Mirror Particle is building a ‘world model’ of human behavior

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Mirror Particle은 기존 LLM 기반 인간 행동 예측의 한계를 주장하며, 실제 행동과 시간에 따른 변화를 반영해 소비자 행동과 그 이유를 예측하는 독자적인 ‘월드 모델’을 개발하고 있다.

📌 핵심 요약

• 인간 행동 예측 분야에 투자가 몰리고 있다. 지난 1년간 Simile은 기업가치 20억 달러에 2억 달러를, Aaru는 기업가치 10억 달러에 8,800만 달러를 유치했다. Humans&는 1월 기업가치 44억 8,000만 달러에 4억 8,000만 달러 규모의 시드 투자를 발표하고 인간 행동 모델링 제품 Persimmon을 출시했다.
• 설립 2년 된 샌프란시스코 기업 Mirror Particle의 공동창업자 겸 CEO Abhivyakti Ahuja는 LLM에 특정 인구집단 역할을 부여하거나 미세조정하는 기존 방식이 근본적으로 잘못됐다고 주장한다. 문자 언어 중심으로 학습한 LLM이 인간의 시각적 지각, 공간 추론, 사회적 지능을 충분히 반영하지 못한다는 설명이다.
• Mirror Particle은 처음부터 구축하는 파운데이션 모델로 인간 행동의 이유와 시간에 따른 변화를 모사하려 한다. 고객사의 고객 데이터, 시사 이슈, 대중문화, 소셜미디어 등을 결합하고, 설문에서 스스로 보고한 답변보다 실제로 드러난 행동과 변화의 계기·정도를 중시한다.
• 초기 사업은 시장조사와 브랜드·제품 전략에 집중한다. Gen Z가 원하는 화장품 종류를 판단하거나 행동의 동기·제약·맥락을 설명하는 것이 활용 예다. 초기 반려동물 사료 브랜드 실험에서는 포장 이미지보다 대중적이고 저렴하다는 브랜드 인식이 매출 정체의 원인이라고 모델이 판단했다.
• Mirror Particle은 엔젤 투자를 유치했으며 첫 벤처 투자 라운드 마무리에 가까워졌다고 밝혔다. 2026년 10월 13~15일 샌프란시스코에서 열리는 TechCrunch Disrupt 2026의 Startup Battlefield 200에 참가한다. 장기적으로는 집단 수준의 분석에서 개인 수준의 통찰로 확장해 인간 행동을 예측하는 범용 계층이 되는 것을 목표로 한다.

🧩 주요 포인트

1. LLM의 언어 중심 학습에 대한 문제 제기 → Mirror Particle은 인간 행동 예측에 필요한 지각·추론·사회적 이해를 자체 모델 개발의 근거로 제시한다.
2. 실제 행동과 시간에 따른 변화 추적 → 고정된 인구집단 특성뿐 아니라 동기가 바뀌는 계기와 변화하지 않는 상태까지 예측 신호로 다루려 한다.
3. 제품 수요와 브랜드 인식까지 다루는 시장조사 → 광고 표현이나 포장 요소의 선택을 넘어 제품·브랜드 전략의 전제 자체를 검토하는 데 활용될 수 있다.

🧠 상세 정리

1. 인간 행동 예측 분야의 투자와 Mirror Particle의 등장

2026년 10월 6일 게재된 기사는 인간 행동을 예측하겠다는 스타트업들이 주목받는 흐름에서 출발한다. 지난 1년간 Simile은 기업가치 20억 달러에 2억 달러를, Aaru는 기업가치 10억 달러에 8,800만 달러를 유치했다. Humans&는 1월 기업가치 44억 8,000만 달러에 4억 8,000만 달러 규모의 시드 투자를 발표했으며, 인간 행동을 모델링하는 Persimmon을 출시했다. 설립 2년 된 샌프란시스코 기업 Mirror Particle은 이 분야에서 브랜드에 소비자 행동과 그 이유를 예측하는 AI 엔진을 제공한다. 회사는 이미 엔젤 투자를 유치했고 첫 벤처 투자 라운드 마무리에 가까워졌다고 밝혔지만, 기사에는 해당 투자 금액이나 기업가치가 제시되지 않는다.

2. 기존 LLM 기반 예측 방식에 대한 비판

현재 인간 행동 예측은 LLM에 목표 인구집단의 역할을 부여하는 프롬프트를 쓰거나 해당 역할에 맞춰 미세조정하는 방식에 크게 의존한다. 공동창업자 겸 CEO Abhivyakti Ahuja는 수천억 개의 데이터 포인트로 학습한 모델을 적은 데이터로 조정하는 일을 나이아가라 폭포에 물총을 쏘는 것에 비유하며, 모델이 여전히 과거에 묶여 있다고 주장한다. 그의 또 다른 비판은 LLM이 문자 언어를 모델링하는 반면 인간은 시각적 지각, 공간 추론, 사회적 지능으로 세상을 이해한다는 것이다. 그는 이런 모델에 의존하면 인간이 실제로 알아차리지 못하는 것에 기초한 통찰을 얻게 되어 행동 예측의 목적에서 벗어난다고 본다. 이는 Ahuja가 제시한 기존 접근법에 대한 반론이며, 기사에는 이를 입증하는 비교 성능 수치가 제시되지 않는다.

3. 변화하는 사람을 모사하는 월드 모델과 데이터

Mirror Particle의 대안은 처음부터 파운데이션 모델을 구축해 사람들이 왜 특정 행동을 하고 그 행동이 시간에 따라 어떻게 달라지는지 모사하는 것이다. Ahuja는 이를 월드 모델이라고 설명하며, 고정된 사람의 모습보다 변화하는 사람을 포착하는 데 초점을 둔다. 이를 위해 사람들이 어떻게 달라지는지, 어떤 계기가 변화를 일으키는지, 변화의 정도가 얼마인지를 보여주는 종단 데이터를 중시하고, 변화하지 않는 상태도 신호로 취급한다. 회사는 고객사의 고객 데이터, 시사 이슈, 대중문화, 소셜미디어 등을 독자적으로 결합해 인구집단을 시간에 따라 진화하는 시스템으로 모델링한다. 특히 설문에서 스스로 보고한 답변보다 실제로 드러난 행동에 비중을 두며, 경험을 거치면서 동기가 어떻게 이동하는지 추적하려 한다.

4. 시장조사에서 제품 수요와 행동의 이유까지

Mirror Particle의 초기 시장 진입 전략은 경쟁사들과 마찬가지로 이미 관련 통찰에 예산이 배정돼 있는 시장조사와 브랜드·제품 전략에 집중한다. 기사에서 제시한 화장품 사례는 Gen Z에게 매력적인 광고 문구를 만드는 데서 출발하지만, 그 집단이 해당 제품 자체를 원하는지 판단하는 문제로 확장된다. Ahuja는 목표 집단이 아이섀도 팔레트를 원하지 않을 수 있으며, 그 시장에 제품을 판매하려면 블러셔가 더 나은 선택일 수 있다고 설명한다. 이는 특정 제품 수요가 확인됐다는 결과가 아니라, 엔진이 다루려는 질문의 범위를 보여주는 예시다. 회사의 예측 엔진은 현재 또는 미래 행동에 대한 권고와 함께 동기, 제약, 추가 맥락을 제공해 브랜드가 판단의 이유를 이해하도록 돕는다고 설명된다.

5. 반려동물 사료 실험과 모델의 학습 구상

초기 실험에서 한 유명 반려동물 사료 브랜드는 매출을 늘리기 위해 포장에 닭고기, 소고기, 채소 중 어떤 이미지를 넣어야 하는지 알고 싶어 했다. Mirror Particle의 기술은 이미지 선택이 중요한 문제가 아니며, 브랜드가 너무 잘 알려져 대중적이고 저렴한 제품으로 인식되는 것이 문제라고 판단했다. 이 사례에서 모델이 제시한 설명은 해당 인식 문제를 해결하기 전까지 매출이 정체될 것이라는 것이지만, 기사에는 이후의 개선 조치나 매출 변화 수치가 나오지 않는다. 사례의 핵심은 주어진 선택지 안에서 답을 고르기보다 브랜드가 처음 던진 질문의 전제를 바꾸는 데 있다. Ahuja는 모델의 발전 방향을 아기가 세상을 배우는 과정에 비유하며, 시각에서 언어, 신체 인식, 사회적 지능으로 이어지는 학습을 언급한다.

6. 창업팀의 배경과 개인 수준 예측으로의 확장

Ahuja의 인간 뇌 모델링에 대한 관심은 신경과학과 컴퓨터과학을 공부한 배경에서 비롯됐다. 인도 출신인 그는 토론토대학교에서 공부하며 Geoffrey Hinton의 신경망 연구에 영감을 받았고, 이후 Amazon Robotics에서 다른 로봇을 만드는 로봇을 개발했다. 그곳에서 공동창업자 Will Song과 Thomson Yen을 만났으며, Song은 영업 개인화 엔진 개발 경험이 있고 Yen은 딥러닝을 활용해 AI 에이전트가 인간 행동을 어떻게 이해하는지 연구했다. 회사의 장기 비전은 인간 행동을 예측하는 범용 계층이 되어 광범위한 집단 분석에서 개인 수준의 통찰로 이동하는 것이다. Ahuja는 AI 및 서로와 함께 일하려면 인간에 대한 더 나은 모델이 필요하다고 말한다. 회사는 2026년 10월 13~15일 샌프란시스코에서 열리는 TechCrunch Disrupt 2026의 Startup Battlefield 200에도 참가한다.

🧾 핵심 주장 / 시사점

• Mirror Particle이 제시하는 차별점은 행동 예측 결과뿐 아니라 변화의 계기와 이유를 설명하는 데 있다. 다만 기사에는 기존 LLM 방식보다 우수하다는 비교 성능 근거가 제시되지 않는다.
• 화장품 예시와 반려동물 사료 실험은 시장조사의 가치가 광고·포장 요소의 최적화에서 제품 수요와 브랜드 인식에 대한 전제 검토로 확장될 수 있음을 보여준다.
• 집단 수준에서 개인 수준으로 이동하려는 장기 비전은 시간에 따른 변화 추적이라는 모델 방향과 연결된다. 기사에서 개인 수준의 통찰은 이미 구현된 성과가 아니라 향후 목표로 제시된다.

✅ 액션 아이템

• Mirror Particle의 실제 행동과 시간에 따른 변화 추적이 기존 LLM 기반 예측의 한계를 보완하는지 검토.
• Gen Z 대상 제품 전략에서 광고 표현과 함께 제품 수요 자체를 검토.
• 반려동물 사료 브랜드 사례를 바탕으로 포장 이미지와 브랜드 인식 중 매출 정체에 관련된 요인을 검토.

❓ 열린 질문

• Mirror Particle의 월드 모델은 기존 LLM 기반 방식보다 소비자 행동과 그 이유를 얼마나 더 잘 예측할 수 있는가?
• 실제로 드러난 행동과 시간에 따른 변화는 인구집단의 동기가 바뀌는 계기와 정도를 어떻게 설명하는가?
• Mirror Particle은 집단 수준의 분석에서 개인 수준의 통찰로 어떻게 확장할 계획인가?