Deep Cogito, Kendini Geliştiren AI için Post‑Eğitim Motoru Oluşturmak üzere 43 Milyon Dolar Series A Finansmanı Topladı

Deep Cogito 43 milyon dolarlık Series A finansmanını topladı; San Francisco AI laboratuvarı, yapay zeka yığınının giderek daha önemli bir parçasını ölçeklendirmeyi hedefliyor: temel model önceden eğitildikten sonra ne olur.

Bu tur, TQ Ventures liderliğinde gerçekleşti; Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons ve bulut güvenliği şirketi Zscaler (hem müşteri hem stratejik yatırımcı) da katıldı. Bu finansman, Deep Cogito’nun toplam fonunu 56 milyon doların üzerine çıkardı.

Drishan Arora ve Dhruv Malrana tarafından kurulan, daha önce Google’ın AI Search ürünlerinde AI Mode ve AI Overviews dahil çalışmış olan Deep Cogito, gelecekte AI zekasındaki kazanımların, ön‑eğitim koşularını sadece büyütmek yerine daha iyi öğrenme algoritmaları ve post‑eğitimden geleceğine inanıyor.

Bu durum, şirketi temel modelleri sıfırdan sürekli daha büyük inşa etmeye odaklanan laboratuvarlardan farklı bir AI yarış bölgesine konumlandırıyor.

Deep Cogito’nun Post‑Eğitime Olan Bahsi Neden

Pre‑training büyük bir dil modeline devasa veri miktarına maruz bırakarak geniş bir bilgi temeli sağlar. Post‑training ise modelin nasıl davrandığını, akıl yürüttüğünü, talimatları izlediğini, araçları kullandığını ve belirli görevleri yerine getirdiğini şekillendirir.

Deep Cogito’nun tezi, bu ikinci aşamanın çok daha fazla gelişme potansiyeline sahip olduğudur.

Şirketin araştırması, büyük ölçekli pekiştirmeli öğrenme ve modellerin kendi yeteneklerini kademeli olarak artırmasını sağlayan yöntemlere odaklanıyor. Önceden eğitilmiş bir modeli çoğunlukla tamamlanmış bir ürün olarak görmek ve sadece ek hizalama gerektirmek yerine, Deep Cogito bunu temel yetenekleri geliştirilmeye devam edebilecek bir başlangıç noktası olarak değerlendiriyor.

Arora, turu duyururken farkı şu şekilde özetledi: “Pre‑training bir modele muazzam bir bilgi ve yetenek birikimi sağlar. Post‑training ise o modelin gerçekte ne olabileceğini belirler.”

Bu, yalnızca ön‑eğitimi ölçeklendirme maliyetlerinin giderek daha zorlayıcı hâle gelmesi nedeniyle özellikle önem taşıyor. Sınır modelini eğitmek devasa veri setleri, GPU kümeleri, enerji altyapısı ve büyük sermaye gerektiriyor. Yeterince etkili bir post‑training sistemi, mevcut bir modelden tüm bu süreci tekrarlamadan çok daha fazla zekâ çıkarabilir.

Maliyetli Akıl Yürütmeyi Daha İyi Sezgiye Dönüştürmek

Deep Cogito’nun araştırmasının merkezinde, şirketin Iterated Distillation and Amplification (IDA) adlı yaklaşımı yer alıyor; bu yaklaşım, ilk Cogito model ailesi ile kamuoyuna tanıtıldı.

Kavram nispeten basittir, ancak ölçekli olarak uygulamak kolay değildir.

Amplifikasyon aşamasında, modele ek hesaplama ve teknikler sağlanarak, anında üretebileceğinden daha güçlü bir yanıt elde etmesi sağlanır. Ortaya çıkan iyileşme daha sonra modelin parametrelerine destile edilir. Bu yükseltilmiş model, bir sonraki yineleme için başlangıç noktası olur.

Modelin her zor soruyla karşılaştığında giderek daha uzun bir akıl yürütme süreci yapmasını gerektirmek yerine, amaç bu daha maliyetli akıl yürütme adımlarında öğrenilenlerin kademeli olarak içselleştirilmesidir.

Deep Cogito, buna modelin “sezgi”sini geliştirmek denir.

Bu ayrım, çıkarım (inference) ekonomisi açısından önemli hale gelebilir. Uzun akıl yürütme zincirleri doğruluğu artırabilir, ancak aynı zamanda token tüketimini, gecikmeyi ve maliyeti yükseltir. Daha iyi akıl yürütme yollarını içselleştirmiş bir model, benzer sonuçlara daha az çıkarım süresi hesaplamasıyla ulaşabilir.

Cogito Modelleri Yaklaşımın Kamu Testini Sunuyor

Deep Cogito, bu teknikleri denemek için açık ağırlıklı Cogito model ailesini kullanıyor.

İlk sürümleri 3 milyar ila 70 milyar parametre arasında değişiyordu; şirket daha sonra aileyi 70B, 109B karışık uzman (MoE), 405B ve 671B MoE modelleriyle genişletti.

Şirket, Cogito v2 ile 671B modelinin, DeepSeek R1 0528’e kıyasla akıl yürütme zincirlerini yaklaşık %60 daha kısa ürettiğini ve çeşitli değerlendirmelerde rekabetçi kaldığını bildirdi. Deep Cogito ayrıca, 3B’den 671B’ye kadar sekiz Cogito modelini eğitmek için toplamda 3,5 milyon doların altında harcadığını söyledi; ancak benchmark performansı ve eğitim maliyeti karşılaştırmaları doğrudan üretim ekonomisine yansımayabilir.

Şirket, açık lisanslı bir DeepSeek temel modeli kullanan ve Deep Cogito’nun dahili olarak post‑training yaptığı Cogito v2.1 671B ile sistemi geliştirmeye devam etti. v2.1 araştırma sürümü, modelin akıl yürütme sırasında süreç denetimi kullandığını; eğitimin ise modeli daha uzun düşünmeye teşvik etmek yerine üretken akıl yürütme yollarını tanımlama yeteneğini artırmak üzere tasarlandığını belirtiyor.

Bu ilerleme, Deep Cogito’nun daha geniş argümanı için önemlidir. Şirketin, en büyük AI laboratuvarlarından daha iyi bir temel model ön‑eğitimi yapabildiğini kanıtlaması gerekmez. Post‑training sürecinin mevcut güçlü modelleri tutarlı bir şekilde daha yetkin hâle getirebildiğini göstermek yeterlidir.

Zscaler, Kurumsal Fırsatı İşaret Ediyor

İşin diğer tarafı, bu post‑training tekniklerini kamuya açık Cogito modellerinin ötesine taşıyarak kurumsal AI’ye uygulamaktır.

Genel amaçlı sınır modeline yalnızca güvenmek yerine, şirketler kendi tescilli verileri, iş akışları, değerlendirme kriterleri ve istenen sonuçlar etrafında özelleşmiş modeller eğitebilirler.

Bu, genellikle bir genel modele çıkarım sırasında dış şirket bilgilerine erişim sağlayan retrieval‑augmented generation (RAG) yönteminden çok daha derine inebilir. Deep Cogito’nun yaklaşımı, modelin ağırlıklarına alan‑spesifik yetenekler eğiterek modelin kendisini değiştirmeyi hedefler.

Zscaler erken bir örnek sunuyor. Siber güvenlik şirketi, Series A’ya katılmadan önce Deep Cogito’nun müşterisi olarak başladı. Şirketler, özelleşmiş güvenlik istihbaratı konusunda da birlikte çalıştı; Deep Cogito, güvenlik uygulamalarının, bir organizasyonun kendi güvenlik verileri ve sonuçları üzerinde post‑training yapılan modellerden fayda sağlayabileceğini savunuyor.

Geniş çaplı kurumsal teklif, hem özelleşme hem de kontrol üzerine odaklanır. Wall Street Journal’ın finansmanla ilgili haberi, Deep Cogito’nun teknolojisini, işletmelerin tescilli verileri kullanarak eğitebilecekleri ve sahip olabilecekleri modeller etrafında konumlandırdığını; kapalı sınır sistemlerine tamamen bağımlı kalmadığını belirtiyor.

$43M Series A Finansmanı Ne İçin Kullanılacak

Deep Cogito, Series A’yı araştırma ve mühendislik organizasyonunu genişletmek, büyük ölçekli eğitim için mevcut bilgi işlem altyapısını artırmak, gelecekteki Cogito modellerini geliştirmek ve özelleşmiş modeller arayan daha fazla işletmeyle çalışmak için kullanmayı planlıyor.

Altyapı, bu genişlemenin özellikle önemli bir parçası olacak gibi görünüyor. Deep Cogito’nun işe alım materyalleri, araştırmacıların yeni pekiştirmeli öğrenme algoritmaları, veri boru hatları, değerlendirme ve dağıtık altyapı üzerinde çalıştığını; 400 milyar parametrenin üzerindeki modelleri eğittiklerini anlatıyor.

Bu finansman, şirketin erken modellerinde gösterilen iyileşmelerin, daha fazla hesaplama uyguladıkça ve post‑training sürecinin daha fazla yinelemesini yürüttükçe devam edip etmeyeceğini test etme kapasitesini önemli ölçüde artırıyor.

Daha Büyük Sonuç: Kendi Akıl Yürütmesinden Öğrenen AI

Deep Cogito’nun çalışmasının daha büyük önemi, AI gelişiminin çoğunlukla insan üretimi verilerle eğitilen sistemlerden, giderek kendi iyileştirmelerini üreten, değerlendiren ve içselleştiren modellere kayma olasılığıdır.

Iterated Distillation and Amplification gibi yaklaşımlar, maliyetli akıl yürütmeyi kalıcı bir yeteneğe dönüştürmeyi hedefler. Bir model, daha zor problemleri çözmek için ek hesaplama kullanabilir, ardından bu kazanımları ağırlıklarına destile ederek bir sonraki eğitim döngüsü için daha güçlü bir başlangıç noktası oluşturur.

Zamanla, bu, akıl yürüt, değerlendir, öğren ve geliştir döngüsünü üretebilir.

İteratif post‑training ile gerçek özyinelemeli öz‑gelişim arasında hâlâ büyük bir boşluk vardır. Modellerin güvenilir değerlendirmelere, özenle tasarlanmış hedeflere ve hataları pekiştirmeye karşı korumalara ihtiyacı vardır. Ancak bu yaklaşımın sınırlı versiyonları bile, sürekli büyüyen ön‑eğitim koşularına bağımlılığı azaltabilir ve tescilli kurumsal veriler etrafında eğitilen özelleşmiş AI’ı daha pratik hâle getirebilir.

Eğer bu eğilim devam ederse, AI’da rekabet avantajı, en büyük hesaplama kümelerine sahip olmaktan daha çok, modellerin kendi deneyimlerinden öğrenme yeteneğine bağlı olacaktır.