Deep Cogito haalt $43 miljoen Series A op om de post‑training engine voor zelfverbeterende AI te bouwen

Deep Cogito heeft een Series A van $43 miljoen opgehaald terwijl het AI‑lab uit San Francisco een steeds belangrijker onderdeel van de kunstmatige‑intelligentie‑stack wil opschalen: wat er gebeurt nadat een foundation‑model al is voorgetraind.

De ronde werd geleid door TQ Ventures, met deelname van Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons, en cloud‑beveiligingsbedrijf Zscaler, dat zowel klant als strategische investeerder is. De financiering brengt de totale fondsenwerving van Deep Cogito op meer dan $56 miljoen.

Opgericht door Drishan Arora en Dhruv Malrana, die eerder aan Google’s AI‑Search‑producten, waaronder AI Mode en AI Overviews, hebben gewerkt, gokt Deep Cogito erop dat toekomstige winsten in AI‑intelligentie steeds meer zullen voortkomen uit betere leeralgoritmen en post‑training in plaats van simpelweg de voortraining groter te maken.

Dat plaatst het bedrijf in een ander deel van de AI‑race dan laboratoria die zich voornamelijk richten op het vanaf nul bouwen van steeds grotere foundation‑modellen.

Waarom Deep Cogito gokt op post‑training

Pre‑training zorgt ervoor dat een groot taalmodel een brede kennisbasis krijgt door het bloot te stellen aan enorme hoeveelheden data. Post‑training vormt vervolgens hoe dat model zich gedraagt, redeneert, instructies opvolgt, tools gebruikt en specifieke taken uitvoert.

De stelling van Deep Cogito is dat deze tweede fase aanzienlijk meer ruimte heeft om zich te ontwikkelen.

Het onderzoek van het bedrijf richt zich op grootschalig reinforcement learning en methoden die modellen in staat stellen hun eigen capaciteiten geleidelijk te verbeteren. In plaats van een voorgetraind model te beschouwen als een grotendeels afgewerkt product dat slechts enige extra afstemming nodig heeft, ziet Deep Cogito het als een startpunt waarvan de onderliggende mogelijkheden verder ontwikkeld kunnen worden.

Arora vat het onderscheid samen bij de aankondiging van de ronde: “Pre‑training geeft een model een enorme hoeveelheid kennis en capaciteit. Post‑training bepaalt wat dat model daadwerkelijk kan worden.”

Dit is bijzonder relevant nu de economie van het simpelweg opschalen van pre‑training steeds veeleisender wordt. Het trainen van frontier‑foundation‑modellen vereist enorme datasets, GPU‑clusters, energie‑infrastructuur en kapitaal. Een voldoende effectief post‑training‑systeem zou mogelijk aanzienlijk meer intelligentie uit een bestaand model kunnen halen zonder het volledige proces te herhalen.

Duure redeneren omzetten in betere intuïtie

Centraal in het onderzoek van Deep Cogito staat Iterated Distillation and Amplification (IDA), een benadering die het bedrijf publiekelijk introduceerde met zijn eerste Cogito‑modelfamilie.

Het concept is relatief eenvoudig, zelfs als de implementatie op schaal dat niet is.

Tijdens de amplificatiefase krijgt een model extra rekenkracht en technieken die het in staat stellen tot een sterker antwoord te komen dan het direct zou genereren. De resulterende verbetering wordt vervolgens teruggedistilleerd in de parameters van het model. Dat geüpgradede model wordt het startpunt voor een volgende iteratie.

In plaats van het model te dwingen elke keer dat het een moeilijke vraag tegenkomt een steeds langer redeneerproces te doorlopen, is het doel geleidelijk een deel van wat het heeft geleerd tijdens die meer rekenintensieve redeneerstappen te internaliseren.

Deep Cogito beschrijft dit als het verbeteren van de “intuïtie” van een model.

Dit onderscheid kan belangrijk worden voor de economie van inferentie. Lange redeneerketens kunnen de nauwkeurigheid verbeteren, maar ze verhogen ook het token‑verbruik, de latentie en de kosten. Een model dat betere redeneervolgordes heeft geïnternaliseerd, kan mogelijk vergelijkbare conclusies bereiken met minder berekening tijdens inferentie.

Cogito‑modellen bieden een publieke test van de aanpak

Deep Cogito heeft zijn Cogito‑familie van open‑weight modellen gebruikt als testomgeving voor deze technieken.

De eerste releases varieerden van 3 miljard tot 70 miljard parameters, voordat het bedrijf de familie uitbreidde met 70B, 109B mixture‑of‑experts (MoE), 405B en 671B MoE‑modellen.

Met Cogito v2 meldde het bedrijf dat zijn 671B‑model redeneerketens produceerde die ongeveer 60 % korter waren dan die van DeepSeek R1 0528, terwijl het competitief bleef over verschillende evaluaties. Deep Cogito gaf ook aan minder dan $3,5 miljoen te hebben besteed aan het gezamenlijk trainen van acht Cogito‑modellen variërend van 3B tot 671B, hoewel benchmark‑prestaties en kosten‑vergelijkingen niet per se direct naar productiekosten vertalen.

Het bedrijf bleef het systeem verfijnen met Cogito v2.1 671B, dat een open‑gelicentieerd DeepSeek‑basismodel gebruikt dat Deep Cogito vervolgens intern post‑traint. De v2.1‑onderzoeksrelease stelt dat het model proces‑supervisie toepast tijdens het redeneren, met training gericht op het verbeteren van het vermogen van het model om productieve redeneerpaden te identificeren in plaats van simpelweg te stimuleren langer te redeneren.

Deze voortgang is belangrijk voor het bredere argument van Deep Cogito. Het bedrijf hoeft niet te bewijzen dat het een beter foundation‑model kan voortrainen dan de grootste AI‑labs. Het moet aantonen dat zijn post‑training‑proces consequent sterke bestaande modellen kan omvormen tot meer capabele modellen.

Zscaler wijst op de zakelijke kans

De andere kant van het bedrijf is het toepassen van die post‑training‑technieken buiten de publiek vrijgegeven Cogito‑modellen en ze te gebruiken voor enterprise‑AI.

In plaats van uitsluitend te vertrouwen op een algemeen doelgericht frontier‑model, kunnen bedrijven mogelijk gespecialiseerde modellen trainen rond hun eigen data, werkstromen, evaluatiecriteria en gewenste resultaten.

Dat kan aanzienlijk dieper gaan dan retrieval‑augmented generation (RAG), dat doorgaans een algemeen model toegang geeft tot externe bedrijfsinformatie tijdens inferentie. De aanpak van Deep Cogito streeft ernaar het model zelf te veranderen door domeinspecifieke capaciteiten in de gewichten te trainen.

Zscaler biedt een vroeg voorbeeld. Het cybersecurity‑bedrijf begon als klant van Deep Cogito voordat het deelnam aan de Series A. De bedrijven hebben ook samengewerkt rond gespecialiseerde beveiligingsintelligentie, waarbij Deep Cogito betoogt dat beveiligingsapplicaties kunnen profiteren van modellen die post‑getraind zijn op de eigen beveiligingsdata en -resultaten van een organisatie.

De bredere zakelijke propositie draait om zowel specialisatie als controle. De verslaggeving van de Wall Street Journal over de financiering stelt dat Deep Cogito zijn technologie positioneert rond modellen die bedrijven kunnen trainen en bezitten met behulp van eigen data, in plaats van volledig afhankelijk te blijven van gesloten frontier‑systemen.

Waar de $43 M Series A voor zal worden gebruikt

Deep Cogito is van plan de Series A te gebruiken om zijn onderzoeks‑ en engineeringorganisatie uit te breiden, de rekeninfrastructuur voor grootschalige training te vergroten, toekomstige Cogito‑modellen te ontwikkelen en samen te werken met meer bedrijven die gespecialiseerde modellen zoeken.

Infrastructuur zal waarschijnlijk een bijzonder belangrijk onderdeel van die uitbreiding zijn. Deep Cogito’s eigen wervingsmateriaal beschrijft onderzoekers die werken aan nieuwe reinforcement‑learning‑algoritmen, datapipe‑lines, evaluatie en gedistribueerde infrastructuur terwijl ze modellen trainen met meer dan 400 miljard parameters.

De financiering geeft het bedrijf daardoor aanzienlijk meer capaciteit om te testen of de verbeteringen die met de vroege modellen zijn aangetoond, zich voortzetten wanneer meer rekenkracht wordt ingezet en er meer iteraties van het post‑training‑proces worden uitgevoerd.

De bredere implicatie: AI die leert van zijn eigen redeneren

De grotere betekenis van het werk van Deep Cogito is de mogelijkheid dat AI‑ontwikkeling kan verschuiven van systemen die voornamelijk op door mensen gegenereerde data zijn getraind, naar modellen die steeds meer hun eigen verbeteringen genereren, evalueren en internaliseren.

Benaderingen zoals Iterated Distillation and Amplification streven ernaar dure redenering om te zetten in blijvende capaciteit. Een model kan extra rekenkracht gebruiken om moeilijkere problemen op te lossen, en die winsten vervolgens terugdistilleren in zijn gewichten, waardoor een sterker startpunt ontstaat voor de volgende trainingscyclus.

Na verloop van tijd zou dit een ontwikkelingslus kunnen creëren van redeneren, evalueren, leren en verbeteren.

Er blijft nog een grote kloof bestaan tussen iteratieve post‑training en echte recursieve zelfverbetering. Modellen hebben betrouwbare evaluaties, zorgvuldig ontworpen doelstellingen en waarborgen nodig om het versterken van fouten te voorkomen. Maar zelfs beperkte versies van deze aanpak kunnen de afhankelijkheid van steeds grotere pre‑training‑runs verminderen en gespecialiseerde AI, getraind op eigen bedrijfsdata, praktischer maken.

Als die trend zich voortzet, kan concurrentievoordeel in AI minder exclusief afhangen van wie de grootste rekenclusters bezit en meer van wiens modellen het beste leren van hun eigen ervaring.