突破靜態範式：Adaption Labs 獲 5,000 萬美元融資，打造實時學習 AI
這是一項標誌著行業可能正從對大規模模型擴展（scaling）的執迷中轉型的重要舉措，Adaption Labs 宣佈完成由 Emergence Capital 領投的 5,000 萬美元種子輪融資。這家由前 Cohere 高管 Sara Hooker 和 Sudip Roy 創立的初創公司，帶著一個極具挑釁性的論點從隱身模式中走出來：人工智能的未來不在於更大的靜態模型，而在於能夠「邊運行邊學習」的更小、更動態的系統。
這一融資里程碑代表了 2026 年規模最大的種子輪融資之一，突顯了投資者對架構突破的巨大興趣，這些突破有望解決目前困擾企業 AI 部署的效率和延遲瓶頸。憑藉這筆資金，Adaption Labs 旨在將其專有的「無梯度」（gradient-free）學習技術商業化，該技術允許 AI 智能體實時適應新信息並糾正錯誤，而無需經過計算昂貴的重新訓練過程。
「擴展至上」（Scaling-Pilled）時代的終結？
在過去的十年中，AI 研究中的主導學說——通常被稱為「擴展定律」（scaling laws）——非常簡單：更多的數據和更多的計算等於更好的性能。這種方法誕生了生成式 AI 革命，生產出了如 GPT-4 和 Claude 之類的模型。然而，Adaption Labs 的執行長 Sara Hooker 認為，這一軌跡正在遭遇邊際收益遞減的瓶頸。
「多年來，我們一直在優化訓練階段，構建大規模的凍結產物，這些產物在部署的那一刻起就停止了學習，」Hooker 在宣佈融資後的新聞發佈會上表示，「真正的智能不是靜態的，而是自適應的。每當事實數據發生變化或發現錯誤時，就從頭開始重新訓練模型的現行範式，在經濟上是不可持續的，在科學上也是不夠優雅的。」
Hooker 是此前任職於 Google Brain 和 Cohere 的著名研究員，最著名的作品是關於「硬件彩票」（The Hardware Lottery）的研究，該概念詳細描述了硬件限制如何隨意地塑造了 AI 研究的方向。她轉向 Adaptive AI，表明她相信行業對重度反向傳播訓練運行的依賴正在成為一種負擔，而非資產。
技術解析：無梯度學習
推動 Adaption Labs 的核心創新是放棄了傳統的部署後適應所需的基於梯度的學習（gradient-based learning）方法（如反向傳播）。在標準 LLM 中，更新模型需要計算數十億個參數的梯度——這是一個緩慢、高能耗的過程，需要大規模的 GPU 集群。
Adaption Labs 創建的「Adaptive AI」模型利用了 gradient-free learning 技術。雖然該公司對確切的算法細節保密，但該方法可能利用了進化策略或零階優化方法，使模型能夠根據環境反饋調整其行為，而無需進行完整的參數更新。
聯合創始人兼技術長 Sudip Roy 解釋了其實際意義：「想像一個出錯的 AI 客戶服務智能體。在當前的世界中，你必須記錄該錯誤，等待下個月的下一次微調運行，並希望更新能修復它。我們的模型能立即從該交互中學習。如果你告訴它『那是錯誤的，請改用此政策』，它會針對該特定上下文實時調整其權重，且計算開銷微乎其微。」
戰略支持與市場契合度
來自 Emergence Capital 的 5,000 萬美元投資是對這一架構轉型的強力信任投票。Emergence 以早期投資 Salesforce 和 Zoom 等標誌性 SaaS 平台而聞名，現在似乎正在押注 AI 的下一層價值將由效率和自適應能力定義，而非純粹的推理能力。
這筆資金將主要用於：
- 擴大研究團隊：招聘進化算法、強化學習和高效推理方面的專家。
- 開發「Adaption Engine」：一個面向開發者的平台，允許企業為現有的基礎模型封裝自適應層。
- 硬件優化：確保這些輕量級學習過程可以在邊緣設備和標準消費級硬件上運行，從而避免每次微小更新都需要 H100 集群。
「凍結模型」問題 vs. 自適應解決方案
為了理解 Adaption Labs 正在解決的問題的重要性，將大型語言模型（LLM）的現狀與自適應 AI 的願景進行對比會很有幫助。行業目前正飽受「凍結模型綜合症」的困擾，價值數十億美元的模型在訓練結束後的短短幾天內就會過時。
靜態 LLM 與自適應 AI 架構的比較
| 功能特性 | 靜態 LLM（當前標準） | 自適應 AI (Adaption Labs) |
|---|---|---|
| 學習狀態 | 訓練後凍結 | 持續、實時學習 |
| 更新機制 | 重新訓練或微調（基於梯度） | 上下文自適應（無梯度） |
| 延遲 | 高（需要離線處理） | 低（在推理期間發生） |
| 計算成本 | 極高（需要 GPU 集群） | 極低（可在邊緣設備/CPU 運行） |
| 錯誤糾正 | 持續存在直至下次版本更新 | 收到反饋後立即糾正 |
| 數據隱私 | 數據通常發回中央服務器 | 本地自適應保持數據隱私 |
履歷深厚的創始人團隊
創始團隊的資歷是估值的一個重要因素。Sara Hooker 曾擔任 Cohere 的研究副總裁，領導「Cohere for AI」研究實驗室，發表了多篇關於模型剪枝和效率的有影響力的論文。她的學術背景使她在挑戰擴展正統學說方面具有獨特的公信力。
技術長 Sudip Roy 則在系統工程和推理優化方面帶來了互補的專業知識。Roy 曾擔任 Cohere 的高級總監和 Google 的研究員，在為數百萬用戶提供大型模型的實際困難方面擁有深厚的經驗。他的長期關注點一直是效率與性能的交叉領域，這使他成為設計旨在精簡運行的系統的理想架構師。
對企業的影響
對於企業客戶來說，Adaption Labs 的承諾不僅是學術性的，更是財務性的。維護大規模 AI 應用的成本正在飆升，這主要是由推理成本和對持續微調的需求驅動的。
如果 Adaption Labs 取得成功，公司可以部署更小、更便宜的基礎模型，讓它們「成長」到各自的角色中。例如，一個法律 AI 可以從通用知識開始，經過高級合夥人數週的糾正，演變成一位高度專業的專家，而無需進行任何一次消耗 GPU 的訓練運行。這種「測試時訓練」（test-time training）能力有效地將智能的成本從提供商（訓練大規模模型）轉移到用戶的特定語境中，大幅降低了定製 AI 智能體的准入門檻。
前方的道路
雖然 5,000 萬美元的種子輪融資提供了充足的資金儲備，但未來的技術挑戰依然巨大。從歷史上看，無梯度方法在複雜任務中很難達到基於梯度的更新那樣的精確度。證明自適應層能夠保持穩定性——確保模型不會「學到」錯誤的東西或遭受災難性遺忘——將是該公司在未來一年的主要障礙。
然而，這個時機極具先見之明。隨著行業面臨潛在的電力短缺和下一代訓練運行的天價成本，敘事正從「越大越好」轉向「越精越省」。Adaption Labs 正致力於置身於這一修正浪潮的最前沿。
「我們正在為一個 AI 不再是龐然大物，而是軟件棧中活生生的、呼吸著的一部分的世界而構建，」Hooker 總結道，「靜態模型的時代已經結束了。」
