Zoa Research

Über das Unternehmen

Quantitative Modelle sind traditionell auf ein bestimmtes Fachgebiet zugeschnitten. Brillante Köpfe verbringen ihre besten Jahre damit, innerhalb eines engen Bereichs Features zu testen, Hyperparameter zu tunen und Architekturen weiterzuentwickeln. Doch Skalierung ist das Allheilmittel: Große Modelle finden Muster, die Menschen und spezialisierte Modelle nicht entdecken konnten.

Prognosen lassen sich verallgemeinern. Zoa trainiert bereichsübergreifende Engines zur Vorhersage von Ereignissen.

*Iteration automatisieren*

LLMs, eingebettet in Multi-Agenten-Optimierungsschleifen und gemessen an festen Policies, können den Modellierungszyklus aus Bauen, Testen und Verbessern automatisieren. Man denke an AlphaEvolve für Prognoseprobleme.

*Stichprobeneffiziente allgemeine Modelle*

Heutige Prognosemodelle sind eng zugeschnitten und stark von menschlichen Vorannahmen geprägt. Größere Modelle werden jedoch die modernsten spezialisierten Modelle übertreffen.

Anders als bestehende Ereignismodelle nutzen unsere Modelle Daten aus unterschiedlichen Kontexten und verlassen sich weniger auf menschliche Intuition. Und im Vergleich zu LLMs bringen unsere Modelle mehr induktive Vorannahmen mit und setzen stärker auf Rechenleistung zur Inferenzzeit – das verbessert die Stichprobeneffizienz.

*Warum das wichtig ist*

In der Realwirtschaft könnten unsere Modelle helfen, Schwankungen in Lieferketten, Energieangebot und -nachfrage oder sogar Erdbebenrisiken vorherzusagen.

Wissenschaft ist, wie Ian Hacking schreibt, die Zähmung des Zufalls. Sie ist ein Prozess, in dem Vorannahmen schrittweise aktualisiert werden (etwa so: Unsicherheit erkennen, ein Experiment zur Verringerung der Unsicherheit entwerfen, durchführen, aktualisieren). Wenn Wissenschaft das Verringern von Unsicherheit ist, dann sind Prognosen ein entscheidender Maßstab für Fortschritt.

Bessere Prognosen verbessern unsere Fähigkeit, interessante Experimente auszuwählen (grob gesagt diejenigen mit der größten erwarteten Verringerung der Unsicherheit) und Vorannahmen zu aktualisieren. Unsere Modelle werden von Laboren und Forschenden in datenintensiven Bereichen eingesetzt werden.

Sams Ex-Freundin hat ihn 2017 an der Carnegie Mellon mit Greg bekannt gemacht – die Beziehung hielt nicht, die Freundschaft schon. Nach dem Studium ging Greg an die Harvard Law School, während Sam drei Jahre lang bei Jane Street im Optionshandel arbeitete, wo er ein ausgelagertes Entwicklerteam aufbaute und leitete.

Themen