Sequoia Capital投資的Engram Lab推進AI持續學習與內置記憶
Sequoia Capital指出，當今AI模型僅訓練一次，而人類持續學習、遺忘無關信息並保留有用內容，Engram Lab聯合創始人Dan Biderman與Jessy Lin正致力於彌合這一差距。
Engram Lab打造永不停止學習的AI，記憶內置於模型而非外部附加，最新Training Data播客討論記憶作爲下一前沿、RAG的侷限及持續訓練可能性。
市場機制上，AI基礎設施投資者與開發者成爲主要買方推動持續學習範式，事件驅動資金流向內置記憶與自適應訓練項目，受益者爲Engram Lab及採用其技術的團隊，傳統RAG與外部記憶方案承壓。
來源：公開信息
ABAB AI 解讀
Sequoia Capital此前多次投資AI基礎設施初創，此次推廣Engram Lab延續其在模型訓練與記憶創新領域的佈局，早前類似對持續學習項目的支持均體現資本從靜態大模型向動態自治系統的路徑轉變。
資本路徑上，Sequoia通過Engram Lab調動計算與數據資源構建內部記憶機制，戰略動機在於捕捉記憶作爲AI瓶頸的機遇，資金從外部RAG工具轉向模型內參數化記憶與終身學習系統輸送。
類似其他Sequoia支持的AI記憶或持續訓練創業案例，Engram Lab當前處於AI從一次性訓練向終身學習轉型的擴張階段，進一步強化其在下一代模型架構的行業定位。
本質屬於技術替代，內置記憶與持續訓練替代RAG等外部band-aid方案，機制在於參數化內化實現計算與token節省，導致定價權從向量數據庫轉向模型內記憶架構，並推動AI產業鏈向腦啓發式自治重構。
ABAB News · 認知定律
記憶效率 = 內置參數 × 主動遺忘 × 持續訓練
模型訓一次賣固定，持續學賣進化，誰內化記憶誰掌控長期智能
遺忘越精準，保留越強大，反直覺在於主動忘記驅動真正理解