönster.

Organisationer kan använda plattformen för att skapa jämförbara scenarier och undersöka hur den simulerade populationen svarar när variabler som pris, meddelande, produktfunktioner eller policyvillkor ändras. Målet är inte bara att fråga syntetiska respondenter om deras åsikter, utan att modellera hur beteendet kan förändras över flera förhållanden och över tid.

Från Stanford-forskning Till En Företags-simuleringsplattform

Similes teknologi bygger på forskning som utförts av medgrundare och VD Joon Sung Park och andra Stanford-forskare som Michael Bernstein och Percy Liang.

Park var huvudförfattare till den 2023 publicerade artikeln “Generativa Agenter: Interaktiva Simuleringar Av Mänskligt Beteende“, som introducerade en simulerad stad befolkad av 25 AI-agenter. Varje agent använde en minnesström tillsammans med återvinning, reflektion och planeringsmekanismer för att upprätthålla sammanhang och bestämma sina nästa åtgärder.

Agenterna bildade relationer, utvecklade rutiner och samordnade aktiviteter utan att varje interaktion behövde programmeras explicit. Experimentet hjälpte till att etablera många av de arkitektoniska idéerna som nu används i multi-agent-simuleringar, där autonoma agenter interagerar med varandra snarare än att svara oberoende på isolerade uppmaningar.

Senare forskning testade om generativa agenter kunde reproducera attityder och beteende hos verkliga individer. I en studie med 1 052 deltagare skapade forskarna agenter med hjälp av kvalitativa intervjuer och utvärderade hur exakt de replikerade deltagarnas svar.

Agenterna uppnådde 85 % av den noggrannhet som deltagarna visade när de svarade på samma frågor två veckor senare. Detta är en viktig distinktion: resultatet innebär inte att mänskligt beteende förutsågs med 85 % absolut noggrannhet. Det innebär att agenterna närmade sig den konsekvensnivå som människorna de var utformade för att representera.

Similes webbplats pekar också på efterföljande arbete som involverar 2,9 miljoner svar från 210 sociala vetenskaps-experiment. Företaget säger att finjustering av modeller på denna beteendedata förbättrade överensstämmelsen på tidigare osedda studier med 26 % jämfört med den underliggande basmodellen.

Förtroendepoäng Är Centrala För Produkten

En av Similes mer betydelsefulla tekniska påståenden är att de har tränat en separat förtroendemodell för att uppskatta tillförlitligheten hos varje simulering.

Att förutsäga mänskligt beteende är inneboende osäkert. Samma person kan fatta olika beslut beroende på tid, sammanhang, tillgänglig information och faktorer som inte finns i en datamängd. Ett system som producerar en enda självsäker förutsägelse utan att kommunicera dessa begränsningar kan uppmuntra organisationer att behandla simulerat beteende som faktum.

Simile säger att deras plattform jämför simulerade svarsfördelningar med svar som samlats in från verkliga människor med hjälp av Total Variation Distance, en statistisk mått på skillnaden mellan två sannolikhetsfördelningar. Varje resultat får en förtroendepoäng baserad på mängden och relevansen av den underliggande mänskliga bevisningen.

När bevisen för en viss population eller scenario är begränsade, är förtroendepoängen avsedd att göra den osäkerheten synlig. Företaget säger också att deras modeller justeras om varje vecka för att införliva förändringar i områden som priser, policy, ekonomiska förhållanden och konsumentbeteende.

Den valideringslagret kan visa sig vara lika viktigt som simuleringarna själva. För företag som fattar dyra eller känsliga beslut kan det vara mer värdefullt att veta när en modell är osannolikt att vara tillförlitlig än att få ett annat trovärdigt förutsägelse.

CVS Health Använder Simuleringar För Att Testa Beslut Före Lansering

CVS Health är en av Similes mest framstående tidiga kunder och deltog också i finansieringsrundan genom CVS Health Ventures.

Hälsovårdsföretaget har använt simulerade populationer för att validera befintlig kundforskning, undersöka drivkrafter för patienttillfredsställelse och testa strategier relaterade till medicinering. De har också undersökt populationer som kan vara svåra eller dyra att nå genom traditionella undersökningar, inklusive patienter med kroniska tillstånd.

Enligt Simile bygger CVS-initiativet på 2,9 miljoner samtyckta svar från över 400 000 deltagare över 200 beteendescenarier. Simuleringar har använts för att förskärma idéer och identifiera vilka hypoteser som förtjänar ytterligare testning genom verklig forskning eller piloter.

Denna distinktion är viktig. Simulering kan minska antalet idéer som behöver testas direkt med kunder, men det eliminerar inte behovet av att samla in verklig bevis. CVS har beskrivit tekniken som ett sätt att prioritera forskning och förfinansiera potentiella ingrepp innan de utsätter patienter eller kunder för dem.

Simile arbetar också med Gallup på policyforskning, arbetsplatsstudier och sociala trender. Andra organisationer som presenteras av företaget inkluderar Wealthfront, Deloitte, Banco Itaú och Suntory. Företag tillämpar plattformen på områden som produkttestning, marknadsinträde, kundupplevelseforskning, konkurrenspositionering och förberedelse inför vinstsamtal.

Att Flytta Från Enskilda Agenter Till Simulerade Marknader

Många av Similes nuvarande tillämpningar liknar påskyndad marknadsforskning. Ett företag kan testa flera produktkoncept eller meddelanden mot en simulerad population innan de bestämmer sig för vilka som förtjänar en riktig kampanj eller pilot.

Den långsiktiga möjligheten är betydligt mer komplex. Simile vill modellera interaktioner mellan kunder, konkurrenter, institutioner, policyer och marknader. Snarare än att förutsäga hur isolerade individer kommer att svara på en fråga, skulle dessa multi-agent-simuleringar undersöka hur människor påverkar varandra och hur beslut producerar kaskadeffekter.

Möjliga tillämpningar kan inkludera modellering av reaktioner på finansiella chocker, policyförändringar, produktlanseringar eller förändringar i incitament. En simulering kan undersöka inte bara om kunder antar en ny tjänst, utan också hur den antagandet förändrar konkurrentbeteende, allmän uppfattning och efterfrågan på relaterade produkter.

Detta är där tekniska begränsningar kommer att bli mer betydelsefulla. Små fel kan ackumuleras när tusentals eller miljoner agenter interagerar, särskilt i simuleringar där tidiga händelser förändrar banan för allt som följer. Simile måste visa att deras valideringsmetoder förblir meningsfulla när simuleringarna flyttar från individuella förutsägelser till komplexa, dynamiska system.

En Ny Lag Av Besluts-infrastruktur

Storleken och hastigheten på Similes senaste finansiering tyder på att investerare ser beteendesimulering som en potentiell ny lag i företagsbeslutsfattande.

Organisationer spenderar redan stora belopp på undersökningar, konsulttjänster, fokusgrupper, produkttester och marknadsforskning. AI-simuleringar kan göra det billigare att undersöka fler alternativ, testa smalare målgrupper och identifiera svaga idéer innan de åtagit sig betydande kapital.

Teknologin introducerar också svåra frågor kring samtycke, representation och ansvar. En simulerad population är bara så användbar som de människor, beteenden och omständigheter som representeras i dess underliggande data. Förutsägelser kan bli mindre tillförlitliga när de används över okända kulturer, snabbt föränderliga marknader eller högrisk-situationer med begränsad historisk föregångare.

Av den anledningen kan den starkaste närliggande rollen för plattformar som Simile vara att komplettera mänsklig forskning snarare än att ersätta den. Simuleringar kan hjälpa organisationer att bestämma vilka frågor de ska undersöka, men riktiga kunder och samhällen förblir nödvändiga för att verifiera om resultaten håller utanför modellen.

Similes nya finansiering ger dem resurserna för att testa om simulering av mänskligt beteende kan utvecklas från en framväxande forskningsfält till en tillförlitlig företags-infrastruktur. Dess omedelbara utmaning är inte bara att köra fler simuleringar, utan att bevisa att organisationer kan förstå deras begränsningar och veta när resultaten är tillförlitliga nog för att påverka betydelsefulla beslut.