当前主流人工智能模型，无论是来自 OpenAI、Anthropic 还是基于开源方案构建，均存在一个核心局限：若未经额外训练，它们无法从错误中自我修正。
在法律、金融等专业领域，企业通常通过微调通用模型来克服这一缺陷。然而，这一过程往往依赖内部研究团队或昂贵的外部顾问（即前向部署工程师，FDE），成本高昂且门槛较高。
由三位斯坦福大学校友于一年前创立的初创公司 Trajectory 旨在实现这一流程的自动化。这家拥有 18 名员工的公司近日宣布完成 A 轮融资，筹集资金达 4500 万美元。
Trajectory 创始人罗纳克·马尔德 (Ronak Malde) 向 TechCrunch 表示，基础模型好比一位极具天赋的博士生，但经济活动更看重的是那些在特定岗位上积累了三十年经验的专家。
该公司提出了一种名为“持续学习”的技术路径。企业用户可基于开源 AI 模型起步，将 Trajectory 平台接入其应用程序以收集模型性能反馈。系统利用这些数据重新训练模型，使其随着时间推移在特定任务上不断优化。
马尔德指出，借助 Trajectory，律师、医生及其他领域专家能够自动改进模型性能。这种能力有望加速专用 AI 的部署进程并降低相关成本。
目前，Harvey 和 Rogo 等公司已采用 Trajectory 平台对开源模型进行培训，使模型表现更接近经验丰富的律师或金融分析师。其他客户还包括 Decagon、Mercor 和 Nvidia。Trajectory 正在公开其后训练平台。
据马尔德介绍，用户可自主定义组织利益所在，并将其转化为优化模型的具体指标。
Trajectory 的持续学习方法与递归自我改进 (RSI) 存在相似之处，后者指 AI 系统提升自身能力的过程。但联合创始人 Michael Elabd 认为，Trajectory 的方法更为安全，因为它保留了人类在训练过程中的参与，从而避免了自主自我改进可能引发的意外甚至危险后果。
并非只有 Trajectory 致力于自动化后训练环节。该赛道还有其他竞争者，包括由前 OpenAI 首席技术官 Mira Murati 创立的 Thinking Machines Lab，以及提供微调平台 Tinker 的 Applied Compute。
马尔德强调，团队实力是 Trajectory 最大的竞争优势。他是少数从 Windsurf 加入 Google DeepMind 的研究人员之一；Elabd 同样曾在 DeepMind 任职；第三位联合创始人 Arjun Karanam 此前在 Apple 从事生成式基础模型工作。此外，公司还招募了来自 OpenAI、Stripe 和 Netflix 的研究人员及产品设计师。
Karanam 解释称，对于一家专注于 AI 训练的公司而言，设计至关重要。Trajectory 开发了一套界面，旨在让非技术背景的客户也能轻松使用后训练功能。
