Finansiering

Noeri henter 110 mio. dollars til at udvikle selvforbedrende AI til virksomheder

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterNoeris system forbedrer modeller og værktøjer omkring kundearbejdsgange i stedet for at…
Vis mere
  • Noeris system forbedrer modeller og værktøjer omkring kundearbejdsgange i stedet for at sælge én generel model.
  • Enhver foreslået ændring når et menneske til godkendelse gennem en gennemgangsproces, der ligner kodegennemgang.
  • Stifterne argumenterer for, at intelligens bør fordeles på mange specialiserede kundeejede systemer i stedet for én centraliseret superintelligens.

Noeri offentliggjorde sin lancering og en finansiering på 110 millioner dollars den 16. november 2026, med Menlo Ventures i spidsen for finansieringen af arbejdet med selvforbedrende AI til virksomheder og videnskabelig opdagelse.

Madrona Venture Group, Kindred Ventures, Wing Venture Capital og NEA deltog også, mens Cisco Investments, NVIDIA og Snowflake gik ind som strategiske investorer. Stanford-professorerne i datalogi Yejin Choi og Carlos Guestrin grundlagde Noeri i 2026 og er selskabets co-CEO’er. Virksomheden har base i Palo Alto og et kontor i Zürich.

Tilpasning af AI til kundernes arbejde

Noeri tager fat på det valg, virksomheder ofte står over for: at betale mere for den mest kapable generelle model eller acceptere dårligere resultater fra en billigere løsning. Virksomheden siger, at dens system analyserer en organisations data og arbejdsgange og derefter forbedrer den omkringliggende software, færdigheder, instruktioner, værktøjer og valg af model til hvert trin, herunder modellernes underliggende parametre, når det er hensigtsmæssigt.

Produktoversigten beskriver agenter, der lærer af opgaver, fejl, rettelser og reel trafik i produktion uden behov for et stort, mærket datasæt. De kan videreudvikle deres færdigheder og værktøjer samt forbedre orkestreringen, skabe værktøjer, når de eksisterende ikke slår til, og træne modeller på kundernes arbejde. Kvalitet og omkostninger måles ud fra kundens egen trafik og egne målepunkter i stedet for offentlige benchmarks, så de forventede forbedringer gælder specifikt for den pågældende implementering.

Noeri siger, at hver ændring forklares og sendes til en person til godkendelse gennem en proces, der minder om kodegennemgang. Systemet fungerer med både lukkede modeller og modeller med åbne vægte og er designet til at tilpasse sig, efterhånden som nye modeller kommer til. Kunden beholder sine data og ejer de arbejdsgange og modeller, der udvikles gennem systemet, selvom eventuelle gældende licenser til tredjepartsmodeller stadig gælder.

Forskning med fokus på fortsat læring og opdagelse

Noeri har også til hensigt at bruge den samme teknologi til at opstille hypoteser, udføre eksperimenter og lære af resultater i videnskabeligt arbejde med molekyler, proteiner og komplekse tekniske systemer. Virksomheden hævder, at åbensøgende opdagelse udfordrer økonomien i store modeller, fordi vedvarende søgning kræver langt mere beregningskraft end et enkelt svar; mindre, specialiserede modeller er virksomhedens forslag til, hvordan søgningen kan gøres økonomisk overkommelig.

Virksomhedens forskningsdagsorden omfatter automatisering af AI-udvikling, effektiv specialisering på grundlag af begrænsede data, løbende læring uden at glemme tidligere læring samt opdagelse gennem søgning, ræsonnement og hold af modeller. Disse prioriteter bygger på stifternes arbejde med træning under inferens, selvdestillation og agentbaseret orkestrering, hvor modeller lærer efter implementering, lærer af deres egne fejl eller koordinerer andre modeller og værktøjer.

I en visionserklæring argumenterer Choi og Guestrin for, at intelligens bør fordeles på mange specialiserede systemer, der ejes af kunderne, i stedet for at være koncentreret i én centraliseret superintelligens. De fremhæver også, at modeller, der er tilpasset en opgave, er billigere og mindre energikrævende, og at formålsbyggede systemer er lettere at specificere, teste og føre tilsyn med.

Noeri siger, at virksomhedens første proof of concept-partnerskaber spænder over erhvervs- og forskningsområder. Virksomheden samarbejder også med strategiske partnere på tværs af brancher, herunder nogle af investorerne, og har valgt en varieret gruppe, så teknologien lærer at generalisere, før den specialiseres til de enkelte kunder.

Stifterholdet og den tidlige afprøvning

Guestrin var tidligere medstifter af Turi, den maskinlæringsplatform, som Apple købte i 2016, og opbyggede og ledede senere Apples centrale organisation for maskinlæring og AI. Choi er MacArthur Fellow, og hendes forskning fokuserer på at gøre mindre AI-modeller mere kapable; tidligere var hun professor ved University of Washington og senior director ved Allen Institute for AI. Noeri ansætter forskere og ingeniører i Palo Alto og Zürich.

Den umiddelbare prøve for det nye laboratorium er, om partnerskaberne kan omsætte forskningen til gentagne forbedringer målt på kundernes egne kvalitets- og omkostningsmål, samtidig med at de centrale kontrolmekanismer for menneskelig godkendelse og ejerskab i produktet bevares.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab