公司核心定位与战略方向 - 公司致力于解决AI模型“懂互联网，却不懂你的公司”的问题，即模型对组织内部的关键知识（如项目决策、历史取舍、团队讨论）不熟悉，导致每次交互都需重复提供上下文，成本高且易出错[4] - 公司的核心定位是为AI构建一个能够持续学习的“记忆层”，其目标不是让模型临时读取更多资料，而是让其真正吸收组织内部知识并在后续任务中自然调用[5] - 公司押注的战略方向是新的“scaling”方向：从强大的预训练模型出发，将训练计算投入到用户和企业真正关心的私有上下文中，而非仅追求更长的聊天窗口[5] 技术方案与产品 - 相比常见的RAG或长上下文方案，公司的技术方案试图“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，而非每次回答问题前重新检索和阅读[5] - 公司的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，并计划将模型学习公司数据的更新频率从每天提升至每小时，最终达到每分钟[5] - 公司首个产品是一套面向Agent的API，服务于大型共享知识工作区，并已公布与Notion、Harvey和Microsoft的早期合作，聚焦于知识密度高、上下文复杂的场景[6] 团队背景与融资情况 - 公司团队背景高度集中在持续学习和模型记忆问题上，成员长期关注持续学习、上下文压缩、检索增强、LoRA、合成数据、长上下文以及记忆架构等研究方向[8] - 公司已完成9800万美元融资，投资方包括General Catalyst、Kleiner Perkins、Sequoia等头部风投机构，其投资人与顾问名单中还包括Assaf Rappaport、Andrej Karpathy和Pieter Abbeel[3] - 公司更像是一支围绕“持续学习”研究命题组建的AI团队，其核心问题始终围绕如何让模型从持续变化的数据中学习，同时避免遗忘和失控[7][8] 市场机会与挑战 - 公司瞄准的市场机会是那些知识密度高、上下文复杂，且一次性检索很难解决问题的企业场景，例如与Notion、Harvey和Microsoft合作的场景[6] - 公司面临的真正挑战在于证明持续学习可以从研究问题走向稳定产品，要求模型在学习企业数据时能做到可靠、可控、可审计，并在多轮更新后持续产生价值[9]