Trajectory 获 4500 万美元 A 轮融资：用「持续学习」让开源模型自动学会专业任务
当下的 AI 模型——不论是 OpenAI、Anthropic 的闭源产品，还是基于开源方案二次开发的模型——都有一个共同的硬伤：不经过重新训练，它们就无法从犯过的错误里学习。
企业想把通用模型用到法律、金融这类专业领域，常规做法是做微调（fine-tuning）。但这条路要么得自己养一支内部研究团队，要么就得倚重昂贵的外部顾问，也就是业内常说的前置部署工程师（forward-deployed engineers，FDE）。
Trajectory 想做的，就是把这一段流程自动化。该公司由三位斯坦福同学于约一年前创立，创始团队分别来自 Google DeepMind 和 Apple。
核心变化
融资与规模。 这家 18 人的公司刚刚宣布完成 4500 万美元 A 轮融资，估值 3 亿美元，由红杉资本（Sequoia）领投，英伟达、Bessemer Venture Partners 和 Bain Capital Ventures 跟投。同时，Trajectory 的后训练平台已面向公众开放。
技术路径：持续学习（continual learning）。 企业可以先用一个开源模型起步，把 Trajectory 平台接到自己的应用上；平台持续收集模型在实际运行中的表现反馈，再据此重新训练模型，让它在专业任务上逐步变强。
Trajectory 联合创始人 Ronak Malde 把基础模型比作「一个非常聪明、但每次都像刚入职新工作的博士生」，而经济真正需要的是「在这个岗位上干了 30 年的人」。按照他的说法，律师、医生等专业人士现在可以近乎自动地自行改进模型，这让专业 AI 的部署既更快也更便宜。
已落地的客户。 Harvey 和 Rogo 已经在用 Trajectory 的平台对开源模型做后训练，让模型通过过往任务的学习，表现得更像资深律师或金融分析师——比如审核&查验特定类型的法律合同，或用某套特定方法论给企业估值。其他客户还包括 Decagon、Mercor 和英伟达。
影响与建议
人类始终留在训练回路里。 Trajectory 的持续学习思路与「递归自我改进」（RSI，即 AI 系统自我提升自身能力）的概念有相似之处，但联合创始人 Michael Elabd 认为两者有本质区别：保留人类参与训练让这套方法更安全，因为完全自主的自我改进可能带来意料之外甚至危险的后果。用户自己定义「什么才算做得好」，再把这些标准转化为对模型的改进。
竞争格局正在成形。 盯着自动化后训练这一市场的并非只有 Trajectory：前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab（微调平台 Tinker 的开发方）、上个月估值 32.5 亿美元的 Applied Compute，以及帮助企业构建和训练自有 AI 智能体的 Prime Intellect，都在同一条赛道上。
团队是 Malde 认定的最大优势。 他是从 Windsurf 被 Google DeepMind 收购时一同被招入的研究员之一，Elabd 也曾就职于 DeepMind，第三位联合创始人 Arjun Karanam 此前在 Apple 负责生成式基础模型。公司还从 OpenAI、Stripe 和 Netflix 引进了研究员与产品设计师。
产品设计决定商业化速度。 对于一家做 AI 训练的公司，设计为何如此重要？Karanam 的解释是，Trajectory 开发了一套界面，让不具备技术背景的客户也能完成模型的后训练工作。
评论