Trajectory 融资 1500 万美元：当 AI 模型一旦训练完成就开始「变蠢」，这家汇聚 Jeff Dean、李飞飞押注的公司想让智能体永远不停止学习
全球大模型竞赛有一个没人愿意大声说出来的秘密：你花费数百万美元训练的 AI 模型，在它上线的那一刻，就已经开始落后于现实了。
GPT-4o 的知识截止到 2024 年某月，Claude 的截止到另一个月。即便是「实时联网」的模型，它的核心推理能力也是固定的——它不会因为用户昨天的一万次纠错而变得更聪明，不会因为你的产品在特定行业的使用场景而产生专业化的领域优势。这就是 AI 行业普遍存在的「静态模型瓶颈」（Static Model Bottleneck）：模型训练完成后即固化，而现实世界的需求在每一分钟都在变化。
2026 年 5 月，专注于解决这一问题的研究型公司 Trajectory 宣布完成 1500 万美元种子轮融资，估值达 1.15 亿美元（post-money）。本轮由 Conviction 领投，Bessemer Venture Partners、Radical Ventures、BoxGroup 参投，Jeff Dean（Google DeepMind 首席科学家）和 李飞飞（Stanford AI Lab 创始人、World Labs CEO）作为天使投资人参与。公司于 2025 年由 Ronak Malde（CEO）、Michael Elabd 和 Arjun Karanam 联合创立，团队成员来自 Google DeepMind、OpenAI、Apple、Meta Superintelligence Labs、Amazon AGI 和 Scale AI。
| 关键信息 | 内容 |
|---|---|
| 公司名称 | Trajectory |
| 成立时间 | 2025 年 |
| 融资轮次 | 种子轮 |
| 融资金额 | 1500 万美元 |
| 估值 | 1.15 亿美元（post-money） |
| 领投方 | Conviction |
| 参投方 | Bessemer Venture Partners, Radical Ventures, BoxGroup |
| 天使投资人 | Jeff Dean（Google DeepMind）、李飞飞（Stanford / World Labs） |
| 联合创始人 | Ronak Malde（CEO）, Michael Elabd（前 Google DeepMind 机器人部门）, Arjun Karanam（前 Apple，参与 Vision Pro 研发） |
| 团队背景 | Google DeepMind, OpenAI, Apple, Meta Superintelligence Labs, Amazon AGI, Scale AI, Stripe, Figma |
| 核心产品 | 持续学习平台（Continual Learning Platform），用于大规模智能体模型的连续训练 |
| 核心技术 | 并发多 LoRA 训练栈（Concurrent Multi-LoRA Training Stack） |
| 设计合作伙伴 | Clay, Harvey, Decagon, Mercor, Rogo |
静态模型的诅咒：AI 行业的「灵魂困境」
要理解 Trajectory 在解决什么问题，需要先理解 AI 产品的生命周期里一个几乎被所有人回避的环节。
一家 AI 原生公司（AI-native company）通常的产品开发流程是：选择一个基础模型（GPT-4o、Claude、Gemini 或开源模型）→ 在自有数据上微调或 RAG → 上线产品 → 收集用户反馈。到这里，绝大多数公司会停下来——用户反馈被归档进工单系统，或者每隔几个月才触发一次人工评估和模型更新迭代。
这个间歇性的、不连续的训练周期，就是静态模型瓶颈的根源。
在这个框架下，用户每一次对 AI 的纠错（correction）、重试（retry）、编辑（edit）、反馈（feedback），都是极其宝贵的真实世界学习信号——它告诉模型「这个答案是错的」「在这个具体场景下你应该这样回应」「这位用户有这样的偏好」。但这些信号在绝大多数 AI 产品中，都在沉默中流失。
一个极端但现实的例子：Harvey（Trajectory 的设计合作伙伴，AI 法律助理独角兽，估值超过 30 亿美元）服务的是全球顶级律师事务所。当一名合伙人级律师对 Harvey 的合同审查结果做出修改，这个修改本身包含着极高价值的专业判断——一个顶级并购律师的修订，价值堪比数十万美元的专业咨询。但如果这个信号没有被捕获并反馈到模型训练，Harvey 在下一次面对类似合同时，仍然会犯同样的错误。
Trajectory 的核心假设是：AI 产品竞争的终局，不是谁拥有最大的基础模型，而是谁的模型在特定任务上学得最快、学得最深。 企业级 AI 客户真正想要的，是一个随着使用而持续进化的专属 AI，而不是一个永远停留在训练截止日期的静态系统。
技术架构：多 LoRA 并发训练栈如何实现「不停机学习」
Trajectory 的技术差异化，集中在一个关键突破：并发多 LoRA 训练栈（Concurrent Multi-LoRA Training Stack）。
LoRA（Low-Rank Adaptation） 是大语言模型微调的主流技术之一，其核心思想是：不需要更新整个模型的数十亿参数，只需要对模型的特定层添加小型的低秩矩阵（adapter），就可以以极低的计算成本实现模型在特定任务上的专业化。LoRA 的代价小、速度快，是企业级模型定制的首选方案。
但传统的 LoRA 微调仍然是批次式的（batch-based）——需要先积累一批训练数据，然后触发一次训练，然后部署新版本，然后再积累下一批……这仍然是间歇性的训练循环，不是真正的「持续学习」。
Trajectory 的技术突破在于：让多个 LoRA 适配器可以并发、实时地进行训练，而不影响现有模型的线上服务。这意味着：
– 用户每次对 AI 输出的纠错，立即触发一个针对该类型错误的 LoRA 更新过程；
– 多个并发的 LoRA 实验可以同时在云端进行，无需等待前一批次完成；
– 新的 LoRA 版本经过验证后，可以无缝切换到线上模型，用户几乎感知不到更新；
– 整个过程的实验吞吐量（experiment throughput）据报道有显著提升。
用一个类比来理解这个架构：传统模型更新就像大型操作系统版本发布——每年一两次，每次需要停机安装，更新后可能引入新的 bug。而 Trajectory 做的，是 AI 版本的「滚动更新」（Rolling Update）——像 Chrome 浏览器一样，用户甚至不需要知道后台发生了什么，模型就已经在不断变好。
谁在用它：五个最能验证价值主张的早期客户
Trajectory 的设计合作伙伴选择，本身就是一份极有价值的市场信号读取清单：
| 客户 | 领域 | 为什么需要持续学习 |
|---|---|---|
| Clay | AI 驱动 GTM / 销售情报 | 每个销售代表的沟通风格、目标客户画像、最佳触达时机都不同，需要从真实结果中持续优化 |
| Harvey | AI 法律助理 | 不同律所、不同合伙人的法律判断标准差异巨大，专业纠错信号价值极高 |
| Decagon | AI 客服智能体 | 每个企业客户的产品特性、常见问题、处理规则不同，持续从解决成功/失败案例中学习 |
| Mercor | AI 招聘匹配平台 | 每个公司的人才标准、面试偏好、文化适配度是高度个性化的私有知识 |
| Rogo | AI 金融研究 | 金融分析方法论、行业框架、估值偏好，随分析师和机构文化而千差万别 |
这五个客户有一个共同特征：它们都在高度专业化的垂直领域中，部署面向真实用户的 AI 智能体——在这些场景中，「通用大模型的能力」远不如「在该领域从真实使用中持续进化的专属模型」更有竞争力。
天使投资人：Jeff Dean 和李飞飞的押注信号
个人投资者的选择，往往比机构 VC 更能揭示技术本质。Jeff Dean 和李飞飞同时参与这笔种子轮，是一个值得深入解读的信号。
Jeff Dean 是 Google Brain 和 Google DeepMind 的核心创始人之一，主导了 TensorFlow、TPU 和大量深度学习基础设施的创建。他在 AI 训练基础设施领域的判断力无可置疑。他押注 Trajectory，说明他认为：持续学习的基础设施，是下一代 AI 应用的技术前提，而不只是一个 nice-to-have 功能。
李飞飞 是 ImageNet 的创造者、计算机视觉现代发展的奠基人，同时是 World Labs 的 CEO——World Labs 专注于构建具备空间智能（Spatial Intelligence）的 AI 系统。她对 Trajectory 的押注，反映了一个更深的洞察：持续学习是 AI 从「感知工具」进化为「行动智能体」的必要条件——一个能在真实世界中持续行动、并从行动结果中不断学习的系统，才是真正意义上的 AI 智能体。
竞争格局：持续学习领域的技术路线对比
| 公司 / 方案 | 定位 | 训练方式 | 目标客户 | 劣势 |
|---|---|---|---|---|
| Trajectory | 持续学习平台 | 并发多 LoRA 实时更新 | AI 原生产品公司 | 尚在早期，产品成熟度待验证 |
| Weights & Biases | ML 实验跟踪 | 人工触发批次微调 | 所有 ML 团队 | 不提供自动化持续训练 |
| Scale AI | 数据标注 + 微调 | 人工标注 + 批次训练 | 大型企业 | 成本高、周期长、非实时 |
| Hugging Face AutoTrain | 自动微调工具 | 批次微调 | 开发者 | 不支持智能体场景的持续学习 |
| OpenAI Fine-tuning API | 模型微调服务 | 批次微调 | OpenAI 客户 | 仅限 OpenAI 模型，非实时 |
| 自建 MLOps 流水线 | 企业内部方案 | 定制化 | 大型科技公司 | 工程成本极高，非中小企业可承受 |
Trajectory 的差异化定位在于：它是目前唯一专注于「实时、持续、产品内嵌」的智能体模型训练平台，其他方案要么太手动、要么太昂贵、要么不是为智能体场景而设计的。
Conviction 的领投逻辑：为什么是持续学习，为什么是现在
Conviction 是 Sarah Guo 创立的 AI 专注型 VC，其投资逻辑高度聚焦在「AI 基础设施」和「AI 应用」的交汇地带。Conviction 的投资组合包括多家 AI 工具和基础设施公司，领投 Trajectory 的种子轮，是 Conviction 对一个核心命题的押注：
2025-2030 年，AI 原生公司之间的竞争，将越来越多地体现在「模型进化速度」上，而不只是初始模型能力。 当所有公司都可以通过 API 调用 GPT-4o 或 Claude 获得相似的基础能力，真正拉开差距的将是：谁能让自己的模型在特定任务上比竞争对手学得更快。
Bessemer Venture Partners 和 Radical Ventures 的共同参投，也进一步强化了这个信号——这两家 VC 在过去 12 个月都在从传统 SaaS 投资向 AI 基础设施倾斜。
关键风险与挑战
1. 「持续学习」的工程复杂度远超预期。 实时更新一个正在线上提供服务的 AI 模型，在工程上极其复杂：如何防止「灾难性遗忘」（catastrophic forgetting，新训练覆盖旧知识）？如何确保并发的 LoRA 更新不会相互干扰？如何在实时训练中保证模型的安全性和对齐性？这些都是尚未完全解决的研究问题，Trajectory 需要同时扮演「研究机构」和「产品公司」两种角色。
2. 数据飞轮的冷启动问题。 持续学习平台的价值，随着客户部署时间的增长而增长——一个用了 Trajectory 半年的 AI 产品，比刚开始用的产品拥有更多学习信号、更强的专业化能力。但对于刚刚接入的新客户，初期的价值体现可能不明显，这对销售和客户成功提出了很高的要求。
3. 大型基础模型提供商的「功能内化」风险。 如果 OpenAI、Anthropic 或 Google 决定将「持续学习」作为其 API 的标准功能推出，Trajectory 的独立平台价值将被直接压缩。目前 OpenAI 已有批次微调 API，Anthropic 也在测试类似功能——这个竞争风险是真实的。
4. 安全与合规的挑战。 让模型从用户行为中持续学习，意味着用户数据（包括用户的纠错、编辑）会成为训练数据。在 GDPR、HIPAA 等数据隐私法规日趋严格的环境中，Trajectory 需要为客户提供清晰的数据治理框架，否则企业客户（特别是金融、法律、医疗领域）将难以接受这种数据处理方式。
5. 1500 万美元的种子资金能支撑多久的研究+产品双轨道？ 持续学习研究是高度资本密集型的——大规模实验需要大量 GPU 算力，而产品开发需要工程人才。$15M 的种子轮对于一家「研究型+产品型」公司来说，runway 有限。下一轮融资的时间压力相当大。
Trajectory 的赌注，建立在一个关于 AI 产业演进的深刻判断上：AI 时代的竞争优势，不来自于你训练了什么，而来自于你持续学习了什么。过去十年，互联网公司的竞争壁垒是数据量和用户数量；未来十年，AI 原生公司的竞争壁垒，将是模型从用户行为中学习的速度和质量。Jeff Dean 和李飞飞押注这家成立不到一年的公司，是因为他们相信：让 AI 学会不停止学习，是整个行业下一个最重要的技术命题。 而 Trajectory，可能是这个命题最早的、也是目前最认真的解题者。
