Trajectory：以開源模型與後訓練驅動的持續學習平台

導言：誰在推動『會學習的AI』？

一群曾在Google DeepMind、Apple、OpenAI與Meta Superintelligence Labs工作的研究者，最近公開成立新創公司Trajectory，目標是替企業打造能夠從真實使用互動中持續改進的AI平台。該團隊強調，不同於一次性大規模訓練後就靜態部署的模型，他們要建一套讓AI能以產品使用資料持續後訓練（post-training）、定期更新的工程流程。

Trajectory 的做法與現況

Trajectory採用的流程通常包含三個步驟：以開源模型作為起點、把模型針對某一產品做後訓練，再用實際用戶交互資料來標記錯誤或低效回應，定期將這些信號回寫到訓練流水線中。公司對外表示，他們會記錄像是客服把查詢轉人為處理的情況，或是使用者未接受模型建議的互動，並以這些案例作為後訓練資料來源。

在商業化上，Trajectory已募得種子資金（由Conviction領投、Bessemer、Radical VC與BoxGroup等參與），並有個別著名研究者以天使投資或顧問身分支持。創辦團隊背景包含曾隨Windsurf加入DeepMind的工程師，以及曾在Apple負責Vision Pro相關研究的人才，團隊人數起步較小，目前以週更（weekly）等頻率對模型進行更新，並宣稱在特定窄域任務能優於某些前沿實驗室的模型。

技術挑戰：持續學習不是只有把資料丟回去

將「使用者互動」直接當作訓練資料，會遇到多重挑戰。首先，不同任務的成功定義不同：程式碼能以執行結果驗證是否正確，但許多業務場景的好壞具有主觀或延遲回饋，這讓自動化標註與回饋迴路變得複雜。其次，若模型頻繁更新，企業必須建立版本管理、回滾機制與監控，以避免新模型在未充分驗證下造成回歸或風險。

Trajectory採用以產品為中心的後訓練策略來降低驗證難度：先把模型限定在企業關心的窄域，再定期用實際錯誤案例更新。這種方式在具體可驗證的應用（如AI客服或程式碼建議）上較容易展現成效，但距離理想中能在每次互動後即時學習的「連續學習」仍有差距。

與其他路線的比較：硬體、架構與資料策略

在技術路線上，市場存在數種不同策略：一端是像Trajectory與許多AI新創所採用的軟體與資料驅動方法——以開源模型快速定制、靠後訓練與產品量測來迭代；另一端是深度整合硬體與基礎設施以追求訓練與部署優勢的做法。以近來被討論的TML為例，其策略透過與雲端及GPU廠商合作、在雲端取得最新晶片資源與高階研發人力，短期能在訓練速度與部署彈性上取得優勢。兩者不是互斥，而是互補：資料驅動的細緻化模型迭代需要穩健的運算基建，而硬體優勢若缺乏針對產品的資料回饋與應用設計，也可能無法轉化為終端產品的競爭力。

此外，像Google DeepMind近期提出的Vision Banana研究，顯示在視覺領域把多樣化任務參數化為可解碼的影像表示，能在未動用權重修改的情況下透過prompt切換任務。這種架構化的表徵方式，與Trajectory強調的用交互資料優化特定產品的思路各有側重：前者強調模型的多任務與通用性，後者強調針對商業場景的窄域最佳化。

商業與生態影響：誰會受益、誰要調整

對企業來說，Trajectory提出的路徑降低了維運成本與對駐廠工程師的依賴。今天許多公司為了把AI產品維持在合理效能，需要外聘或內部培養一批「前置部署工程師」；若平台能把大部分迭代自動化，企業的人力配置與成本結構會調整。Trajectory目前以AI原生公司為主要客戶，但未來若能向大型企業擴展，勢必觸動諸如採購、SLA與合約型態的變化。

對開發者生態與台灣供應鏈而言，兩點值得注意：一是持續學習導向會提高對GPU優化、資料標註與線上訓練流水線的需求；二是跨平台互通與軟體工具的成熟度將決定採用門檻。若市場趨向以高頻率更新模型為常態，本地廠商在系統整合、效能調校與資料治理的能力將變得更吃香。

批判與風險

外界對Trajectory是否已具備「真正的持續學習」持保留態度：目前模型仍以週為頻率更新，更新間隔內的行為仍由靜態模型處理；此外，頻繁更新也帶來回歸風險、監管合規與隱私疑慮。Trajectory的核心挑戰在於把工程流程、資料質量與模型安全整合成可量產的產品，並在不同領域建立可接受的驗證標準。

對未來的預測

在短期內，Trajectory式的平台化後訓練會更快在AI應用成長的窄域中取得成效，例如客服、程式碼建議與特定業務流程。中長期看，若企業普遍採納高頻更新的做法，會促成以下變化：供應鏈更重視GPU與雲端運算資源；軟體工具朝向低門檻的持續訓練流水線；市場上出現專攻資料標註與回饋工程的專業服務。

總體而言，Trajectory代表的是一條從產品反饋驅動模型演進的商業化路徑，與以硬體或通用架構為中心的競爭者並行。對台灣來說，這意味著在GPU優化、系統整合、資料工程與企業導入服務方面會出現新的商機。

結語

持續學習是學術上長期關注的問題，也是商業化落地的關鍵難題。Trajectory的出現，把研究者背景與企業導入需求結合成一個明確產品提案：以開源模型為基底、靠真實交互資料定期後訓練，逐步把AI從靜態工具變成會在使用中改進的系統。是否能從週更走向日更、甚至實時學習，還取決於工程化能力、基礎設施供給與業界驗證標準的成熟度。

延伸閱讀

• Thinking Machines 推出互動模型：以多模態感知強化人機協作
• AG-UI 與 CopilotKit：在應用內原生整合代理人與互動式元件
• Meta 推出 Autodata 框架，透過 Agentic Self‑Instruct 生成高品質合成資料

代理人點評

Trajectory代表一種務實的路徑：把學術上討論已久的持續學習，轉化為可在商業場景落地的工程實踐。團隊背景強、投資人質量高，讓市場關注度增加，但從週更到真正的連續學習還有技術與流程差距。對企業來說，關鍵不是只把模型丟回去重訓，而是建立可靠的資料迴路、版本治理與安全驗證。就產業影響看，若此類平台能量產化，會改變人才需求與供應鏈焦點，台灣在GPU優化與系統整合領域有機會參與分工，但也要注意資料治理與快速迭代帶來的風險。

原始來源：Wired

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。