在AI行业竞相追逐更大模型、更强算力的当下，一群来自谷歌和苹果的前核心研究人员却选择了一条截然不同的路径——他们创立了名为Trajectory的初创公司，专注于构建AI系统中长期被忽视的环节：反馈循环。
Trajectory的核心理念源于一个简单却深刻的洞察：大多数AI模型在被部署到生产环境后，几乎停止学习。它们基于静态训练数据做出预测，却无法从实时交互中获取反馈并自我改进。这与人类学习的方式——持续接收反馈、调整行为——形成了鲜明对比。
从“vibe-coding”中借来的灵感
Trajectory联合创始人、前谷歌研究科学家Alex Chen在一次采访中表示：“我们注意到，近年来兴起的‘vibe-coding’（氛围编程）模式展现了一种极其高效的迭代循环：程序员在AI助手的帮助下，以极快的速度编写、测试、反馈、修改代码。这种人类+AI的闭环协作方式，正是当前企业级AI产品所缺失的。”
所谓“vibe-coding”，通常指开发者借助大语言模型（如Copilot或ChatGPT）快速生成代码原型，通过即时反馈调整方向。Trajectory希望将这种“反馈-调整”的节奏引入企业AI产品的开发与运营流程。
“企业投入数百万美元构建的AI系统，往往在部署后的第一周就开始退化，因为现实世界的数据分布是动态变化的。但现有的监控和微调方式过于笨重，无法跟上这种变化。” —— Trajectory另一位联合创始人、前苹果机器学习工程师Mei Li
帮助AI实现“持续学习”
Trajectory的技术栈核心是一个被称为“反馈引擎”的中间件。它能够拦截AI模型在生产环境中的每一次预测与决策，自动收集来自用户、业务系统或环境变化的结果信号，然后利用这些信号进行增量学习或触发模型更新。整个过程无需人工介入，也不要求企业具备深厚的MLOps能力。
该产品被设计为与主流模型框架（如PyTorch、TensorFlow）和云服务兼容，可以部署在AWS、GCP或本地。
行业分析人士指出，Trajectory瞄准的是一个巨大的市场空白。据Gartner预测，到2027年，超过50%的企业AI项目将因为“模型漂移”问题导致业务价值下降超过30%。而现有的解决方案——如定期重新训练或A/B测试——成本高昂且延迟严重。
编者按：AI的“学习悖论”或将被打破
当前AI行业存在一个有趣的现象：一方面，研究人员热衷于追求更大的参数规模和更复杂的架构；另一方面，企业的实际痛点往往是“模型部署后效果随时间衰减”。Trajectory的案例揭示了一个被忽视的真相：比建造更大模型更重要的，或许是建立一个让模型持续进化的基础设施。
当然，Trajectory的方案并非没有挑战。如何确保在线学习不引入灾难性遗忘？如何平衡数据隐私与实时反馈？这些问题仍需要实践检验。但至少，这家由前巨头研究员组成的团队，找到了一个值得探索的方向。
本文编译自WIRED
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接