Trajectory 融资 4500 万美元，让非技术专家也能训练 AI 模型

无论是 OpenAI 或 Anthropic 开发的模型，还是基于开源替代方案构建的模型，当前的 AI 模型都有一个共同的关键局限：如果不进行进一步训练，它们无法从错误中学习。

将这些模型适配到法律、金融等专业领域的企业，通常通过微调通用模型来解决这个问题。然而，这往往需要雇佣内部研究团队，或者依赖昂贵的外部顾问——后者通常被称为前置部署工程师（FDE）。

Trajectory 是一家大约一年前由三位斯坦福同窗创办的初创公司，他们曾在 Google DeepMind 和 Apple 工作过。该公司希望将这一流程自动化，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完成 4500 万美元 A 轮融资，估值 3 亿美元，本轮融资由 Sequoia 领投，Nvidia、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总是刚开始新工作的非常聪明的博士生。“但经济所看重的，是在这份工作上干了 30 年的人，”他告诉 TechCrunch。

这家初创公司旨在通过一种称为持续学习的方法来解决这个问题。使用 Trajectory 的企业可以从一个开源 AI 模型入手，并将该平台连接到自己的应用上，使其能够收集关于模型表现的反馈。Trajectory 随后利用这些信息对模型进行再训练，帮助它在专业任务上随时间不断改进。

Malde 表示，借助 Trajectory，律师、医生和其他专家可以近乎自动地自行改进模型。这一能力可以让专业 AI 的部署更快、更便宜。

Harvey 和 Rogo 等公司已经在使用 Trajectory 的平台对开源模型进行后训练，通过让模型从以往任务中学习——例如审查某种特定类型的法律合同，或使用特定方法对公司进行估值——使它们的表现更接近经验丰富的律师或金融分析师。Trajectory 的其他客户还包括 Decagon、Mercor 和 Nvidia。这家初创公司现已将其后训练平台向公众开放。

使用 Trajectory 的人可以决定“对于他们的组织来说，什么样的表现才算好，并能将其转化为对模型的改进”，Malde 说。

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 系统可以提升自身能力的理念。但联合创始人 Michael Elabd 认为，让人类参与到训练过程中使 Trajectory 的方法更安全，因为自主的自我改进可能导致意料之外甚至危险的后果。

Trajectory 并不是唯一一家试图将后训练自动化的初创公司。它将 Thinking Machines Lab——由前 OpenAI CTO Mira Murati 创办、微调平台 Tinker 背后的公司——视为直接竞争对手，此外还有上月估值达 32.5 亿美元的 Applied Compute，以及帮助企业构建和训练自己 AI 智能体的 Prime Intellect。

Malde 认为这家初创公司最大的优势是它的团队。他是 Google DeepMind 从 Windsurf 收编的少数研究人员之一。Elabd 也曾在 DeepMind 工作过，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的研究。这家初创公司还从 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于 AI 训练的公司如此重要？Karanam 表示，这家初创公司开发了一个界面，让非技术客户也能更轻松地进行后训练。

当你通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。

Marina Temkin 是 TechCrunch 的风险投资与初创企业记者。在加入 TechCrunch 之前，她曾为 PitchBook 和 Venture Capital Journal 撰写有关风险投资的文章。在职业生涯早期，Marina 曾是一名金融分析师，并获得了 CFA 特许资格。

你可以发送电子邮件至 [email protected]，或通过 Signal 加密消息联系 +1 347-683-3909 与 Marina 联系或核实其联络信息。

查看简介