Просто виведіть переклад. Не додавайте жодних коментарів, пояснень чи метатекстів:
Статичний агенти вже мертві. Хай живе безперервне навчання.
Статична епоха штучного інтелекту закінчилася. Або принаймні Trajectory сподівається на це.
Колеги з великих компаній – Google, Apple, OpenAI – покладаються однією ідею: реальні дані навчання моделей. Цього тижня вони запустили проект Trajectory з метою створення циклу навчання між помилками користувачів та покращенням моделей. Більше не потрібне одноразове навчання – досить просто сподіватися на краще.
Trajectory зібрала 15 мільйонів доларів. Це перший раунд фінансування. Оцінка проекту складає 115 мільйонів доларів. Конвенція очолила цей процес. У фінансуванні брали участь компанії Bessemer та Radical VC. Серед великих інвесторів – Джейф Дін, головний вчений Google DeepMind, Фей-Фей Лі, „матінка штучного інтелекту“. Кредитність проекту висока.
Ронак Малде – генеральний директор. Він працював у компанії Windsurf, а потім перейшов у DeepMind під час тієї складної процедури найму співробітників на суму 2,4 мільярда доларів. Серед його співзасновників – Арджун Каранам із команди Vision Pro Apple та Майкл Елабд, який раніше працював у відділі робототехніки DeepMind. Команда складається з одинадцяти осіб. Амбіції великі.
Вони вважають, що індустрія не функціонує належним чином. Чому?
Тому що агенти інтелекту перестають навчатись після закінчення процесу навчання. OpenAI, Anthropic, Google створюють потужні моделі, які можуть робити більше за людей. Але що відбувається після запуску? Модель залишається статичною. Та сама модель, яка не впоралася у вівторок, не справлятиметься і в п’ятницю.
„Навіть найпотужніші сьогоднішні агенти інтелекту є статичними.“
Малде наводить приклад помічників у написанні коду, таких як Cursor. Вони використовують дані користувачів постійного навчання моделей. Тому розробка AI відбувається дуже швидко. Не лише сила базових моделей, а й можливість безперервного навчання. Trajectory хоче застосувати цей принцип до інших областей: підтримка клієнтів, продаж, право.
Але це складно. Код має працювати чи ні. Бінарний варіант. Якщо запит обробки надсилається боту, це нечітко. Успіх непередбачуваний. Каранам визнає це виклик. Trajectory допомагає компаніям визначити свої показники успіху. Не починаєш із GPT-4. Починаєш із відкритої моделі, яка може бути навчена для конкретного завдання.
Візьмемо, наприклад, Decagon. Вони розробляють агенти інтелекту підтримки клієнтів. Коли бот не справляється, вони записують це спостереження. Наступного тижня вони навчають модель цієї інформації. Нова модель не повторює помилки. Вони стверджують, що ці моделі кращі, ніж традиційні.
Керівники полюбляють цю ідею. Наразі для впровадження AI потрібно наймати фахівців. Гарні консультанти, які стежитимуть за технічною складовою. OpenAI та Anthropic займаються створенням команд для виконання цієї роботи. Елабд не схвалює це. Він хоче, щоб програма сама навчалася. Не потрібно наймати спеціалістів для обслуговування. Просто підключіть модель. Вона навчатиметься і ставатиме краще.
Це справді безперервне навчання? Критики можуть закотити очі. Оновлення відбуваються щотижня. Але між цими оновленнями модель залишається статичною. Це уривчасте навчання. Чи не постійне.
Елабд відмахується від цього. Каже, що щотижневі оновлення – це лише початок. Ціль – щоденні оновлення, навіть щогодинні. Він уявляє світ, де компанії не створюють одну велику модель для всіх співробітників. Вони створюють окремі моделі кожного співробітника. Персоналізовані, адаптивні, актуальні.
Звучить ризиковано. Але який варіант буде обрано?
Поки що доведеться чекати на наступне щотижневе оновлення, щоб дізнатися.
