Unabhängig davon, ob das Modell von OpenAI, Anthropic oder einer modifizierten Open-Source-Lösung stammt, haben die aktuellen KI-Technologien eine gemeinsame Schwäche: Ohne zusätzliche Schulung können sie nicht aus ihren eigenen Fehlern lernen. Unternehmen, die allgemeine Modelle in spezialisierten Bereichen wie Recht oder Finanzen einsetzen möchten, müssen in der Regel ein Feintuning durchführen, was oft bedeutet, dass sie interne Forschungsteams aufbauen oder teure externe Deployment-Ingenieure einstellen müssen.
Die vor etwa einem Jahr gegründete Firma Trajectory möchte diesen Prozess automatisieren. Die drei Gründer des Unternehmens sind Stanford-Absolventen, die zuvor bei Google DeepMind und Apple tätig waren. Das Unternehmen gab kürzlich bekannt, 45 Millionen USD (ca. 320 Millionen RMB) in einer A-Runde erhalten zu haben, mit einer Bewertung von 300 Millionen USD (ca. 2,13 Milliarden RMB), angeführt von Sequoia Capital, mit Beteiligung von NVIDIA, Bessemer und Bain Capital Ventures. Derzeit hat das Unternehmen nur 18 Mitarbeiter.
Trajectory bietet automatisierte KI-Tuning-Lösungen an
Trajectory verfolgt einen Ansatz des kontinuierlichen Lernens: Unternehmen können mit einem Open-Source-Modell beginnen, ihre Plattform in ihre Anwendungen integrieren und das System kontinuierlich Feedback zur Modellleistung sammeln, um das Modell mit diesen Informationen neu zu trainieren und es in spezifischen Aufgaben immer besser zu machen. Mitgründer Ronak Malde vergleicht das Grundmodell mit einem sehr klugen, aber ständig wechselnden Doktoranden: „Was die Wirtschaft wirklich schätzt, sind die Menschen, die 30 Jahre in einer Position gearbeitet haben.“
Laut Malde können Anwälte, Ärzte und andere Fachleute mit Trajectory im Grunde genommen das Modell selbst anpassen, ohne auf Algorithmenteams angewiesen zu sein, wodurch die Implementierung von professioneller KI schneller und kostengünstiger wird. Harvey und Rogo nutzen bereits diese Plattform, um Open-Source-Modelle nachzutrainieren, sodass sie mehr wie erfahrene Anwälte oder Finanzanalysten agieren, beispielsweise indem sie lernen, bestimmte Arten von Verträgen zu überprüfen oder Unternehmen nach bestimmten Methoden zu bewerten. Weitere Kunden sind Decagon, Mercor und NVIDIA, und die Plattform ist mittlerweile öffentlich zugänglich.
Dieser Ansatz ähnelt der „rekursiven Selbstverbesserung“, doch Mitgründer Michael Elabed ist der Meinung, dass die Einbeziehung von Menschen in den Trainingsprozess Trajectory sicherer macht, da vollständig autonome Selbstverbesserungen unerwartete und sogar gefährliche Ergebnisse hervorrufen könnten. In diesem Bereich gibt es zahlreiche Wettbewerber, darunter die Feintuning-Plattform Tinker von Thinking Machines Lab, Applied Compute, das letzten Monat mit 3,25 Milliarden USD (ca. 23,1 Milliarden RMB) bewertet wurde, und Prime Intellect, das Unternehmen bei der Verwaltung ihrer eigenen intelligenten Agenten unterstützt, die alle als direkte Konkurrenten angesehen werden.
Malde sieht das Team als den größten Vorteil: Er selbst war einer der Forscher, die von Google DeepMind aus Windsurf rekrutiert wurden, Elabed stammt ebenfalls von DeepMind, und der dritte Gründer, Arjun Kalanithi, war zuvor bei Apple im Bereich generative Grundmodelle tätig. Das Unternehmen hat auch Forscher und Produktdesigner von OpenAI, Stripe und Netflix eingestellt. Kalanithi erklärt, dass sie eine Benutzeroberfläche entwickelt haben, die es auch technisch weniger versierten Kunden ermöglicht, das Nachtraining problemlos durchzuführen.

