前 Google 與 Apple 團隊募資 5000 萬美元
Trajectory 由前 Google DeepMind 與 Apple 研究員創立，正在募資約 5000 萬美元，主攻視覺推理與回饋迴圈。
Trajectory 是 Palo Alto 的 AI 新創，正在募資約 5000 萬美元，主打強化視覺推理與回饋迴圈。
這家公司很早期，卻要拿 5000 萬美元。說真的，這筆錢不小。它的賭注也很明確，就是把 AI 從會講話，推到會看懂世界。
現在很多模型很會寫字。也很會寫程式。可是一碰到圖片、影片、空間關係，常常就露餡。Trajectory 就是想補這個洞。
這家公司在 Palo Alto。創辦團隊來自 Google DeepMind 和 Apple。這組合很硬。也很符合現在 AI 圈的現實：文字模型已經很擠，視覺推理還有很多空間。
| 項目 | 內容 |
|---|---|
| 公司 | Trajectory |
| 地點 | Palo Alto |
| 募資目標 | 約 5000 萬美元 |
| 公開時間線 | 2026 年 1 月先曝光，4 月再有後續報導 |
| 主攻方向 | 視覺與多模態 AI 推理 |
Trajectory 為什麼押視覺回饋迴圈
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
Trajectory 的核心想法很直白。AI 不該只靠一次大訓練。它應該能在看見新資料後，快速修正自己。
這種做法很像軟體開發的快速迭代。先做出來，再測試，再修。差別是，AI 修的不是 bug，而是理解世界的方式。
這件事很重要。因為視覺理解一直是弱項。聊天機器人能寫信，也能摘要。可它不一定知道箱子擋住走道，或機械零件歪了。
- 文字生成進步很快，視覺推理還落後。
- 真實世界任務需要空間感和時間感。
- 回饋迴圈能讓模型更快修正錯誤。
- 機器人和工業檢測很適合先用。
這家公司是誰在做
Trajectory 的創辦團隊很有研究底子。Andrew Dai 在 Google DeepMind 待了超過 14 年，做過 Gemini 家族的資料與 pre-training 工作。
Yinfei Yang 以前是 Apple 的 chief research scientist。這種背景很少見。她懂研究，也懂產品化。
Seth Neel 來自哈佛的 AI 研究圈。這代表團隊不是只會講願景，而是有資料、評估、訓練這些硬活要處理。
“The future of AI is not just larger models, but better feedback loops,” Andrew Ng said at a Stanford HAI event in 2024.
這句話拿來看 Trajectory 很貼切。它不是要再做一個通用聊天機器人。它想改善模型學習世界的方式。
講白了，這是從「模型多大」轉向「模型怎麼學」。這個方向沒那麼花俏，但更接近真問題。
為什麼投資人會買單
5000 萬美元的 seed 很大。真的很大。可在 2026 的 AI 圈，這已經不是天方夜譚。
投資人會看中一件事。Trajectory 不是在做泛用型助手。它在打很窄的技術點。這種題目更容易做出可量化成果。
而且這個題目有商業價值。倉儲要機器人避開雜物。工廠要即時抓瑕疵。自駕系統要看懂混亂路口。這些都很難，但也都很值錢。
- 通用聊天產品已經很擠。
- 視覺 AI 的成熟度還落後文字 AI。
- 機器人、製造、車用都需要更好的感知。
- 更快的回饋迴圈能縮短部署時間。
我覺得，這類公司最怕的是只會做 demo。真正的考驗，是能不能把推理準確率拉上去。還要能在真實場景穩定跑。
如果 Trajectory 做得到，它就不只是研究公司。它會變成很多 AI 團隊參考的對象。
數字和時間線透露了什麼
這筆交易最早在 The Information 的 2026 年 1 月曝光。之後 Bloomberg 在 4 月跟進。這種節奏通常代表案子是真的，而且還在談細節。
還有一個重點是，它沒有碰區塊鏈，也沒有碰加密貨幣。這讓它很清楚地站在 AI 工具和研究這一邊。
從產業角度看，這類公司正在測試一個問題。下一波 AI 進展，會不會來自更好的學習系統，而不是更大的模型。
如果答案是會，那麼視覺回饋迴圈就不是小題目。它會變成機器人、工業檢測、甚至自動駕駛的重要基礎。
和其他 AI 路線比起來差在哪
現在很多新創都在做同一件事。包一層 API。做一個聊天介面。再加一點工作流。這類產品很快，但也很容易撞牆。
Trajectory 走的是另一條路。它不是先搶前台，而是先處理模型怎麼看懂世界。這條路更慢，也更難。可一旦做成，護城河通常比較厚。
你可以把它跟幾種常見路線比一下。
- 和聊天產品比：Trajectory 更偏底層。
- 和純文字 LLM 比：它重視圖片、影片、空間資訊。
- 和機器人公司比：它先解感知，再談動作。
- 和研究實驗室比：它更像要做可部署系統。
這種差異很重要。因為市場已經不缺會包裝的 AI 公司。缺的是能把效果做出來的團隊。
而且視覺推理的難點，不只是模型本身。還有資料標註、評估標準、延遲成本。這些都很現實，也很燒錢。
背景補充：為什麼視覺 AI 還卡著
文字模型的資料很多。網路上幾乎都是文字。可是視覺資料更雜。角度、光線、遮擋、運動，全部都會影響結果。
再來，視覺任務常常沒有標準答案。你看一張倉庫照片，要判斷是不是安全。這種問題比「這段文字在說什麼」難很多。
所以很多 AI 公司會先從文字切入。因為快。因為便宜。因為容易 demo。可是當產品要進工廠、倉庫、車上，視覺問題就躲不掉。
這也是 Trajectory 這種公司存在的理由。它不是在追流行。它是在處理真空地帶。
接下來該看什麼
接下來最該看的，不是募到多少錢，而是它怎麼驗證技術。尤其是 benchmark、合作夥伴、和實際部署案例。
如果它能在機器人、工業檢測，或空間推理任務上拿出數字，這家公司就不只是又一個 AI 新創。
我會建議台灣的開發者盯三件事。第一，視覺模型怎麼做 feedback loop。第二，資料管線怎麼縮短。第三，怎麼把研究成果變成能上線的軟體。
講白了，Trajectory 這案子不是在比誰最會聊天。它在比誰最懂讓 AI 看懂世界。這題很硬，也很值得盯。