Trajectory获4500万美元融资，估值3亿美元，让非技术专家也能训练AI模型

AI模型训练的门槛正在被资本和创业公司进一步压低。成立仅一年的初创公司Trajectory宣布完成4500万美元融资，公司估值达到3亿美元。这笔资金将用于让不具备技术背景的领域专家也能参与到AI模型的训练过程中——这可能是AI应用走向深水区的关键一步。

融资概况：一年估值3亿美元

Trajectory成立仅一年，便获得了4500万美元的融资，估值达到3亿美元。这个速度在当前的AI创业环境中并不罕见，但也从侧面说明资本市场对“AI训练平民化”这一方向的强烈兴趣。

从融资金额与估值的比例来看，投资人显然不是在看短期收入，而是在押注一个更长期的趋势：AI模型训练的主体，正在从少数算法工程师向大量拥有领域知识但不会写代码的专家扩展。

为什么“非技术专家训练AI”值得关注

传统上，训练和微调AI模型是机器学习工程师的专属领地。数据标注、模型微调、评估迭代这些环节，需要理解损失函数、学习率、过拟合等概念。但对于医疗、法律、金融、制造等行业来说，真正懂业务逻辑的人往往不写代码。

Trajectory切入的正是这个断层。如果说过去几年AI行业解决的是“模型能力”问题，那么接下来要解决的是“模型与具体业务场景的适配”问题。而后者，恰恰需要非技术专家的深度参与。

据原始报道，Trajectory的定位就是让非技术专家能够参与到AI模型训练中。这意味着它可能提供某种抽象层，把复杂的训练流程封装成领域专家可以操作的界面或工作流。

损失函数、学习率与过拟合是机器学习训练中的三个基础概念。损失函数衡量模型预测与真实结果的偏差，训练的目标就是最小化这个偏差；学习率控制每次参数更新的步长，过大容易震荡不收敛，过小则训练缓慢；过拟合指模型在训练数据上表现很好、但在新数据上泛化能力差。Trajectory这类平台的关键价值，就是把调节这些超参数的过程封装起来，让领域专家只需关注数据质量和业务目标，而不必理解背后的数学机制。

这笔钱会花在哪：产品化与市场教育

4500万美元在早期融资中属于可观规模。对于一家成立仅一年的公司，这笔资金大概率会投向三个方向：产品研发、团队扩充和市场教育。

其中市场教育可能被低估。让非技术专家接受“我也能训练AI”这个观念，需要时间。这不是单纯的产品体验问题，而是工作流程和组织习惯的重塑。Trajectory需要证明，领域专家参与训练出来的模型，在业务表现上确实优于纯技术团队闭门造车的版本。

AutoML（自动化机器学习） 指将特征工程、模型选择、超参数调优等流程自动化的技术，目的是降低机器学习应用的门槛。它与Trajectory的定位有交集，但侧重点不同：AutoML主要解决“选模型、调参数”的自动化，而Trajectory强调的是让领域专家参与训练数据的构建与模型行为的塑造。理解这一区别有助于判断该赛道的竞争边界——AutoML工具往往仍面向有一定技术基础的用户，而Trajectory试图把入口进一步前移到纯业务角色。

竞争格局与潜在挑战

“让非技术人员用AI”并不是一个全新的赛道。低代码/无代码AI平台、AutoML工具、以及各类大模型微调服务，都在从不同角度逼近同一个目标。Trajectory的差异化在于它强调“训练”而不只是“使用”——这是一个更上游、也更有壁垒的位置。

挑战同样明显。一是数据安全与合规，领域专家接触的往往是企业核心数据；二是训练效果的评估标准，非技术专家如何判断模型是否“训练好了”；三是如何避免把复杂问题过度简化，导致模型在真实场景中不可靠。

大模型微调（Fine-tuning） 是指在预训练大模型的基础上，用特定领域的数据继续训练，使模型更适配具体任务。相比从零训练，微调成本低得多，因此成为企业落地AI的主流方式。微调的效果高度依赖数据质量与标注一致性，这恰恰是领域专家能发挥优势的地方。Trajectory若能把微调流程产品化，让专家用业务语言描述需求、由平台完成技术实现，就能在“使用AI”和“训练AI”之间占据一个独特生态位。

对AI行业意味着什么

Trajectory的融资是一个信号：AI基础设施的竞争正在从算力和模型层，向“谁能让更多人参与模型构建”转移。如果这条路走通，AI模型的供给将不再受限于工程师数量，而是受限于领域专家的数量——后者的规模要大得多。

当然，一年估值3亿美元也意味着高预期。Trajectory需要在接下来证明，非技术专家训练出来的模型能够真正落地，而不只是停留在演示阶段。