Mirror Particle 打造人类行为「世界模型」，挑战 LLM 角色扮演预测范式
人类行为预测赛道升温，Mirror Particle 另辟蹊径
过去一年，人类行为预测赛道持续升温。Simile 以 20 亿美元估值融资 2 亿美元，Aaru 以 10 亿美元估值融资 8800 万美元，而 Humans& 更是在今年 1 月宣布完成 4.8 亿美元种子轮，估值达 44.8 亿美元，并推出 Persimmon 用于建模人类行为。资本的热度表明，品牌与市场研究行业对「精准预测消费者行为」的需求正在膨胀。
然而，当前主流方案高度依赖大语言模型（LLM），通过提示词或微调让模型「扮演」目标人群。总部位于旧金山的 Mirror Particle 认为，这条路径从根本上是错误的。
为什么 LLM 角色扮演不够用？
Mirror Particle 联合创始人兼 CEO Abhivyakti Ahuja 用了一个形象的比喻：「这就像带着一把超级水枪去尼亚加拉大瀑布。」她指出，LLM 虽在数千亿数据点上训练，但通过少量数据微调来影响其行为，效果杯水车薪，模型「仍被困在过去」。
在 Ahuja 看来，LLM 建模的是书面语言，而人类由视觉感知、空间推理和社会智能构成。依赖 LLM 意味着获取的洞察基于「人类没有注意到的东西」，这与预测人类行为的初衷背道而驰。
从零构建「世界模型」
Mirror Particle 选择了一条更艰难的路：从零构建一个基础模型——Ahuja 称之为「世界模型」，模拟人类行为背后的原因以及行为随时间的变化。
「我们不想捕捉静态的人，」Ahuja 说，「我们想捕捉变化中的人。这意味着要获取纵向数据：人们如何变化、什么触发因素在改变他们、改变程度如何。如果他们没变，这本身也是一个信号。」
该公司的数据组合包括客户自有数据、时事、流行文化、社交媒体等，将一个人群细分视为随时间演化的系统，追踪动机如何在经历中迁移。其重点放在「揭示性行为」（revealed behavior）上，而非仅仅依赖问卷或访谈中的自我报告。
资本与竞争
Mirror Particle 已完成了天使轮融资，并称首轮风险投资也接近关闭。下周，它将在 TechCrunch Disrupt 2026 的 Startup Battlefield 200 竞赛中亮相——该活动于 10 月 13 日至 15 日在旧金山举行。
在巨头环伺的赛道中，Mirror Particle 的差异化在于方法论：不满足于让 LLM「演」一个人，而是试图理解人为何变化、如何变化。如果这条路走通，它可能为品牌战略和市场研究带来比角色扮演更可靠的预测引擎。但挑战同样明显：从零构建世界模型需要海量纵向数据和长期验证，商业化速度能否匹配资本期待，仍是未知数。
