企业大规模部署生成式 AI 后，模型调用费用正迅速上升。成立仅 8 个月的 Engram 宣布完成 9800 万美元融资，试图通过一套面向企业的“记忆层”产品，减少 token 消耗并提升回答效率。

融资与客户名单

本轮融资由 General Catalyst、Kleiner Perkins 和 Sequoia 参与，OpenAI 联合创始人 Andrej Karpathy 也在投资者之列。Engram 表示，资金将主要用于算力投入和人才招聘。

这家公司目前仅有 13 名员工，但已获得微软、Notion 以及法律 AI 初创公司 Harvey 等客户。对一家成立时间不长的初创企业来说，这样的客户名单显示其产品已进入企业试用和采购视野。

主打减少 token 支出

Engram 将自己定位为 AI 的“学习型记忆”。其核心思路是让模型保留组织内部的工作流程、上下文和历史信息，从而在后续问答中更快调用相关内容，减少重复推理和冗长上下文带来的成本。

公司称，在部分任务中，其模型可用最多少 100 倍的 token，达到与前沿实验室模型相当或更好的效果。token 是 AI 查询运行中的基础计费单位，调用量越大，企业支出通常越高。

切入模型记忆短板

联合创始人兼首席执行官 Dan Biderman 认为，当前不少模型的问题不在于理解能力不足，而在于缺少稳定记忆。上下文越长，模型越容易被额外信息拖慢，企业也需要为更多检索、阅读和推理支付更高费用。

他表示，Engram 并不声称在所有能力上都优于 OpenAI 或 Anthropic 的模型，而是更强调专业化场景下的效率优势。这笔融资也显示，AI 创业公司的竞争正从单纯追求更强模型，转向成本控制和企业落地能力。