舊招：開個 LLM 扮你個客

而家行內最通用嘅做法，係開大型語言模型（LLM，即係 GPT、Claude 呢類）然後 prompting 或者微調（fine-tuning，即係再用一批數據再訓練嚇佢），叫佢扮某個目標客群。

Mirror Particle 話呢招「由根基開始就錯」。佢哋係間二年、總部喺舊金山嘅公司，賣俾品牌嘅係一套預測消費者行為、仲預測點樣有原因嘅 AI 引擎。CEO Abhivyakti Ahuja 講：「好似帶超級水槍去尼亞加拉瀑布。」

「LLM 用咗成百上千億數據點訓練，你同佢細細隻數據微調，點樣影響到佢嘅行為？佢仲陷喺過去。」

新招：由零開始練一個「世界模型」

Mirror Particle 嘅做法係由零開始練一個 foundation model（基礎模型），或者 Ahuja 講嘅「世界模型」——模擬人點樣做佢做嘅事、人嘅行為點樣隨時間改變。

「我哋唔想捉一個靜態嘅人，」Ahuja 講，「我哋想捉一個改變嘅人。」佢哋追縱長期數據，睇人點變化、乜觸發變化、變幾多。冇變化，「本身就係一個訊號」。

技術上，公司用一組專有數據組合：客户嘅顧客數據、時事、流行文化、社交媒體等等，去建一個人口學區段嘅模型，跟住人點樣隨經歷改變動機。重點放喺「顯現行為」（revealed behavior）——人實際做嘅嘢，唔係問捲上自己講嘅嘢。

賣俾邊個，點樣用

初上市策略跟同行，放喺市調、品牌同產品策略呢類已經有預算嘅環節。例：賣俾一個美妝品牌，唔單止話「點寫好啲 ad copy 吸引 Gen Z」，仲可以判斷「Gen Z 究竟買唔買呢個嘢」。

「萬一佢哋唔想買 eyeshadow palette 嘅話呢？」Ahuja 講，「如果佢哋想賣俾呢個市場，blush 可能係更好嘅選擇。」

一個早期試點：一個知名寵物食品品牌想知包裝放乜圖像會提高賣量——雞？牛？菜？Mirror 嘅技術話，呢個品牌問錯問題，圖像冇分別，真正問題喺……（原報導呢度被截斷）。

Mirror Particle 已募完一輪天使輪，話快接近第一輪 risk capital。同一時間，佢哋下星期會出戰 TechCrunch Disrupt Startup Battlefield。

同行嘅大條數

過去一年做「預測人類行為」嘅 startup 唔算細：Simile 募咗 $2 億、估值 $20 億；Aaru 募咗 $8800 萬、估值 $10 億；humans& 今年 1 月公佈 $4.8 億 seed、估值 $44.8 億，仲 launch 咗 Persimmon。

阿調搞兩下：LLM 扮客群呢招行咗好耐，但一直冇人話清楚「點樣知道佢扮錯」。Mirror Particle 嘅賣點唔係「我哋扮得更似」，而係「我哋唔扮，我哋由零開始練一個跟時間變嘅模型」。呢條路喺技術上係咪成立、仲要幾多數據先訓到、跟真問嘅市調比邊個更準——呢啲都未有人答。下星期 Startup Battlefield 嘅表現，可以睇嚇佢哋答到幾多。

阿調｜深度調教