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

无论是 OpenAI、Anthropic 开发的，还是基于开源替代方案构建的，当前的人工智能模型都有一个关键局限：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绕过这一局限。然而，这往往需要组建内部研究团队或依赖昂贵的顾问，这类顾问通常被称为前置部署工程师（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 工作过。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，它在由红杉资本领投的 A 轮融资中筹集了 4500 万美元，估值达 3 亿美元，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的博士生，但总是在换新工作。“但经济所看重的是在一个岗位上工作了 30 年的人，”他告诉 TechCrunch。

这家初创公司旨在通过一种被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 模型开始，将平台连接到自己的应用程序，从而收集有关模型表现的反馈。Trajectory 随后利用这些信息重新训练模型，帮助它在专业任务上随着时间的推移不断改进。

Malde 表示，借助 Trajectory，律师、医生和其他专业人士几乎可以自行自动改进模型。这种能力可以让专业 AI 的部署变得更快、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，通过从以往任务中学习（例如审阅特定类型的法律合同，或使用特定方法对一家公司进行估值），帮助它们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 和英伟达。这家初创公司现在正将其后训练平台公开推出。

Malde 表示，使用 Trajectory 的人决定“对他们组织来说什么算是好的表现，并能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，后者是指 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。它将由前 OpenAI CTO Mira Murati 创立、也是微调平台 Tinker 背后的公司 Thinking Machines Lab 视为直接竞争对手，同时还有上个月估值达 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是其团队。他是 Google DeepMind 从 Windsurf 收编的少数研究人员之一。Elabd 也曾在 DeepMind 工作，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工作。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，使其非技术客户也能更容易地进行后训练。

当您通过我们文章中的链接进行购买时，我们可能会赚取少量佣金。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。加入 TechCrunch 之前，她曾为 PitchBook 和 Venture Capital Journal 撰写风险投资相关报道。职业生涯早期，Marina 曾担任金融分析师，并获得了 CFA 特许资格。

您可以通过发送邮件至 [email protected] 或通过 Signal 加密消息 +1 347-683-3909 联系 Marina 或核实其联系信息。

查看简介