当大模型公司还在竞争更长的上下文窗口、更强的推理能力和更复杂的 Agent 工作流时，一家名为 Engram 的新公司选择押注另一个问题：AI 能不能像人一样，持续从每天接触到的资料、对话和经验中学习？

这家公司刚刚公开亮相，并已完成 9800 万美元融资，投资方包括 General Catalyst、Kleiner Perkins、Sequoia 等一批头部风投机构。它的投资人与顾问名单中，还包括 Assaf Rappaport、Andrej Karpathy 和 Pieter Abbeel。

Andrej Karpathy 和 Jason Wei 也纷纷发来贺电。

Engram 想解决的问题是：模型懂互联网，却不懂你的公司。

今天的 AI 能回答问题、读代码、写文档，但对组织内部的关键知识并不熟悉——项目决策、历史取舍、团队讨论等，大多不在训练数据中。因此，企业只能反复提供上下文，模型每次都要重新理解，成本高且容易出错，对话结束后还会遗忘。

Engram 认为，AI 不该只是临时读取上下文，而应真正学会它。

把「上下文」变成模型能力

Engram 的核心定位，是为 AI 构建一个能够持续学习的「记忆层」。

它想解决的不是模型能不能临时读到更多资料，而是模型能不能真正吸收组织内部的知识，并在之后的任务中自然调用。相比常见的 RAG 或长上下文方案，Engram 试图把计算前移：让模型提前学习 GitHub、Slack、Notion、文档和项目记录中的信息，而不是每次回答问题前重新检索、重新阅读。

这也是 Engram 与许多 AI 应用公司的不同之处。它押注的不是更长的聊天窗口，而是一个新的 scaling 方向：从强大的预训练模型出发，把训练计算投入到用户和企业真正关心的私有上下文中。

按照公司介绍，Engram 已经在内部让模型每天学习公司数据，未来希望把更新频率提升到每小时，最终达到每分钟。其目标是找到一种统一的训练算法，可以吸收任意规模、任意形式的数据，让模型在持续使用中不断变好。

Engram 的首个产品是一套面向 Agent 的 API，服务于大型共享知识工作区。目前，公司已经公布了与 Notion、Harvey 和 Microsoft 的早期合作：Notion 用于构建理解大型 Notion 工作空间的 Custom Agents，Harvey 场景则聚焦律所和企业知识，Microsoft 方向则是在 M365 中试点更高效的定制化 Agent。

Notion、Harvey 和 Microsoft 这三类场景有一个共同点：知识密度高、上下文复杂，而且一次性检索很难解决问题。Engram 押注的正是这一类企业场景——模型不只是会调用工具，还要能长期消化组织内部的信息流。

一支围绕持续学习组建的研究型团队

Engram 的团队背景高度集中在持续学习和模型记忆问题上。

从公开材料看，这家公司更像是一支围绕研究命题组建的 AI 团队。团队成员长期关注持续学习、上下文压缩、检索增强、LoRA、合成数据、长上下文以及记忆架构等方向，核心问题始终围绕一点：如何让模型从持续变化的数据中学习，同时避免遗忘和失控。

公司创始人与核心成员包括 Dan Biderman、Sabri Eyuboglu、Jessy Lin、Jack Morris 等人。团队成员曾从多个角度研究过记忆与遗忘问题，包括人类如何记忆、机器如何遗忘，以及模型如何在学习新知识时保留旧能力。

这也解释了 Engram 为什么把「持续学习」放在公司战略中心。它要做的不是一个外挂式记忆功能，而是一套从训练算法、系统架构到产品体验都围绕长期学习设计的基础设施。

对 Engram 来说，真正的挑战在于证明持续学习可以从研究问题走向稳定产品。模型要能学习企业数据，还要做到可靠、可控、可审计，并能在多轮更新后持续产生价值。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com