让AI“越用越精”：Trajectory融资4500万美元，试图终结大模型“遗忘曲线”

【科技24时区】当OpenAI或Anthropic的旗舰模型在通用领域呼风唤雨时，一个被行业长期忽视的痛点正逐渐浮出水面：这些看似无所不能的大模型，本质上都是“一次性天才”。一旦脱离初始训练数据的滋养，它们便无法从自身的错误中汲取教训。对于法律、金融等对专业度要求极高的垂直领域而言，这种“出厂设置”般的局限性尤为致命。过去，企业试图通过微调（Fine-tuning）来弥补这一缺陷，但这往往意味着高昂的成本——要么组建内部研发团队，要么聘请昂贵的向前部署工程师（FDEs）。然而，创业公司Trajectory的出现，似乎正在尝试改写这一规则。

这家成立仅一年的初创企业，由三位拥有Google DeepMind和Apple背景的斯坦福校友创立，其核心愿景是让AI具备“持续学习”的能力。就在近日，Trajectory宣布完成4500万美元A轮融资，估值达到3亿美元。本轮融资由红杉资本（Sequoia）领投，英伟达（Nvidia）、Bessemer Venture Partners以及贝恩资本风险投资（Bain Capital Ventures）跟投。这笔资金将主要用于加速其自动化后训练平台的开发。

联合创始人Ronak Malde用一个生动的比喻揭示了当前AI行业的困境：“基础大模型就像一位极其聪明的博士毕业生，虽然学历光鲜，但每次接手新工作都得从零开始。而经济体真正需要的，是一位在该岗位上深耕三十年的资深专家。”Trajectory的解决方案在于“持续学习”机制。企业只需接入开源模型，并将其连接至自身应用平台，系统便能自动收集用户反馈数据。随后，Trajectory利用这些信息对模型进行重新训练，使其在特定任务上实现渐进式优化。Malde指出，这意味着律师、医生等专业人员几乎可以“自动化地”提升模型表现，从而大幅降低部署专用AI的时间与金钱成本。

目前，包括Harvey、Rogo在内的多家AI公司已开始采用Trajectory的平台，对开源模型进行后训练处理。通过回顾过往任务——例如审查特定类型的法律合同或使用特定方法论评估公司价值——这些模型正逐渐展现出更像资深律师或金融分析师的专业素养。此外，Decagon、Mercor以及英伟达也是其客户群体。随着平台向公众开放，Trajectory希望赋予用户更多定义“何为优秀”的权利。“用户决定其组织眼中的‘好’是什么，并将这种标准转化为模型的改进动力，”Malde强调。

值得注意的是，尽管Trajectory的方法论与递归自我改进（RSI）概念有相似之处，即AI系统自主提升能力，但联合创始人Michael Elabd坚持认为，保留人类在训练过程中的参与至关重要。他警告称，完全自主的自我改进可能导致不可预知甚至危险的结果，而人机协作模式则能有效规避此类风险。

在竞争激烈的赛道上，Trajectory并非孤军奋战。前OpenAI CTO Mira Murati创办的Thinking Machines Lab及其旗下的Tinker微调平台被视为直接竞争对手；上个月估值高达32.5亿美元的Applied Compute，以及专注于构建和训练AI代理的Prime Intellect，同样在争夺市场份额。面对群雄逐鹿的局面，Malde坚信团队是其最大护城河。作为少数几位被Google DeepMind从Windsurf收购而来的研究人员之一，Malde与曾在DeepMind工作的Elabd，以及之前在Apple负责生成式基础模型的Arjun Karanam共同构成了核心团队。此外，来自OpenAI、Stripe和Netflix的研究人员与产品设计师也陆续加入。

为何一家专注AI训练的公司如此重视设计？Karanam给出了答案：他们开发了一套界面，旨在降低非技术背景客户的准入门槛，使后训练过程变得更加直观和易用。在算法之外，交互体验或许正是打破AI落地最后一公里壁垒的关键钥匙。