Trajectory nevű startup, amelyet nagyjából egy éve három, Stanfordon együtt tanult alapító indított — köztük olyan háttérrel, amely magában foglalja a Google DeepMind és az Apple tapasztalatait — azt a problémát célozza megoldani, hogy a mai nagyméretű alapmodellek nem tanulnak hibáikból további tréning nélkül.
A cég 18 fős, és bejelentette, hogy 45 millió dollárt gyűjtött egy Series A fordulóban 300 millió dolláros értékelés mellett. A kört a Sequoia vezette; részt vett benne az Nvidia, a Bessemer Venture Partners és a Bain Capital Ventures.
Mi a probléma, és hogyan közelíti meg Trajectory?
A jelenlegi nagy nyelvi és alapmodellek — legyenek azok OpenAI, Anthropic termékei vagy nyílt forráskódú alternatívák — gyakran csak alapvető tudást visznek át, de nem javulnak automatikusan a specifikus feladatokban. A vállalatok, amelyek jogi, pénzügyi vagy orvosi területre szabják a modelleket, rendszerint finomhangolással (fine-tuning) oldják meg a problémát, amihez belső kutatócsapatot kell felvenniük vagy költséges tanácsadókra, úgynevezett forward-deployed engineerökre (FDE-kre) támaszkodnak.
Trajectory célja az automatizálás: a platform lehetővé teszi, hogy egy ügyfél nyílt forráskódú vagy általános modellt csatlakoztasson a saját alkalmazásaihoz, a rendszer pedig gyűjtse az alkalmazáson belüli visszajelzéseket. Ezt az információt a Trajectory használja a modell folyamatos újratréningjéhez (post-training), így a modell idővel jobban teljesít a konkrét, szakmai feladatokban.
A startup társalapítója, Ronak Malde a modelleket egy nagyon okos PhD-hallgatóhoz hasonlította, aki mindig új állást kezd; a gazdaság viszont olyan szakembereket értékel, akik évek tapasztalatával rendelkeznek. Trajectory szerint a platform közel automatikussá teheti azt a folyamatot, amely eddig kizárólag szakértők (például jogászok vagy orvosi szakértők) bevonását igényelte.
Ügyfelek, piaci bevezetés és elérhetőség
A Trajectory ügyfelei között már szerepelnek a Harvey és a Rogo, amelyek a startup platformját használják nyílt forráskódú modellek utótréningjére, hogy azok tapasztaltabb jogászok vagy pénzügyi elemzők módjára működjenek — például speciális szerződéstípusok áttekintésében vagy vállatértékelési módszerek alkalmazásában. További ügyfelek: Decagon, Mercor és Nvidia. A cég most tette nyilvánosan hozzáférhetővé a post-training platformját.
A Trajectory hangsúlyozza, hogy az ügyfelek határozzák meg, náluk „mi számít jónak”, és ezt a kritériumrendszert alakítja át javulásokká a modellben.
Biztonság, versenytársak és a csapat szerepe
A Trajectory folyamatos tanulás (continual learning) eljárása részben kapcsolódik a recurszív önfejlesztés (recursive self-improvement) koncepciójához — vagyis az ötlethez, hogy AI-rendszerek képesek lehetnek saját képességeik javítására. A társalapító Michael Elabd szerint azonban a humán szereplők megtartása a képzésben biztonságosabb megközelítés, mert az autonóm önfejlesztés nem kívánt vagy akár veszélyes következményekhez vezethet.
A Trajectory nem egyedül próbálja automatizálni az utótréninget. Közvetlen versenytársának tekinti a Thinking Machines Labet (amelyet Mira Murati, korábbi OpenAI műszaki igazgató alapított), a Tinker finomhangoló platformot üzemeltető céget, valamint az Applied Compute-ot (amelyet hónapokkal ezelőtt 3,25 milliárd dolláros értékeléssel jegyeztek), illetve a Prime Intellectet, amely vállalatoknak segít saját AI-agentek építésében és tréningelésében.
A Trajectory egyik legfőbb előnyének a csapatot tartja. A társaság alapítói és munkatársai között többen dolgoztak a Google DeepMindnál (egyeseket a DeepMind Windsurf felvásárolt), illetve voltak az Apple-nél, OpenAI-nál, Stripe-nál és Netflixnél dolgozó kutatók és terméktervezők. Az alapítók — Ronak Malde, Michael Elabd és Arjun Karanam — mindhároman rendelkeznek vonatkozó kutatói és ipari tapasztalattal; Karanam korábban generatív alapmodelleken dolgozott az Apple-nél.
A design szerepét Arjun Karanam külön kiemelte: a startup olyan felhasználói felületet fejlesztett, amely megkönnyíti az utótréning folyamatát a nem technikai ügyfelek számára, így a megoldás használata kevésbé igényli a belső kutatócsapat felépítését.
Miért számít ez?
A Trajectory megoldása csökkentheti a költségeket és felgyorsíthatja a speciális AI-megoldások bevezetését az ipari felhasználók számára azáltal, hogy minimalizálja a drága külső szakértők vagy nagy belső kutatócsapatok szükségességét. Ugyanakkor a piac versenyzői és a technológia biztonsági kérdései miatt a megközelítések hatékonysága és kockázatai a következő időszak fontos megfigyelési pontjai lesznek.
