当行业还在比拼大模型参数规模时，一家名为Trajectory的初创公司正将目光投向更本质的问题：如何让AI模型在真实使用场景中持续进化。这家由前Google DeepMind、Apple AI核心成员创立的公司，近日宣布完成1500万美元种子轮融资，投后估值达1.15亿美元。领投方Conviction与Bessemer Venture Partners等知名机构的参与，印证了资本市场对"持续学习"技术路线的认可。
与传统AI公司不同，Trajectory选择绕过预训练模型的军备竞赛，转而构建能让现有模型持续优化的基础设施。其核心逻辑源于对编程工具Cursor的观察——这款产品通过收集用户修改、接受或拒绝代码补全的行为数据，定期对模型进行后训练，使产品迭代速度远超行业平均水平。Trajectory创始人Ronak Malde指出："当前最先进的AI仍是静态的，用户今天遇到的错误，模型明天依然会犯。"
公司技术路线呈现三大特点：首先，基于开源模型进行定向优化，避免受制于闭源模型的接口限制；其次，将企业真实使用数据转化为标准化训练样本，通过SDK实现与LangSmith等观测平台的无缝对接；最后，建立严格的数据合规机制，由客户自主决定哪些数据可用于模型训练。这种模式已在法律科技公司Harvey的实践中得到验证，其联合创始人Gabe Pereyra表示："法律知识处于持续演变中，固定数据集无法捕捉这种动态变化。"
技术实现层面，Trajectory开发了独特的四层数据结构：将完整对话拆解为对话轨迹（Trajectory）、步骤快照（Step）、交互轮次（Turn）和消息单元（Message）。每个步骤都被设计为自包含训练样本，包含完整上下文及智能体的后续行为。这种标准化处理使得模型训练、效果评估和持续学习形成闭环，目前支持每周一次的模型更新频率。
学术界的理论支撑为这项技术增添了权威性。2025年NeurIPS大会上，强化学习之父Rich Sutton在特邀演讲中强调："真正的智能源于持续与环境交互的经验积累。"这位与Andrew Barto共同奠定强化学习基础的图灵奖得主指出，当前AI产业过度依赖预训练数据，忽视了智能体通过实时反馈自我改进的可能性。Sutton提出的"Oak架构"愿景，与Trajectory的技术路线形成跨学科呼应。
个人投资者阵容揭示了技术路线的影响力。Google DeepMind首席科学家Jeff Dean与"AI教母"李飞飞的加入，标志着模型层与基础设施层的顶级研究者达成共识。Trajectory研发团队中来自OpenAI、meta超级智能实验室的成员，则从工程实现角度验证了技术可行性。目前，该公司已与Clay等AI原生企业建立合作，其SDK支持企业将现有产品日志快速转化为训练数据。
这项技术突破正在重新定义AI基础设施的竞争维度。当行业逐渐意识到，拥有专属模型后训练能力比调用通用API更具战略价值时，Trajectory构建的自动化管线已成为关键壁垒。从数据接入、模型训练到效果评估的全流程标准化，解决了企业AI落地过程中最棘手的工程难题。正如联创Michael Elabd所言："未来的企业可能需要为每个员工定制专属AI，这要求持续学习周期压缩至每小时甚至每次交互。"
