摘要
当大模型公司还在竞争更长的上下文窗口、更强的推理能力和更复杂的 Agent 工作流时，一家名为 Engram 的新公司选择押注另一个问题：AI 能不能像人一样，持续从每天接触到的资料、对话和经验中学习？ 这家公司刚刚公开亮相，并已完成 9800 万美元融资，投资方包括 General Catalyst、Kleiner Perkins、Sequoia 等一批头部风投机构。它的投资人与顾问名单中，还包括 Assaf Rappaport、Andrej Karpathy 和 Pieter Abbeel。 Andrej Karpathy 和 Jason Wei 也纷纷发来贺电。 Engram 想解决的问题是：模型懂互联网，却不懂你的公司。 今天的 AI 能回答问题、读代码、写文档，但对组织内部的关键知识并不熟悉——项目决策、历史取舍、团队讨论等，大多不在训练数据中。因此，企业只能反复提供上下文，模型每次都要重新理解，成本高且容易出错，对话结束后还会遗忘。 Engram 认为，AI 不该只是临时读取上下文，而应真正学会它。 把「上下文」变成模型能力 Engram 的核心定位，是为 AI 构建一个能够持续学习的「记忆层」。 它想解决的不是模型能不能临时读到更多资料，而是模型能不能真正吸收组织内部的知识，并在之后的任务中自然调用。相比常见的 RAG 或长上下文方案，Engram 试图把计算前移：让模型提前学习 GitHub、Slack、Notion、文档和项目记录中的信息，而不是每次回答问题前重新检索、重新阅读。 这也是 Engram 与许多 AI 应用公司的不同之处。它押注的不是更长的聊天窗口，而是一个新的 scaling 方向：从强大的预训练模型出发，把训练计算投入到用户和企业真正关心的私有上下文中。 按照公司介绍，Engram 已经在内部让模型每天学习公司数据，未来希望把更新频率提升到每小时，最终达到每分钟。其目标是找到一种统一的训练算法，可以吸收任意规模、任意形式的数据，让模型在持续使用中不断变好。 Engram 的首个产品是一套面向 Agent 的 API，服务于大型共享知识工作区。目前，公司已经公布了与 Notion、Harvey 和 Microsoft 的早期合作：Notion