42AI ระดมทุนเริ่มต้นได้ 62.5 ล้านดอลลาร์ เพื่อพัฒนาแบบจำลองโลกเชิงพฤติกรรม

TechCrunch รายงานเมื่อวันที่ 2 พฤศจิกายน 2026 ว่าสตาร์ตอัปสัญชาติอิสราเอลอย่าง 42AI ออกจากช่วงเก็บตัวพร้อมเงินทุนเริ่มต้น 62.5 ล้านดอลลาร์ และแบบจำลองโลกเชิงพฤติกรรมที่ทำงานในบริษัทนายหน้าทางการเงิน ผู้ก่อตั้งบอกกับ TechCrunch ว่าระบบประเมินความน่าจะเป็นที่ลูกค้าแต่ละรายจะมีพฤติกรรมอย่างไรเมื่อสถานการณ์เปลี่ยนแปลงไป

Amit Gal-Or ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง บอกกับ TechCrunch ว่าเงินทุนดังกล่าวมาจากผู้ก่อตั้งและ Infinity Group ตลอดระยะเวลา 3 ปี และไม่ได้ระดมจากนักลงทุนภายนอกทั้งหมด Infinity ก่อตั้งโดย Amir Gal-Or ผู้เป็นบิดาของเขา ซึ่งดำรงตำแหน่งประธานกรรมการของ 42AI และเป็นผู้ร่วมก่อตั้งด้วย ส่วน Ehud Ezra เป็นประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและผู้ร่วมก่อตั้ง

Gal-Or กล่าวว่า 42AI ทำงานร่วมกับบริษัทนายหน้ารายใหญ่ 10 แห่ง กำลังเริ่มให้บริการแก่ลูกค้าเพิ่มเติม และมีรายได้มากกว่าเจ็ดหลัก แม้เขาจะไม่ได้เปิดเผยตัวเลขที่แน่นอน ลูกค้าจ่ายค่าบริการเป็นค่าธรรมเนียมแบบคงที่หรือคิดเป็นสัดส่วนจากมูลค่าที่แพลตฟอร์มช่วยให้ลูกค้าได้รับ เขากล่าวว่าบริษัทนายหน้าแห่งหนึ่งสร้างมูลค่าเพิ่มได้ประมาณ 30 ล้านดอลลาร์ผ่านการป้องกันความเสี่ยงแบบไดนามิก

แบบจำลองเชิงพฤติกรรมทำงานอย่างไร

Gal-Or และ Ezra บอกกับ TechCrunch ว่าพฤติกรรมเป็นเรื่องของความน่าจะเป็น ไม่ใช่สิ่งที่กำหนดตายตัว ทั้งคู่กล่าวว่า 42AI พยายามค้นหาแรงจูงใจเบื้องหลัง แทนที่จะคาดการณ์ต่อจากการกระทำในอดีตเพียงอย่างเดียว โดยแบบจำลองจะกำหนดความน่าจะเป็นของการตัดสินใจที่อาจเกิดขึ้นภายใต้สถานการณ์ต่าง ๆ

Ezra กล่าวว่า สำหรับลูกค้าบริษัทนายหน้า ข้อมูลนำเข้าอาจรวมถึงกระบวนการรู้จักลูกค้าและการเริ่มต้นใช้งาน การติดต่อฝ่ายสนับสนุนและฝ่ายขาย การโอนเงิน และการซื้อขาย สัญญาณที่นำมาวิเคราะห์ประกอบด้วยความรู้สึก น้ำเสียง ความถี่ในการโทร จังหวะเวลาของการซื้อและขาย ตลอดจนสภาวะตลาดที่เกิดขึ้นพร้อมกัน

TechCrunch รายงานว่าข้อมูลสังเกตการณ์เหล่านี้จะถูกแปลงเป็นตัวแทนทางคณิตศาสตร์ของลักษณะต่าง ๆ แล้วป้อนเข้าสู่แบบจำลองโลกที่ใช้ทรานส์ฟอร์เมอร์ ส่วนแบบจำลองภาษาที่แยกต่างหากจะสร้างคำอธิบายประกอบการคาดการณ์ Ezra กล่าวว่าเกณฑ์การให้รางวัลในการฝึกออกแบบมาเพื่อรักษาแนวโน้มพื้นฐานไว้ระหว่างการจำลอง กล่าวคือ บุคคลที่ปกติหลีกเลี่ยงความเสี่ยงไม่ควรถูกจำลองให้กลายเป็นผู้ชอบเสี่ยงอย่างกะทันหัน

ข้อมูลฝึกและผลลัพธ์ที่รายงาน

Gal-Or กล่าวว่า 42AI ใช้เวลา 3 ปีในการพัฒนาแนวทางนี้ โดยผสานงานวิจัยด้านจิตวิทยาเข้ากับประสาทวิทยาศาสตร์และพันธุศาสตร์ พร้อมรับคำแนะนำจากผู้เชี่ยวชาญด้านจิตวิทยาและ PTSD รวมถึง Dan Shechtman นักเคมี ในช่วงแรก ทีมศึกษาคนหลายพันคนผ่านการประเมินทางจิตวิทยาและสถานการณ์จำลองด้านพฤติกรรม จากนั้นจึงเพิ่มชุดข้อมูลจากภาครัฐและธนาคารชีวภาพ ซึ่งครอบคลุมคนมากกว่า 2 ล้านคน เขากล่าวว่าต่อมาชุดข้อมูลของลูกค้าได้ขยายให้ครอบคลุมคนเกือบ 30 ล้านคน

TechCrunch รายงานตัวเลขความแม่นยำ 98% ที่ 42AI ระบุสำหรับการคาดการณ์การซื้อขายในตลาด Gal-Or ชี้แจงว่าตัวเลขนี้วัดว่ากระแสการซื้อขายอยู่ในช่วงที่คาดการณ์ไว้หรือไม่ ไม่ได้วัดว่าคาดการณ์การซื้อขายแต่ละรายการได้ถูกต้องหรือไม่ นอกจากนี้ เขายังรายงานคะแนน F1 ที่ 0.8 ถึง 0.85 สำหรับทิศทางและปริมาณการซื้อขาย คะแนน F1 ใช้วัดว่าแบบจำลองการจำแนกประเภทสร้างสมดุลระหว่างการคาดการณ์ที่ถูกต้องกับการแจ้งเตือนผิดพลาดและเหตุการณ์ที่ตรวจไม่พบได้ดีเพียงใด

ผู้ก่อตั้งยอมรับว่าความแม่นยำมีขีดจำกัด เนื่องจากระบบไม่สามารถเข้าถึงทุกสิ่งที่บุคคลหนึ่งประสบพบเจอได้ Ezra กล่าวว่า ความแม่นยำยังลดลงเมื่อขาดบริบทสำคัญของสถานการณ์ เช่น คำแนะนำจากเพื่อนหรือเพื่อนร่วมงานที่ทำให้การตัดสินใจซื้อขายเปลี่ยนไป

บทความฉบับก่อนตีพิมพ์ที่ส่งให้ arXiv เมื่อวันที่ 19 กุมภาพันธ์ 2026 โดย Ben Yellin, Ezra, Mark Foreman และ Shula Grinapol นำเสนอ Large Behavioral Model ซึ่งปรับแต่งเพิ่มเติมเพื่อคาดการณ์ตัวเลือกเชิงกลยุทธ์ของแต่ละบุคคลจากโปรไฟล์ลักษณะทางจิตมิติที่มีโครงสร้างและมีมิติสูง ผู้เขียนระบุว่าฝึกแบบจำลองด้วยชุดข้อมูลเฉพาะที่เชื่อมโยงลักษณะนิสัยที่คงที่ สภาวะแรงจูงใจ และข้อจำกัดตามสถานการณ์เข้ากับตัวเลือกที่สังเกตได้

ในการประเมินสถานการณ์ด้วยข้อมูลที่กันไว้สำหรับทดสอบ ผู้เขียนรายงานว่าการคาดการณ์พฤติกรรมดีขึ้นเมื่อเทียบกับแบบจำลองพื้นฐาน Llama-3.1-8B-Instruct ที่ยังไม่ได้ปรับให้เข้ากับงาน และมีประสิทธิภาพใกล้เคียงกับแบบจำลองพื้นฐานชั้นแนวหน้าเมื่อใช้ลักษณะบุคลิกภาพ Big Five เป็นเงื่อนไข นอกจากนี้ พวกเขายังรายงานว่าแบบจำลองของตนยังคงได้ประโยชน์จากโปรไฟล์ลักษณะนิสัยที่มีรายละเอียดหนาแน่นขึ้น ขณะที่แบบจำลองพื้นฐานที่ใช้การป้อนคำสั่งมีขีดจำกัดด้านความซับซ้อน

การใช้งานในบริษัทนายหน้าและข้อจำกัดที่ระบุ

บนเว็บไซต์ของ 42AI บริษัทอธิบายชุดเทคโนโลยีด้านพฤติกรรมที่แปลงข้อมูลดิบเป็นปัจจัยขับเคลื่อนพฤติกรรม คาดการณ์การตอบสนองต่อเหตุการณ์เฉพาะและพฤติกรรมที่เปลี่ยนไปตามเวลา จำลองตัวแปรที่เปลี่ยนแปลง และจัดทำคำอธิบาย บริษัทระบุว่าแบบจำลองโลกใช้เวลาตอบสนอง 1–10 มิลลิวินาที ส่วนแบบจำลองพฤติกรรมขนาดใหญ่ใช้เวลา 2–12 มิลลิวินาที

เว็บไซต์ระบุว่า สำหรับบริษัทนายหน้า บริการนี้สามารถคาดการณ์การซื้อขายของลูกค้าแต่ละรายล่วงหน้าได้สูงสุด 24 ชั่วโมง โดยแยกตามตราสาร ทิศทาง และปริมาณ นอกจากนี้ การใช้งานในบริษัทนายหน้ายังครอบคลุมการมองเห็นความเสี่ยงล่วงหน้า การป้องกันความเสี่ยงแบบไดนามิก การบริหารความเสี่ยงหาง และการลดความคลาดเคลื่อนในการซื้อขายกับมูลค่าความเสี่ยง Gal-Or บอกกับ TechCrunch ว่าลูกค้าใช้ระบบเพื่อจัดการสภาพคล่อง ข้อกำหนดด้านมาร์จิน และความเสี่ยงจากการป้องกันความเสี่ยง

Gal-Or กล่าวว่า ระบบที่นำไปใช้งานไม่จำเป็นต้องใช้ข้อมูลที่ระบุตัวบุคคลได้ และแบบจำลองจะไม่รู้เลยว่าบุคคลนั้นเป็นใคร TechCrunch รายงานว่าอย่างไรก็ตาม 42AI สร้างโปรไฟล์พฤติกรรมรายบุคคลจากกิจกรรมของลูกค้าที่เชื่อมโยงกัน

เมื่อ TechCrunch หยิบยกความเป็นไปได้ที่ลูกค้าจะใช้ประโยชน์จากการคาดการณ์เกี่ยวกับลูกค้าของตนเอง Ezra กล่าวว่าเป็นข้อกังวลที่มีมูล ผู้ก่อตั้งชี้ถึงกฎระเบียบ การตรวจสอบติดตาม และคณะกรรมการจริยธรรมภายในองค์กร ขณะที่ Gal-Or กล่าวว่าเทคโนโลยีนี้อาจช่วยจัดการความเสี่ยงดังกล่าวได้ TechCrunch รายงานว่าพวกเขาไม่ได้อธิบายกลไกที่ชัดเจนว่าจะป้องกันไม่ให้ลูกค้าใช้การคาดการณ์เพื่อสร้างความได้เปรียบเหนือบุคคลที่ถูกจัดทำโปรไฟล์ได้อย่างไร

ผู้ก่อตั้งบอกกับ TechCrunch ว่า 42AI กำลังสำรวจการนำโมเดลไปใช้กับเกม การป้องกันการฉ้อโกง และความมั่นคงปลอดภัยทางไซเบอร์ และในท้ายที่สุดต้องการให้หุ่นยนต์และ เอเจนต์ AI ใช้โมเดลนี้เพื่อทำความเข้าใจผู้คน Ezra กล่าวว่าโมเดลต้องได้รับการฝึกฝนด้วยกฎเกณฑ์และบริบทของแต่ละสาขาใหม่ ส่วน Gal-Or กล่าวเพิ่มเติมว่าบริษัทมีแผนระดมทุนเพิ่ม

การขยายการใช้งานให้กว้างกว่าการนำระบบไปใช้ในธุรกิจนายหน้าซื้อขายที่มีการบันทึกไว้ จำเป็นต้องฝึกโมเดลเฉพาะสำหรับแต่ละสาขาตามที่ Ezra อธิบายไว้ ขณะที่แผนด้านการเงินที่ 42AI ระบุไว้คือการระดมทุนเพิ่ม