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

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：如果没有进一步训练，它们无法从错误中学习。

为法律和金融等专业领域调整这些模型的企业，通常通过微调通用模型来绕过这一问题。然而，这往往需要聘请内部研究团队或依赖昂贵的顾问，也就是通常所说的前置部署工程师（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和苹果工作。该公司希望将这一过程自动化，让人工智能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、却总是在换新工作的博士生。“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的企业可以从开源人工智能模型起步，并将该平台与其应用连接，使其能够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推移不断改进。

Malde说，借助Trajectory，律师、医生和其他专家几乎可以自行改进模型。这种能力可以让专业人工智能的部署变得更快、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——例如审阅某一类特定法律合同，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开放。

Malde说，使用Trajectory的人决定“对他们组织来说什么才算好，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，后者是指人工智能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。它把由前OpenAI首席技术官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，同时还将上月估值32.5亿美元的Applied Compute，以及帮助企业构建和训练自己人工智能代理的Prime Intellect视为竞争对手。

Malde认为，这家初创公司最大的优势在于其团队。他是Google DeepMind从Windsurf acqui-hire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此前在苹果从事生成式基础模型工作。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人工智能训练的公司如此重要？Karanam说，这家初创公司开发了一个界面，使其非技术客户更容易使用后训练。