天津
機器之心編輯部
當大模型公司還在競爭更長的上下文窗口、更強的推理能力和更復雜的 Agent 工作流時，一家名為 Engram 的新公司選擇押注另一個問題：AI 能不能像人一樣，持續從每天接觸到的資料、對話和經驗中學習？
這家公司剛剛公開亮相，并已完成 9800 萬美元融資，投資方包括 General Catalyst、Kleiner Perkins、Sequoia 等一批頭部風投機構。它的投資人與顧問名單中，還包括 Assaf Rappaport、Andrej Karpathy 和 Pieter Abbeel。
Andrej Karpathy 和 Jason Wei 也紛紛發來賀電。
Engram 想解決的問題是：模型懂互聯網，卻不懂你的公司。
今天的 AI 能回答問題、讀代碼、寫文檔，但對組織內部的關鍵知識并不熟悉——項目決策、歷史取舍、團隊討論等，大多不在訓練數據中。因此，企業只能反復提供上下文，模型每次都要重新理解，成本高且容易出錯，對話結束后還會遺忘。
Engram 認為，AI 不該只是臨時讀取上下文，而應真正學會它。
把「上下文」變成模型能力
Engram 的核心定位，是為 AI 構建一個能夠持續學習的「記憶層」。
它想解決的不是模型能不能臨時讀到更多資料，而是模型能不能真正吸收組織內部的知識，并在之后的任務中自然調用。相比常見的 RAG 或長上下文方案，Engram 試圖把計算前移：讓模型提前學習 GitHub、Slack、Notion、文檔和項目記錄中的信息，而不是每次回答問題前重新檢索、重新閱讀。
這也是 Engram 與許多 AI 應用公司的不同之處。它押注的不是更長的聊天窗口，而是一個新的 scaling 方向：從強大的預訓練模型出發，把訓練計算投入到用戶和企業真正關心的私有上下文中。
按照公司介紹，Engram 已經在內部讓模型每天學習公司數據，未來希望把更新頻率提升到每小時，最終達到每分鐘。其目標是找到一種統一的訓練算法，可以吸收任意規模、任意形式的數據，讓模型在持續使用中不斷變好。
Engram 的首個產品是一套面向 Agent 的 API，服務于大型共享知識工作區。目前，公司已經公布了與 Notion、Harvey 和 Microsoft 的早期合作：Notion用于構建理解大型 Notion 工作空間的 Custom Agents，Harvey 場景則聚焦律所和企業知識，Microsoft 方向則是在 M365 中試點更高效的定制化 Agent。
Notion、Harvey 和 Microsoft 這三類場景有一個共同點：知識密度高、上下文復雜，而且一次性檢索很難解決問題。Engram 押注的正是這一類企業場景——模型不只是會調用工具，還要能長期消化組織內部的信息流。
一支圍繞持續學習組建的研究型團隊
Engram 的團隊背景高度集中在持續學習和模型記憶問題上。
從公開材料看，這家公司更像是一支圍繞研究命題組建的 AI 團隊。團隊成員長期關注持續學習、上下文壓縮、檢索增強、LoRA、合成數據、長上下文以及記憶架構等方向，核心問題始終圍繞一點：如何讓模型從持續變化的數據中學習，同時避免遺忘和失控。
公司創始人與核心成員包括 Dan Biderman、Sabri Eyuboglu、Jessy Lin、Jack Morris 等人。團隊成員曾從多個角度研究過記憶與遺忘問題，包括人類如何記憶、機器如何遺忘，以及模型如何在學習新知識時保留舊能力。
這也解釋了 Engram 為什么把「持續學習」放在公司戰略中心。它要做的不是一個外掛式記憶功能，而是一套從訓練算法、系統架構到產品體驗都圍繞長期學習設計的基礎設施。
對 Engram 來說，真正的挑戰在于證明持續學習可以從研究問題走向穩定產品。模型要能學習企業數據，還要做到可靠、可控、可審計，并能在多輪更新后持續產生價值。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
