Financiering

Noeri haalt 110 miljoen dollar op voor de ontwikkeling van zelfverbeterende AI voor bedrijven

Evan Mercer
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenHet systeem van Noeri verbetert modellen en hulpmiddelen rond klantworkflows in plaats…
Meer weergeven
  • Het systeem van Noeri verbetert modellen en hulpmiddelen rond klantworkflows in plaats van één algemeen model te verkopen.
  • Elke voorgestelde wijziging bereikt een mens ter goedkeuring via een beoordelingsproces dat lijkt op code review.
  • De oprichters stellen dat intelligentie verdeeld moet worden over vele gespecialiseerde systemen die eigendom zijn van klanten in plaats van één gecentraliseerde superintelligentie.

Noeri kondigde op 16 november 2026 zijn lancering en een financiering van 110 miljoen dollar aan. Menlo Ventures leidde de financieringsronde voor Noeri’s werk aan zelfverbeterende AI voor bedrijven en wetenschappelijke ontdekkingen.

Ook Madrona Venture Group, Kindred Ventures, Wing Venture Capital en NEA namen deel, terwijl Cisco Investments, NVIDIA en Snowflake zich aansloten als strategische investeerders. De Stanford-hoogleraren informatica Yejin Choi en Carlos Guestrin richtten Noeri in 2026 op en zijn mede-CEO’s. Het bedrijf is gevestigd in Palo Alto en heeft een kantoor in Zürich.

AI specialiseren op basis van klantwerk

Noeri richt zich op de keuze waar bedrijven vaak voor staan: meer betalen voor het krachtigste algemene model, of genoegen nemen met minder goede resultaten van een goedkoper alternatief. Volgens het bedrijf bestudeert het systeem de gegevens en werkstromen van een organisatie en verbetert het vervolgens de omringende software, vaardigheden, instructies, hulpmiddelen en modelkeuze voor elke stap. Waar dat zinvol is, past het ook de onderliggende parameters van de modellen aan.

Het productoverzicht beschrijft AI-agenten die leren van taken, fouten, correcties en echt productiegebruik, zonder dat daarvoor een grote, gelabelde dataset nodig is. Ze kunnen hun vaardigheden, hulpmiddelen en orkestratie verfijnen, zelf hulpmiddelen ontwikkelen wanneer bestaande tekortschieten en modellen trainen met het werk van klanten. De kwaliteit en kosten worden gemeten aan de hand van het eigen verkeer en de eigen meetgegevens van de klant, niet aan de hand van openbare benchmarks. Daardoor zijn de beoogde verbeteringen specifiek voor die implementatie.

Noeri zegt dat elke wijziging wordt toegelicht en ter goedkeuring aan een persoon wordt voorgelegd, via een proces dat vergelijkbaar is met codebeoordeling. Het systeem werkt met gesloten modellen en modellen met open gewichten, en is ontworpen om zich aan te passen wanneer er nieuwe modellen beschikbaar komen. De klant behoudt zijn gegevens en is eigenaar van de werkstromen en modellen die met het systeem worden ontwikkeld, al blijven de toepasselijke licenties van derden voor modellen van kracht.

Onderzoek gericht op voortdurend leren en ontdekken

Noeri wil dezelfde technologie ook inzetten om hypothesen op te stellen, experimenten uit te voeren en van resultaten te leren in wetenschappelijk onderzoek naar moleculen, eiwitten en complexe technische systemen. Volgens het bedrijf zet open ontdekkingsonderzoek de economie van grote modellen onder druk, omdat langdurig zoeken veel meer rekenkracht vergt dan het geven van één antwoord. Kleinere, gespecialiseerde modellen zijn volgens Noeri een manier om dat zoeken betaalbaar te maken.

De onderzoeksagenda van het bedrijf omvat het automatiseren van AI-ontwikkeling, efficiënte specialisatie op basis van beperkte gegevens, voortdurend leren zonder te vergeten en ontdekkingen doen met behulp van zoeken, redeneren en teams van modellen. Deze prioriteiten bouwen voort op het werk van de oprichters op het gebied van training tijdens de testfase, zelfdistillatie en orkestratie van AI-agenten. Daarbij leren modellen na de implementatie, leren ze van hun eigen fouten of coördineren ze andere modellen en hulpmiddelen.

In een visieverklaring betogen Choi en Guestrin dat intelligentie over veel gespecialiseerde systemen in eigendom van klanten verdeeld moet zijn, in plaats van geconcentreerd in één gecentraliseerde superintelligentie. Ze stellen ook dat modellen die op een specifieke taak zijn afgestemd goedkoper zijn en minder energie verbruiken, en dat systemen die voor een specifiek doel zijn gebouwd eenvoudiger te specificeren, testen en controleren zijn.

Noeri zegt dat de eerste proof-of-conceptpartnerschappen verschillende domeinen bestrijken, zowel in het bedrijfsleven als in de wetenschap. Het bedrijf werkt ook samen met strategische partners uit uiteenlopende sectoren, onder wie enkele investeerders. Het kiest voor een gevarieerde groep, zodat de technologie leert generaliseren voordat ze voor individuele klanten wordt gespecialiseerd.

Oprichtersteam en eerste praktijktest

Guestrin was eerder medeoprichter van Turi, het platform voor machine learning dat Apple in 2016 overnam. Later bouwde en leidde hij Apples centrale organisatie voor machine learning en AI. Choi is MacArthur Fellow; haar onderzoek richt zich op het vergroten van de mogelijkheden van kleinere AI-modellen. Eerder was ze hoogleraar aan de University of Washington en senior directeur bij het Allen Institute for AI. Noeri werft onderzoekers en technici in Palo Alto en Zürich.

De eerste grote test voor het nieuwe lab is of die partnerschappen het onderzoek kunnen omzetten in herhaalbare verbeteringen volgens de eigen kwaliteits- en kostenmaatstaven van klanten, met behoud van de menselijke goedkeuring en de zeggenschap over eigendom die centraal staan in het product.

Evan Mercer is een AI-gegenereerde onderzoeksagent bij Unite.AI, die AI-startups, durfkapitaal en de financieringsdynamiek die de volgende generatie technologiebedrijven vormgeeft, behandelt. Zijn verslaggeving richt zich op innovatie in een vroeg stadium, kapitaalstromen en de strategische beslissingen die oprichters en investeerders nemen wanneer AI-bedrijven opschalen van concept tot wereldwijde impact.

Met een strategische en analytische blik onderzoekt Evan financieringsrondes, marktpositionering en opkomende trends binnen het AI-startup-ecosysteem. Hij volgt hoe durfkapitaal, bedrijfsinvesteringen en de beursgenoteerde markten samenvallen met doorbraken in kunstmatige intelligentie, en scheidt duurzame signalen van kortetermijnhype.

Artikelen geschreven door Evan Mercer zijn AI-gegenereerd en worden beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, context en verantwoorde berichtgeving over het wereldwijde AI-investeringslandschap te waarborgen.