Simile ยกระดับเงินลงทุนมากกว่า 200 ล้านดอลลาร์ ในมูลค่า 2 พันล้านดอลลาร์ เพื่อขยายการจำลองพฤติกรรมของมนุษย์

Simile ได้ระดมทุนมากกว่า $200 ล้านใน Series B funding ที่มีมูลค่าหลังการระดมทุน 2 พันล้านดอลลาร์ โดยให้เงินทุนจำนวนมากแก่บริษัทสตาร์ทอัพในเมืองปาโลอัลโตเพื่อพัฒนาโมเดลปัญญาประดิษฐ์ที่ออกแบบมาเพื่อจำลองวิธีการตัดสินใจของมนุษย์

Greenoaks นำการระดมทุนรอบนี้ โดยมีนักลงทุนรายเดิม Index Ventures เพิ่มการสนับสนุน Hanabi, Bain Capital Ventures, A*, Factory และ CVS Health Ventures (CVS ) ก็กลับมาลงทุนอีกครั้ง โดยมี Definition เข้าร่วมเป็นนักลงทุนรายใหม่ การระดมทุนครั้งนี้เกิดขึ้นเพียง 5 เดือนหลังจากที่ Simile ออกมาเปิดตัวสู่สาธารณะด้วย Series A มูลค่า 100 ล้านดอลลาร์ที่นำโดย Index Ventures ทำให้เงินทุนที่เปิดเผยของบริษัทเกิน 300 ล้านดอลลาร์

นับตั้งแต่เปิดตัวสู่สาธารณะ Simile ระบุว่าได้เพิ่มรายได้ 5 เท่า ขยายทีมงานเป็นมากกว่า 50 คน และดำเนินจำลองการมากกว่า 10 ล้านครั้งสำหรับบริษัท Fortune 100 บริษัทวางแผนจะใช้เงินทุนใหม่เพื่อพัฒนามอเดลพื้นฐานสำหรับการจำลองพฤติกรรมของมนุษย์ ปรับปรุงความน่าเชื่อถือของการจำลอง และขยายแพลตฟอร์มไปสู่อุตสาหกรรมต่างๆ รวมถึงสุขภาพ การเงิน สินค้าอุปโภคบริโภค และสื่อ

การสร้าง AI เพื่อคาดการณ์พฤติกรรมมากกว่าการสร้างเนื้อหา

ตลาด AI ที่สร้างเนื้อหาส่วนใหญ่มุ่งเน้นไปที่การสร้างผลลัพธ์ โมเดลภาษาขนาดใหญ่สามารถสร้างซอฟต์แวร์ โฆษณา รูปภาพแนวคิดผลิตภัณฑ์ และแผนธุรกิจภายในไม่กี่วินาที

Simile มุ่งเป้าไปที่กระบวนการตัดสินใจที่เกิดขึ้นก่อนที่จะสร้างผลลัพธ์เหล่านั้น แพลตฟอร์มของบริษัทมีจุดมุ่งหมายเพื่อช่วยให้องค์กรประเมินว่าควรสร้างอะไร อย่างไร และพฤติกรรมที่แตกต่างกันของกลุ่มคนอาจตอบสนองอย่างไร และผลกระทบที่ตามมาใดๆ ที่อาจเกิดขึ้นหลังจากการตัดสินใจ

บริษัทอธิบายตนเองว่าเป็นการสร้างโมเดลพื้นฐานสำหรับการจำลองพฤติกรรมของมนุษย์ ไม่ใช่โมเดลภาษาทั่วไปอีกตัวหนึ่ง แทนที่จะเน้นไปที่คำตอบที่มีเหตุผลหรือข้อความที่คล่องแคล่ว โมเดลนี้ได้รับการฝึกฝนเพื่อแสดงถึงความแตกต่างในความชอบ ประสบการณ์ ค่านิยม และรูปแบบการตัดสินใจของคน

องค์กรสามารถใช้แพลตฟอร์มเพื่อสร้างสถานการณ์ที่เทียบเท่ากันและตรวจสอบว่าประชากรที่จำลองไว้ตอบสนองอย่างไรเมื่อมีการเปลี่ยนแปลงตัวแปร เช่น ราคา การส่งข้อความ คุณสมบัติผลิตภัณฑ์ หรือเงื่อนไขนโยบาย จุดมุ่งหมายไม่ใช่เพียงถามความคิดเห็นจากผู้ตอบแบบจำลอง แต่เพื่อสร้างแบบจำลองพฤติกรรมที่อาจเปลี่ยนแปลงไปในหลายๆ สภาพและระยะเวลา

จากงานวิจัยของ Stanford ไปสู่แพลตฟอร์มการจำลองระดับองค์กร

เทคโนโลยีของ Simile สร้างขึ้นจากงานวิจัยที่ดำเนินการโดยผู้ร่วมก่อตั้งและ CEO Joon Sung Park และนักวิจัยจาก Stanford Michael Bernstein และ Percy Liang

Park เป็นผู้เขียนนำของเอกสาร “Generative Agents: Interactive Simulacra of Human Behavior” ในปี 2023 ซึ่งแนะนำเมืองจำลองที่มี 25 ตัวแทน AI แต่ละตัวใช้กระแสความทรงจำพร้อมกับกลไกการค้นหา การสะท้อน และการวางแผนเพื่อรักษาความต่อเนื่องและกำหนดการกระทำต่อไป

ตัวแทนเหล่านี้ก่อตัวเป็นความสัมพันธ์ พัฒนารูปแบบการทำงาน และประสานกิจกรรมโดยไม่ต้องมีการเขียนโปรแกรมที่ชัดเจนสำหรับการโต้ตอบทุกครั้ง การทดลองช่วยสร้างแนวคิดทางสถาปัตยกรรมหลายอย่างที่ใช้ในจำลองหลายตัวแทน โดยที่ตัวแทนอิสระโต้ตอบซึ่งกันและกัน ไม่ใช่ตอบสนองต่อคำสั่งแยกกัน

การวิจัยในภายหลังทดสอบว่าตัวแทนสร้างสรรค์สามารถสร้างทัศนคติและพฤติกรรมของบุคคลจริงได้หรือไม่ ในการศึกษาที่มีผู้เข้าร่วม 1,052 คน นักวิจัยสร้างตัวแทนโดยใช้สัมภาษณ์เชิงคุณภาพและประเมินว่าตัวแทนเหล่านั้นสามารถทำซ้ำคำตอบของผู้เข้าร่วมได้แม่นยำเพียงใด

ตัวแทนเหล่านั้นบรรลุความแม่นยำถึง 85% ของความแม่นยำที่ผู้เข้าร่วมแสดงให้เห็นเมื่อตอบคำถามเดียวกันเองหลังจากผ่านไป 2 สัปดาห์ สิ่งนี้เป็นข้อแตกต่างที่สำคัญ: ผลลัพธ์ไม่ได้หมายความว่าพฤติกรรมของมนุษย์ถูกทำนายด้วยความแม่นยำ 85% ในเชิงสัมบูรณ์ แต่หมายความว่าตัวแทนเข้าใกล้ระดับความสอดคล้องของคนจริงที่พวกเขาตั้งใจจะแสดง

เว็บไซต์ของ Simile ยังชี้ไปที่งานวิจัยที่ตามมาโดยใช้คำตอบ 2.9 ล้านคำตอบจาก 210 การทดลองทางสังคมวิทยา บริษัทระบุว่าการปรับโมเดลให้เหมาะสมกับข้อมูลพฤติกรรมนี้ได้ปรับปรุงการเทียบเคียงในงานศึกษาที่ไม่เคยเห็นมาก่อน 26% เมื่อเทียบกับโมเดลฐานที่ใช้

คะแนนความมั่นใจเป็นศูนย์กลางของผลิตภัณฑ์

ข้อกล่าวอ้างทางเทคนิคที่สำคัญของ Simile คือการฝึกโมเดลความมั่นใจแยกต่างหากเพื่อประเมินความน่าเชื่อถือของการจำลองแต่ละครั้ง

การทำนายพฤติกรรมของมนุษย์เป็นเรื่องที่ไม่แน่นอนโดยธรรมชาติ บุคคลเดียวกันอาจตัดสินใจที่แตกต่างกันขึ้นอยู่กับเวลา บริบท ข้อมูลที่มีอยู่ และปัจจัยอื่นๆ ที่ไม่มีอยู่ในเซตข้อมูล ระบบที่ให้ผลการคาดการณ์เดียวโดยไม่สื่อสารข้อจำกัดเหล่านั้นอาจทำให้องค์กรต่างๆ มองว่าพฤติกรรมที่จำลองไว้เป็นข้อเท็จจริง

Simile ระบุว่าแพลตฟอร์มของตนเปรียบเทียบการกระจายตัวของคำตอบที่จำลองไว้กับคำตอบที่รวบรวมจากคนจริงโดยใช้ Total Variation Distance ซึ่งเป็นมาตรการทางสถิติของความแตกต่างระหว่างการกระจายตัวของความน่าจะเป็น 2 ตัว แต่ละผลลัพธ์จะได้รับคะแนนความมั่นใจตามจำนวนและความเกี่ยวข้องของหลักฐานจากมนุษย์ที่สนับสนุน

เมื่อหลักฐานสำหรับประชากรหรือสถานการณ์ใดๆ มีจำกัด คะแนนความมั่นใจมีจุดมุ่งหมายเพื่อให้ความไม่แน่นอนนั้นเห็นได้ชัดเจน บริษัทยังระบุด้วยว่าโมเดลของตนได้รับการปรับให้เหมาะสมอีกครั้งทุกสัปดาห์เพื่อรวมการเปลี่ยนแปลงในด้านต่างๆ เช่น ราคานโยบาย สภาพเศรษฐกิจ และพฤติกรรมผู้บริโภค

ชั้นการตรวจสอบนี้อาจมีความสำคัญเท่ากับการจำลองตัวมันเอง สำหรับองค์กรที่ตัดสินใจซึ่งมีค่าใช้จ่ายสูงหรือไวต่อความเสี่ยง การทราบว่าเมื่อใดที่โมเดลไม่น่าเชื่อถืออาจมีค่ามากกว่าการได้รับการทำนายที่น่าเชื่อถืออีกครั้ง

CVS Health ใช้การจำลองเพื่อทดสอบการตัดสินใจก่อนการเปิดตัว

CVS Health เป็นหนึ่งในลูกค้ารายแรกที่มีชื่อเสียงของ Simile และยังเข้าร่วมในการระดมทุนรอบนี้ผ่าน CVS Health Ventures

บริษัทด้านสุขภาพได้ใช้ประชากรที่จำลองไว้เพื่อยืนยันวิจัยลูกค้าเดิม ตรวจสอบปัจจัยที่ขับเคลื่อนความพึงพอใจของ患者 และทดสอบกลยุทธ์ที่เกี่ยวข้องกับการรักษาโรคตามใบสั่งยาที่สม่ำเสมอ นอกจากนี้ยังได้สำรวจประชากรที่ยากหรือมีค่าใช้จ่ายสูงในการเข้าถึงผ่านการสำรวจแบบดั้งเดิม เช่น ผู้ป่วยโรคเรื้อรัง

ตามที่ Simile ระบุ โครงการของ CVS ใช้คำตอบที่ได้รับความยินยอมมากกว่า 2.9 ล้านคำตอบจากผู้เข้าร่วมมากกว่า 400,000 คน ในสถานการณ์พฤติกรรมมากกว่า 200 สถานการณ์ การจำลองถูกใช้เพื่อกรองความคิดและระบุว่าสมมติฐานใดที่ควรได้รับการทดสอบเพิ่มเติมผ่านการวิจัยหรือการทดลองในโลกแห่งความเป็นจริง

ความแตกต่างนี้มีความสำคัญ การจำลองสามารถลดจำนวนความคิดที่ต้องได้รับการทดสอบโดยตรงด้วยลูกค้า แต่ไม่ได้กำจัดความจำเป็นในการรวบรวมหลักฐานจากโลกแห่งความเป็นจริง CVS ได้อธิบายเทคโนโลยีนี้ว่าเป็นวิธีการจัดลำดับความสำคัญของการวิจัยและปรับแต่งการแทรกแซงที่อาจเกิดขึ้นก่อนที่จะนำไปใช้กับผู้ป่วยหรือลูกค้า

Simile ยังทำงานร่วมกับ Gallup ในการวิจัยนโยบาย การศึกษาที่ทำงาน และการวิเคราะห์แนวโน้มทางสังคม องค์กรอื่นๆ ที่ได้รับการกล่าวถึงโดยบริษัท ได้แก่ Wealthfront, Deloitte, Banco Itaú และ Suntory องค์กรต่างๆ นำแพลตฟอร์มนี้ไปใช้กับพื้นที่ต่างๆ เช่น การทดสอบผลิตภัณฑ์ การเข้าสู่ตลาด การวิจัยประสบการณ์ลูกค้า การจัดตำแหน่งทางการแข่งขัน และการเตรียมการเรียกผลประกอบการ

การย้ายจากตัวแทนรายบุคคลไปสู่ตลาดที่จำลองไว้

การประยุกต์ใช้ Simile ในปัจจุบันหลายอย่างคล้ายกับการวิจัยตลาดที่เร่งความเร็ว บริษัทหนึ่งสามารถทดสอบแนวคิดผลิตภัณฑ์หรือข้อความหลายรูปแบบกับประชากรที่จำลองไว้ก่อนที่จะตัดสินใจว่าแนวคิดใดที่ควรได้รับการรณรงค์หรือการทดลองจริง

โอกาสในระยะยาวมีความซับซ้อนมากขึ้น Simile ต้องการสร้างแบบจำลองการโต้ตอบระหว่างลูกค้า คู่แข่ง สถาบัน นโยบาย และตลาด ไม่ใช่เพียงการทำนายว่าบุคคลที่โดดเดี่ยวจะตอบคำถามอย่างไร แต่จะตรวจสอบว่าคนๆ หนึ่งมีอิทธิพลต่ออีกคนหนึ่งและว่าการตัดสินใจสร้างผลกระทบต่อเนื่องอย่างไร

การประยุกต์ใช้ที่เป็นไปได้อาจรวมถึงการสร้างแบบจำลองการตอบสนองต่อการช็อกทางการเงิน การเปลี่ยนแปลงนโยบาย การเปิดตัวผลิตภัณฑ์ หรือการเปลี่ยนแปลงแรงจูงใจ การจำลองอาจตรวจสอบไม่เพียงว่าลูกค้าจะใช้บริการใหม่ แต่ยังว่าการรับบริการนั้นเปลี่ยนพฤติกรรมของคู่แข่ง การรับรู้ของสาธารณะ และความต้องการผลิตภัณฑ์ที่เกี่ยวข้องอย่างไร

นี่คือจุดที่ข้อจำกัดทางเทคนิคจะกลายเป็นเรื่องสำคัญขึ้น ข้อผิดพลาดเล็กๆ น้อยๆ สามารถสะสมเมื่อตัวแทนหลายพันหรือหลายล้านตัวโต้ตอบกัน โดยเฉพาะอย่างยิ่งในการจำลองที่เหตุการณ์แรกๆ เปลี่ยนทิศทางของทุกสิ่งที่ตามมา Simile จะต้องแสดงให้เห็นว่าวิธีการตรวจสอบของตนยังคงมีความหมายเมื่อการจำลองเปลี่ยนจากการตอบสนองรายบุคคลไปสู่ระบบที่ซับซ้อนและพลวัต

ชั้นใหม่ของโครงสร้างพื้นฐานการตัดสินใจ

ขนาดและความเร็วของการระดมทุนล่าสุดของ Simile ชี้ให้เห็นว่านักลงทุนเห็นว่าการจำลองพฤติกรรมเป็นชั้นใหม่ที่อาจเกิดขึ้นในกระบวนการตัดสินใจขององค์กร

องค์กรต่างๆ มีการใช้จ่ายอย่างมากกับการสำรวจ การให้คำปรึกษา กลุ่มโฟกัส การทดสอบผลิตภัณฑ์ และการวิจัยตลาด AI จำลองสามารถทำให้การสำรวจตัวเลือกมากขึ้น ทดสอบกลุ่มเป้าหมายที่แคบลง และระบุแนวคิดที่อ่อนแอก่อนที่จะลงทุนจำนวนมาก

เทคโนโลยีนี้ยังนำเสนอคำถามที่ยากเกี่ยวกับการรับทราบ การแสดงถึง และความรับผิดชอบ ประชากรที่จำลองไว้จะมีประโยชน์เท่ากับคน พฤติกรรม และสถานการณ์ที่แสดงอยู่ในข้อมูลพื้นฐาน การทำนายอาจมีความน่าเชื่อถือน้อยลงเมื่อนำไปใช้กับวัฒนธรรมที่ไม่คุ้นเคย ตลาดที่เปลี่ยนแปลงอย่างรวดเร็ว หรือสถานการณ์ที่มีความเสี่ยงสูงซึ่งมีประวัติที่ไม่ค่อยมี

ด้วยเหตุนี้ บทบาทที่แข็งแกร่งที่สุดในระยะสั้นสำหรับแพลตฟอร์มเช่น Simile อาจเป็นการเสริมการวิจัยของมนุษย์มากกว่าการแทนที่มัน การจำลองสามารถช่วยให้องค์กรตัดสินใจว่าจะสอบถามคำถามใด แต่ลูกค้าและชุมชนจริงยังคงจำเป็นสำหรับการยืนยันว่าผลลัพธ์ยังคงอยู่นอกแบบจำลอง

Simile ได้รับเงินทุนใหม่เพื่อทดสอบว่าการจำลองพฤติกรรมของมนุษย์สามารถก้าวหน้าจากสาขาวิจัยที่เกิดขึ้นใหม่ไปสู่โครงสร้างพื้นฐานขององค์กรที่เชื่อถือได้ หรือไม่ ความท้าทายที่ใกล้จะเกิดขึ้นไม่ใช่แค่การวิ่งการจำลองมากขึ้น แต่การ chứng minhว่าองค์กรสามารถเข้าใจข้อจำกัดของตนเองและทราบเมื่อผลลัพธ์เชื่อถือได้เพียงพอที่จะส่งผลต่อการตัดสินใจที่สำคัญ