AI初創公司Engram於近日結束隱身模式，正式公開亮相，並宣佈完成9800萬美元（約合人民幣6.7億元）的融資。這筆資金將用於推進其核心願景：構建能夠從用戶工作上下文中持續學習的AI模型，而非僅僅在每次對話中臨時讀取信息。

Engram同步推出了首款產品——一套面向Agent的API。該API旨在讓AI智能體在超大型共享知識工作區中學習，通過研究用戶的上下文，拼接零散信息、建立新聯繫，甚至發現過去被忽視的錯誤。公司宣稱，由於避免了每次任務都重新收集上下文，其模型的token效率可提升10倍甚至100倍。

本輪融資由General Catalyst、Kleiner Perkins和紅杉資本等知名風投機構參投。值得注意的是，公司的投資人與顧問名單中還包括多位AI與安全領域的重量級人物，如近期加入Anthropic的“AI大神”安德烈·卡帕西（Andrej Karpathy）、Wiz聯合創始人兼CEO阿薩夫·拉帕波特（Assaf Rappaport），以及加州大學伯克利分校教授彼得·阿貝爾（Pieter Abbeel）等。這一陣容反映出業界對“AI記憶與持續學習”這一方向的濃厚興趣。

Engram的切入點與當前多數AI公司不同。主流模型通常依賴從公開互聯網抓取的訓練數據，對用戶個人或組織內部的工作流程、項目背景和長期目標缺乏深度理解。Engram則選擇從強預訓練模型出發，將寶貴的訓練算力用於消化和吸收用戶自身的上下文，讓模型像一個熟悉團隊工作的同事一樣，直接掌握背景知識。公司團隊背景多元，成員來自斯坦福大學、加州大學伯克利分校和康奈爾大學等機構，研究方向覆蓋上下文壓縮、檢索、LoRA、合成數據、長上下文以及記憶架構等關鍵領域。

在商業化落地方面，Engram已與三家合作伙伴展開早期試點。它與協作辦公平臺Notion合作，開發能理解大型Notion工作區的自定義Agent；與法律AI公司Harvey合作，構建能內化整個律所或企業知識的模型，以便在大量客戶事務中搜索判例；同時，它還與微軟合作，在Microsoft 365環境中試點企業級Agent，旨在提供更低成本、更定製化的智能服務。

Engram的長期目標是建立一套統一訓練算法，讓模型能夠吸收任意規模的數據，並通過持續更新不斷進化。公司目前每天在其全部數據上運行這一流程，並計劃將重訓頻率逐步提高到每小時一次，最終接近每分鐘一次。然而，公司也坦承，儘管持續學習和記憶已成為AI領域的熱門概念，但要讓這類系統在大規模、多輪更新中真正穩定可用，業界仍缺乏成熟解法。

從產業視角看，Engram的嘗試直指當前AI應用的一大痛點：模型“讀完就忘”，無法從交互中積累真正的知識。如果其技術路徑被驗證可行，企業級AI Agent的推理成本將大幅下降，個性化能力則顯著提升。這不僅會重塑Notion、Harvey等應用層產品的用戶體驗，也可能對底層模型公司的競爭格局產生牽動——當價值從通用預訓練轉向私有上下文的持續微調時，算力投入的分配邏輯或將隨之改變。