Просто выведите перевод. Не добавляйте никаких комментариев, объяснений или метатекстов:
Статическая эра искусственного интеллекта закончилась. Или, по крайней мере, Trajectory надеется на это.
Коллеги из крупных компаний – Google, Apple, OpenAI – полагаются на одну идею: реальные данные для обучения моделей. На этой неделе они запустили проект Trajectory, с целью создания цикла обучения между ошибками пользователей и улучшением моделей. Больше не нужно однократное обучение – достаточно просто надеяться на лучшее.
Trajectory собрала 15 миллионов долларов. Это первый раунд финансирования. Оценка проекта составляет 115 миллионов долларов. Конвенция возглавила этот процесс. В финансировании участвовали компании Bessemer и Radical VC. Среди крупных инвесторов – Джейф Дин, главный ученый Google DeepMind, Фэй-Фэй Ли, „матушка искусственного интеллекта“. Кредитность проекта высока.
Ронак Малде – генеральный директор. Он работал в компании Windsurf, а затем перешел в DeepMind во время той сложной процедуры найма сотрудников на сумму 2,4 миллиарда долларов. Среди его соучредителей – Арджун Каранам из команды Vision Pro Apple и Майкл Элабд, ранее работавший в отделе робототехники DeepMind. Команда состоит из одиннадцати человек. Амбиции велики.
Они считают, что индустрия не функционирует должным образом. Почему?
Потому что агенты интеллекта перестают обучаться после окончания процесса обучения. OpenAI, Anthropic, Google создают мощные модели, которые могут делать больше, чем люди. Но что происходит после запуска? Модель остается статичной. Та же самая модель, которая не справилась во вторник, будет не справляться и в пятницу.
„Даже самые мощные сегодняшние агенты интеллекта являются статическими.“
Малде приводит в пример помощников в написании кода, таких как Cursor. Они используют данные пользователей для постоянного обучения моделей. Поэтому разработка AI происходит очень быстро. Не только сила базовых моделей, но и возможность непрерывного обучения. Trajectory хочет применить этот принцип к другим областям: поддержка клиентов, продажи, право.
Но это сложно. Код должен работать или нет. Бинарный вариант. Если запрос обработки отправляется боту, это нечетко. Успех непредсказуем. Каранам признает это вызов. Trajectory помогает компаниям определить свои показатели успеха. Не начинаешь с GPT-4. Начинаешь с открытой модели, которая может быть обучена для конкретной задачи.
Возьмем, например, Decagon. Они разрабатывают агенты интеллекта для поддержки клиентов. Когда бот не справляется, они записывают это наблюдение. На следующей неделе они обучают модель по этой информации. Новая модель не повторяет ошибку. Они утверждают, что эти модели лучше, чем традиционные.
Руководители любят эту идею. Сейчас для внедрения AI нужно нанимать специалистов. Красивые консультанты, которые будут следить за технической составляющей. OpenAI и Anthropic занимаются созданием команд для выполнения этой работы. Элабд не одобряет это. Он хочет, чтобы программа сама обучалась. Не нужно нанимать специалистов для обслуживания. Просто подключите модель. Она будет учиться и становиться лучше.
Это действительно непрерывное обучение? Критики могут закатить глаза. Обновления происходят каждую неделю. Но между этими обновлениями модель остается статичной. Это прерывистое обучение. Не постоянное.
Элабд отмахивается от этого. Говорит, что еженедельные обновления – это только начало. Цель – ежедневные обновления, даже ежчасовые. Он представляет себе мир, где компании не создают одну большую модель для всех сотрудников. Они создают отдельные модели для каждого сотрудника. Персонализированные, адаптивные, актуальные.
Звучит рискованно. Но какой вариант будет выбран?
Пока что придется ждать следующего еженедельного обновления, чтобы узнать.
