[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ex-google-apple-researchers-trajectory-50m-seed-zh":3,"article-related-ex-google-apple-researchers-trajectory-50m-seed-zh":34,"series-model-release-2ff3fe8a-9b68-4651-b315-f95b35a070cd":85},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":26,"views":30,"created_at":31,"published_at":32,"topic_cluster_id":33},"2ff3fe8a-9b68-4651-b315-f95b35a070cd","ex-google-apple-researchers-trajectory-50m-seed-zh","前 Google 與 Apple 團隊募資 5000 萬美元","\u003Cp data-speakable=\"summary\">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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003Ca href=\"https:\u002F\u002Ftrajectory.ai\" target=\"_blank\" rel=\"noopener\">Trajectory\u003C\u002Fa> 就是想補這個洞。\u003C\u002Fp>\u003Cp>這家公司在 Palo Alto。創辦團隊來自 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002F\" target=\"_blank\" rel=\"noopener\">Google DeepMind\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.apple.com\u002F\" target=\"_blank\" rel=\"noopener\">Apple\u003C\u002Fa>。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。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>內容\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>公司\u003C\u002Ftd>\u003Ctd>Trajectory\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>地點\u003C\u002Ftd>\u003Ctd>Palo Alto\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>募資目標\u003C\u002Ftd>\u003Ctd>約 5000 萬美元\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>公開時間線\u003C\u002Ftd>\u003Ctd>2026 年 1 月先曝光，4 月再有後續報導\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>主攻方向\u003C\u002Ftd>\u003Ctd>視覺與多模態 AI 推理\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>Trajectory 為什麼押視覺回饋迴圈\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779962604028-5gzb.png\" alt=\"前 Google 與 Apple 團隊募資 5000 萬美元\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>文字生成進步很快，視覺推理還落後。\u003C\u002Fli>\u003Cli>真實世界任務需要空間感和時間感。\u003C\u002Fli>\u003Cli>回饋迴圈能讓模型更快修正錯誤。\u003C\u002Fli>\u003Cli>機器人和工業檢測很適合先用。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這家公司是誰在做\u003C\u002Fh2>\u003Cp>Trajectory 的創辦團隊很有研究底子。\u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=4s1nYJQAAAAJ\" target=\"_blank\" rel=\"noopener\">Andrew Dai\u003C\u002Fa> 在 \u003Ca href=\"\u002Ftag\u002Fgoogle-deepmind\">Google DeepMind\u003C\u002Fa> 待了超過 14 年，做過 \u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 家族的資料與 pre-training \u003Ca href=\"\u002Fnews\u002Fopenai-anthropic-ai-jobs-doom-zh\">工作\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fyinfei-yang-7a5b5b4\u002F\" target=\"_blank\" rel=\"noopener\">Yinfei Yang\u003C\u002Fa> 以前是 \u003Ca href=\"\u002Ftag\u002Fapple\">Apple\u003C\u002Fa> 的 chief research scientist。這種背景很少見。她懂研究，也懂產品化。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fscholar.harvard.edu\u002F\" target=\"_blank\" rel=\"noopener\">Seth Neel\u003C\u002Fa> 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。\u003C\u002Fp>\u003Cblockquote>“The future of AI is not just larger models, but better feedback loops,” Andrew Ng said at a Stanford HAI event in 2024.\u003C\u002Fblockquote>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>為什麼投資人會買單\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779962607272-vjmg.png\" alt=\"前 Google 與 Apple 團隊募資 5000 萬美元\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>通用聊天產品已經很擠。\u003C\u002Fli>\u003Cli>視覺 AI 的成熟度還落後文字 AI。\u003C\u002Fli>\u003Cli>機器人、製造、車用都需要更好的感知。\u003C\u002Fli>\u003Cli>更快的回饋迴圈能縮短部署時間。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得，這類公司最怕的是只會做 demo。真正的\u003Ca href=\"\u002Fnews\u002Fmemory-stocks-face-new-ai-reality-check-zh\">考驗\u003C\u002Fa>，是能不能把推理準確率拉上去。還要能在真實場景穩定跑。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>數字和時間線透露了什麼\u003C\u002Fh2>\u003Cp>這筆交易最早在 \u003Ca href=\"https:\u002F\u002Fwww.theinformation.com\u002F\" target=\"_blank\" rel=\"noopener\">The Information\u003C\u002Fa> 的 2026 年 1 月曝光。之後 \u003Ca href=\"https:\u002F\u002Fwww.bloomberg.com\u002F\" target=\"_blank\" rel=\"noopener\">Bloomberg\u003C\u002Fa> 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。\u003C\u002Fp>\u003Cp>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 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>和研究這一邊。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>和其他 AI 路線比起來差在哪\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>你可以把它跟幾種常見路線比一下。\u003C\u002Fp>\u003Cul>\u003Cli>和聊天產品比：Trajectory 更偏底層。\u003C\u002Fli>\u003Cli>和純文字 LLM 比：它重視圖片、影片、空間資訊。\u003C\u002Fli>\u003Cli>和機器人公司比：它先解感知，再談動作。\u003C\u002Fli>\u003Cli>和研究實驗室比：它更像要做可部署系統。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>背景補充：為什麼視覺 AI 還卡著\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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\u003Ca href=\"\u002Fnews\u002Fwhy-verkor-turboquant-silicon-ip-matters-zh\">什麼\u003C\u002Fa>」難很多。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>接下來該看什麼\u003C\u002Fh2>\u003Cp>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 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>、合作夥伴、和實際部署案例。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>","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。","cryptobriefing.com","https:\u002F\u002Fcryptobriefing.com\u002Ftrajectory-ai-startup-google-apple-researchers\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779962604028-5gzb.png","model-release","zh","bd223388-67ed-48a8-9bc6-23392d65bc05",[17,18,19,20,21,22,23,24,25],"Trajectory","AI 新創","視覺推理","多模態 AI","回饋迴圈","Google DeepMind","Apple","Palo Alto","募資",[27,28,29],"Trajectory 正在募資約 5000 萬美元，主攻視覺與多模態 AI 推理。","團隊來自 Google DeepMind 和 Apple，研究與產品背景都很強。","這家公司瞄準的是視覺回饋迴圈，不是通用聊天機器人。",7,"2026-05-28T10:02:29.971168+00:00","2026-05-28T10:02:29.941+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":35,"relatedLang":44,"relatedPosts":48},[36,38,40,42,43],{"name":17,"slug":37},"trajectory",{"name":20,"slug":39},"多模態-ai",{"name":18,"slug":41},"ai-新創",{"name":19,"slug":19},{"name":21,"slug":21},{"id":15,"slug":45,"title":46,"language":47},"ex-google-apple-researchers-trajectory-50m-seed-en","Ex-Google and Apple researchers raise $50M for Trajectory","en",[49,55,61,67,73,79],{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"466021f3-b8a4-4ecb-ad64-8070beaf9cbc","gemini-1-5-pro-002-flash-002-2-0-flash-update-zh","Gemini 1.5 與 2.0 Flash 更新上線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780999389960-97qh.png","2026-06-09T10:02:27.849751+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"66ce4542-3c93-4a0c-ab52-5e6f90a36212","minimax-m3-kai-fang-quan-zhong-xie-cheng-shi-reng-neng-ying-zh","MiniMax M3 證明開放權重在寫程式上仍能贏","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780968786191-lele.png","2026-06-09T01:32:30.829528+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"948a7dc4-b172-42f9-9bef-abcbbffaca18","gemini-35-flash-pricing-benchmarks-zh","Gemini 3.5 Flash 價格與長上下文解析","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780840978961-6b9n.png","2026-06-07T14:02:29.835438+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"5507f140-5223-4f68-ade6-30d9e5457638","gemma-4-12b-specs-benchmarks-run-locally-zh","怎麼做 Gemma 4 12B 本地部署","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780777971165-4bit.png","2026-06-06T20:32:24.857611+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"ef42a437-8b06-4ff5-a135-ece7662c01f4","best-kimi-models-2026-k2-5-vs-k2-thinking-zh","2026 最佳 Kimi 模型：K2.5 對 K2 Thinking","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770790333-x3lk.png","2026-06-06T18:32:39.410186+00:00",{"id":80,"slug":81,"title":82,"cover_image":83,"image_url":83,"created_at":84,"category":13},"fd2ad557-5c09-4758-964d-cda1c3c87a4c","kimi-k2-6-open-source-coding-agent-swarm-zh","Kimi K2.6 開源加上 Agent Swarm","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780761795960-0zg9.png","2026-06-06T16:02:21.702099+00:00",[86,91,96,101,106,111,116,121,126,131],{"id":87,"slug":88,"title":89,"created_at":90},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"cda76b92-d209-4134-86c1-a60f5bc7b128","xiaomi-mimo-trio-agents-robots-voice-zh","小米 MiMo 三模型瞄準代理、機器人與語音","2026-03-28T03:05:08.779489+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":132,"slug":133,"title":134,"created_at":135},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00"]