Trajectory、専門家がAIモデルを自ら鍛える基盤で45億円調達
専門分野向けにAIモデルを育てるには、社内に研究チームを置くか高額なコンサルタントを雇うしかないのが実情でした。その手間を非技術者でもこなせるようにする仕組みに、大型の資金が集まりました。
この記事の要点
何が起きたか
AIモデルの専門分野向け調整を非技術者でも行えるようにするスタートアップ、Trajectoryが4500万ドルのシリーズAラウンドを実施しました。評価額は3億ドルで、Sequoiaが主導し、Nvidia、Bessemer Venture Partners、Bain Capital Venturesが参加しています。
Trajectoryは、Google DeepMindやAppleでの経験を持つスタンフォード大学の同級生3人が約1年前に創業した会社で、従業員は18人です。共同創業者のRonak Malde氏は、基盤モデルを「いつも新しい職場に慣れていない、とても優秀な博士課程の学生」にたとえ、「経済が評価するのは30年その仕事に携わってきた人物だ」とTechCrunchに語ったといいます。
Trajectoryの仕組みでは、企業はオープンソースのAIモデルを起点に、同社のプラットフォームを自社のアプリケーションに接続します。そこでモデルの動作に関するフィードバックを収集し、それをもとにTrajectoryがモデルを再訓練し、専門的なタスクの精度を時間をかけて高めていきます。
法律分野のHarveyや金融分野のRogoが、特定の契約書を確認したり特定の手法で企業価値を評価したりする作業について、このプラットフォームを使ってオープンソースモデルのポストトレーニングを行っているといいます。ほかにもDecagon、Mercor、Nvidiaが顧客に名を連ねており、Trajectoryはこのポストトレーニング用プラットフォームを一般向けに公開しました。
背景・解説
AIモデルのファインチューニングとは、既に学習済みの汎用モデルを、特定の業務や分野に合わせて追加で訓練し直す作業を指します。法律や金融のように専門性の高い分野でこれを行うには、社内に研究チームを抱えるか、forward-deployed engineersFDEと呼ばれる高額な専門コンサルタントに依頼するのが一般的な方法でした。
Trajectoryが掲げる「継続学習」は、現場で使われたフィードバックを継続的にモデルの改善に反映させる考え方です。利用者である弁護士や医師などの専門家自身が「自組織にとっての良い成果とは何か」を定義し、それをモデルの改善につなげられる点が特徴だとMalde氏は説明しています。
この手法は、AIが自らの能力を再帰的に高めていく「自己改善RSI」の発想と似た面を持ちます。ただし共同創業者のMichael Elabd氏は、訓練プロセスに人間を関与させ続けることで、自律的な自己改善が招きかねない予期しない結果や危険な事態を避けられると主張しています。
ポストトレーニングの自動化を狙う動きはTrajectoryに限りません。元OpenAI CTOのMira Murati氏が創業し、ファインチューニング基盤Tinkerを手がけるThinking Machines Lab、先月3250万ドルの評価額が付いたApplied Compute、企業のAIエージェント構築を支援するPrime Intellectなどが競合として挙げられています。
仕事や業務への影響
社内に専門のAI研究者を置けない会社ほど、この種の仕組みの恩恵は大きくなります。例えば、従業員30人の地方の法律事務所が契約書レビュー業務にオープンソースのAIモデルを導入する場合を考えてみます。これまでなら、モデルの精度を高めるために外部コンサルタントを月単位で雇う必要がありましたが、現場の弁護士自身が「良い判断とは何か」をフィードバックとして入力し続けることで、モデルを自分たちの基準に合わせて育てられるようになります。
重要なのは、専門知識を持つ現場の担当者が「何を正解とするか」を決める役割を担う点です。IT部門や外部ベンダーに任せきりにする体制から、業務に詳しい人が改善の方向性を握る体制へと重心が移ります。金融機関の審査部門であれば、企業価値評価の手法ごとにモデルの出力をチェックし、担当者がその場で修正指示を与える運用が成り立ちます。これにより、外部コンサルタントへの依頼件数を減らせる見込みが立ちます。
一方で、導入すればすぐに専門家並みの精度が出るわけではありません。フィードバックを積み重ねる期間が必要であり、最初の数週間は従来の人手によるチェック体制を並行して維持すべきです。小規模な組織ほど、まずは契約書レビューや財務分析など業務を1つに絞って試す進め方が現実的です。
不確かな点・注意
Trajectoryの利用料金や、日本企業が契約できるかどうかは出典からは分かりません。Harvey、Rogoなどの既存顧客がどの程度の精度向上を得ているかについても、具体的な数値は示されていません。
Elabd氏が主張する「人間の関与による安全性」についても、第三者による検証結果は出典に記載がなく、創業者自身の説明にとどまります。Thinking Machines LabやApplied Compute、Prime Intellectといった競合との機能面・価格面での比較も、出典からは判断できません。導入を検討する際は、自社の業務にどの程度のフィードバック量が必要になるか、個別に確認すべきです。
出典
この記事のつくり方
国内外の情報源（企業の公式発表や、国内外の報道）を巡回して、新しいニュースの候補を集めます。
AIが、選んだ出典だけをもとに記事を書きます。出典に無い数字・日付・発言は作りません。
20を超える決まりの検査と、別のAIによる出典との照らし合わせを通った記事だけを公開します。通らなかった記事は公開しません。
公開した記事には、運営者が目を通しています。誤りに気づいたときは、訂正するか、公開を取り下げます。