Simile AI привлекла $2 млрд, чтобы доказать: scaling laws нейросети работают и для симуляции людей

Источник новости, подкаст Latent Space, где сооснователь и генеральный директор Simile AI Джун Сон Пак (Joon Sung Park) рассказал о пути от академической статьи Generative Agents (2023) до коммерческой платформы. Раунд Series B поддержали фонды GreenOaks и Index Ventures, среди заметных инвесторов, профессор Стэнфорда Фей-Фей Ли и бывший директор ИИ в Tesla Андрей Карпати. Среди клиентов компании, компании из списка Fortune 100, включая сеть аптек CVS.

Что стоит за идеей «законов масштабирования для симуляции»?

Scaling laws нейросети (законы масштабирования, правило: чем больше данных и вычислений, тем лучше результат модели) до сих пор применялись к обучению языковых моделей. Джун Сон Пак утверждает, что аналогичный закон работает и для симуляции поведения людей: чем больше данных о реальном поведении загружено в модель, тем точнее она воспроизводит решения и предпочтения конкретного человека или целой популяции.

Ключевое отличие от обычного промпт-инжиниринга (промпт-инжиниринг, искусство формулировать запросы к нейросети так, чтобы получить нужный ответ): frontier-модели, то есть самые продвинутые закрытые модели (закрытая модель, нейросеть с недоступным исходным кодом) вроде GPT-4 или Claude, обучены на веб-текстах. Веб-тексты фиксируют, что люди говорят, но не то, что они реально делают. Поэтому, по словам Пака, простое промптирование большой языковой модели не даёт надёжной симуляции.

Как Simile AI строит цифровых двойников?

Компания собирает данные из нескольких источников:

• Длинные структурированные интервью с реальными людьми.
• Транзакционные данные (что человек покупает, когда, за сколько).
• Наблюдательные данные (как ведёт себя в сервисах).
• Рандомизированные контролируемые испытания (RCT, эксперимент, где одну группу тестируют, а другую оставляют контрольной).

На этих данных Simile проводит дообучение (дообучение, обучение уже готовой модели на узком наборе примеров под конкретную задачу) поведенческих моделей. Модели учатся воспроизводить не рациональное, а реальное поведение, включая когнитивные искажения и нелогичные решения.

По словам Пака, именно здесь возникает необходимость менять веса модели, а не просто подбирать промпт. Frontier-модели оптимизированы быть «рациональными», а люди таковыми не являются.

Что понадобится

Если вы хотите протестировать подход к симуляции аудитории уже сейчас, вот минимальный набор:

• Доступ к Simile AI (simile.com) или аналогичной платформе синтетических панелей.
• Набор данных о целевой аудитории: даже базовые анкеты, история покупок, логи поведения в продукте.
• Понимание вопроса, который вы проверяете: не «опишите нашу аудиторию», а конкретная гипотеза («поднимем цену на 15 процентов, какой будет отток»).
• Около двух-четырёх часов на первую итерацию, если платформа уже настроена.

Пошаговая инструкция

1. Сформулируйте гипотезу, которую хотите проверить. Не «какой контент зайдёт», а конкретно: «Если я сменю формат поста с текста на карточки, вырастет ли дочитываемость у подписчиков 45+?»

2. Соберите данные об аудитории. Для Simile это интервью и транзакции. Если вы работаете без доступа к Simile, подготовьте системный промпт (системный промпт, скрытая инструкция, которая задаёт модели роль и контекст) для языковой модели с максимально подробным описанием сегмента:

Ты — читатель канала о здоровье на Дзене, женщина 52 лет,
живёшь в Воронеже, доход средний, читаешь канал три раза в неделю,
обычно дочитываешь до конца посты-списки, но бросаешь лонгриды
после второго экрана. Отвечай так, как ответила бы на опрос
автора канала. Не старайся быть вежливой — отвечай честно.

1. Запустите серию вопросов по вашей гипотезе. Задавайте один и тот же вопрос десяти-двадцати «персонам» с разными профилями, чтобы увидеть разброс ответов.

2. Сравните результат с реальным поведением. Если у вас есть статистика Дзена или метрики рекламного кабинета, сверьте ответы синтетической аудитории с фактическими цифрами. Расхождение покажет, где модель галлюцинирует (галлюцинация, когда нейросеть уверенно выдаёт несуществующий факт).

3. Скорректируйте системный промпт и повторите. Каждая итерация делает профиль точнее. Именно здесь scaling laws нейросети работают на вас: больше данных в промпте или при дообучении, точнее результат.

Что это значит для вас?

Автору Дзена. Вы можете прямо сейчас использовать ChatGPT или YandexGPT как «синтетического читателя»: создайте пять-семь персон ваших подписчиков и протестируйте на них заголовок, структуру поста или идею нового формата. Это не заменяет аналитику Дзена, но сокращает путь от идеи до проверки с дней до минут.

Маркетологу. Simile AI пока работает с клиентами уровня Fortune 100. Но сам подход, строить синтетические панели вместо живых фокус-групп, уже доступен через промпт-инжиниринг в любой frontier-модели. Из доступных в России аналогов: YandexGPT и GigaChat позволяют задать персону через системный промпт и провести быстрый «опрос».

Предпринимателю в РФ. Платформа Simile AI ориентирована на американский рынок, доступ из России на момент публикации не подтверждён. Но метод, собрать данные о клиентах, загрузить в модель, тестировать гипотезы на цифровых двойниках, воспроизводим локально. Если у вас есть CRM с историей покупок, это уже половина входных данных для поведенческой симуляции.

Главный вывод из истории Simile AI не в том, что симуляция заменит живых людей. А в том, что тестировать идеи на синтетической аудитории можно уже сегодня, бесплатно, с помощью промпта и здравого смысла, и это лучше, чем не тестировать вообще.