Trajectory привлекла $45 млн при оценке $300 млн на платформу дообучения ИИ-моделей

Trajectory, стартап, основанный около года назад тремя однокурсниками из Стэнфорда с опытом работы в Google DeepMind и Apple, объявил о раунде Series A на $45 млн при оценке $300 млн. Раунд возглавила Sequoia, в нём также участвовали Nvidia, Bessemer Venture Partners и Bain Capital Ventures. В компании работают 18 человек. Размеры вложений отдельных инвесторов не названы: указано лишь, что Sequoia, ведущий инвестор.

Исходная проблема, как её формулирует TechCrunch: современные ИИ-модели, от OpenAI, Anthropic или на основе открытого кода, не учатся на своих ошибках без дополнительного обучения. Компании, которые адаптируют их под узкие области вроде юриспруденции и финансов, обычно решают это дообучением универсальных моделей. Для этого часто приходится нанимать собственные исследовательские команды или платить дорогим консультантам, так называемым forward-deployed engineers (FDE, инженерам, работающим на стороне клиента).

Trajectory хочет автоматизировать этот процесс, чтобы модели учились на обратной связи и постоянно совершенствовались в специализированных задачах. Сооснователь Ронак Малде сравнил базовые модели с очень умным аспирантом, который всякий раз выходит на новую работу: «Но экономика ценит того, кто проработал на этой работе 30 лет». Подход называется непрерывным обучением (continual learning). Компания берёт открытую модель, подключает платформу к своим приложениям, платформа собирает обратную связь о том, как модель справляется, и на её основе дообучает модель. По словам Малде, юристы, врачи и другие специалисты смогут почти автоматически улучшать модели сами; это, как пишет издание, могло бы сделать внедрение специализированного ИИ быстрее и дешевле. Пользователи сами решают, «как выглядит хороший результат для их организации», и превращают это в улучшения модели.

Уже сейчас платформой пользуются Harvey и Rogo: открытые модели постобучаются так, чтобы вести себя ближе к опытным юристам или финансовым аналитикам, учась на прошлых задачах, например, проверке определённого типа юридического договора или оценке компании по конкретной методике. Среди других клиентов названы Decagon, Mercor и Nvidia. Теперь стартап делает платформу постобучения общедоступной.

Подход Trajectory, как отмечает издание, имеет сходство с рекурсивным самоулучшением (RSI), идеей, что ИИ-системы улучшают собственные возможности. Но сооснователь Майкл Элабд утверждает, что участие человека в обучении делает подход безопаснее, поскольку автономное самоулучшение может привести к непредвиденным и даже опасным последствиям.

Там же перечислены конкуренты: Thinking Machines Lab (основана бывшим техническим директором OpenAI Мирой Мурати, стоит за платформой дообучения Tinker), Trajectory считает её прямым конкурентом; Applied Compute, оценённая в $3,25 млрд в прошлом месяце; и Prime Intellect, которая помогает компаниям создавать и обучать собственных ИИ-агентов.

Главным преимуществом Малде считает команду. Сам он был среди горстки исследователей, которых Google DeepMind принял из Windsurf (acqui-hire). Элабд тоже работал в DeepMind, а третий сооснователь Арджун Каранам раньше занимался генеративными базовыми моделями в Apple. В стартап также пришли исследователи и дизайнеры продуктов из OpenAI, Stripe и Netflix. Зачем компании по обучению ИИ дизайнеры? По словам Каранама, стартап сделал интерфейс, который делает постобучение доступнее для клиентов без технической подготовки.

Ключевые факты

Trajectory (основана около года назад, 18 сотрудников) привлекла $45 млн в раунде Series A при оценке $300 млн; лидер, Sequoia, участвовали Nvidia, Bessemer Venture Partners и Bain Capital Ventures.
Платформа собирает обратную связь о работе открытой модели в приложении клиента и использует её для дообучения под узкие задачи; теперь она общедоступна.
Клиенты: Harvey и Rogo используют платформу для постобучения открытых моделей; среди других клиентов, Decagon, Mercor и Nvidia.
Конкуренты: Thinking Machines Lab (Tinker), Applied Compute (оценка $3,25 млрд в прошлом месяце) и Prime Intellect.
Сооснователь Элабд считает, что участие человека делает подход безопаснее, чем автономное самоулучшение (RSI).

Почему это важно

Дообучение моделей под узкие области сегодня упирается в исследовательские команды или дорогих консультантов-инженеров (FDE). Trajectory пытается убрать это препятствие: специалист из предметной области сам задаёт, что считать хорошим результатом, а платформа переводит это в улучшения модели. Раунд от Sequoia при оценке $300 млн для компании из 18 человек показывает интерес инвесторов к автоматизации постобучения; среди конкурентов названа Applied Compute с оценкой $3,25 млрд.

Кому это важно

Компаниям из юриспруденции, финансов и других специализированных областей, которые хотят адаптировать открытые модели без собственной исследовательской команды. Также рынок платформ постобучения (Thinking Machines Lab, Applied Compute, Prime Intellect) стоит отслеживать инвесторам и разработчикам ИИ-продуктов.

Как это применить

По описанию, компания выбирает открытую модель, подключает платформу к своим приложениям, платформа собирает обратную связь о работе модели и по ней дообучает её. Платформа теперь общедоступна. Цена платформы в материале не названа, как и то, какие именно открытые модели поддерживаются.

Можно ли доверять

Материал TechCrunch построен на разговоре с основателями и описывает заявленные возможности продукта. Измеренных результатов улучшения моделей, данных о выручке и числе клиентов в тексте нет; что именно получили Harvey, Rogo и другие клиенты, не сказано. Довод Элабда о большей безопасности, его собственный аргумент, издание его независимо не оценивает.

Риски и подводные камни

Обещание, что специалисты без технической подготовки смогут почти автоматически улучшать модели, пока подкреплено только словами основателей. Технических деталей переобучения (какой метод, какие модели) и сроков улучшения в источнике нет. Рынок не пустой: у Trajectory есть названные конкуренты, один из них, прямой, а оценка Applied Compute заметно выше. Издание отмечает сходство подхода с рекурсивным самоулучшением, а безопасность обосновывает Элабд участием человека.

«Но экономика ценит того, кто проработал на этой работе 30 лет.»

— Ронак Малде, сооснователь Trajectory, TechCrunch