Deep Cogito 募得 4300 萬美元，打造企業級開放權重 AI 模型

AI 研究實驗室 Deep Cogito 募得 4300 萬美元，用於打造企業可自行持有並客製化的開放權重模型，押注企業將日益抗拒專有前沿 AI 的高昂成本與鎖定效應。這家創立於 2024 年的舊金山新創，由前 Google AI 搜尋工程師創辦，專注於模型開發的後訓練階段——以企業特定數據和強化學習來精煉通用訓練模型。

主導本輪融資的 TQ Ventures 共同創辦合夥人 Schuster Tanger 表示：「我們認為他們將成為定義開放權重模型與專屬企業智能的標竿公司之一。我們認為市場上存在一個缺口，需要一家高度專業的美國企業來填補。」

本輪 A 輪融資還包括 Benchmark、Nexus Venture Partners、Atreides Management、South Park Commons 以及資安公司 Zscaler，使總融資金額突破 5600 萬美元。Deep Cogito 的 Cogito 系列前沿開放權重模型與專屬企業模型，旨在於企業自有基礎設施上運行，讓組織既能掌控專有數據，又能相較前沿 API 降低推論成本。

此輪融資之際，中國在開放權重模型供應上居於主導地位，包括 DeepSeek、阿里巴巴的 Qwen 及月之暗面的 Kimi；同時美國企業正權衡 OpenAI 與 Anthropic 前沿 API 的成本，以及可稽核、微調並就地部署模型的掌控力。SemiAnalysis 研究顯示，開源模型追趕上每一代首個閉源模型的時間，如今縮短了一半。

後訓練引擎驅動 Cogito 模型

Deep Cogito 應用大規模強化學習——模型透過懲罰與獎勵進行學習——以及遞迴自我改進，讓模型自行教導自己進步，產生智慧的複合增益。其中一項研究計畫反覆允許模型運用額外運算能力，產出超越其直接生成能力的答案，再將這些改進蒸餾回模型的權重之中。

據該公司表示，長期目標是打造「能逐步提升自身能力、最終超越人類生成訓練數據界限」的模型。

Arora 曾任 Google 資深軟體工程師，近期負責建模該公司的生成式搜尋服務。他主張，以產品特定數據訓練的專屬模型，往往在該產品上優於通用前沿模型。「成本是一個驅動因素，但同等重要的是效能，」他表示。

此方法不同於檢索增強生成（RAG），後者在推論階段檢索相關專有數據。Arora 表示，RAG 對檢索事實有其效用，但缺乏直覺性專業知識的能力。「當問題變得稍具難度時——資安、程式碼助手就是很好的例子——你很難隨時精確寫下想要的程式碼結構，但這些正是模型能隨時間從你的數據中習得的技能。」

開放權重經濟效益 vs. 專有 API

從經濟效益來看，對許多企業工作負載而言，開放權重模型更具優勢。OpenAI、Anthropic 與 Google 的前沿模型提供廣泛能力，但伴隨高昂的每 token 定價與使用限制。開放權重模型公開分享底層數值參數，可用內部數據進行微調並就地部署，同時降低成本與數據暴露風險。Meta 的 Llama 與 Mistral 已證明此路徑的可行性，企業同時部署數十個專屬開放模型與專有模型。

策略投資者 Zscaler 正在測試 Deep Cogito，目標是將其部署在自家平台上，並為使用者提供 AI 資安工具。Zscaler AI 資安與策略倡議執行副總裁 Dhawal Sharma 表示：「大家都憂心成本效率與模型經濟效益。閉源權重模型效率很高，但成本經濟效益也非常昂貴。」

Gartner 分析師指出，多數企業需求集中在特定工作流程與特定數據上，而以整個網際網路訓練的通用閉源模型對其中大部分需求而言是殺雞用牛刀。Gartner 研究總監 Max Goss 談到開放模型的透明優勢時表示：「無法治理看不見的東西。」

雲端內容管理公司 Box 執行長 Aaron Levie 表示，遞迴自我改進可能是「我們在 AI 發展中所見加速進程中最具意義的部分」。「來自實驗室及其研究人員的所有證據都表明，我們已達到某種逃逸速度，或正接近逃逸速度。」

企業面臨的挑戰在於執行面。建置與維護專屬模型所需的技能是大多數公司所欠缺的，且競爭環境瞬息萬變。Deep Cogito 的賭注在於，企業將日益希望借助外部協助來建置自有模型——同時美國需要一個本土替代方案來應對中國在開放權重領域的主導地位。Zscaler 的策略投資，加上企業整體向多模型部署的轉變，顯示開放權重領域正成為企業 AI 預算中一項重要的支出項目。

本文僅供資訊參考，不構成投資建議。