2 ноября стартап Trajectory объявил о привлечении $45 млн в раунде A при оценке $300 млн. Раунд возглавила Sequoia, участие приняли Nvidia, Bessemer Venture Partners и Bain Capital Ventures.
Проблема, с которой работает компания, техническая: базовые модели — от OpenAI, Anthropic или из открытых разработок — не учатся на своих ошибках без дополнительного обучения. Чтобы модель разбиралась в узкой области вроде права или финансов, компании обычно держат внутренние исследовательские команды или нанимают внешних инженеров (forward-deployed engineers). Trajectory этот этап автоматизирует.
Схема такая: клиент подключает платформу к своему приложению на базе открытой модели, система собирает обратную связь о том, как модель справляется с реальными задачами, и переобучает её на этих данных. Подход компания называет continual learning — непрерывное обучение. Что считать хорошим результатом, задают сами пользователи платформы, в том числе юристы и врачи.
Среди клиентов — юридический стартап Harvey и финансовая Rogo: они дообучают модели на разборе конкретных типов договоров и на оценке компаний по своей методике. Также платформой пользуются Decagon, Mercor и Nvidia. Из закрытого теста сервис вышел в открытый доступ.
Основана компания около года назад тремя однокурсниками по Стэнфорду. Ронак Малде и Майкл Элабд работали в Google DeepMind, Арджун Каранам — над генеративными моделями в Apple. В штате 18 человек, среди нанятых есть исследователи и продуктовые дизайнеры из OpenAI, Stripe и Netflix.
Малде сравнивает базовые модели с очень умным аспирантом, который постоянно начинает новую работу: «А экономика ценит того, кто проработал на одном месте 30 лет». Элабд отдельно оговаривает отличие от идеи полностью автономного самоулучшения ИИ: в Trajectory человек остаётся в контуре обучения, поэтому модель меняется только по заданным людьми критериям.
Конкуренты — Thinking Machines Lab Миры Мурати с платформой Tinker, Applied Compute (оценена в $3,25 млрд) и Prime Intellect. Главным преимуществом Малде считает команду и интерфейс: пост-обучение должно выглядеть не как научный эксперимент, а как рабочий инструмент для неинженеров.
