L’era statica dell’intelligenza artificiale è finita. O almeno, Trajectory vuole che lo sia.
Ex ricercatori dei grandi campionati – Google, Apple, OpenAI – stanno scommettendo su un’idea. Feedback dal mondo reale. Hanno lanciato Trajectory questa settimana, con l’obiettivo di chiudere il cerchio tra l’errore dell’utente e il miglioramento del modello. Basta allenarsi una volta e sperare per il meglio.
Trajectory ha appena raccolto 15 milioni di dollari. Seme rotondo. Valutazione 115 milioni di dollari. La convinzione guidò l’accusa. Bessemer e Radical VC si unirono. Grandi nomi degli investimenti individuali? Jeff Dean, scienziato capo di Google DeepMind. Fei-Fei Li, la “madrina dell’intelligenza artificiale”. La pila di credibilità è spessa.
Ronak Malde è amministratore delegato. Veniva da Windsurf, poi è passato a DeepMind durante quella disordinata campagna di assunzioni da 2,4 miliardi di dollari l’anno scorso. Tra i suoi cofondatori figurano Arjun Karanam del team Vision Pro di Apple e Michael Elabd, precedentemente nel braccio di robotica di DeepMind. Piccola squadra, solo undici persone al momento. Ambizione? Enorme.
Sostengono che l’industria è rotta. Perché?
Perché la tua IA smette di apprendere quando termina la fase di addestramento. OpenAI, Anthropic, Google: costruiscono bestie. Modelli di codifica che scrivono meglio di te. Modelli matematici che risolvono dimostrazioni. Ma dopo il lancio? Congelato. Una statua. Il modello che ti ha deluso martedì ti deluderà esattamente nello stesso modo venerdì.
“Anche l’intelligenza artificiale più potente oggi è statica.”
Malde indica assistenti di codifica come Cursor come prova del concetto. Utilizzano già i dati degli utenti per modificare costantemente i modelli. Ecco perché la codifica dell’intelligenza artificiale è esplosa così rapidamente. Non è solo la forza del modello base. È il livello di apprendimento continuo in alto. Trajectory vuole portare la stessa meccanica su ogni altro verticale. Non solo codice. Assistenza clienti. Saldi. Legge.
È più difficile, però.
Il codice viene eseguito o si blocca. Binario. Pulito. Una richiesta di reso gestita da un bot di supporto? È complicato. Ambiguo. Il successo è confuso. Karanam ammette la sfida. Trajectory aiuta le aziende a definire i propri parametri di successo. Non inizi con GPT-4. Inizi con un modello open source, post-addestrato per il tuo lavoro specifico.
Prendi Decagono. Costruiscono agenti AI per l’assistenza clienti. Quando un bot fallisce e passa a un essere umano, Trajectory registra tale errore. La prossima settimana? Si allenano su questo. Il nuovo modello non commette questo errore. Affermano che questi modelli ristretti e post-addestrati battono i giganti di frontiera in compiti specifici.
I dirigenti adorano l’idea. In questo momento, l’implementazione dell’intelligenza artificiale richiede l’assunzione di “ingegneri avanzati”. Consulenti fantasiosi incorporati nella tua azienda per fare da babysitter allo stack tecnologico. OpenAI e Anthropic sono impegnati a creare team che svolgano questo lavoro manuale per te. Elabd lo odia. Vuole che il software si aggiusti da solo. Non sono necessari ingegneri per la manutenzione. Basta collegarlo. Impara. Va meglio.
È vero l’apprendimento continuo? I critici potrebbero alzare gli occhi al cielo. Gli aggiornamenti avvengono settimanalmente. Tra questi aggiornamenti, il modello è ancora statico. È intermittente. Una toppa. Non un flusso.
Elabd lo ignora. Dice che il settimanale è solo il punto di partenza. L’obiettivo sono gli aggiornamenti quotidiani. Aggiornamenti orari. Forse anche l’apprendimento per interazione. Immagina un mondo in cui le aziende non formano un’intelligenza artificiale gigante per tutti. Formano IA specifiche per ogni singolo dipendente. Personalizzato. Adattivo. Vivere.
Sembra rischioso. Sembra incredibile. Quale sarà?
Dovremo aspettare la prossima patch settimanale per scoprirlo.
