法律科技公司过去两年在欧洲批量出现，但大多数产品停在同一个地方：用通用大模型套一个法律问答界面，或者把合同审查做成标准化流水线。真正复杂的法律事务——跨境并购中涉及多法域条款冲突的交易、持续数年的专利侵权诉讼、需要理解特定客户二十年合同历史的合规整改——仍然由按小时计费的律师团队手工完成。不是律所拒绝软件，而是这类工作没有现成的训练数据，没有固定的任务环境，也没有清晰的成败测试。一个交易里的关键定义、一份诉讼里的证据链条、一个客户内部的术语习惯，都只存在于这个案子本身。
Grubel 的创始团队认为，这正是法律 AI 滞后的结构性原因。这家总部位于慕尼黑和蒂宾根的 AI 研究实验室提出一个更激进的主张：每一个法律事务都需要自己的 AI。不是为某类法律工作做一个专用系统，而是让系统针对个案自动完成专业化。2026 年，Grubel 完成 300 万欧元种子前轮融资，由 Point Nine 领投，天使投资人包括 Jeff Dean、Chris Ré、Ion Stoica，以及 Harvey 联合创始人 Gabe Pereyra 和 Winston Weinberg。资金将用于研究、产品开发和团队扩充。
这轮融资的资本结构本身就是一个信号。Point Nine 是欧洲早期风险投资机构，而 Jeff Dean、Chris Ré、Ion Stoica 三人分别来自 Google、斯坦福大学和 Databricks 的技术背景。Harvey 两位联合创始人的参与则更值得注意：Harvey 是法律 AI 领域的一家已融资公司，其创始人以个人身份投资一家同样瞄准法律 AI 的早期实验室。需要说明的是，来源材料中没有任何关于双方关系或整合意图的表述；将这一投资解读为互补或潜在整合的可能性，属于编辑基于投资组合层面的推测，并非来源中已确认的事实。双方未披露任何商业合作。
| 字段 | 内容 |
|---|---|
| 公司 | Grubel |
| 轮次 | 种子前轮 |
| 金额 | 300 万欧元 |
| 投资方 | Point Nine 领投；天使投资人包括 Jeff Dean、Chris Ré、Ion Stoica、Gabe Pereyra、Winston Weinberg 等 |
| 总部 | 德国慕尼黑和蒂宾根 |
| 创始人 | Moritz Hardt、Heckel |
| 官网 | https://grubel.ai/ |
两位创始人把学术生涯押在“测试时适配”上
Grubel 的创始团队配置在欧洲早期 AI 公司中属于罕见的学术密度。Moritz Hardt 是马克斯·普朗克智能系统研究所所长，此前在 UC Berkeley 任教授，更早是 Google Brain 研究员。他在机器学习领域最被引用的工作之一是 test-time training——一种让模型在推理阶段根据输入数据继续调整自身参数的范式，而不是只依赖训练阶段固化的权重。他还合著了 Lawma，这是一项将大语言模型应用于法律领域的早期研究。Heckel 是慕尼黑工业大学机器学习教授，目前休假中，此前在 IBM Research 工作，研究方向是数据中心机器学习，参与创建了 DataComp-LM 和 OpenThoughts 两个数据集项目。
这两个人的履历恰好对应 Grubel 技术路线的三个支柱：Hardt 的 test-time training 对应“测试时适配层”，Heckel 的数据中心机器学习对应“数据引擎”，而两人在学术数据集和评估基准上的经验对应“持续评估框架”。换句话说，Grubel 不是一个从律所数字化转型需求出发的产品公司，而是一个从机器学习研究问题出发、把法律作为第一个应用场景的研究实验室。这个定位决定了它的早期风险和机会都与常规法律科技公司不同。
据公司披露，Grubel 成立于 2026 年。这意味着它从成立到完成种子前轮融资的时间窗口极短。两位创始人中，Hardt 仍保留马普所所长职务，Heckel 处于休假状态。这种“学术在职创业”模式在德国研究机构中并不罕见，但通常意味着公司早期对研究产出的依赖高于对商业收入的依赖。本轮融资规模为 300 万欧元，在德国 AI 创业生态中属于典型的种子前轮区间，但考虑到两位创始人的学术地位和天使投资人阵容，这个金额更多是验证性资本，而非扩张性资本。
自动化专业化循环：把每个案子变成自己的训练集
Grubel 的产品核心是一个被称为“自动化 AI 专业化循环”的系统，包含三个组件。第一个是数据引擎，负责发现并策展每个事务或客户的任务相关数据。第二个是测试时适配层，在系统采取行动之前，根据当前事务调整模型和智能体。第三个是持续评估框架，根据事务本身衍生的标准检查工作成果。这个循环反复运行，直到系统输出达到法律任务的要求。
这套架构的实质，是把传统上由工程师和律师组成的定制化 AI 团队所做的事——找数据、调模型、做评估——压缩进一个自动化流程。公司称，目前法律 AI 的通行做法是：工程师和律师针对特定法律工作流手工策展数据、适配系统、评估性能。这种方式有效但昂贵，无法为每一个法律事务单独构建和维护系统。Grubel 的论点是，既然每个案子的事实、文件、术语、先前工作成果和客户标准都不同，那么只有把专业化过程本身自动化，才有可能让 AI 真正进入复杂法律工作。
从已披露的技术组件看，Grubel 的路径与当前法律 AI 主流方案有两个关键差异。第一，它强调测试时适配，而不是只依赖预训练或微调。这意味着系统在遇到一个新案子时，会先根据这个案子的具体材料调整自身行为，然后再执行任务。第二，它把评估标准从事先定义好的基准测试转移到事务本身衍生的标准上。这解决了法律工作中一个长期问题：一个合同审查做得好不好，往往取决于这个客户的具体要求和这个交易的特定背景，而不是一个通用的准确率分数。
但这里也存在一个明显的验证缺口。公司称“初步评估显示，Grubel 的专业化循环在测试的法律任务上可超越通用前沿系统”，但未披露测试的具体任务类型、对照的前沿系统名称、评估指标或样本量。在缺乏独立第三方基准的情况下，这个说法只能被视为公司内部评估结论。据公开信息，法律 AI 领域尚未形成被广泛接受的统一基准，各家公司的性能声明往往基于自建评估集，横向可比性有限。
法律 AI 的竞争不在模型层，而在工作流嵌入深度
Grubel 进入的法律 AI 市场已经相当拥挤。多家公司正在用大语言模型能力改造特定法律任务，但大多数产品的深度受限于通用模型的边界。由于本次采集材料中未包含竞争对手的定位和融资规模信息，本文不展开具体竞品比较；可比较的指标——客户数量、收入规模、部署案例、第三方基准成绩——目前均未披露，这本身构成 Grubel 的验证边界。
Grubel 的差异化在于它不把自己定位为又一个法律 AI 应用层公司，而是试图在模型和智能体的适配机制上做文章。如果它的自动化专业化循环能够稳定工作，那么理论上它可以为每个案子生成一个比通用系统更贴合具体情境的 AI。但这也意味着它不会像典型法律 AI 应用那样直接以 SaaS 订阅模式进入律所采购清单，而是需要找到一种方式，让律所或企业法务部门理解并信任一个“每个案子都不一样”的系统。
从投资方构成看，Point Nine 的参与说明这仍然被当作一家软件公司来投，而不是一个纯研究项目。Grubel 目前未披露商业模式和客户信息，这意味着 Point Nine 在这一轮押注的是团队的技术判断力和法律 AI 市场的时间窗口，而不是已经验证的收入模型。至于 Point Nine 的投资历史与通常投资逻辑，本次采集材料中没有相关表述，无法在本文中核实。
Jeff Dean 和 Chris Ré 的背书，指向什么技术判断
天使投资人名单中的 Jeff Dean 和 Chris Ré 值得单独分析。根据来源材料，Jeff Dean 是 Google 前首席科学家，Chris Ré 是斯坦福大学教授、Together AI 联合创始人，Ion Stoica 是 UC Berkeley 教授、Databricks 联合创始人。来源材料未提供这三位投资人更具体的履历断言，因此本文不展开其研究兴趣或项目主导经历。
这三个人同时出现在一家法律 AI 种子前轮公司的投资人名单上，暗示他们对 Grubel 的技术路线——尤其是测试时适配和数据引擎——有独立于法律行业判断的认可。测试时适配是一个正在升温的研究方向，它试图解决一个实际问题：通用模型在面对高度专业化的任务时，推理成本高且准确率不稳定，而针对每个任务重新训练模型又不经济。如果 Grubel 能在法律场景中证明测试时适配的工程可行性，这个技术路径的溢出效应会远超法律行业。
但投资人的技术判断不等于市场验证。Jeff Dean 和 Chris Ré 以个人身份投资，金额未披露，这意味着他们的参与更多是信号价值而非资本价值。Harvey 联合创始人 Gabe Pereyra 和 Winston Weinberg 的投资则提供了另一种信号：法律 AI 领域最接近商业化的创业者，认为 Grubel 的底层技术可能补足现有产品在复杂事务上的能力短板。不过，这种互补性目前只存在于逻辑推演中，来源材料中没有任何关于双方关系或整合意图的表述，双方也未披露任何产品层面的合作计划。
300 万欧元能买到的验证窗口很短
Grubel 计划将本轮资金用于研究、产品开发和团队扩充。对于一个需要同时推进基础研究、工程实现和法律场景验证的团队来说，300 万欧元的实际可支撑时间取决于团队规模、薪酬结构和基础设施成本，而这些信息均未披露。本文不对具体资金消耗周期做估算。可以确定的是，Grubel 必须在资金耗尽前完成至少一项关键验证：要么证明自动化专业化循环在真实法律事务中能持续超越通用系统，要么找到一个愿意为这种能力付费的客户群体。
团队规模未披露。但从两位创始人的学术背景和公司自称“AI 研究实验室”的定位看，早期团队大概率以机器学习研究员和工程师为主，而非法律专业人士。这带来一个结构性风险：法律 AI 的瓶颈往往不在模型能力，而在对法律工作流的理解和律所采购流程的适应。一个由机器学习研究者主导的团队，可能在技术指标上取得进展，却在产品化环节遇到阻力。Grubel 的应对方式是把评估标准绑定到事务本身，这在一定程度上减少了对法律专家的依赖，但数据引擎仍然需要判断哪些数据与当前事务相关，这个判断本身可能就需要法律专业知识。
另一个未披露的关键信息是公司估值。种子前轮 300 万欧元在德国 AI 创业生态中属于中等偏下水平，但估值未披露，外界无法判断投资人对 Grubel 的初始定价逻辑，也无法计算后续轮次的稀释空间。任何关于估值高低的推断都缺乏依据，本文不做展开。
风险不在技术，在“每个案子都需要自己的 AI”这个假设本身
Grubel 的核心假设是：复杂法律事务的专业化程度高到通用系统无法胜任，而自动化专业化循环的成本可以低到为每个案子都运行一次。这个假设有两个待验证的环节。第一，测试时适配是否真的能在单个法律事务的规模上产生足够的性能提升？如果提升幅度有限，那么运行这套循环的算力成本和工程复杂度就不划算。第二，即使性能提升显著，律所是否愿意为“每个案子一个 AI”的模式付费？法律行业的计费习惯是按小时、按项目或按订阅，而不是按“每次专业化循环”计价。
从已披露的信息看，Grubel 的初步评估只在“测试的法律任务”上验证了性能优势，未涉及真实客户事务、未涉及律所工作流集成、未涉及成本效益分析。这意味着从技术验证到商业验证之间还有很长的距离。公司称其目标是“让更常规的任务由更小、更高效的模型处理”，这暗示了一种成本控制思路：专业化循环只用于复杂任务，简单任务走轻量模型。但这个分层策略本身需要先解决任务复杂度的自动判断问题，而这个问题在法律场景中并不比专业化本身更容易。
还有一个结构性风险来自竞争方向。如果通用前沿模型的能力持续提升，法律 AI 应用层公司可以通过更好的提示工程、检索增强和微调来缩小与 Grubel 的性能差距，而不需要承担 Grubel 的研发成本。Grubel 的护城河在于测试时适配层的技术壁垒和数据引擎的积累，但这些壁垒在种子前轮阶段还远未形成。从已披露的创始人履历看，Hardt 在 test-time training 上的学术积累是真实存在的技术优势，但学术优势转化为产品优势需要工程化和场景化的双重验证，这两者目前都未在公开信息中得到证实。
从法律到复杂知识工作：一个尚未被证明的扩展路径
Point Nine 在投资声明中提到，Grubel 的方法“可以解锁法律 AI 的新能力，并随着时间推移解锁其他形式的复杂知识工作”。这个表述把 Grubel 的想象空间从法律扩展到了咨询、审计、投行、医疗等所有依赖高技能人类判断的领域。但这是一个典型的早期投资叙事：先在一个垂直场景证明技术可行性，再向相邻场景扩展。
问题在于，法律场景本身还没有被证明。Grubel 目前没有披露任何客户、任何收入、任何真实事务上的部署案例。它的所有技术声明都基于内部评估。在这种情况下，讨论向其他复杂知识工作扩展，更多是投资人的愿景而非公司的现实路径。从已披露的事实看，Grubel 的全部精力都集中在法律领域，没有迹象表明它在其他行业有任何实质性投入。
Grubel 的真正看点在于：它把法律 AI 的竞争从“谁有更好的法律数据集”和“谁有更懂法律的提示词”拉回到“谁能在推理时让模型真正适配具体任务”这个更底层的技术问题上。如果这个方向被验证，它确实可能改变法律 AI 的竞争格局；如果验证失败，它可能只是又一个在学术上漂亮、在商业上无解的 AI 研究项目。300 万欧元的种子前轮，买到的是一张验证这个问题的入场券，而不是答案。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Grubel 的融资故事真正值得关注的不是 300 万欧元的金额，而是一个技术判断：法律 AI 的瓶颈不在模型大小，而在模型能否在推理时把自己变成“这个案子的 AI”。这个判断如果成立，今天法律 AI 应用层公司积累的工作流优势可能被底层适配技术重新洗牌；如果不成立，Grubel 只是又一家用学术光环包装的早期实验室。在没有任何客户和收入数据的情况下，唯一可以确定的是：测试时适配从论文走向律所账单的距离，比投资人名单上那些名字暗示的要远得多。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。