2026 年，大模型能力快速跃迁，AI Agent 正在从对话交互工具，走向能够自主规划任务、调用工具、持续运行数小时甚至数天的智能体。但在这个过程中，一个越来越明显的问题正在暴露：Agent 依然缺少对人的持续理解能力。
这背后，正是 AI 记忆（AI Memory）这一层能力还不够强。
对于人类而言，记忆并不是简单保存过去发生过什么，而是一个持续筛选、重构和理解经历的过程：哪些事情重要，哪些信息值得保留，什么时候应该想起某段经历，以及如何结合当前情境作出判断。
我们希望 AI 记住自己的工作习惯，理解自己的专业领域，知道过去做过哪些决定，甚至能够理解一句话背后的情绪和意图。事实上，当前 Agent 面临的很多问题，例如长任务执行失败、跨会话能力不足、自主性有限，背后都指向同一个能力的缺失：长期记忆能力。
这正是张源和她的团队试图探索的问题，2025 年她创办了丘脑智能并担任 CEO。张源毕业于北京大学，是电子与经济双背景，曾在创投行业工作，并先后参与自动驾驶、具身智能等前沿赛道创业。
在过去的产业经历中，她持续关注 AI 技术从实验室走向真实应用过程中遇到的问题，也积累了对技术商业化路径的理解。正是在这一过程中，她逐渐意识到 AI 记忆，可能正是连接技术模型能力与用户价值之间缺失的关键一层。
在张源看来，AI 记忆的核心并不是信息的存储，真正困难的问题是：什么应该被记住，什么应该被遗忘，什么时候应该调用哪一段记忆，如何让 AI 形成对一个人的长期理解。
也正因为如此，张源团队开始探索一种更接近人类记忆机制的架构，他们希望让 AI 不只是保存信息，而是能够对信息进行编码、整合和更新。未来 AI 的竞争不会只发生在模型参数规模上，基础模型可能会越来越强，也可能会有多个模型长期共存，但真正决定 AI 能否成为长期智能体的，是它是否拥有围绕用户持续积累的数据闭环。
这一判断也正在获得资本市场的关注。近日，丘脑智能获得数千万元种子轮融资，由一线人民币基金及产业资本联合投资，用于推进 AI 记忆技术研发和产业化落地。
以下是我们的对话：
AI 记忆正成为连接模型与人的关键基础中间层
DeepTech：是什么时候开始意识到 AI 记忆是一个必须解决的重要问题？技术路线是如何演进的？
张源：最早是在 2025 年春节前后 DeepSeek 爆火之后，我开始明显感受到 AI 使用中的一个痛点，与 AI 的对话中很多事情需要重新解释和重复沟通，模型并不能真正理解用户过去的上下文。
虽然当时还没有明确叫 AI 记忆，更多被称为上下文窗口等概念，但我意识到这里可能存在巨大的商业机会。随后我们调研了国内外市场，发现国内几乎没有团队专门解决 AI 记忆的问题，而海外虽然有一些探索，但整体仍处于早期阶段。
更重要的是，我认为未来 AI 的能力上限会非常高，从基础模型能力到真正可用的 AI 应用之间，缺少一个关键的层级，而这个层由 AI 系统复杂度和个性化数据闭环构成。其中， AI 记忆正是连接用户与 AI、形成个性化数据闭环的关键基础设施。未来即使多个基础模型长期共存，不同模型之间存在差异，用户在不同场景切换模型时，依然会面临“记忆孤岛”的问题，因此 AI 记忆会成为长期存在的重要赛道。
我们最开始是从 RAG、GraphRAG 等技术路线切入，团队早期也取得了一些 benchmark 上的突破，但我们没有继续走纯学术路线，而是开始进入真实客户场景进行测试。
通过与二十多家客户交流和测试，我们发现 benchmark 分数提升，并不一定能够转化为真实商业价值。例如从 30 分提升到 80 分，用户感知非常明显，但当模型从 85 分提升到 90 分时，普通用户已经很难感受到差异，也不会因此付费。
原因在于，学术 benchmark 与真实应用场景存在差距，同时模型能力达到一定临界点后，继续提升性能带来的用户价值有限。因此，我们重新思考技术路线，从单纯追求 benchmark 转向解决真实产品需求。最终，我们参考脑科学中人类海马体的记忆机制，设计了一套更轻量化、更接近人类记忆方式的 AI 记忆架构。
通过大量客户测试，我们发现企业和用户真正关注的是产品体验上的实际提升。客户最关注的两个指标：第一是延迟，能否降低几百毫秒的响应时间，对他们来说就是非常明显的产品竞争力；第二是成本，技术不仅提升效果，同时还能降低整体成本，客户才愿意为此付费。
因此，我们认为 AI 记忆的核心方向不是无限堆叠复杂模型，而是在保证记忆能力的基础上，实现更低延迟、更低成本、更轻量化的架构。基于这一判断，我们开始进行架构迭代，并与香港中文大学相关实验室开展合作，希望结合脑科学等领域的研究成果，探索更接近人类记忆机制的新型 AI 记忆架构。
DeepTech：速度和成本这两方面能够达到什么水平？
张源：目前我们的响应速度稳定在 200～400 毫秒区间。在短对话场景下，这种速度优势可能并不明显，但当用户的长期记忆不断累积，数据规模越来越大时，传统 GraphRAG 等方案会面临明显的性能瓶颈。因为随着记忆内容增加，知识图谱的复杂度会快速增长，检索和计算成本也会随之提升，导致延迟不断增加。
我们的架构优势在于，即使用户的记忆持续增长，响应速度依然能够保持稳定在 200～400 毫秒范围内，不会因为记忆规模扩大而出现明显性能下降。我们希望解决的就是 AI 长期记忆过程中越用越慢的问题。
目前我们已经商业化的产品，将 AI 记忆能力封装成 ADK 和 API，对外提供记忆能力支持。在实际商业应用中，我们能够在大模型输入环节减少约 40% 的 Token 消耗。因为传统方案往往需要将大量历史上下文输入给大模型，而我们可以帮助模型更高效地提取和调用关键信息，减少无效上下文。
此外，我们还有一些尚未商业化的正在实验室验证中的技术路线，最高能够达到两个数量级的节省，将 Token 消耗降低到原来的几个百分点水平。
DeepTech：很多人认为 AI 记忆的出现，是因为当前大模型能力还不够强。如果未来模型能力继续提升， AI 记忆是否会被模型本身取代？
张源：我认为 AI 记忆的核心并不在于“存储”，而在于“决策”。简单地把信息保存下来，其实 Markdown 文件或者数据库都可以解决，真正困难的问题是：什么信息值得被记住，什么信息应该被遗忘；什么时候应该调用记忆，应该调用哪些记忆，调用多少信息，以及如何在性能、成本和延迟之间进行权衡。
因此，AI 记忆并不是一个简单的信息仓库，而是一个围绕用户持续运行的决策系统。它需要跨模态、跨对话、跨时间周期地理解用户，把真正有价值的上下文和证据提取出来，而不是简单地进行全量搜索或模糊匹配。
未来随着基础模型能力增强，上下文窗口不断扩大，推理速度提升，基础模型厂商可能也会在自己的模型体系内加入记忆能力。但我们认为，记忆层依然会长期存在，因为未来不会只有一个基础模型统治所有场景，而是多个模型长期共存。
不同模型由于训练数据、模型结构和能力侧重点不同，会各自擅长不同任务，用户仍然需要在不同模型之间切换。真正限制 AI 能力上限的，是模型是否拥有用户完整的知识体系、行业经验、生活背景和个人历史信息。
因此，我们认为未来记忆一定是以用户为中心的，它不会绑定某一个基础模型，而是跟随用户本身存在。无论用户调用哪个模型，都能够访问自己的个性化数据和长期记忆，只有这样，基础模型的能力才能真正被释放到上限。
AI 记忆正从信息检索走向智能决策
DeepTech：当前 AI Agent 发展面临长任务执行、跨会话记忆和主动智能等挑战，对于 AI Agent 需要怎样的记忆能力？刚刚您提到的“决策”和“召回”问题如何解决？
张源：Markdown 文件虽然解决了记忆存储的问题，但没有解决记忆最核心的“决策”问题——什么信息应该被记住、什么时候需要调用、应该调用哪些内容。当文件规模扩大后，每次检索都会带来较高延迟，同时消耗大量 Token，也无法很好支持多模态场景。
此外，也有一些团队尝试通过强化学习训练记忆层。但我们认为这种路径存在几个问题。
首先，从商业角度看，强化学习训练需要大量算力投入，对于创业公司而言投入产出比并不一定合理。
其次，记忆和基础模型的目标本质不同，基础模型服务的是人类公共知识，而记忆服务的是某一个具体用户的个人历史信息。
最后，强化学习的方式除了成本之外，我觉得还有数据因素，这是“先有鸡还是先有蛋的问题”，现在记忆是一个很新的领域，领域内的数据还不够多。
如果记忆出现错误，影响可能比基础模型幻觉更加严重，基础模型回答错误的问题，可能只是一次错误交互，但记忆如果错误记录或编造用户经历，会直接影响长期认知。所以我们认为，记忆应该和基础模型解耦。未来基础模型会持续进化，但记忆层应该成为一个独立存在的用户级基础设施，解决不同模型之间的记忆孤岛问题。
AI 记忆的核心难点在于，同一件事情对于不同的人，其重要程度完全不同。例如，同样参加一次饭局，对于一个人来说，重要的是“吃了什么菜”；对于另一个人来说，重要的是“聊了什么事情”。两个人经历的是同一事件，但未来需要召回的信息完全不同。
因此，AI 记忆的决策不能只依靠固定规则，而需要建立在对用户长期画像和真实数据反馈的基础上。我们目前通过真实用户数据，对不同类型的人进行归类和标签提炼，理解不同用户关注信息的差异。同时，我们也在尝试引入更智能的模型能力，帮助 AI 记忆在决策阶段判断哪些信息更值得保存。
“召回”也是同样的问题。同一个事件，不同用户在不同场景下召回内容也应该不同。比如同样的饭局，在和朋友聊天时，可能需要回忆“当时吃了什么”；在工作交流时，可能需要回忆“当时讨论了什么事情”。AI 记忆真正需要解决的不是简单找到相关信息，而是理解用户身份、目标和使用场景，决定什么信息在什么时候最有价值。
因此，AI 记忆的核心能力需要转向理解用户，并主动决策什么信息应该被调用。这也是 AI 记忆区别于传统知识库的关键。
DeepTech：你们是否会采用类似 AI Dreaming（梦境机制）的方式，对用户长期记忆进行整理、抽象和压缩？具体是如何实现的？
张源：我们内部称这个过程为“异步更新”，就是指在用户非使用的时间段，对积累下来的历史信息进行整理和重构。
但这个过程并不是简单地对所有历史内容进行总结，而是参考人类记忆形成机制，对原始信息进行多层处理。首先，我们会对原始信息进行事件识别和过滤，判断哪些信息是关键内容，哪些属于噪声并进行剔除；随后对保留下来的信息进行时间和空间上的对齐，把分散的信息组织成具有上下文关系的事件。
在此基础上，我们参考人类海马体对记忆编码的方式，将原始信息转化为带有丰富上下文的单元。这些单元并不是简单压缩后的摘要，而是保留了一部分原始信息和证据链，确保未来召回时能够追溯来源。
之后，将不同事件、不同场景进行连接。随着时间推移，系统会不断丰富事件脉络，扩展场景边界，逐渐形成用户的认知地图和场景地图。最终，当用户提出问题时，系统不是简单搜索关键词，而是能够基于用户当前场景，判断哪些记忆真正相关，并以更符合用户需求的方式进行召回。
DeepTech：目前 AI 记忆的架构存在可读（如 Markdown 文件）和不可读（如向量存储）两种路线，这两种方式应该如何选择？
张源：我认为两种架构并不存在绝对的优劣，而是取决于具体应用场景。可读和不可读的记忆本质上是在解决不同的问题。如果应用场景是文档整理、知识管理等任务，那么可读形式可能更有优势。
因为这类场景的核心目标不是追求最低延迟或最低成本，而是希望把过去的文件和资料进行整理、归纳和理解，需要人能够查看、修改和验证，因此可读的结构化存储更符合需求。但对于实时对话、个人 AI 助理等场景，用户更关注最终结果，而不是 AI 记忆内部如何组织和处理信息。
这类场景对实时性、成本和效率要求更高，因此采用向量表征或者更加不可读的存储方式可能更合适，因为它能够更快速地完成信息匹配和调用。
AI 记忆仍需突破哪些技术挑战？
DeepTech：接下来聊几个技术还存在的挑战。目前 Agent 在长期运行过程中，经常出现自我一致性不足的问题，同时 AI 模型本身一定会存在幻觉问题，那么 AI 记忆如何保证记忆的准确性，并降低幻觉带来的影响？
张源：我认为这是一个客观存在的问题，而且它并不是单靠 AI 记忆就能够解决的。Agent 的自我一致性依赖多个因素，包括 AI 记忆的丰富程度、信息召回的准确性、AI 系统整体复杂度，以及基础模型本身的能力。
具体来说，需要综合考虑系统架构是否与应用场景匹配， AI 记忆是否能够准确判断什么时候该记、什么时候不该记，什么时候应该召回、召回哪些信息，以及这些信息是否能够跨模态、跨会话、跨时间被正确关联。
幻觉问题也是 AI 记忆领域非常关键的问题。传统的一些方案通常会直接对用户历史信息进行摘要、压缩或者抽取，但这种方式容易产生幻觉，因为在压缩过程中，很多原始信息和证据链可能在第一天就已经丢失了。我们的思路不同。
我们不会一开始就对原始信息进行简单摘要，而是先对原始内容进行事件识别，然后进行编码、整合和过滤。在这个过程中，我们会保留一部分原始的证据链，将信息转化为带有结构化关系的记忆单元。
这样做的好处是，未来 AI 基于记忆进行回答时，不只是依赖一个抽象后的结论，而是能够回溯到原始证据。因此，AI 记忆输出的内容具备一定程度的可审计性，用户可以判断这个记忆是否真实，降低幻觉风险。
此外，我们还设计了置信度机制。当系统判断某条记忆的可信度不足，或者不同记忆之间存在冲突时，不会强行生成答案，而是倾向于主动询问用户，通过人与 AI 的交互完成确认。通过证据链、置信度判断以及人类反馈闭环，可以进一步提高 AI 记忆的准确性。
DeepTech：人类交流中包含大量情感、意图和隐含信息，而当前 AI 主要依赖文本理解，AI 记忆如何理解和记录这些非显性信息？
张源：这是 AI 记忆领域非常重要但目前还没有完全解决的问题。人类交流并不仅仅是字面信息，很多时候一句话背后包含情绪、意图、态度和上下文。如果只依靠纯文本理解，这类信息确实非常难捕捉，因为很多表达本身就存在非标准答案。
未来多模态能力的发展会帮助解决这个问题。虽然加入语音、图片、视频等更多模态，虽然整体理解难度会增加，但对于情感和意图判断来说，会获得更多信息来源，例如语气、停顿、沉默、表情、动作等，都可能成为判断用户真实状态的重要依据。
比如在陪伴机器人场景中，用户说话时的语气变化、叹气、长时间停顿，甚至表情和动作，都可能反映用户当前的情绪和意图。这也是我们目前更多关注 AI 硬件场景的重要原因之一，因为硬件能够持续获取更加丰富的多模态反馈，同时也有真实用户使用数据进行验证。
除此之外，我们实验室也在探索如何从文本和交互数据中提取用户隐含偏好，希望通过微调小模型，将输入信息转化为携带隐式偏好信息的高维向量。这些隐式偏好本质上就是用户的情感和意图信息。目前实验结果比较积极，后续也计划进一步发表相关研究。
DeepTech：人的记忆似乎没有容量限制，但 AI 记忆有容量上限，未来如何解决长期记忆问题？此外，人类虽然会遗忘，但很多时候通过某个线索就能重新回忆起来，当前 AI 记忆似乎是永久遗忘机制？
张源：其实人类记忆本身也不是无限的，只是人类通过不断更新、遗忘和重构，让记忆系统保持长期有效。比如很多人可以清晰记得高中时期某些重要事件、老师、考试成绩，但可能已经忘记了某一天午饭吃了什么，或者某个同学的名字。人类并不是保存了所有信息，而是根据事件的重要程度、提及频率、情感价值和关联关系，对记忆进行动态筛选。
AI 记忆也需要类似机制。核心不是无限扩充存储容量，而是建立有效的遗忘和更新机制。对于低价值、低频率、弱关联的信息，可以逐渐降低权重甚至遗忘；对于高价值、高影响的信息，则长期保留。
现在很多 AI 记忆方案采用的是永久遗忘机制，一旦信息被删除，就很难再次恢复。但从人类记忆机制来看，遗忘并不一定意味着完全消失，而可能只是降低访问优先级。未来 AI 记忆可以考虑类似“冷热分区”的架构：高频、高价值的信息保持快速访问；低频信息进入低成本存储区域，需要特定线索触发时再恢复。
当然，是否需要支持这种长期记忆恢复能力，最终取决于真实需求，如果用户和企业愿意为这种能力付费，并且它在生产生活中具有足够高的价值，那么行业一定会进一步优化架构，实现更复杂的长期记忆机制。本质上，这是一个技术选择和商业价值之间的权衡，而不是单纯的技术难题。
从技术能力到产业落地，AI 记忆如何找到应用场景
DeepTech：接下来我们最后再聊几个产业落地的问题。您目前更多地服务于 B 端用户还是 C 端用户？
张源：我认为阶段性的商业策略，必须服务于阶段性的战略目标。我们是较早布局多模态长记忆方向的团队，也较早获得了真实用户数据反馈和数据闭环。目前在技术上已经建立了一定优势，因此现阶段最重要的事情，是获取更多真实场景的数据，不断完善数据闭环，构建未来更难被复制的竞争壁垒。
基于这个目标，我们现阶段会更关注拥有大量用户和快速出货能力的 AI 硬件客户。因为 AI 硬件天然连接大量 C 端终端用户，可以帮助我们快速获得真实用户交互数据，包括用户行为、偏好、使用场景等。这些数据对于 AI 记忆技术持续优化非常重要。
因此，我们会选择与有规模、有用户量的 AI 硬件厂商合作，为他们提供记忆能力。通过产业合作，一方面帮助硬件产品提升智能化体验，另一方面也通过真实用户反馈持续训练和优化我们的记忆系统。未来，随着数据闭环不断完善，这些真实场景中的用户数据和反馈，将成为我们区别于其他 AI 记忆方案的重要壁垒。
DeepTech：在产业落地过程中，客户更倾向于自研 AI 记忆能力，还是采购成熟方案？你们如何看待这两种模式？
张源：这是一个非常现实的问题，本质上是企业在效率、安全和战略自主之间进行权衡。不同类型的客户，选择会有所不同。
对于头部企业来说，他们拥有充足的资金、研发能力和技术资源，因此确实有能力在自研和采用第三方方案之间进行选择。这类企业更关注的是阶段性的战略目标，是希望快速抓住市场窗口期，还是希望长期投入建设自己的技术能力。
对于中小型公司和创业公司而言，他们通常没有投入大量资金进行底层研发的能力，也没有足够的时间窗口从零搭建 AI 记忆能力。对于他们而言，AI 记忆不是一个可选项，而是必须具备的基础能力。
因为未来 AI 产品的竞争中，记忆会直接影响用户粘性。如果一个产品没有持续理解用户、积累用户数据的能力，而竞争对手已经具备，那么它很可能会逐渐失去竞争力。自研 AI 记忆的成本和周期更难承担，他们更需要借助成熟方案快速构建产品能力。
DeepTech：除了 AI 硬件之外，哪些行业会成为 AI 记忆的重要落地场景？不同场景对 AI 记忆的需求有什么特点？
张源：我认为 Memory 最适合的场景，是那些具备高频人机交互、长期交互和强个性化需求的领域。
客服是一个非常典型的场景。目前很多智能客服主要依赖 RAG 和固定话术模板，存在两个明显问题，第一是准确性有限，很多回答比较机械，无法真正理解用户历史背景；第二是延迟较高，用户体验不好。因为客服系统并没有真正理解和记住此前的交流内容，如果加入记忆能力，客服可以持续理解用户上下文，提升连续对话体验。
教育也是一个非常好的方向。我们已经有一些教育类硬件客户，这类产品天然需要长期陪伴式交互。例如 AI 学习机、教育助手等，需要持续理解学生的学习习惯、知识掌握情况和个性化需求。
总体来看，越是需要长期交互、越依赖用户个性化理解的场景，对记忆能力的需求越强，AI 记忆的价值不只是保存历史信息，而是在长期互动过程中不断建立对用户的理解。
DeepTech：面对不同行业客户，AI 记忆产品应该采用定制化开发模式，还是标准化产品模式？
张源：我们的方向一定是最大程度实现标准化，而不是为每个客户进行深度定制开发。如果每进入一个行业都进行定制化开发，虽然能够满足单个客户需求，但长期来看会限制产品规模化能力。因此，我们希望通过标准化 API 和 ADK的方式，让记忆能力能够快速被不同类型客户调用。
在这个过程中，我们会利用前面提到的认知地图和场景地图能力，对不同领域的信息进行结构化处理。在产品封装时，我们可以针对不同场景设置不同权重，这样，不同行业客户可以通过标准化接口快速接入，而不是每次重新开发一套系统。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴