Trajectory가 노리는 AI의 다음 플랫폼
Updated: 4 days ago
AI는 이제 배운다
Trajectory가 노리는 AI의 다음 플랫폼
NEXT AI MONSTER 5 ③
RyanLab 미래기술 투자연구소
리서치 기준일 2026년 9월 13일
먼저 내린 결론
Trajectory가 흥미로운 이유는 새로운 챗봇을 만들기 때문이 아닙니다. 이 회사는 기업이 이미 사용 중인 AI에서 발생하는 수정, 재시도, 거절, 승인과 실제 업무 결과를 학습 신호로 바꾸려 합니다. 성공한다면 Trajectory는 AI 모델을 파는 회사가 아니라 여러 모델과 기업 사이에서 학습이 반복되는 길목을 차지할 수 있습니다.
미래가치투자의 관점에서 중요한 질문은 지금 매출이 얼마인가가 아닙니다. 앞으로 수백만 개의 AI Agent가 실제 업무를 맡게 되었을 때 반드시 필요해질 새로운 인프라가 무엇인가입니다. 저는 그 후보 가운데 하나가 Continual Learning, 즉 지속학습이라고 보았습니다.
다만 결론에는 분명한 조건이 붙습니다. Trajectory의 기술적 가능성은 매우 흥미롭지만, 현재 공개된 핵심 성능은 대부분 회사가 직접 수행한 제한된 실험입니다. 대형 고객의 반복 매출, 독립적인 성능 검증, 안전한 업데이트와 비용 구조는 아직 입증되어야 합니다. 그래서 지금의 Trajectory는 완성된 Monster가 아니라, Monster가 될 수 있는 위치를 선점하려는 초기 기업입니다.
이번 글에서 확인한 네 가지
검증 질문 | 확인한 핵심 |
문제 | 왜 현재 AI는 사용해도 모델 자체가 계속 성장하지 않는가 |
제품 | 사용자 행동을 어떤 방식으로 학습 데이터로 바꾸려 하는가 |
기술 | SDPO와 SDPO++가 실제 생산 데이터 학습에 어떤 단서를 주는가 |
투자 판단 | 이 회사의 Moat와 실패 가능성은 어디에서 갈리는가 |
왜 지금 이 회사를 조사했을까
지난 AI 투자 사이클은 더 큰 모델, 더 많은 GPU, 더 많은 학습 데이터에 집중했습니다. 이 경쟁은 앞으로도 계속되겠지만, Agent가 실제 회사 업무 속으로 들어가기 시작하면 질문이 달라집니다. 모델이 처음부터 얼마나 똑똑한가보다, 우리 회사에서 일하면서 얼마나 빨리 적응하는가가 중요해집니다.
예를 들어 CPA 사무실의 AI가 고객에게 보낼 편지를 작성한다고 생각해 보겠습니다. 사용자는 표현을 고치고, 숫자를 수정하고, 어떤 문장은 삭제합니다. 지금의 AI는 그 수정사항을 대화의 Memory에 남길 수는 있어도, 수백 건의 업무에서 반복되는 판단 기준을 모델과 업무 시스템 전체의 능력으로 자동 전환하지는 못합니다. 다음 고객에게 비슷한 편지를 쓰면서 같은 실수를 되풀이할 수도 있습니다.
기업이 원하는 것은 “내가 누구인지 기억하는 AI”를 넘어 “우리 조직이 일하는 방법을 실제 경험을 통해 배우는 AI”입니다. Trajectory는 바로 이 간극을 사업 기회로 보고 있습니다.
Memory와 Learning은 전혀 다르다
Memory | Continual Learning |
과거 정보를 다시 불러온다 | 경험 때문에 다음 행동 방식이 달라진다 |
모델 가중치는 대체로 그대로다 | 모델과 프롬프트 및 실행 구조가 업데이트될 수 있다 |
사용자의 사실과 선호를 기억한다 | 업무의 기술과 판단 패턴을 습득한다 |
노트가 쌓이는 것에 가깝다 | 작업자가 숙련되는 것에 가깝다 |
쉽게 말하면 Memory는 요리책에 메모를 남기는 것이고, Continual Learning은 요리사가 실제로 더 좋은 요리사가 되는 것입니다. Trajectory 공동창업자 Arjun Karanam은 회사의 선언문에서 현재 AI가 매우 뛰어난 소프트웨어이면서도 사용을 통해 더 똑똑해지지 않는 예외적인 존재라고 지적합니다.
인용 추천 “The era of frozen software is ending.”
자료 Trajectory Continual Learning End of Frozen Software 회사 비전과 3단계 제품 전략을 설명한 1차 자료
Trajectory는 무엇을 모으는가
AI Agent가 업무를 수행한 전체 기록은 흔히 Trace라고 불립니다. 어떤 판단을 했는지, 어떤 도구를 호출했는지, 어디에서 실패했고 어떤 답을 냈는지가 담깁니다. 그러나 Trace만 보아서는 그 결과가 좋았는지 판단하기 어렵습니다.
여기에 사용자의 반응인 Telemetry가 필요합니다. 사용자가 답을 승인했는지, 직접 수정했는지, 다시 요청했는지, 거절했는지, 인간 담당자에게 넘겼는지, 결국 업무가 해결되었는지를 연결해야 합니다.
Trajectory는 이 둘을 합친 단위를 회사 이름이자 AI 시대의 새로운 기본 단위로 정의합니다.
구성 요소 | 보여주는 것 | 대표 신호 |
Trace | AI가 실제로 무엇을 했는가 | 추론 흐름 도구 호출 답변 실패 지점 |
Telemetry | 사용자가 그 결과를 어떻게 다뤘는가 | 수정 재시도 거절 승인 |
Outcome | 업무가 실제로 해결되었는가 | 구매 완료 사건 해결 테스트 통과 |
Trajectory | 무슨 일이 있었고 그것이 옳았는가 | Trace와 Telemetry와 Outcome의 결합 |
회사의 표현을 빌리면 데이터베이스 시대의 기본 단위가 Row와 Query였고, 웹 시대에는 Page와 Link, 클라우드 시대에는 Request와 Response였습니다. Trajectory의 베팅은 Agent 시대의 기본 단위가 바로 Trajectory가 된다는 것입니다.
사용할수록 강해지는 학습 루프
구조는 어렵지 않습니다. Agent가 일을 하고, 그 과정과 사용자 반응을 기록하고, 성공과 실패를 학습 신호로 바꾼 뒤, 모델과 프롬프트와 Harness를 개선하여 다시 배포합니다. 여기서 Harness는 AI가 도구를 사용하고 작업 순서를 관리하며 안전 규칙을 지키게 만드는 실행 환경을 뜻합니다.
· AI Agent가 실제 업무를 수행한다
· Trace와 사용자 행동 및 최종 결과를 연결한다
· 성공과 실패의 원인을 학습 가능한 신호로 만든다
· 모델 가중치와 프롬프트와 Harness를 함께 개선한다
· 평가와 승인 과정을 거쳐 다시 배포한다
· 새로운 사용 경험이 다음 학습 데이터가 된다
이 순환이 제대로 작동하면 사용량이 늘수록 데이터가 쌓이고, 특화 모델이 좋아지며, 제품 가치가 높아져 다시 사용량이 늘어나는 Data Flywheel이 형성됩니다. 미래가치투자에서 우리가 찾는 것은 바로 이런 복리 구조입니다.
여기서 중요한 변화가 하나 있습니다. 업로드된 기존 자료에는 플랫폼 문서가 “COMING SOON”으로 표시됐다고 적혀 있었지만, 2026년 9월 13일 확인한 공식 문서에는 SDK 설치법과 데이터 수집 기능이 공개되어 있습니다. 아직 전체 상용 플랫폼의 완성도를 증명하는 것은 아니지만, 최소한 공개 SDK와 데이터 수집 단계는 전진한 것으로 판단됩니다.
자료 Trajectory SDK Documentation LangSmith와 CSV JSONL 및 앱 Telemetry를 표준 Trajectory 형식으로 연결하는 기능
창업팀이 이 문제에 어울리는 이유
Trajectory는 2026년 5월 공개된 샌프란시스코의 초기 AI 인프라 기업입니다. 공동창업자는 Ronak Malde, Michael Elabd, Arjun Karanam입니다. 세 사람은 Stanford 신입생 시절부터 알고 지낸 사이로 소개됐습니다.
CEO Ronak Malde는 Codeium에서 출발한 Windsurf에서 Agentic Coding Model인 SWE 1 개발 경험을 쌓았고, Google이 Windsurf 핵심 인력을 약 $2.4B 규모로 영입하는 과정에서 DeepMind로 이동했습니다. Coding Agent는 코드 실행 여부와 Test 통과 여부, 개발자의 수정과 승인 여부가 비교적 명확하기 때문에 지속학습을 실험하기 좋은 출발점입니다.
CTO Michael Elabd는 Google DeepMind Robotics 출신입니다. 로봇은 답변만 내놓는 Chatbot과 달리 환경을 관찰하고 행동한 뒤 결과에 적응해야 합니다. Arjun Karanam은 Apple에서 Vision Pro 관련 Applied ML과 연구를 수행했습니다. 결국 이 팀의 공통점은 모델을 한 번 학습시키는 문제보다, 현실의 상호작용이 다시 학습으로 들어가는 문제를 경험했다는 데 있습니다.
WIRED는 출범 당시 팀이 11명의 연구자와 엔지니어로 구성됐으며 DeepMind, Apple, OpenAI, Meta 출신 인력이 참여했다고 보도했습니다. 화려한 이력만으로 성공을 보장할 수는 없지만, 해결하려는 문제와 창업팀의 과거 경험 사이에는 분명한 연결이 있습니다.
자료 WIRED Former Google and Apple Researchers Launch a Startup 창업팀과 Seed 투자 및 초기 고객을 함께 확인할 수 있는 보도
돈은 어디에서 들어왔나
출범 당시 Trajectory는 $15M Seed Funding을 발표했고, WIRED는 Post money Valuation을 약 $115M으로 보도했습니다. Conviction이 주도했고 Bessemer Venture Partners, Radical Ventures, BoxGroup이 참여했습니다. Jeff Dean과 Fei Fei Li를 비롯해 Notion, Dropbox, Hugging Face 등과 관련된 창업자 및 인사들도 후원자 명단에 포함됐습니다.
2026년 8월에는 The Information이 $40M의 Series A와 약 $300M Post money Valuation을 보도했습니다. Sequoia Capital이 주도하고 NVIDIA와 Bessemer가 참여했다는 내용입니다. 이는 공개 후 불과 몇 달 만에 기업가치가 약 2.6배가 되었다는 뜻입니다.
그러나 기준일 현재 Trajectory 공식 홈페이지는 여전히 $15M Seed만 전면에 표시하고 있습니다. 따라서 Series A의 금액과 참여자는 “회사 공식 발표로 최종 확인된 사실”이 아니라 “신뢰도 높은 매체가 보도한 거래”로 구분하는 것이 옳습니다. 비상장기업을 분석할 때는 이런 구분이 특히 중요합니다.
구분 | 금액 | 기업가치 | 상태 |
Seed | $15M | 약 $115M Post money | 회사 사이트와 WIRED로 확인 |
Series A | $40M | 약 $300M Post money | The Information 등 보도 단계 |
자료 The Information Trajectory Funding Report Series A 관련 최초 보도로 알려진 유료 기사
초기 고객이 말해주는 시장
공식 홈페이지에 표시된 협력 기업은 Clay, Mistral, Harvey, Decagon, Rogo 등입니다. 이 목록은 Trajectory가 어떤 업무에서 먼저 제품 시장 적합성을 찾는지 보여줍니다.
Clay 영업과 GTM
사용자가 어떤 잠재 고객을 선택하고 어떤 메시지를 수정하는지는 비교적 풍부한 행동 데이터가 됩니다. Clay CEO Kareem Amin은 사용자로부터 시간이 지나면서 더 똑똑해지는 모델을 시험하고 있으며, 과거 실수에서 학습한 사례를 이미 보았다고 설명했습니다. 이것은 고객사 발언이지만 정량적인 성과 공개는 아직 아닙니다.
Decagon 고객 서비스
고객의 반품 요청이 Agent에서 해결되지 않고 사람에게 Escalation되었다면 실패 신호가 비교적 분명합니다. WIRED 보도에 따르면 Trajectory는 이런 사례를 이용해 새 모델을 일주일 단위로 Post training하고 있습니다. 진정한 실시간 지속학습이라기보다 반복적인 주기 학습에 가깝지만, Daily와 Hourly 또는 Interaction 단위로 줄이는 것이 장기 목표입니다.
Harvey 법률 AI
법률 업무에는 공개 인터넷에서 찾기 어려운 Long tail 지식이 많습니다. 변호사가 문서를 고치고 판례를 추가하며 논리를 보완하는 과정은 고품질 전문 데이터가 됩니다. 범용 모델보다 특정 법률 업무에서 더 싸고 정확한 모델을 만들 수 있다면 Trajectory의 경제적 가치가 가장 뚜렷하게 나타날 수 있는 분야입니다.
자료 Trajectory Official Website 고객 로고와 Clay Decagon Harvey의 협력 설명
기술의 핵심 SDPO와 SDPO++
Trajectory가 공개한 가장 중요한 연구 가운데 하나는 Self Distillation Policy Optimization, SDPO입니다. 기존 GRPO는 같은 문제를 여러 번 풀게 한 뒤 결과들을 비교하여 더 좋은 행동을 강화합니다. 그러나 실제 고객 요청에서는 하나의 업무에서 하나의 실제 Trajectory만 생기는 경우가 많습니다.
SDPO는 하나의 Trajectory에서도 학습할 수 있도록 설계됩니다. AI의 결과를 사용자가 올바르게 고쳤다면, 수정된 결과를 Hint로 받은 같은 모델이 Hint를 보지 못했던 과거의 자신을 가르칩니다. 별도의 Teacher Model이나 Reward Model을 반드시 두지 않고 같은 가중치의 모델이 Teacher와 Student 역할을 함께 수행하는 구조입니다.
Production Data에는 또 다른 문제가 있습니다. 데이터가 학습 대기열에 도착했을 때는 모델이 이미 몇 단계 업데이트되어 있을 수 있습니다. 과거 정책에서 나온 데이터로 현재 정책을 학습하는 Off policy 문제가 생기는 것입니다. Trajectory는 PPO clipping과 advantage clipping을 이용해 학습 붕괴와 변동성을 줄인 확장 방식을 SDPO++로 소개합니다.
실험 | Baseline | 적용 후 | 해석 |
APEX Agents와 GPT OSS 120B | Pass Rate 5% | Pass Rate 25% | 회사 실험에서 5배 개선 |
학습 데이터 형태 | 과제당 단일 Trajectory | Off policy 데이터 사용 | 실제 Production 형태에 더 가까움 |
숫자는 인상적이지만 과장해서는 안 됩니다. 이 결과는 Trajectory 자체 실험이며 독립기관의 광범위한 재현 결과가 아닙니다. 회사도 안정화 기법이 경험적으로 선택됐고, 모델이 한 번도 시도하지 않은 새로운 행동을 처음부터 가르치는 데 한계가 있으며, 실제 Live Production Trace 실험이 다음 단계라고 인정합니다.
인용 추천 “Production data has to be training data.”
자료 Trajectory Scaling SDPO 실험 설정과 5배 개선 및 기술 한계를 함께 공개한 1차 자료
작은 모델이 큰 모델을 이길 수 있을까
Trajectory는 Harvey의 Legal Agent Benchmark를 이용해 NVIDIA Nemotron Open Model을 Post training한 결과도 공개했습니다. Nemotron 3 Ultra는 Rubric Criteria Pass Rate가 52%에서 83%로 높아졌고 All pass Rate는 약 0%에서 5.8%로 개선됐다고 회사는 밝혔습니다. 학습은 24시간 이내에 수행됐다고 합니다.
더 작은 Nemotron 3.5 Lightning 실험에서는 All pass Rate가 0%에서 8.3%로 올라, 같은 자체 비교에서 Claude Opus 4.6의 6.6%를 넘어섰다고 발표했습니다.
여기서 “작은 NVIDIA 모델이 Claude를 이겼다”고 단순화하면 안 됩니다. 절대 All pass Rate는 여전히 한 자릿수이며 Trajectory와 Harvey가 선택한 제한된 법률 평가입니다. 더 중요한 의미는 기업의 실제 업무 데이터로 작은 Open Model을 지속적으로 특화하면, 좁고 경제적 가치가 높은 업무에서는 대형 범용 모델과 경쟁할 가능성이 있다는 점입니다.
이 가설이 맞다면 Open Model의 발전은 Trajectory에 위협이 아니라 기회가 됩니다. 고객은 특정 Foundation Model에 갇히지 않고 더 좋은 모델이 나올 때마다 같은 Learning Pipeline을 연결할 수 있기 때문입니다.
자료 Trajectory Field Notes Nemotron과 Harvey 관련 회사 연구로 연결되는 공식 페이지
어떻게 돈을 벌 수 있을까
현재 공개된 Pricing과 매출은 없습니다. 따라서 아래 내용은 확인된 매출 모델이 아니라 제품 구조에서 추론한 가능성입니다.
· 기업용 플랫폼 구독료
· 수집하고 평가하는 Trajectory에 따른 사용료
· Model Post training과 Compute 비용
· 산업별 특화 모델 구축 비용
· 관리형 Continual Learning 서비스
초기에는 연구자와 엔지니어가 고객사에 깊이 들어가는 Service 비중이 높을 가능성이 있습니다. 이런 방식은 고객 문제를 배우는 데 유리하지만 인력이 늘어야 매출이 늘어나는 구조가 될 수 있습니다. Monster가 되려면 반복 작업을 제품화하여 고객이 스스로 Instrument, Understand, Steer, Learn의 과정을 운영하도록 만들어야 합니다.
2026년 9월 현재 공식 사이트는 경량 SDK로 데이터를 수집하고, 실제 사용 패턴을 분석하고, 원하는 행동을 조정하며, 모델과 프롬프트와 Harness 개선을 배포하는 네 단계의 제품 구상을 제시합니다. 또한 SOC 2 인증, 학습 데이터 선택권, 배포 전 평가와 승인, 변경 내역의 감사 가능성을 강조합니다. 이는 Enterprise 판매에 필요한 방향이지만, 실제 고객 규모와 반복 매출로 검증되어야 합니다.
진짜 Moat는 데이터 소유권이 아니다
처음에는 Data Flywheel이 가장 강력한 해자처럼 보입니다. 하지만 고객의 법률 문서와 상담 기록, 영업 데이터는 기본적으로 고객 자산입니다. Trajectory가 여러 기업의 데이터를 자유롭게 섞어 독점 Dataset을 만들기는 어렵습니다.
따라서 진짜 Moat는 데이터를 소유하는 데서보다, 데이터를 개선으로 전환하는 과정에서 만들어질 가능성이 큽니다.
· Production System과의 깊은 Integration
· Trace와 Telemetry를 학습 신호로 바꾸는 Algorithm
· 모델과 프롬프트와 Harness의 통합 최적화
· Evaluation과 Version Control 및 Rollback 체계
· 산업별 Training Recipe와 수년간의 Learning History
· 다른 플랫폼으로 옮기기 어려워지는 Switching Cost
고객의 AI가 Trajectory를 통해 수년 동안 발전했다면 플랫폼 이동은 단순한 소프트웨어 교체가 아닙니다. 모델 버전, 평가 기준, 학습 방법, 기업 특유의 판단 방식까지 이전해야 합니다. Trajectory의 가장 강한 해자는 공용 데이터셋이 아니라 고객마다 축적되는 운영상의 경로 의존성이 될 수 있습니다.
이 회사가 실패할 수 있는 이유
위험 | 왜 중요한가 |
Catastrophic Forgetting | 새 업무를 배우며 이전에 잘하던 능력을 잃을 수 있다 |
잘못된 Feedback | 사용자의 수정이 항상 정답은 아니며 편향을 강화할 수 있다 |
Data Poisoning | 악의적인 행동이 반복되면 학습 데이터가 오염될 수 있다 |
Privacy와 Security | 법률 금융 의료 데이터는 유출과 규제 위험이 매우 크다 |
Compute Cost | 업데이트 빈도가 높아질수록 학습 비용이 경제성을 해칠 수 있다 |
자체 Benchmark | 핵심 성능 수치가 회사 실험에 집중되어 있다 |
Big Tech Bundling | OpenAI Google Anthropic NVIDIA와 Cloud가 기능을 흡수할 수 있다 |
Service Trap | 플랫폼보다 고급 Fine tuning 컨설팅에 머물 수 있다 |
가장 현실적인 위험은 지속학습 시장이 사라지는 것이 아닙니다. 시장은 커지지만 그 기능을 Foundation Model 회사나 Cloud 사업자가 기본 제품에 묶어 제공할 수 있습니다. Trajectory는 특정 모델에 종속되지 않는 중립적인 Learning Layer이면서, 자체 구축보다 더 빠르고 안전하고 저렴하다는 사실을 증명해야 합니다.
미래가치투자자가 봐야 할 신호
Trajectory는 비상장 초기 기업이므로 당장 주가를 분석할 대상은 아닙니다. 대신 이 회사를 통해 AI 산업의 다음 투자 지도를 읽을 수 있습니다. 앞으로 다음 신호가 확인될 때마다 가설의 강도가 달라질 것입니다.
· 보도된 $40M Series A와 Sequoia 및 NVIDIA 참여의 공식 확인
· Clay Harvey Decagon 협력이 실험에서 장기 계약과 반복 매출로 전환
· Weekly 업데이트가 Daily 또는 더 짧은 Learning Loop로 발전
· SDPO++와 Nemotron 결과가 독립적인 Benchmark에서 재현
· AI native 스타트업을 넘어 Fortune 500 고객 확보
· 모델이 바뀌어도 같은 Learning Pipeline이 작동
· Compute Cost를 통제하면서 높은 Gross Margin 확보
· Enterprise 수준의 보안과 승인 및 Rollback이 실제 운영에서 검증
종합 판단
평가 항목 | 현재 판단 |
해결하려는 문제의 중요성 | 매우 높음 |
시장 Timing | 매우 좋음 |
창업팀 | 강함 |
초기 투자자와 고객 | 강함 |
기술의 독립 검증 | 아직 부족 |
매출과 Pricing 공개 | 없음 |
제품 완성도 | SDK 공개와 초기 플랫폼 단계 |
단기 IPO 가능성 | 매우 낮음 |
장기 Monster 가능성 | 높지만 조건부 |
Trajectory가 Monster 후보인 이유는 현재 매출이 크거나 제품이 완성됐기 때문이 아닙니다. 이 회사가 해결하려는 문제가 AI가 실제 경제활동을 맡을수록 더 커질 가능성이 있기 때문입니다.
가까운 시기에는 독립 IPO보다 NVIDIA, Databricks, Salesforce, ServiceNow, Google과 같은 대형 플랫폼의 전략적 인수 대상이 되는 시나리오도 현실적입니다. 반대로 다양한 Foundation Model과 기업을 연결하는 표준 Learning Layer를 선점한다면 독립적인 대형 AI Infrastructure 기업으로 성장할 여지도 있습니다. 현재 단계에서 어느 쪽을 단정할 수는 없습니다.
마지막 결론
지금까지 AI 경쟁은 누가 더 큰 Brain을 만드는가의 싸움이었습니다. 더 많은 Parameter와 Data와 GPU가 중심이었습니다. 그러나 앞으로의 경쟁은 누가 더 많은 실제 경험을 쌓고, 실수를 더 빨리 발견하며, 그 경험을 다음 행동의 변화로 연결하는가의 싸움이 될 수 있습니다.
그렇게 된다면 기업의 핵심 자산도 달라집니다. 모두가 비슷한 Foundation Model을 빌려 쓰더라도, 각 기업의 고객과 직원이 남긴 수정과 판단과 결과가 쌓이면서 그 회사만의 Intelligence가 만들어질 수 있습니다.
Trajectory가 노리는 자리는 바로 그 Intelligence가 축적되는 길목입니다. 성공한다면 이 회사는 AI를 새로 만드는 회사가 아니라, AI가 성장하는 방법을 표준화한 회사가 됩니다.
어쩌면 다음 AI Monster는 가장 큰 Brain을 만든 회사가 아니라, 모든 Brain에 Learning Loop를 연결한 회사에서 나올지도 모릅니다.
관련동영상을 보고 싶으신 분은 아래 링크를 클릭해 주세요
주요 참고자료
자료 Trajectory 공식 홈페이지 제품 비전 고객 협력 보안과 투자자
자료 Continual Learning End of Frozen Software 회사 비전과 Trajectory 개념
자료 Scaling SDPO SDPO++ 실험 결과와 기술 한계
자료 Trajectory SDK Documentation SDK와 데이터 수집 방식
자료 WIRED 창업팀 심층 기사 창업자 Seed Funding 고객과 Weekly 업데이트
자료 The Information 투자 보도 Series A와 기업가치 보도
※ 이 글은 정보와 교육을 목적으로 작성되었습니다. 특정 기업이나 증권에 대한 투자 권유가 아닙니다. Trajectory는 비상장 초기 스타트업이며 공개된 성능 결과 가운데 상당 부분은 회사 자체 연구입니다.
Comments