مدل‌های هوش مصنوعی امروزی، چه OpenAI و Anthropic آن‌ها را توسعه داده باشند و چه بر پایه جایگزین‌های متن‌باز ساخته شده باشند، یک محدودیت اساسی دارند: بدون آموزش بیشتر، از اشتباهات خود درس نمی‌گیرند.

کسب‌وکارهایی که این مدل‌ها را برای حوزه‌های تخصصی مانند حقوق و امور مالی تطبیق می‌دهند، معمولاً با تنظیم دقیق مدل‌های عمومی از این محدودیت عبور می‌کنند. اما این کار اغلب به استخدام تیم‌های پژوهشی داخلی یا استفاده از مشاوران گران‌قیمت نیاز دارد؛ مشاورانی که معمولاً با عنوان مهندسان مستقر در محل (FDE) شناخته می‌شوند.

Trajectory، استارتاپی که حدود یک سال پیش به دست سه هم‌کلاسی دانشگاه استنفورد با سابقه فعالیت در Google DeepMind و Apple تأسیس شد، می‌خواهد این فرایند را خودکار کند تا مدل‌های هوش مصنوعی بتوانند از بازخوردها یاد بگیرند و به‌طور پیوسته در انجام وظایف تخصصی بهتر شوند.

این شرکت ۱۸ نفره به‌تازگی اعلام کرد در دور تأمین مالی سری A، با ارزش‌گذاری ۳۰۰ میلیون دلاری، ۴۵ میلیون دلار سرمایه جذب کرده است. Sequoia این دور را رهبری کرد و Nvidia، Bessemer Venture Partners و Bain Capital Ventures نیز در آن مشارکت داشتند.

Ronak Malde، هم‌بنیان‌گذار Trajectory، مدل‌های پایه را به دانشجوی دکتری بسیار باهوشی تشبیه کرد که همیشه کار تازه‌ای را شروع می‌کند. او به TechCrunch گفت: «اما آنچه اقتصاد برایش ارزش قائل است، کسی است که ۳۰ سال در یک شغل کار کرده باشد.»

این استارتاپ قصد دارد با رویکردی موسوم به یادگیری پیوسته این مشکل را حل کند. کسب‌وکارهایی که از Trajectory استفاده می‌کنند، می‌توانند کار را با یک مدل هوش مصنوعی متن‌باز آغاز کنند و این پلتفرم را به اپلیکیشن‌های خود متصل کنند تا بازخوردها درباره عملکرد مدل جمع‌آوری شود. سپس Trajectory از این اطلاعات برای آموزش مجدد مدل استفاده می‌کند و به آن کمک می‌کند در گذر زمان، وظایف تخصصی را بهتر انجام دهد.

Malde گفت با Trajectory، وکلا، پزشکان و دیگر متخصصان می‌توانند تقریباً به‌طور خودکار مدل‌ها را بهبود دهند. این قابلیت می‌تواند استقرار هوش مصنوعی تخصصی را سریع‌تر و ارزان‌تر کند.

شرکت‌هایی مانند Harvey و Rogo هم‌اکنون از پلتفرم Trajectory برای پس‌آموزش مدل‌های متن‌باز استفاده می‌کنند. این کار با یادگیری از وظایف پیشین، مانند بررسی نوع خاصی از قرارداد حقوقی یا ارزش‌گذاری یک شرکت با استفاده از روشی مشخص، به مدل‌ها کمک می‌کند عملکردی شبیه وکلای باتجربه یا تحلیلگران مالی داشته باشند. Decagon، Mercor و Nvidia نیز از دیگر مشتریان Trajectory هستند. این استارتاپ اکنون پلتفرم پس‌آموزش خود را به‌طور عمومی عرضه می‌کند.

Malde گفت افرادی که از Trajectory استفاده می‌کنند، تعیین می‌کنند «عملکرد خوب برای سازمانشان چه معنایی دارد و می‌توانند آن را به بهبودهایی در مدل خود تبدیل کنند».

رویکرد Trajectory به یادگیری پیوسته، شباهت‌هایی با خودبهبوددهی بازگشتی (RSI) دارد؛ ایده‌ای که بر اساس آن، سامانه‌های هوش مصنوعی می‌توانند قابلیت‌های خود را بهبود دهند. اما Michael Elabd، هم‌بنیان‌گذار شرکت، استدلال می‌کند که دخیل نگه‌داشتن انسان‌ها در فرایند آموزش، رویکرد Trajectory را ایمن‌تر می‌کند؛ زیرا خودبهبوددهی خودمختار ممکن است به نتایج ناخواسته یا حتی خطرناک منجر شود.

Trajectory تنها استارتاپی نیست که می‌کوشد پس‌آموزش را خودکار کند. این شرکت Thinking Machines Lab را که Mira Murati، مدیر ارشد فناوری پیشین OpenAI، تأسیس کرده و سازنده پلتفرم تنظیم دقیق به نام Tinker است، رقیبی مستقیم می‌داند. Applied Compute که ماه گذشته ۳٫۲۵ میلیارد دلار ارزش‌گذاری شد و Prime Intellect که به شرکت‌ها در ساخت و آموزش عامل‌های هوش مصنوعی خودشان کمک می‌کند، دیگر رقبای این شرکت هستند.

Malde معتقد است بزرگ‌ترین مزیت استارتاپ، تیم آن است. او یکی از شماری از پژوهشگرانی بود که Google DeepMind با خرید Windsurf جذب کرد. Elabd نیز در DeepMind کار کرده بود و Arjun Karanam، سومین هم‌بنیان‌گذار Trajectory، پیش‌تر روی مدل‌های پایه مولد در Apple کار می‌کرد. این استارتاپ همچنین پژوهشگران و طراحان محصولی را از OpenAI، Stripe و Netflix جذب کرده است.

چرا طراحی برای شرکتی که بر آموزش هوش مصنوعی متمرکز است تا این اندازه اهمیت دارد؟ Karanam می‌گوید این استارتاپ رابطی توسعه داده است که پس‌آموزش را برای مشتریان غیر فنی‌اش دسترس‌پذیرتر می‌کند.