融资6.7亿！卡帕西押注，这家创企要让AI学会你的工作

智东西
编译 杨京丽
编辑 李水青

智东西6月24日消息，今天，美国AI初创公司Engram公开亮相，宣布推出面向Agent的API，并完成9800万美元（约合人民币6.7亿元）融资。Engram希望让Agent能够在超大型共享知识工作区中学习，无需每次任务开始前重新读取上下文。

公司称，其模型能够研究用户上下文，拼接零散信息、建立新联系，并发现过去未被注意到的错误；在很多任务中，由于不必重新收集上下文，token效率可提升10倍甚至100倍。

▲Engram发文介绍公司，并宣布获9800万美元融资（图源：X）

Engram的投资方包括General Catalyst、Kleiner Perkins、红杉资本等风投机构，投资人和顾问还包括Wiz联合创始人兼CEO阿萨夫·拉帕波特（Assaf Rappaport）、近期刚加入Anthropic的“AI大神”安德烈·卡帕西（Andrej Karpathy）、加州大学伯克利分校教授彼得·阿贝尔（Pieter Abbeel）等。

公司已与协作办公软件公司Notion、法律AI公司Harvey和微软展开早期合作，分别围绕大型Notion工作区、自定义律所或企业知识模型，以及Microsoft 365中的企业Agent试点落地。

Engram是一家聚焦AI记忆、持续学习和自适应系统的AI初创公司。据公司公开信息，其团队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、记忆架构，以及人类和机器中的记忆与遗忘机制。

一、首款产品是Agent API，已与Notion、Harvey、微软合作

Engram的长期目标是建立一种统一训练算法，让模型能够吸收任意规模的数据，并在持续更新中变得更好。公司目前每天都会在公司全部数据上，运行这一流程。接下来，他们希望把重训频率提高到每小时一次，最终接近每分钟一次。

不过，Engram也承认，尽管持续学习、记忆和“从用户身上学习”已经成为AI领域的热门概念，但要让这类系统在大规模、多轮更新中真正可用，仍然没有成熟解法。Engram团队已经从上下文压缩、检索、LoRA、合成数据、长上下文、记忆架构，以及人类和机器中的记忆与遗忘机制等多个方向研究这一问题。

Engram的首款产品是一套面向Agent的API，能够让Agent在超大型共享知识工作区中学习。公司早期合作伙伴拥有非常丰富的上下文数据，也较早采用AI技术。

Engram正与Notion合作开发自定义Agent，使其能够理解大型Notion工作区；Engram还与法律AI公司Harvey合作开发模型，让模型内化整个律所或企业的知识，并能在大量客户事务中搜索和发现判例；此外，Engram与微软合作，在Microsoft 365中试点Engram模型，为企业客户提供更低成本、更定制化的Agent。

二、Engram要改变AI“读完就忘”，让模型学习用户上下文

Engram认为，当前AI模型并不能真正理解，用户在做什么。模型所知道的内容来自训练，而训练数据大多来自公开互联网。因此，模型了解热门GitHub项目，也了解人们写在网上的文章，但用户每天真正思考和处理的事情远不止这些。

用户知道什么样的工作是好的，知道项目的研究方向，也知道希望它一年后变成什么样。这些知识覆盖从细节到全局的诸多方面，往往远超一个聊天窗口能承载的范围。即便用户把想法写下来，重要信息也会散落在大量文档和文件中。现在使用模型时，模型通常要先反复读取公司里的许多文档，然后才能开始工作。

随着上下文不断增长，现有方式的问题越来越明显：模型变得更贵，也更容易混乱。单个用户产生的数据，已经远超模型能够完整处理的范围。更关键的是，读取本身是浅层且临时的。即便模型看到了用户的上下文，也可能在用户关闭聊天后，忘掉这些内容。换句话说，目前，模型并不会从这些数据中学习，因而，无法自动变得更擅长用户需要它完成的任务。

此外，一些模型虽然能够保存历史上下文，但在新任务中可能会把旧信息和当前问题错误关联，反而带来干扰。Engram要解决的不只是让模型记住上下文，还包括让模型在合适的时候正确使用这些记忆。

Engram希望改变上述问题，目标是构建能从用户上下文中学习的模型。

三、把训练算力用在上下文上，最高提升100倍token效率

Engram与其他AI实验室的训练方向不同，他们没有继续花费大量训练算力在公开数据上，而是从强预训练模型出发，把训练用于用户关心的上下文。Engram称，这相当于每个模型都会花费数百年的时间，研究你的上下文：拼凑零散信息，建立此前从未形成过的联系，并发现过去未被注意到的错误。

在内部使用和与Notion的设计合作中，Engram的模型已经有不错的表现。这些模型能够从Engram自己的GitHub、Slack和Notion中学习公司及其工作内容，知道团队正在做什么、为什么做，也能建立意料之外的联系，甚至能够记住团队成员已经遗忘的信息。

由于很多任务不再需要重新收集上下文，Engram称其模型可以实现10倍甚至100倍的token效率提升。它们不只是读过资料，而是像一个熟悉团队工作的同事一样，直接知道一些应该知道的事情。

结语：通过上下文学习，让模型理解用户

Engram的切入点和很多AI公司不太一样。多数AI产品仍在围绕长上下文和工具调用做文章，而Engram选择把训练算力用在用户自己的上下文上，试图让模型学会一个人、一个组织的知识和工作方式。

这家公司刚刚亮相就收获大额投资，赢得行业大牛的支持。接下来，Engram面向Agent的API能否在真实场景中稳定“干活”，在成本、准确性和持续更新上兑现承诺，还需要实际应用来验证。

来源：Engram