La era estática de la inteligencia artificial ha terminado. O al menos, Trajectory quiere que así sea.
Antiguos investigadores de las grandes ligas (Google, Apple, OpenAI) están apostando todo por una idea. Comentarios del mundo real. Lanzaron Trajectory esta semana, con el objetivo de cerrar el círculo entre el error del usuario y la mejora del modelo. No más entrenar una vez y esperar lo mejor.
Trajectory acaba de recaudar 15 millones de dólares. Ronda de semillas. Valoración de 115 millones de dólares. La condena encabezó la acusación. Se unieron Bessemer y Radical VC. ¿Grandes nombres en la inversión individual? Jeff Dean, científico jefe de Google DeepMind. Fei-Fei Li, la “madrina de la IA”. La pila de credibilidad es espesa.
Ronak Malde es el director ejecutivo. Provenía de Windsurf y luego saltó a DeepMind durante esa desordenada redada de contratación de 2.400 millones de dólares el año pasado. Sus cofundadores incluyen a Arjun Karanam del equipo Vision Pro de Apple y Michael Elabd, anteriormente en el brazo de robótica de DeepMind. Equipo pequeño, sólo once personas en este momento. ¿Ambición? Enorme.
Argumentan que la industria está quebrada. ¿Por qué?
Porque tu IA deja de aprender cuando finaliza la fase de entrenamiento. OpenAI, Anthropic, Google: construyen bestias. Modelos de codificación que escriben mejor que tú. Modelos matemáticos que resuelven pruebas. ¿Pero después del lanzamiento? Congelado. Una estatua. El modelo que te falló el martes te fallará exactamente de la misma manera el viernes.
“Incluso la IA más poderosa de la actualidad es estática”.
Malde señala asistentes de codificación como Cursor como prueba de concepto. Ya utilizan datos de usuarios para modificar modelos constantemente. Es por eso que la codificación de IA explotó tan rápido. No se trata sólo de la fortaleza del modelo base. Es la capa de aprendizaje continuo en la parte superior. Trajectory quiere llevar esa misma mecánica a todas las demás verticales. No sólo código. Atención al cliente. Ventas. Ley.
Aunque es más difícil.
El código se ejecuta o falla. Binario. Limpio. ¿Una solicitud de devolución manejada por un robot de soporte? Eso es complicado. Ambiguo. El éxito es confuso. Karanam admite el desafío. Trayectoria ayuda a las empresas a definir sus propias métricas de éxito. No comienzas con GPT-4. Comienza con un modelo de código abierto, posteriormente capacitado para su trabajo específico.
Tome Decágono. Crean agentes de IA para atención al cliente. Cuando un bot falla y se lo pasa a un humano, Trajectory registra ese error. ¿La próxima semana? Se entrenan en ello. El nuevo modelo no comete ese error. Afirman que estos modelos estrechos y post-entrenados vencen a los gigantes de la frontera en tareas específicas.
A los ejecutivos les encanta la idea. En este momento, implementar IA requiere contratar “ingenieros avanzados”. Consultores elegantes integrados en su empresa para cuidar la pila tecnológica. OpenAI y Anthropic están ocupados formando equipos para realizar este trabajo manual por usted. Elabd odia esto. Quiere que el software se arregle solo. No se necesitan ingenieros para el mantenimiento. Simplemente conéctelo. Aprende. Se pone mejor.
¿Es un verdadero aprendizaje continuo? Los críticos podrían poner los ojos en blanco. Las actualizaciones ocurren semanalmente. Entre esas actualizaciones, el modelo sigue estático. Es intermitente. Un parche. No es una corriente.
Elabd ignora esto. Dice que semanalmente es sólo la puerta de salida. El objetivo son las actualizaciones diarias. Actualizaciones cada hora. Quizás incluso aprendizaje por interacción. Él imagina un mundo donde las empresas no entrenan una IA gigante para todos. Entrenan IA específicas para cada empleado individual. Personalizado. Adaptado. Vivir.
Suena arriesgado. Suena increíble. ¿Cuál será?
Tendremos que esperar al próximo parche semanal para saberlo.
