Finansiering

Noeri tar in 110 miljoner dollar för att utveckla AI som förbättrar sig själv för företag

Evan Mercer
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterNoeris system förbättrar modeller och verktyg kring kundarbetsflöden i stället för att…
Visa mer
  • Noeris system förbättrar modeller och verktyg kring kundarbetsflöden i stället för att sälja en enda allmän modell.
  • Varje föreslagen ändring når en människa för godkännande genom en granskningsprocess som liknar kodgranskning.
  • Grundarna hävdar att intelligens bör distribueras över många specialiserade kundägda system i stället för en enda centraliserad superintelligens.

Noeri meddelade sin lansering och att bolaget tagit in 110 miljoner dollar den 16 november 2026. Menlo Ventures ledde finansieringen av bolagets arbete med AI som förbättrar sig själv för företag och vetenskaplig forskning.

Madrona Venture Group, Kindred Ventures, Wing Venture Capital och NEA deltog också, medan Cisco Investments, NVIDIA och Snowflake anslöt som strategiska investerare. Stanfordprofessorerna i datavetenskap Yejin Choi och Carlos Guestrin grundade Noeri 2026 och är bolagets gemensamma vd:ar. Bolaget har sitt säte i Palo Alto och ett kontor i Zürich.

Anpassa AI efter kundernas arbete

Noeri tar sig an ett dilemma som företag ofta ställs inför: att betala mer för den mest kapabla generella modellen eller acceptera sämre resultat från ett billigare alternativ. Bolaget uppger att dess system analyserar en organisations data och arbetsflöden och därefter förbättrar den omgivande programvaran, kompetensen, instruktionerna, verktygen och valet av modell för varje steg – även modellernas underliggande parametrar, när det lönar sig.

Produktöversikten beskriver agenter som lär sig av uppgifter, misslyckanden, korrigeringar och faktisk trafik i produktionsmiljöer utan att kräva en stor annoterad datamängd. De kan förfina sin kompetens, sina verktyg och sin samordning, skapa verktyg när de befintliga inte räcker till och träna modeller på kundernas arbete. Kvalitet och kostnad mäts utifrån kundens egen trafik och egna mätvärden i stället för offentliga riktmärken, så de föreslagna förbättringarna blir specifika för den aktuella driftsättningen.

Noeri uppger att varje ändring förklaras och skickas till en person för godkännande genom en process som liknar kodgranskning. Systemet fungerar med både slutna modeller och modeller med öppna vikter och är utformat för att anpassas när nya modeller tillkommer. Kunden behåller sina data och äger de arbetsflöden och modeller som utvecklas med hjälp av systemet, men eventuella tillämpliga licenser för tredjepartsmodeller gäller fortfarande.

Forskning med fokus på kontinuerligt lärande och upptäckter

Noeri avser också att använda samma teknik för att formulera hypoteser, genomföra experiment och lära av resultaten inom vetenskapligt arbete som omfattar molekyler, proteiner och komplexa tekniska system. Bolaget menar att öppen forskning efter upptäckter sätter ekonomin för stora modeller under press, eftersom ett långvarigt sökande kräver betydligt mer beräkningskraft än att ta fram ett enda svar. Bolaget föreslår mindre, specialiserade modeller för att göra sådant sökande ekonomiskt överkomligt.

Bolagets forskningsagenda omfattar automatisering av AI-utveckling, effektiv specialisering med begränsade datamängder, kontinuerligt lärande utan att glömma tidigare kunskap samt upptäckter genom sökning, resonemang och grupper av modeller. Prioriteringarna bygger på grundarnas arbete med träning vid testtid, självdestillering och agentbaserad samordning, där modeller lär sig efter driftsättning, lär sig av sina egna misstag eller samordnar andra modeller och verktyg.

I ett visionsdokument argumenterar Choi och Guestrin för att intelligens bör fördelas mellan många specialiserade system som ägs av kunderna, i stället för att koncentreras till en enda centraliserad superintelligens. De framhåller också att modeller anpassade efter en viss uppgift är billigare och mindre energikrävande, och att specialbyggda system är lättare att specificera, testa och övervaka.

Noeri uppger att bolagets första partnerskap för koncepttest omfattar både företags- och vetenskapliga områden. Bolaget samarbetar också med strategiska partner inom olika branscher, däribland vissa investerare. Man har valt en varierad grupp för att tekniken ska lära sig att generalisera innan den specialiseras för enskilda kunder.

Grundarteamet och det första testet

Guestrin var tidigare med och grundade Turi, en plattform för maskininlärning som Apple förvärvade 2016. Senare byggde han upp och ledde Apples centrala organisation för maskininlärning och AI. Choi är MacArthur-stipendiat och forskar om hur mindre AI-modeller kan göras mer kapabla. Tidigare var hon professor vid University of Washington och senior chef vid Allen Institute for AI. Noeri rekryterar forskare och ingenjörer i Palo Alto och Zürich.

Det omedelbara testet för det nya forskningslabbet är om partnerskapen kan omvandla forskningen till återkommande förbättringar enligt kundernas egna mått på kvalitet och kostnad, samtidigt som de mänskliga godkännande- och ägandekontrollerna – som är centrala för produkten – bevaras.

Evan Mercer är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som bevakar AI-startups, riskkapital och finansieringsdynamiken som formar nästa generation av teknikföretag. Hans rapportering fokuserar på innovation i tidig fas, kapitalflöden och de strategiska beslut som grundare och investerare fattar när AI-företag växer från koncept till global påverkan.

Med ett strategiskt och analytiskt perspektiv granskar Evan finansieringsrundor, marknadspositionering och framväxande trender i AI-startup‑ekosystemet. Han följer hur riskkapital, företagsinvesteringar och börsnoterade marknader korsar med genombrott inom artificiell intelligens och skiljer hållbara signaler från kortsiktig hype.

Artiklar skrivna av Evan Mercer är AI-genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, kontext och ansvarsfull täckning av det globala AI-investeringslandskapet