Компания Trajectory, основанная бывшими сотрудниками Google DeepMind, Apple, OpenAI и Meta Superintelligence Labs, объявляет о запуске стартапа, направленного на помощь компаниям в постоянном улучшении их ИИ-продуктов за счет обучения на реальных взаимодействиях пользователей.
Цель компании: непрерывное обучение ИИ
Траектория хочет создать платформу для ИИ, которая может обучаться непрерывно — способность, которую исследователи долгое время считали барьером для дальнейшего прогресса в ИИ. OpenAI, Google и Anthropic добились успеха в обучении все более способных версий ИИ-моделей, особенно для таких областей, как программирование, математика и наука. Однако эти системы перестают становиться умнее после завершения обучения. Несмотря на некоторые недавние прорывы в непрерывном обучении, технологические компании в целом столкнулись с трудностями в создании ИИ-продуктов, которые учатся на своих ошибках в реальном времени.
Финансирование и участники
Траектория получила $15 миллионов в серии A при оценке $115 миллионов. Инвестиции в стартап осуществили венчурные компании Conviction, Bessemer Venture Partners, Radical VC и BoxGroup. Также в раунде участвовали индивидуальные инвесторы, включая главного научного сотрудника Google DeepMind Джифа Дина и профессора Стэнфорда, гендиректора World Labs Фэй-Фэй Ли.
Команда и технологии
Основатель и CEO Trajectory Ронак Малде ранее работал исследователем в Windsurf и стал одним из немногих сотрудников, перешедших в Google DeepMind в рамках сделки на $2,4 миллиарда. Другие соучредители — Арджун Каранам, бывший исследователь Apple, работавший над Vision Pro, и Майкл Элабд, который ранее работал в робототехническом подразделении Google DeepMind.
Малде утверждает, что продукты вроде Cursor уже используют раннюю версию непрерывного обучения, используя данные о взаимодействии пользователей для пост-обучения и регулярных обновлений моделей. Он считает, что это основная причина быстрого роста ИИ-продуктов для программирования и часть причины, по которой крупные лаборатории спешат разрабатывать собственные приложения для программирования.
Проблемы и решения
Одной из проблем является то, что программирование легко проверяется — код либо работает, либо нет, но в некоторых отраслях определение успеха более расплывчато. Каранам говорит, что часть того, что предлагает платформа Trajectory, — это оптимизация ИИ-модели под конкретные потребности бизнеса.
Вместо использования готовых моделей от OpenAI или Anthropic, клиенты Trajectory начинают с открытой модели, которая была пост-обучена для конкретного продукта. Для Decagon, компании, создающей ИИ-агентов для поддержки клиентов, Trajectory фиксирует случаи, когда ИИ не справляется — например, когда клиент пытается вернуть товар, но его запрос перенаправляется человеку — и использует эти случаи для пост-обучения новой модели каждую неделю.
Цели и будущее
Компания планирует расширить использование своей платформы на предприятия, включая стартапы в сфере корпоративных продаж и юридического ИИ. Хотя сейчас Trajectory работает в основном с ИИ-специалистами, в будущем она намерена продвигать свою платформу среди Fortune 500.
Критики могут утверждать, что Trajectory еще не создала истинное непрерывное обучение, хотя бы в традиционном смысле. Модели стартапа обновляются только раз в неделю, а между обновлениями остаются статичными. Однако Элабд утверждает, что компания только начинает и что отрасль движется к новой парадигме, где ИИ учится на опыте, как это уже происходит в области ИИ-программирования.
«Каждый день может быть недостаточно. Может быть, каждую минуту, каждое взаимодействие», — говорит Элабд. «Может быть, каждая компания не нуждается только в одном ИИ, вы можете обучить ИИ для каждого человека в каждой компании».
Прокомментировать в Телеграм: https://t.me/n8nhow
Подписаться на канал обучения n8n: https://t.me/n8ncoaching