AI初创公司Engram于近日结束隐身模式，正式公开亮相，并宣布完成9800万美元（约合人民币6.7亿元）的融资。这笔资金将用于推进其核心愿景：构建能够从用户工作上下文中持续学习的AI模型，而非仅仅在每次对话中临时读取信息。

Engram同步推出了首款产品——一套面向Agent的API。该API旨在让AI智能体在超大型共享知识工作区中学习，通过研究用户的上下文，拼接零散信息、建立新联系，甚至发现过去被忽视的错误。公司宣称，由于避免了每次任务都重新收集上下文，其模型的token效率可提升10倍甚至100倍。

本轮融资由General Catalyst、Kleiner Perkins和红杉资本等知名风投机构参投。值得注意的是，公司的投资人与顾问名单中还包括多位AI与安全领域的重量级人物，如近期加入Anthropic的“AI大神”安德烈·卡帕西（Andrej Karpathy）、Wiz联合创始人兼CEO阿萨夫·拉帕波特（Assaf Rappaport），以及加州大学伯克利分校教授彼得·阿贝尔（Pieter Abbeel）等。这一阵容反映出业界对“AI记忆与持续学习”这一方向的浓厚兴趣。

Engram的切入点与当前多数AI公司不同。主流模型通常依赖从公开互联网抓取的训练数据，对用户个人或组织内部的工作流程、项目背景和长期目标缺乏深度理解。Engram则选择从强预训练模型出发，将宝贵的训练算力用于消化和吸收用户自身的上下文，让模型像一个熟悉团队工作的同事一样，直接掌握背景知识。公司团队背景多元，成员来自斯坦福大学、加州大学伯克利分校和康奈尔大学等机构，研究方向覆盖上下文压缩、检索、LoRA、合成数据、长上下文以及记忆架构等关键领域。

在商业化落地方面，Engram已与三家合作伙伴展开早期试点。它与协作办公平台Notion合作，开发能理解大型Notion工作区的自定义Agent；与法律AI公司Harvey合作，构建能内化整个律所或企业知识的模型，以便在大量客户事务中搜索判例；同时，它还与微软合作，在Microsoft 365环境中试点企业级Agent，旨在提供更低成本、更定制化的智能服务。

Engram的长期目标是建立一套统一训练算法，让模型能够吸收任意规模的数据，并通过持续更新不断进化。公司目前每天在其全部数据上运行这一流程，并计划将重训频率逐步提高到每小时一次，最终接近每分钟一次。然而，公司也坦承，尽管持续学习和记忆已成为AI领域的热门概念，但要让这类系统在大规模、多轮更新中真正稳定可用，业界仍缺乏成熟解法。

从产业视角看，Engram的尝试直指当前AI应用的一大痛点：模型“读完就忘”，无法从交互中积累真正的知识。如果其技术路径被验证可行，企业级AI Agent的推理成本将大幅下降，个性化能力则显著提升。这不仅会重塑Notion、Harvey等应用层产品的用户体验，也可能对底层模型公司的竞争格局产生牵动——当价值从通用预训练转向私有上下文的持续微调时，算力投入的分配逻辑或将随之改变。