Pendanaan Deep Cogito: Pasca-Pelatihan Mengalahkan Model yang Lebih Besar

Kisah pendanaan AI selama bertahun-tahun seperti beribadah di altar skala: model yang lebih besar, klaster yang lebih besar, tagihan listrik yang lebih besar, dan keyakinan eksekutif yang lebih besar pada frasa-frasa yang seharusnya tidak diucapkan siapa pun sebelum minum kopi. Putaran pendanaan baru Deep Cogito menarik karena ini bukan sekadar keranjang persembahan lain untuk gunung berapi jumlah parameter. Ini adalah taruhan tentang apa yang terjadi setelah model dasar raksasa keluar dari prapelatihan dan menyadari, seperti kita semua, bahwa pernah membaca internet tidak membuatmu otomatis layak kerja. Menurut SiliconANGLE, Deep Cogito mengumpulkan $43 juta untuk mengerjakan model AI yang dapat meningkatkan diri sendiri. Quartz melaporkan bahwa Seri A ini membuat total pendanaan startup asal San Francisco tersebut menjadi lebih dari $56 juta. Itu penting karena investor tampaknya membeli masuk ke lapisan yang lebih spesifik dalam tumpukan AI: sistem pascapelatihan yang dapat meningkatkan perilaku model dengan lebih otonom, bukan sekadar putaran lain dari “bagaimana kalau modelnya lebih besar dan sedikit lebih mahal untuk mengecewakanmu?”

Putaran ini sebenarnya tentang pesta setelah acara utama

Quartz melaporkan bahwa TQ Ventures memimpin Seri A senilai $43 juta tersebut, dengan partisipasi Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons, dan Zscaler. Quartz juga melaporkan bahwa Zscaler bergabung sebagai pelanggan sekaligus investor strategis, yang merupakan petunjuk berguna: ini bukan sekadar teater laboratorium dengan font yang lebih rapi. SiliconANGLE membingkai penggalangan dana ini di sekitar pengembangan model AI yang dapat meningkatkan diri sendiri, sementara Quartz menggambarkan pekerjaan perusahaan tersebut sebagai berfokus pada pascapelatihan AI dan peningkatan diri rekursif. Penjelasan StockTitan tentang pengumuman tersebut mendefinisikan pascapelatihan sebagai periode setelah model pembelajaran mesin menyelesaikan pelatihan awal, termasuk evaluasi, validasi, fine-tuning, kalibrasi, optimisasi untuk kecepatan atau ukuran, dan persiapan untuk penerapan atau tinjauan regulasi. Terjemahan untuk manusia: prapelatihan adalah saat model mempelajari banyak hal, pascapelatihan adalah saat kamu mencoba menghentikannya agar tidak menjawab seperti ensiklopedia berkafein yang terjebak di departemen hukum.

Intinya bukan bahwa pascapelatihan itu baru. Siapa pun yang berpura-pura bahwa fine-tuning atau reinforcement learning baru saja jatuh dari portal tahun 2026 sebaiknya dengan lembut diantar ke makalah terdekat dari tahun 2019. Bagian yang menarik adalah Deep Cogito memposisikan pascapelatihan sebagai mesin, bukan hiasan, dan investor tampaknya bersedia mendanai pembedaan itu.

Mengapa model dasar yang lebih besar bukan lagi seluruh materi promosi

Unite.AI melaporkan bahwa Deep Cogito mencoba menskalakan apa yang terjadi setelah sebuah model fondasi sudah dipralatih. Pilihan kata itu benar-benar bermakna. Industri telah belajar, dengan biaya mahal, bahwa model dasar yang cakap tidak otomatis menjadi produk yang andal, sama seperti memiliki gergaji mesin tidak membuatmu menjadi pematung (memang membuat Thanksgiving lebih berkesan, tetapi bagian legal memintaku untuk lanjut). Definisi StockTitan membantu menjelaskan logika investor. Evaluasi, kalibrasi, dan optimisasi menentukan apakah sebuah model berperilaku cukup dapat diprediksi untuk penerapan nyata. Dalam konteks perusahaan, perbedaan antara demo yang cerdik dan sistem yang berguna sering berada dalam detail pascapelatihan ini: latensi, biaya, perilaku domain, tinjauan kepatuhan, dan apakah asisten dapat mengikuti instruksi tanpa berperan sebagai autocomplete berhantu.

AF melaporkan bahwa Deep Cogito mengumpulkan Seri A senilai $43 juta untuk mengembangkan model AI yang secara otonom meningkatkan diri sendiri. Itu adalah bagian paling berani dari tesis ini, dan juga bagian yang perlu ditelaah pembaca dengan hati-hati. “Meningkatkan diri sendiri” bisa berarti banyak hal, mulai dari pembuatan data otomatis dan loop evaluasi hingga pipeline reinforcement learning, dan bukti di sini mendukung arah umum tersebut, bukan cetak biru teknis yang diungkapkan secara rinci.

Sinyal alumni Google Search

Quartz melaporkan bahwa Deep Cogito didirikan pada 2024 oleh Drishan Arora, chief executive-nya, dan Dhruv Malrana, chief product officer-nya. Quartz mengatakan keduanya sebelumnya bekerja bersama di Google pada AI Search, dengan Arora memimpin pascapelatihan Gemini untuk AI Search dan Malrana memimpin produk tersebut sejak awal. Unite.AI juga melaporkan bahwa para pendiri sebelumnya bekerja pada produk AI Search Google. Latar belakang itu penting karena pencarian adalah lingkungan yang brutal bagi perilaku model. Ia menghargai ketepatan, kesegaran, disiplin dalam menolak, latensi, dan penilaian produk, semuanya sekaligus, seperti wawancara kerja yang dilakukan oleh stopwatch dan seribu tab yang marah. Jika Deep Cogito membangun di sekitar pascapelatihan, kisah pendiriannya selaras dengan masalahnya: membuat model bertindak lebih baik dalam sistem yang berhadapan langsung dengan pengguna dan berantakan, bukan sekadar mendapat skor bagus di akuarium benchmark.

Ada juga petunjuk strategis yang berguna dalam peran Zscaler. Quartz melaporkan bahwa perusahaan keamanan cloud tersebut adalah pelanggan sekaligus investor strategis. Saya akan menyerahkan implikasi keamanannya kepada Sam, yang memegang tombol panik “tolong berhenti menghubungkan agen ke produksi”, tetapi sudut pandang pelanggan menunjukkan adanya permintaan untuk model yang dapat dibentuk, dievaluasi, dan dioperasikan organisasi dengan lebih banyak kontrol.

Hal yang perlu diperhatikan builder berikutnya

Bagi builder, pelajarannya praktis: mulailah memperlakukan pascapelatihan sebagai infrastruktur produk, bukan tugas bersih-bersih. Daftar aktivitas pascapelatihan dari StockTitan memberikan checklist yang cukup baik: evaluasi, validasi, fine-tuning, kalibrasi, optimisasi, dan tinjauan penerapan. Jika roadmap AI-mu berhenti di “pilih model,” selamat, kamu telah membangun restoran dengan memilih kulkas.

Bagi investor dan operator, putaran pendanaan Deep Cogito adalah tanda lain bahwa nilai mungkin bergeser dari hak pamer prapelatihan mentah menuju sistem yang membuat model beradaptasi dengan aman, murah, dan terukur. Laporan Quartz mengaitkan perusahaan ini langsung dengan peningkatan diri rekursif, sementara SiliconANGLE menekankan model AI yang dapat meningkatkan diri sendiri. Pertanyaan terbukanya adalah seberapa banyak otonomi yang dapat diambil sistem ini dengan aman, dan seberapa jelas perusahaan dapat membuktikan peningkatan tanpa mengubah evaluasi menjadi poster motivasi.

Perhatikan benchmark yang diungkap, penerapan pelanggan, dan detail tentang bagaimana Deep Cogito mengukur peningkatan dari waktu ke waktu. Frasa “AI yang dapat meningkatkan diri sendiri” layak disikapi skeptis, tetapi fokus dasarnya pada pascapelatihan memang tepat di tempat banyak peningkatan produk nyata kini berada. Kontes barunya bukan siapa yang bisa memanggang kue terbesar, melainkan siapa yang bisa mengajari kue itu memperbaiki frosting-nya sendiri.