أعلنت مجموعة من الباحثين في مجال الذكاء الاصطناعي الذين عملوا سابقًا في Google DeepMind وApple وOpenAI وMeta Superintelligence Labs يوم الأربعاء عن إطلاق شركة ناشئة جديدة تسمى Trajectory، والتي تهدف إلى مساعدة الشركات على تحسين منتجات الذكاء الاصطناعي الخاصة بها بشكل منتظم من خلال التدريب على تفاعلات المستخدم في العالم الحقيقي.
تريد شركة Trajectory بناء منصة للذكاء الاصطناعي يمكنها التعلم بشكل مستمر، وهي القدرة التي اعتبرها الباحثون منذ فترة طويلة عائقًا رئيسيًا أمام مزيد من التقدم في الذكاء الاصطناعي. لقد حققت OpenAI وGoogle وAnthropic نجاحاً في تدريب إصدارات ذات قدرة متزايدة من نماذج الذكاء الاصطناعي، خاصة في مجالات مثل البرمجة والرياضيات والعلوم. ومع ذلك، تتوقف هذه الأنظمة عن أن تصبح أكثر ذكاءً بعد الانتهاء من تدريبها. على الرغم من تحقيق بعض الإنجازات الأخيرة في مجال التعلم المستمر، فقد كافحت شركات التكنولوجيا عمومًا لصنع منتجات الذكاء الاصطناعي التي تتعلم من أخطائها في الوقت الفعلي. في ديسمبر 2025 في NeurIPS، أحد أكبر المؤتمرات البحثية السنوية للذكاء الاصطناعي، جادل ريتشارد ساتون، الحائز على جائزة تورينج، بأن التعلم المستمر ضروري لبناء عملاء فائقي الذكاء.
جمعت شركة Trajectory جولة أولية بقيمة 15 مليون دولار أمريكي بتقييم ما بعد النقد بقيمة 115 مليون دولار أمريكي، بقيادة شركة رأس المال الاستثماري Conviction، بمشاركة Bessemer Venture Partners، وRadical VC، وBoxGroup. وشارك أيضًا في الجولة مستثمرون أفراد، بما في ذلك كبير علماء Google DeepMind، جيف دين، بالإضافة إلى ما يسمى بـ “عرابة الذكاء الاصطناعي”، الأستاذ في جامعة ستانفورد والرئيس التنفيذي لشركة World Labs Fei-Fei Li.
كان الرئيس التنفيذي والمؤسس المشارك لشركة Trajectory، روناك مالدي، سابقًا باحثًا في مجال الذكاء الاصطناعي في Windsurf، وأصبح لاحقًا واحدًا من عدد قليل من الموظفين الذين ذهبوا للعمل في Google DeepMind عندما استأجرت أفضل المواهب في شركة البرمجة الناشئة في صفقة بقيمة 2.4 مليار دولار في العام الماضي. من بين المؤسسين الآخرين لـ Trajectory أرجون كارانام، وهو باحث سابق في الذكاء الاصطناعي في شركة Apple والذي عمل على Vision Pro، ومايكل العبد، الذي عمل سابقًا في قسم الروبوتات في Google DeepMind.
يقول مالدي لمجلة WIRED أن بعض منتجات ترميز الذكاء الاصطناعي الرائدة، مثل Cursor، تقوم بالفعل بإصدار مبكر من التعلم المستمر – باستخدام بيانات حقيقية حول كيفية تفاعل الأشخاص مع منتجاتهم لإجراء ما بعد التدريب وشحن تحسينات النموذج بانتظام. ويقول إن هذا هو السبب الأساسي وراء انطلاقة منتجات ترميز الذكاء الاصطناعي بهذه السرعة، وهو جزء من السبب الذي دفع مختبرات الذكاء الاصطناعي الكبرى إلى الإسراع في تطوير تطبيقات ترميز خاصة بها. من خلال Trajectory، يأمل مالدي وفريقه المكون من 11 باحثًا ومهندسًا في تطبيق تقنية مماثلة لتحسين الأدوات التي تعمل بالذكاء الاصطناعي خارج مجال البرمجة.
يقول مالدي: “حتى أقوى أنظمة الذكاء الاصطناعي اليوم لا تزال ثابتة. نموذج الذكاء الاصطناعي الذي استخدمته بالأمس سوف يرتكب نفس الأخطاء اليوم”. “بدأت شركتان في الوصول إلى عالم التعلم المستمر. وما نقوم به هو بناء منصة لكل شركة للوصول إلى التعلم المستمر.”
التحدي المتمثل في تطبيق هذا المنطق على مجالات أخرى هو أنه يمكن التحقق من التشفير بسهولة – إما أن يتم تشغيل الكود أو لا – ولكن بعض الصناعات لديها تعريفات فضفاضة للنجاح. يقول كارانام إن جزءًا مما تقدمه منصة Trajectory هو المساعدة في تحسين نموذج الذكاء الاصطناعي بما يتوافق مع احتياجات الشركة المحددة.
بدلاً من البدء من نموذج جاهز من OpenAI أو Anthropic، تطلب شركة Trajectory من العملاء البدء بنموذج مفتوح المصدر تم تدريبه لاحقًا على منتج معين من منتجات الذكاء الاصطناعي التي تضعها الشركة في الاعتبار. بالنسبة إلى Decagon، العميل الذي يبني وكلاء دعم عملاء الذكاء الاصطناعي، يسجل Trajectory عندما يفشل الذكاء الاصطناعي لديه – على سبيل المثال، العميل الذي يحاول تحقيق عائد يرتد استعلامه إلى إنسان – ويستخدم هذه الحالات للتدريب اللاحق لنموذج جديد في كثير من الأحيان كل أسبوع. يدعي المسار أن هذه النماذج التي تم تدريبها بعد التدريب تتفوق على نماذج المختبرات الحدودية في المهام الضيقة التي تهم منتج الشركة.
