Trajectory 融资4500万美元，旨在让非技术专家也能轻松进行AI模型训练

无论是由 OpenAI 或 Anthropic 开发，还是基于开源替代方案构建，当前的 AI 模型都共享一个关键局限：它们在没有进一步训练的情况下无法从错误中学习。 将这些模型适应于法律和金融等专业领域的企业，通常通过微调通用模型来绕过这一限制。然而，这往往需要雇佣内部研究团队或依赖昂贵的顾问，也就是所谓的向前部署工程师（FDEs）。 轨迹是一家由三位曾在Google DeepMind和Apple任职的斯坦福同学约一年前创办的初创公司，旨在自动化该流程，使AI模型能够从反馈中学习并持续优化专业任务。 这家拥有 18 名员工的公司刚刚宣布，在由 Sequoia 领投、Nvidia、Bessemer Venture Partners 和 Bain Capital Ventures 参与的 A 轮融资中筹集了 4500 万美元，估值为 3 亿美元。 Trajectory 联合创始人 Ronak Malde 将基础模型比作一位非常聪明但总是开始新工作的博士生。“但经济价值看重的是在一个岗位上工作了 30 年的人，”他告诉 TechCrunch。 该初创公司旨在通过一种称为持续学习的方法来解决问题。使用 Trajectory 的企业可以从一个开源 AI 模型开始，并将平台连接到其应用程序，从而收集关于模型性能的反馈。然后，Trajectory 利用这些信息重新训练模型，帮助它在专业任务上随时间推移不断改进。 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。这种能力将使部署专用 AI 更快且更便宜。 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，帮助它们通过从先前的任务（如审查特定类型的法律合同或使用特定方法对公司进行估值）中学习，表现得更像经验丰富的律师或金融分析师。Trajectory 的其他客户包括 Decagon、Mercor 和 Nvidia。该初创公司现在正在公开提供其 post-training 平台。 Malde 说：“使用 Trajectory 的人决定‘什么对他们组织来说是好的’，并可以将其转化为模型的改进。” Trajectory 的持续学习方法与递归自我改进（RSI）有一些相似之处，即 AI 系统能够提升自身能力。但联合创始人 Michael Elabd 认为，让人类参与训练过程使 Trajectory 的方法更安全，因为自主的自我改进可能导致意外甚至危险的结果。 Trajectory并非唯一一家试图自动化后训练阶段的初创公司；它视Thinking Machines Lab为直接竞争对手，后者由前OpenAI首席技术官Mira Murati创立，也是微调平台Tinker背后的公司，此外还有上月估值达32.5亿美元的Applied Compute以及帮助公司构建和训练自有AI代理的Prime Intellect。 Malde认为这家初创公司最大的优势在于其团队；他是少数几位被Google DeepMind从Windsurf收购而来的研究人员之一，Elabd也曾在DeepMind工作，而Trajectory的另一位联合创始人Arjun Karanam此前在Apple从事生成式基础模型的研究，该公司还从OpenAI、Stripe和Netflix招募了研究人员和产品设计师。 为什么设计对一个专注于 AI 培训的公司如此重要？Karanam 表示，该初创公司开发了一个界面，使其非技术客户更容易进行 post-training。