Μια ομάδα ερευνητών τεχνητής νοημοσύνης (AI), οι οποίοι προηγουμένως εργάζονταν σε κορυφαίες εταιρείες όπως η Google DeepMind, η Apple, η OpenAI και τα Meta Superintelligence Labs, ανακοίνωσε την Τετάρτη την ίδρυση μιας νέας startup με την ονομασία Trajectory. Η εταιρεία αυτή στοχεύει να υποστηρίξει τις επιχειρήσεις στη συστηματική βελτίωση των προϊόντων τεχνητής νοημοσύνης τους, εστιάζοντας στις αλληλεπιδράσεις των χρηστών παγκοσμίως.
Η Trajectory επιδιώκει να αναπτύξει μια πλατφόρμα τεχνητής νοημοσύνης ικανή για συνεχή μάθηση, μια δυνατότητα που οι ερευνητές έχουν από καιρό αναγνωρίσει ως σημαντικό εμπόδιο στην περαιτέρω πρόοδο της AI. Ενώ εταιρείες όπως η OpenAI, η Google και η Anthropic έχουν επιτύχει στην εκπαίδευση ολοένα και πιο ικανών εκδόσεων μοντέλων AI, ιδίως σε τομείς όπως ο προγραμματισμός, τα μαθηματικά και η επιστήμη, αυτά τα συστήματα παύουν να γίνονται εξυπνότερα μόλις ολοκληρωθεί η αρχική τους εκπαίδευση. Παρά τις πρόσφατες ανακαλύψεις στον τομέα της συνεχούς μάθησης, οι εταιρείες τεχνολογίας αντιμετωπίζουν γενικά δυσκολίες στην ανάπτυξη προϊόντων AI που μαθαίνουν από τα λάθη τους σε πραγματικό χρόνο. Τον Δεκέμβριο του 2025, στο NeurIPS, ένα από τα μεγαλύτερα ετήσια συνέδρια έρευνας AI, ο βραβευμένος με το βραβείο Turing, Richard Sutton, υποστήριξε ότι η συνεχής μάθηση είναι απαραίτητη για τη δημιουργία υπερ-ευφυών πρακτόρων.
Η Trajectory έχει εξασφαλίσει χρηματοδότηση εκκίνησης (seed round) ύψους 15 εκατομμυρίων δολαρίων, με αποτίμηση μετά την επένδυση στα 115 εκατομμύρια δολάρια, με τη συμμετοχή των Bessemer Venture Partners, Radical VC και BoxGroup. Στον γύρο χρηματοδότησης συμμετείχαν επίσης μεμονωμένοι επενδυτές, μεταξύ των οποίων ο επικεφαλής επιστήμονας της Google DeepMind, Jeff Dean, καθώς και η αποκαλούμενη «νονά της AI», η καθηγήτρια του Stanford και Διευθύνουσα Σύμβουλος της World Labs, Fei-Fei Li.
Ο Διευθύνων Σύμβουλος και συνιδρυτής της Trajectory, Ronak Malde, εργαζόταν προηγουμένως ως ερευνητής τεχνητής νοημοσύνης στην Windsurf. Αργότερα, συγκαταλέχθηκε μεταξύ των ελάχιστων υπαλλήλων που μεταπήδησαν στην Google DeepMind, όταν αυτή εξαγόρασε τα κορυφαία ταλέντα της startup προγραμματισμού σε μια συμφωνία ύψους 2,4 δισεκατομμυρίων δολαρίων πέρυσι. Οι άλλοι συνιδρυτές της Trajectory είναι ο Arjun Karanam, πρώην ερευνητής AI στην Apple, ο οποίος εργάστηκε στο Vision Pro, και ο Michael Elabd, ο οποίος προηγουμένως απασχολούνταν στο τμήμα ρομποτικής της Google DeepMind.
Ο κ. Malde δήλωσε στο WIRED ότι ορισμένα κορυφαία προϊόντα προγραμματισμού με τεχνητή νοημοσύνη, όπως το Cursor, εφαρμόζουν ήδη μια πρώιμη μορφή συνεχούς μάθησης. Αυτό επιτυγχάνεται με τη χρήση πραγματικών δεδομένων σχετικά με τον τρόπο αλληλεπίδρασης των χρηστών με τα προϊόντα τους, προκειμένου να πραγματοποιείται μετα-εκπαίδευση και να κυκλοφορούν τακτικά βελτιώσεις στα μοντέλα. Υποστηρίζει ότι αυτός είναι ένας βασικός λόγος για την ταχεία ανάπτυξη των προϊόντων προγραμματισμού AI και εξηγεί εν μέρει γιατί μεγάλα εργαστήρια AI έχουν σπεύσει να αναπτύξουν δικές τους εφαρμογές προγραμματισμού “vibe”. Με την Trajectory, ο κ. Malde και η ομάδα του, αποτελούμενη από 11 ερευνητές και μηχανικούς, ελπίζουν να εφαρμόσουν μια παρόμοια τεχνική για τη βελτίωση εργαλείων που βασίζονται στην AI εκτός του χώρου του προγραμματισμού.
«Even the most powerful AI today is still static. The AI model that you used yesterday is going to make the same mistakes today,» δήλωσε ο κ. Malde. «A couple companies are starting to get to that world of continual learning. What we are doing is building the platform for every single company to get to continual learning.»
Η πρόκληση στην εφαρμογή αυτής της λογικής σε άλλους τομείς έγκειται στο ότι ο προγραμματισμός είναι εύκολα επαληθεύσιμος – ο κώδικας είτε εκτελείται είτε όχι – ενώ ορισμένες βιομηχανίες έχουν πιο χαλαρούς ορισμούς επιτυχίας. Ο κ. Karanam αναφέρει ότι μέρος αυτού που προσφέρει η πλατφόρμα της Trajectory είναι η βελτιστοποίηση ενός μοντέλου AI για τις συγκεκριμένες ανάγκες μιας επιχείρησης.
Αντί να ξεκινούν από ένα έτοιμο μοντέλο των OpenAI ή Anthropic, η Trajectory καθοδηγεί τους πελάτες της να χρησιμοποιούν ένα μοντέλο ανοιχτού κώδικα, το οποίο έχει υποστεί μετα-εκπαίδευση για ένα συγκεκριμένο προϊόν AI που έχει κατά νου η εταιρεία. Για παράδειγμα, στην περίπτωση της Decagon, μιας πελάτισσας που αναπτύσσει πράκτορες υποστήριξης πελατών με AI, η Trajectory καταγράφει τις περιπτώσεις όπου η τεχνητή νοημοσύνη της αποτυγχάνει – όπως όταν ένας πελάτης που προσπαθεί να κάνει επιστροφή παραπέμπεται σε ανθρώπινο χειριστή – και χρησιμοποιεί αυτά τα περιστατικά για να μετα-εκπαιδεύσει ένα νέο μοντέλο, συχνά σε εβδομαδιαία βάση. Η Trajectory ισχυρίζεται ότι αυτά τα μετα-εκπαιδευμένα μοντέλα υπερτερούν των μοντέλων των κορυφαίων εργαστηρίων σε εξειδικευμένες εργασίες που είναι κρίσιμες για το προϊόν μιας εταιρείας.
Στελέχη επιχειρήσεων επιθυμούν διακαώς να χρησιμοποιήσουν την τεχνητή νοημοσύνη για ποικίλες εργασίες, αλλά για να το επιτύχουν σήμερα, συχνά απαιτείται η πρόσληψη ομάδων «μηχανικών ανάπτυξης πεδίου» (forward deployed engineers), δηλαδή συμβούλων και τεχνικών υπαλλήλων ενσωματωμένων στην εταιρεία, οι οποίοι συμβάλλουν στην ανάπτυξη προϊόντων AI. Εταιρείες όπως η OpenAI, η Anthropic και η Palantir έχουν σπεύσει να καλύψουν αυτή την ανάγκη. Ο κ. Elabd δηλώνει ότι ο στόχος της Trajectory είναι η δημιουργία ενός προϊόντος που μπορεί να βελτιώνεται αυτόνομα, ώστε οι εταιρείες να μην χρειάζονται εσωτερικούς μηχανικούς για τη συνεχή αντιμετώπιση προβλημάτων της στοίβας AI τους. Η startup αναφέρει ότι έχει ήδη πελάτες σε διάφορους τομείς, συμπεριλαμβανομένης της startup πωλήσεων επιχειρήσεων Clay και της startup νομικής AI Harvey. Ενώ επί του παρόντος συνεργάζεται κυρίως με εταιρείες που είναι εγγενώς προσανατολισμένες στην AI, η Trajectory σχεδιάζει τελικά να προωθήσει την πλατφόρμα της στις εταιρείες του Fortune 500.
Κριτικοί θα μπορούσαν να υποστηρίξουν ότι η Trajectory δεν έχει ακόμη αναπτύξει αληθινή συνεχή μάθηση, τουλάχιστον όχι με την παραδοσιακή έννοια. Άλλωστε, τα μοντέλα της startup ενημερώνονται μόνο μία φορά την εβδομάδα προς το παρόν και παραμένουν στατικά μεταξύ των αναβαθμίσεων.
Ο κ. Elabd υποστηρίζει ότι η Trajectory βρίσκεται μόλις στην αρχή. Ισχυρίζεται ότι η βιομηχανία της τεχνητής νοημοσύνης κινείται προς ένα νέο παράδειγμα, όπου η AI μαθαίνει από την εμπειρία – παρόμοια με ό,τι συμβαίνει ήδη στον τομέα του προγραμματισμού με AI. Ο κ. Elabd δηλώνει ότι ο απώτερος στόχος της Trajectory είναι η δημιουργία μιας πλατφόρμας που θα μπορεί να ενημερώνει το μοντέλο AI μιας εταιρείας καθημερινά, ή ενδεχομένως ακόμη πιο συχνά.
«Every day may not be enough. It could be every hour, it could be every interaction,» δήλωσε ο κ. Elabd. «Maybe every company doesn’t need just one AI, you could train an AI to learn for every person at every company.»
Αυτή είναι μια έκδοση του ενημερωτικού δελτίου Model Behavior του Maxwell Zeff.
