红杉领投4500万！AI后训练新星Trajectory重塑大模型商业化

type

status

date

slug

summary

告别昂贵微调：大模型商业化落地的真实阵痛

在传统的企业级AI落地场景中，将通用的预训练大模型改造为适应法律、金融、医疗等垂直领域的专业模型，往往需要经历漫长且昂贵的微调（Fine-tuning）流程。企业要么花费巨资搭建内部专业算法团队，要么聘请高昂的前沿部署工程师（Forward-Deployed Engineers，FDE）。

更关键的问题在于，现有的大语言模型缺乏“工作经验积累”的机制。正如 Trajectory 联合创始人 Ronak Malde 所打的生动比方：当前的基础模型就像一位极其聪慧、掌握海量理论知识的博士毕业生，但在实际企业岗位中，他每次处理新任务都要“从零开始”；而真正能为企业和经济创造深远价值的，是已经在特定业务岗位深耕三十年、拥有肌肉记忆与复盘能力的资深专家。

要打破这一局限，就必须引入一套低成本、高效率的持续改进系统，使模型能够实时吸收业务反馈，将日常工作中的错误转化为能力迭代的养分。

持续学习机制：如何让开源模型进化为行业行家

Trajectory 提出的核心方案被称为“持续学习（Continual Learning）”。与传统的静态权重微调不同，该平台允许企业直接接入开源大模型，并在日常业务运转中无缝收集模型的输入输出以及人类专家的修正反馈。

整个流程形成了一个智能闭环：

任务执行：模型在法律合同审查、财报分析或代码编写等垂直任务中提供初稿；

反馈收集：业务专家（如资深律师或审计师）对模型输出进行修正、打分与标注；

自动迭代：Trajectory 利用这些高价值的业务反馈数据，在后台自动完成针对性后训练；

能力沉淀：模型随着时间推移逐渐适应企业的专属工作流与标准，表现越来越接近资深行业专家。

值得一提的是，这种机制在逻辑上接近递归式自我改进（Recursive Self-Improvement，RSI），但 Trajectory 团队强调保留“人类在环（Human-in-the-loop）”的设计，从而杜绝了完全自主迭代可能带来的模型幻觉或失控风险，确保了AGI探索路径中的安全性与可控性。

赋能非技术专业人员：重构企业级AI变现效率

在 Trajectory 的愿景中，优化模型不再是少数算法科学家的专利。其联合创始人 Arjun Karanam（曾供职于苹果基础模型研发团队）指出，公司投入大量精力打磨直观且极简的产品交互界面，目的就是彻底打破算法门槛。

如今，在法律AI独角兽 Harvey、金融智能平台 Rogo，以及 Decagon、Mercor 和英伟达等客户的实际业务中，不具备编程背景的律师、金融分析师便能直接通过界面定义“什么是符合组织要求的优质表现”。这种直观的训练模式极大地释放了企业运用AI变现的潜力，无需复杂的底层代码调整，仅需结合业务逻辑与高质量提示词（Prompt）反馈，就能打造专属的企业级AI大脑。

无论是寻求业务效率倍增的初创团队，还是探索AI转型的传统行业巨头，掌握最新的大模型应用方法已是必修课。想要了解更多关于LLM应用方案、提示词工程与实战技巧，可以持续关注 AI日报的深度解析。

后训练赛道竞争加剧：顶尖团队的角逐与行业未来

随着预训练基础设施逐渐趋于稳定，大模型生态的竞争重心正在由“卷参数规模”向“卷后训练与落地效率”全面倾斜。Trajectory 的迅速崛起并非个例，该赛道已汇聚了众多明星力量：前 OpenAI 首席技术官 Mira Murati 创立的 Thinking Machines Lab 已经推出了微调平台 Tinker；而主打去中心化智能体训练的 Prime Intellect 与估值高达32.5亿美元的 Applied Compute 同样在加速攻城略地。

面对激烈的赛道内卷，Trajectory 的底气在于其顶尖的全明星阵容。创始团队脱胎于斯坦福大学，核心成员均在 Google DeepMind、苹果生成式模型实验室沉淀多年，并吸纳了来自 OpenAI、Stripe 和 Netflix 的顶尖研究员与产品架构师。

红杉资本与英伟达的强力背书，不仅验证了后训练基础设施的市场价值，也标志着AI落地正在进入全新阶段：未来的模型竞争不再仅取决于谁的模型基座更强，更取决于谁能以最低的成本、最安全的方式让模型在具体产业中持续进化。保持对全球人工智能前沿突破的敏锐触觉，掌握一手科技动向与行业趋势，尽在专业全维的 AIGC新闻门户。