🤖
🤖
核心导读
Trajectory获4500万美元A轮融资,估值3亿美元,由红杉领投,英伟达等参投。其平台通过持续学习,让法律、金融等领域的非技术专家借助反馈自动后训练开源模型,降低专业AI部署成本,并强调人类参与训练以提升安全性。
无论是OpenAI、Anthropic开发的模型,还是基于开源替代方案构建的模型,当前AI模型都有一个关键局限:若不进行进一步训练,它们无法从错误中学习。
企业若要将这些模型适配法律、金融等专业领域,通常会对通用模型进行微调。但这往往要求企业组建内部研究团队,或依赖昂贵的顾问——即通常所说的前置部署工程师(FDE)。
Trajectory是一家约一年前由三位斯坦福同学创立的初创公司,他们曾在Google DeepMind和Apple任职。该公司希望将这一过程自动化,让AI模型能够从反馈中学习,并在专业任务上持续改进。
这家拥有18名员工的公司刚刚宣布,已完成4500万美元A轮融资,估值3亿美元;本轮由红杉领投,英伟达、Bessemer Venture Partners和Bain Capital Ventures参投。
Trajectory联合创始人Ronak Malde将基础模型比作一个非常聪明、却总在开始新工作的博士生。他在接受TechCrunch采访时表示:“但经济真正看重的是在一个岗位上干了30年的人。”
这家初创公司希望通过一种被称为持续学习的方法解决这一问题。使用Trajectory的企业可以从开源AI模型起步,将平台接入其应用,从而收集模型表现的反馈。Trajectory随后利用这些信息对模型进行再训练,帮助其在专业任务上随时间不断改进。
Malde表示,借助Trajectory,律师、医生和其他专家几乎可以自行自动改进模型。这一能力有望让专业AI的部署更快、成本更低。
Harvey和Rogo等公司已在使用Trajectory平台对开源模型进行后训练,使其通过从以往任务中学习,表现得更像经验丰富的律师或金融分析师;这些任务包括审阅某一类法律合同,或采用特定方法为公司估值。Trajectory的其他客户还包括Decagon、Mercor和英伟达。该公司目前正将其后训练平台公开开放。
Malde表示,使用Trajectory的人可以决定“对其组织而言什么才算好”,并将这一标准转化为模型的改进。
Trajectory的持续学习方法与递归自我改进(RSI)有一些相似之处,后者指AI系统能够提升自身能力。但联合创始人Michael Elabd认为,让人类持续参与训练过程,会使Trajectory的方法更安全,因为自主自我改进可能导致意外甚至危险的后果。
Trajectory并非唯一试图自动化后训练的初创公司。它把前OpenAI CTO Mira Murati创立的Thinking Machines Lab(也是微调平台Tinker背后的公司)视为直接竞争对手;同样被视为竞争对手的还有上月估值32.5亿美元的Applied Compute,以及帮助企业构建和训练自有AI智能体的Prime Intellect。
Malde认为,这家初创公司最大的优势在于团队。他是Google DeepMind从Windsurf收购式招聘的少数研究人员之一。Elabd也曾在DeepMind工作,而Trajectory的第三位联合创始人Arjun Karanam此前在Apple从事生成式基础模型研究。该公司还从OpenAI、Stripe和Netflix招募了研究人员和产品设计师。
为什么设计对一家专注AI训练的公司如此重要?Karanam说,这家初创公司开发了一种界面,使其后训练技术对非技术客户更易上手。
分享这篇文章: