当模型能力越来越依赖高质量的专业数据，谁来做数据标注和训练调优，正在成为一个产品问题，而不只是工程问题。
发生了什么
据 TechCrunch 报道，成立仅一年的初创公司 Trajectory 完成 4500 万美元融资，公司估值达到 3 亿美元。它的定位很明确：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。
报道没有披露本轮融资的具体投资方、融资轮次细节，也没有给出产品形态和客户规模的更多信息。可确认的核心事实只有两条：融资金额与估值，以及“降低模型训练门槛、面向非技术专家”这一产品方向。
为什么重要
过去两年，AI 训练的叙事集中在算力、参数和架构上。但一个越来越明显的瓶颈是数据质量：通用互联网语料正在被榨干，真正能拉开模型差距的，是法律、医疗、金融、制造等垂直领域里由专业人士产出的判断、推理和纠错。
问题在于，这些专家通常不会写代码，也不熟悉微调流程、数据格式和评估管线。传统做法是让工程师做“翻译层”，把专家知识转成训练数据，这个环节成本高、周期长，还容易在传递中失真。Trajectory 押注的正是这个断层：如果专家能直接参与训练闭环，数据生产的效率和质量都可能显著提升。
这也契合行业的整体走向。模型厂商和垂直应用公司都在争夺“专家时间”，微调、RLHF、领域评估等环节对专业判断的依赖越来越重。一年内做到 3 亿美元估值，说明资本认为这是一个值得提前下注的赛道。
影响与看点
对开发者而言，这类工具如果成熟，可能改变分工：工程师从“替专家做数据”转向搭建流程、定义评估标准和保证数据质量，专家则直接进入训练循环。对垂直行业公司来说，这意味着可以用内部专家构建差异化模型，而不必完全依赖通用大模型。
值得关注的几点：一是产品能否真正把训练流程抽象到专家可用的程度，而不是换了个界面的标注工具；二是数据质量与合规如何保证，专家产出的数据往往涉及敏感行业知识；三是这类平台与主流模型厂商的关系——是补充，还是逐步侵蚀其数据护城河。
一个克制的判断：融资额和估值证明了需求叙事成立，但“非技术专家训练模型”目前仍处在早期，真正的验证标准是客户能否用它做出通用模型做不到的东西。
