Μια ομάδα ερευνητών τεχνητής νοημοσύνης που εργάστηκαν στο παρελθόν στο Google DeepMind, την Apple, το OpenAI και τα Meta Superintelligence Labs ανακοίνωσαν την Τετάρτη ότι εγκαινιάζουν μια νέα startup. τροχιάστοχεύει να βοηθήσει τις εταιρείες να βελτιώνουν τακτικά τα προϊόντα τεχνητής νοημοσύνης τους με εκπαίδευση σχετικά με τις αλληλεπιδράσεις των χρηστών στον πραγματικό κόσμο.
Η Trajectory θέλει να δημιουργήσει μια πλατφόρμα για τεχνητή νοημοσύνη που μπορεί να μαθαίνει συνεχώς. Αυτό το χαρακτηριστικό θεωρείται εδώ και καιρό από τους ερευνητές ως σημαντικό εμπόδιο για περαιτέρω πρόοδο στην τεχνητή νοημοσύνη. Οι OpenAI, Google και Anthropic έχουν εκπαιδεύσει με επιτυχία ολοένα και πιο ικανές εκδόσεις μοντέλων τεχνητής νοημοσύνης, ειδικά σε τομείς όπως η κωδικοποίηση, τα μαθηματικά και η επιστήμη. Ωστόσο, αυτά τα συστήματα γίνονται λιγότερο έξυπνα μόλις εκπαιδευτούν. Ενώ πρόσφατα υπήρξαν ορισμένες ανακαλύψεις στη συνεχή μάθηση, οι εταιρείες τεχνολογίας γενικά δυσκολεύονται να αναπτύξουν προϊόντα τεχνητής νοημοσύνης που μαθαίνουν από λάθη σε πραγματικό χρόνο. Τον Δεκέμβριο του 2025, στο NeurIPS, ένα από τα μεγαλύτερα ετήσια ερευνητικά συνέδρια τεχνητής νοημοσύνης, ο νικητής του βραβείου Turing Richard Sutton υποστήριξε: Η συνεχής μάθηση είναι απαραίτητη Για την κατασκευή υπερέξυπνων πρακτόρων.
Η Trajectory συγκέντρωσε έναν κύκλο εκκίνησης 15 εκατομμυρίων δολαρίων σε αποτίμηση 115 εκατομμυρίων δολαρίων μετά το χρήμα, με επικεφαλής την εταιρεία επιχειρηματικών κεφαλαίων Conviction, με τη συμμετοχή των Bessemer Venture Partners, Radical VC και BoxGroup. Στο γύρο συμμετείχαν επίσης ιδιώτες επενδυτές, συμπεριλαμβανομένου του επικεφαλής επιστήμονα της Google DeepMind, Τζεφ Ντιν, και της λεγόμενης «νονάς της τεχνητής νοημοσύνης», καθηγήτρια του Πανεπιστημίου Στάνφορντ και Διευθύνων Σύμβουλος του WorldLab Fei-Fei Li.
Ο Ronak Malde, Διευθύνων Σύμβουλος και συνιδρυτής της Trajectory, ήταν προηγουμένως ερευνητής τεχνητής νοημοσύνης στη Windsurf και αργότερα έγινε ένας από τους λίγους υπαλλήλους που εντάχθηκαν στο Google DeepMind όταν προσέλαβε κορυφαία ταλέντα από startups κωδικοποίησης. Συμφωνία 2,4 δισεκατομμυρίων δολαρίων πέρυσι. Οι άλλοι συνιδρυτές της Trajectory περιλαμβάνουν τον Arjun Karanam, έναν πρώην ερευνητή της Apple AI που εργάστηκε στο Vision Pro και τον Michael Elabd, ο οποίος εργαζόταν στο παρελθόν στο τμήμα ρομποτικής του Google DeepMind.
Ο Marde είπε στο WIRED ότι ορισμένα σημαντικά προϊόντα κωδικοποίησης AI, όπως το Cursor, εκτελούν ήδη πρώιμες εκδόσεις συνεχούς μάθησης. Πραγματικά δεδομένα για το πώς αλληλεπιδρούν οι άνθρωποι Χρησιμοποιούμε τα δικά μας προϊόντα για εργασίες μετά την εκπαίδευση και αποστέλλουμε τακτικά βελτιώσεις μοντέλων. Αυτός, υποστηρίζει, είναι ένας βασικός λόγος για τον οποίο τα προϊόντα κωδικοποίησης AI έχουν απογειωθεί τόσο γρήγορα και γιατί τα μεγάλα εργαστήρια τεχνητής νοημοσύνης σπεύδουν να αναπτύξουν τις δικές τους εφαρμογές κωδικοποίησης vibe. Με το Trajectory, ο Marde και η ομάδα του από 11 ερευνητές και μηχανικούς ελπίζουν να εφαρμόσουν παρόμοιες τεχνικές για τη βελτίωση των εργαλείων που τροφοδοτούνται από AI εκτός της σφαίρας κωδικοποίησης.
“Ακόμη και το πιο ισχυρό AI σήμερα είναι ακόμα στατικό. Τα μοντέλα AI που χρησιμοποιήσατε χθες θα εξακολουθούν να κάνουν τα ίδια λάθη σήμερα”, λέει ο Marde. “Ορισμένες εταιρείες αρχίζουν να φτάνουν στον κόσμο της συνεχούς μάθησης. Αυτό που κάνουμε είναι να χτίζουμε μια πλατφόρμα για όλες τις εταιρείες να φτάσουν στη συνεχή μάθηση.”
Η πρόκληση κατά την εφαρμογή αυτής της λογικής σε άλλους τομείς είναι ότι η κωδικοποίηση είναι εύκολα επαληθεύσιμη (είτε ο κώδικας εκτελείται είτε όχι), αλλά η επιτυχία ορίζεται χαλαρά σε ορισμένους κλάδους. Ο Karanam είπε ότι μέρος αυτού που προσφέρει η πλατφόρμα της Trajectory βοηθά τις επιχειρήσεις να βελτιστοποιήσουν τα μοντέλα τεχνητής νοημοσύνης τους για τις συγκεκριμένες ανάγκες τους.
Αντί να ξεκινά με μοντέλα εκτός ραφιού από το OpenAI ή το Anthropic, το Trajectory επιτρέπει στους πελάτες να ξεκινήσουν με μοντέλα ανοιχτού κώδικα που είναι εκ των υστέρων εκπαιδευμένα για το συγκεκριμένο προϊόν τεχνητής νοημοσύνης που έχει στο μυαλό της η εταιρεία. Για τον Decagon, έναν πελάτη που κατασκευάζει αντιπροσώπους υποστήριξης πελατών τεχνητής νοημοσύνης, το Trajectory καταγράφει όταν το AI του υπολείπεται (για παράδειγμα, όταν το ερώτημα ενός πελάτη αποστέλλεται πίσω σε έναν άνθρωπο όταν επιχειρεί να επιστρέψει) και χρησιμοποιεί αυτές τις περιπτώσεις για να εκπαιδεύει εκ των υστέρων ένα νέο μοντέλο κάθε εβδομάδα. Η Trajectory ισχυρίζεται ότι αυτά τα εκπαιδευμένα μοντέλα ξεπερνούν τα μοντέλα της Frontier Labs στις στενές εργασίες που είναι πιο σημαντικές για τα προϊόντα της εταιρείας.
