تریجکتوری با ۴۵ میلیون دلار سرمایه؛ آموزش مستمر مدلهای هوش مصنوعی برای غیرمتخصصان
استارتاپ تریجکتوری (Trajectory) با جذب ۴۵ میلیون دلار در دور سرمایهگذاری سری A، ارزشگذاری ۳۰۰ میلیون دلاری برای خود ثبت کرد؛ دوری که به رهبری صندوق سکویا و با مشارکت انویدیا، بسمر ونچر پارتنرز و بین کپیتال ونچرز انجام شد. این شرکت هجدهنفره میخواهد مشکل بنیادین مدلهای فعلی هوش مصنوعی را حل کند: ناتوانی آنها در یادگیری از اشتباهاتشان بدون طیکردن دوبارهی فرآیند آموزش.
زمینه و پسزمینه
مدلهای هوش مصنوعی امروزی، از جمله آنهایی که اوپنایآی و انتروپیک توسعه دادهاند یا نسخههای متنباز جایگزین، همگی یک محدودیت مشترک دارند: بدون آموزش بیشتر، از اشتباهات خود درس نمیگیرند. کسبوکارهایی که میخواهند این مدلهای عمومی را برای حوزههای تخصصی مثل حقوق و امور مالی تنظیم کنند، معمولاً باید این کار را از طریق فاینتیونینگ مدلهای عمومی انجام دهند؛ کاری که معمولاً به استخدام تیمهای تحقیقاتی داخلی یا بهرهگیری از مشاوران گرانقیمتی معروف به «مهندسان مستقر در میدان» یا FDE نیاز دارد.
تریجکتوری که حدود یک سال پیش توسط سه همکلاسی دانشگاه استنفورد با سابقهی کار در گوگل دیپمایند و اپل تأسیس شده، میخواهد همین فرآیند را خودکار کند تا مدلهای هوش مصنوعی بتوانند از بازخورد یاد بگیرند و بهصورت مستمر در وظایف تخصصی بهبود پیدا کنند. روناک مالده، یکی از بنیانگذاران تریجکتوری، مدلهای بنیادین را به یک دانشجوی دکترای بسیار باهوش تشبیه میکند که همیشه تازه وارد یک شغل جدید شده است. او به تککرانچ گفت: «اما چیزی که اقتصاد برایش ارزش قائل است، کسی است که سی سال روی یک شغل کار کرده.»
این استارتاپ از رویکردی به نام «یادگیری مستمر» یا continual learning برای حل این مشکل استفاده میکند. کسبوکارهایی که از تریجکتوری استفاده میکنند، میتوانند با یک مدل هوش مصنوعی متنباز شروع کنند و این پلتفرم را به اپلیکیشنهای خودشان متصل کنند تا بازخورد نحوهی عملکرد مدل را جمعآوری کند. سپس تریجکتوری از این اطلاعات برای بازآموزی مدل استفاده میکند و به آن کمک میکند تا در وظایف تخصصی، در طول زمان بهتر عمل کند. به گفتهی مالده، با استفاده از تریجکتوری، وکلا، پزشکان و سایر متخصصان میتوانند تقریباً بهصورت خودکار مدلها را خودشان بهبود دهند؛ قابلیتی که میتواند استقرار هوش مصنوعی تخصصی را سریعتر و ارزانتر کند.
شرکتهایی مثل هاروی (Harvey) و روگو (Rogo) هماکنون از پلتفرم تریجکتوری برای پسآموزش مدلهای متنباز استفاده میکنند تا به آنها کمک کنند مانند وکلا یا تحلیلگران مالی باتجربه عمل کنند؛ برای مثال، از طریق یادگیری از وظایف پیشین مانند بررسی یک نوع خاص از قرارداد حقوقی یا ارزشگذاری یک شرکت با یک روششناسی مشخص. از دیگر مشتریان تریجکتوری میتوان به دکاگن (Decagon)، مرکور (Mercor) و خود انویدیا اشاره کرد. این استارتاپ حالا پلتفرم پسآموزش خود را بهطور عمومی در دسترس همگان قرار داده است.
تحلیل
رویکرد تریجکتوری به یادگیری مستمر، شباهتهایی با مفهوم «بهبود بازگشتی» یا RSI (recursive self-improvement) دارد؛ ایدهای که بر اساس آن، سیستمهای هوش مصنوعی میتوانند توانمندیهای خود را خودشان بهبود دهند. با این حال، مایکل الابد، یکی دیگر از بنیانگذاران تریجکتوری، معتقد است نگهداشتن انسان در حلقهی فرآیند آموزش، رویکرد تریجکتوری را امنتر میکند، چون بهبود خودکار و بدون نظارت انسانی میتواند به نتایج ناخواسته یا حتی خطرناک منجر شود. این تمایز، نکتهی مهمی است، چون در حالی که برخی آزمایشگاههای بزرگ هوش مصنوعی بهتازگی نسبت به سرعت پیشرفت توانمندیهای خودبهبودی هشدار دادهاند، تریجکتوری سعی میکند با حفظ نقش انسان در حلقهی بازخورد، از هر دو مزیت یادگیری مستمر و کنترل انسانی همزمان بهرهمند شود.
تریجکتوری تنها بازیگر این بازار نیست؛ شرکتهای دیگری مثل آزمایشگاه ماشینهای تفکر (Thinking Machines Lab)، که توسط میرا موراتی، مدیرعامل فنی پیشین اوپنایآی تأسیس شده و پلتفرم فاینتیونینگ تینکر (Tinker) را توسعه داده، اپلاید کامپیوت (Applied Compute) که ارزشگذاریاش ماه گذشته به ۳.۲۵ میلیارد دلار رسیده، و پرایم اینتلکت (Prime Intellect) که به شرکتها در ساخت و آموزش عاملهای هوش مصنوعی خودشان کمک میکند، در همین بازار پسآموزش خودکار فعالیت دارند. این تراکم رقابتی نشان میدهد بازار «بهبود مستمر مدلهای هوش مصنوعی برای کاربردهای تخصصی» در حال تبدیلشدن به یکی از داغترین زیرشاخههای صنعت هوش مصنوعی است؛ شاخهای که شاید بهاندازهی ساخت مدلهای بنیادین بزرگ پرسروصدا نباشد، اما از نظر کاربردی برای کسبوکارهای واقعی اهمیت زیادی دارد.
مالده معتقد است بزرگترین مزیت تریجکتوری، تیم آن است. او خودش یکی از معدود پژوهشگرانی بود که گوگل دیپمایند از استارتاپ ویندسرف استخدام کرد. الابد هم پیشتر در دیپمایند کار میکرد، و آرجون کارانام، سومین بنیانگذار تریجکتوری، پیشتر روی مدلهای بنیادین مولد در اپل فعالیت داشته است. این استارتاپ همچنین پژوهشگران و طراحان محصول را از اوپنایآی، استرایپ و نتفلیکس جذب کرده است. کارانام میگوید دلیل اهمیت طراحی رابط کاربری برای شرکتی که تمرکزش روی آموزش هوش مصنوعی است، این است که این استارتاپ رابطی ساخته که پسآموزش مدلها را برای مشتریان غیرفنی هم قابلدسترس میکند؛ نکتهای که میتواند تفاوت اصلی تریجکتوری با رقبای فنیمحورتر خودش باشد و دلیل جذب سرمایهگذارانی مثل سکویا و انویدیا را توضیح دهد.
از منظر کسبوکارهای کوچک و متوسط که معمولاً منابع لازم برای استخدام تیمهای تحقیقاتی هوش مصنوعی یا مهندسان مستقر در میدان را ندارند، ظهور پلتفرمهایی مثل تریجکتوری میتواند یک تحول مهم باشد. تا امروز، بهرهمندی از مدلهای هوش مصنوعی تخصصیشده عمدتاً در اختیار شرکتهای بزرگی بود که میتوانستند هزینهی سنگین فاینتیونینگ و نگهداری تیمهای فنی را بپردازند. اگر ادعای تریجکتوری دربارهی دسترسپذیر کردن این فرآیند برای کاربران غیرفنی درست از آب دربیاید، این میتواند به دموکراتیزهشدن هوش مصنوعی تخصصی در حوزههایی مثل حقوق، حسابداری و مشاورهی مالی کمک کند؛ حوزههایی که در کشورهایی مثل ایران هم شرکتهای نوپای فناوری حقوقی و مالی بهشدت به دنبال راهکارهای مقرونبهصرفه برای این نوع تخصصیسازی هستند.
با این حال، باید به این نکته هم توجه کرد که جذب سرمایه در این سطح، بهمعنای موفقیت تجاری تضمینشده نیست. بازار پسآموزش و یادگیری مستمر مدلها هنوز بسیار نوپا است و رقابت فزایندهی میان تریجکتوری، آزمایشگاه ماشینهای تفکر، اپلاید کامپیوت و پرایم اینتلکت، به این معناست که در سالهای آینده ممکن است شاهد ادغامها، خروج برخی بازیگران از این بازار، یا حتی ورود مستقیم خود آزمایشگاههای بزرگ مثل اوپنایآی و گوگل دیپمایند به این حوزه باشیم؛ روندی که میتواند جای خالی چندانی برای استارتاپهای کوچکتر باقی نگذارد، مگر آنکه این شرکتها بتوانند مزیت فنی یا رابطهای پایدار با مشتریان بزرگ خود حفظ کنند.
منبع: TechCrunch — https://techcrunch.com/2026/11/02/trajectory-raises-45m-to-make-ai-model-training-accessible-to-nontechnical-experts/