Trajectory获4500万美元A轮融资，推动AI模型持续学习落地法律金融等专业场景

斯坦福大学三位校友联合创立的AI初创公司Trajectory近日宣布完成4500万美元A轮融资，估值达3亿美元。本轮融资由红杉资本（Sequoia）领投，英伟达、贝塞默风险投资（Bessemer Venture Partners）与贝恩资本风投（Bain Capital Ventures）共同参与。公司团队目前约18人，核心成员曾任职于谷歌DeepMind与苹果AI平台部门，技术背景扎实。

当前主流大语言模型——无论来自OpenAI、Anthropic还是开源社区——普遍存在一个根本性局限：它们无法在部署后自主从错误中学习。当企业将通用模型适配至法律、金融等高度专业化领域时，通常需通过微调（fine-tuning）来提升性能。但该过程往往依赖内部AI研究团队或高成本的“前向部署工程师”（FDEs），对中小企业构成显著门槛。

Trajectory试图解决这一问题，其技术路径聚焦于“持续学习”（continual learning）。具体而言，客户可选用任意开源基础模型接入Trajectory平台，系统在实际业务流中自动收集用户反馈（例如律师对合同审查结果的修正、金融分析师对估值建议的调整），并据此周期性地对模型进行增量式再训练。该机制使模型能在特定任务上随时间推移持续进化，逐步接近“从业三十年专家”的经验水平。

联合创始人Ronak Malde将基础模型比作“一位极其聪明却总在换新工作的博士生”，而市场真正需要的是“深耕某一岗位三十年的资深从业者”。Trajectory的目标，正是弥合这一经验鸿沟。

据公开信息，已有两家垂直领域AI公司开始采用该平台：法律科技公司Harvey与金融分析工具Rogo。前者利用Trajectory对开源模型进行后训练，使其在审阅特定类型法律文件（如并购协议中的担保条款）时表现更贴近资深律师；后者则用于提升财务建模与资产估值的准确性，模型可通过复盘历史交易案例不断校准判断逻辑。

值得注意的是，Trajectory的技术方案强调“低门槛操作”。Malde指出，法律、医疗等领域的专业人士无需编写代码或理解神经网络结构，即可通过自然交互界面提供反馈，系统后台自动完成数据清洗、样本筛选与模型更新全流程。这种“反馈即训练”的范式，有望大幅压缩专业AI部署周期，并降低总体拥有成本。

在技术实现层面，Trajectory并未公开其具体算法架构，但行业分析认为其可能融合了参数高效微调（PEFT）、在线学习与人类反馈强化学习（RLHF）的变体策略。关键挑战在于避免灾难性遗忘（catastrophic forgetting）——即模型在学习新任务时覆盖旧知识。该公司宣称已通过任务隔离与记忆回放机制有效缓解该问题，确保模型在拓展专业能力的同时不损害原有通用能力。

对比近期其他AI融资动态，Trajectory的定位显得尤为清晰：它并非试图构建新一代基础模型，而是专注于“模型生命周期管理”这一被长期忽视的中间层。在Anthropic以8950亿美元承诺支出押注算力基建、RoboScience加码具身智能硬件落地的背景下，Trajectory代表了一条轻资产、高复用性的技术路径——即让现有模型“越用越聪明”，而非反复重训。

从产业影响看，若该模式验证成功，将加速AI在强监管行业的渗透。法律与金融领域对模型可解释性、稳定性与合规性要求极高，传统微调方案难以满足快速迭代需求；而持续学习机制允许企业在可控范围内渐进式优化模型，同时保留完整审计轨迹，更契合监管预期。

不过，该路径也面临现实约束。首先，高质量反馈数据的获取依赖于专业用户的主动参与，若反馈稀疏或存在系统性偏差，模型可能陷入局部优化陷阱。其次，不同专业领域的知识体系差异巨大，单一平台能否泛化至医疗、工程等更多场景尚待观察。此外，模型更新后的版本一致性与责任归属问题，在现行法规框架下仍缺乏明确界定。

资本市场对该方向的认可，反映出AI基础设施层的进一步分层趋势。早期投资集中于算力与基础模型，中期转向应用层工具链，如今正延伸至模型运维与持续优化环节。红杉资本在本轮领投中明确表示：“我们关注的是能让AI真正‘活’在业务流程里的技术，而不仅是静态输出。”

英伟达的参投亦具信号意义。作为GPU供应商，其战略重心已从单纯硬件销售转向“全栈AI解决方案”生态构建。支持Trajectory这类能提升模型推理效率与适应性的软件层创新，有助于延长其硬件生命周期价值——毕竟，更智能、更耐用的模型意味着更持久的推理负载。

目前，Trajectory尚未公布具体产品上线时间表，但据TechCrunch报道，其早期客户已在内部测试环境中实现平均20%以上的任务准确率提升，且模型迭代周期从数周缩短至数天。随着本轮融资到位，公司计划扩充工程与产品团队，重点加强反馈数据治理模块与多模态任务支持能力。

在生成式AI从“能力展示”迈向“价值兑现”的关键阶段，如何让模型具备类人的经验积累能力，已成为下一波竞争焦点。Trajectory的探索未必是唯一解，但它为行业提供了一个务实路径：不追求颠覆性架构，而致力于让现有AI系统更可靠、更易用、更可持续地服务于真实世界的专业需求。