在AI从通用大模型走向个性化智能体的浪潮中，一个关键瓶颈正在被突破——记忆。当用户在不同模型、不同Agent之间切换时，对话历史、行为偏好、视觉信息等数据往往被割裂成孤岛，导致AI无法真正“记住”用户，更谈不上主动服务。近日，国内唯一专注多模态长记忆的AI创业公司——丘脑智能，宣布完成数千万元种子轮融资，并推出原生多模态记忆基座MemAura，试图通过构建独立的记忆层，为AI的效率提升打开全新空间。这一技术路径不仅吸引了深圳一线基金和产业资本的重注，也引发了业界对“主动智能”终极形态的重新思考。
记忆层为何必须独立于基模？
在AI行业，一个常见的争论是：既然大模型（基模）已经能处理海量上下文，为什么还需要专门的记忆公司？丘脑智能创始人张源给出了一个坚定的答案：记忆层一定会作为独立的基础设施长期存在。不同厂商的基模在训练语料、任务侧重上各有差异，用户往往会根据场景切换模型，比如用GPT-4写报告、用Claude分析数据、用文心一言做翻译。这种碎片化使用导致“记忆孤岛”——用户的偏好、历史交互、视觉信息被分散在各个模型中，无法互通。
张源认为，AI从通用走向个性化，需要一个能持续学习、跨会话、跨模态记录用户的中间层。这个层必须独立于基模，因为基模的基因决定了它擅长的是底层推理和视觉感知，而非管理用户长周期、多模态的个性化数据。正如企业数字化转型中，数据中台需要独立于业务系统一样，AI时代的记忆层也需要独立的架构。丘脑智能的MemAura正是为此设计：它支持文本、图像、音频等多模态信息的原生存储与检索，而非先将信息转为文本再处理，从而避免了模态缺失带来的信息损耗。
这一理念也获得了学术界的佐证。2026年5月，丘脑智能联合英伟达、港科大、港中文发布了全球首个多模态长记忆Benchmark——MEMLENS，测试了27个视觉语言大模型和7个Memory Agent。结果发现，基模在长上下文下性能急剧下降，而Memory Agent虽相对稳定，但大量视觉数据在写入阶段就已损失。结论是：基模厂商和记忆公司应该各有分工，基模做好视觉感知与推理，记忆企业做好跨模态信息检索与组织。这种分工，正是实现AI系统整体效率提升的关键。
MemAura仿生架构：如何让成本降低40%？
传统记忆方案面临三大痛点：成本高、上下文断裂、模态缺失。多数方案将海量上下文全量塞入窗口，导致推理成本飙升；跨会话对话难以衔接；纯文本方案无法处理视觉或音频信息。丘脑智能的MemAura采用了一套仿生记忆处理机制，模仿人类海马体的编码方式，将记忆处理分为三步：事件识别（过滤冗余噪声）、信息编码、隐私分区隔离。
更关键的是，MemAura引入了冷热存储策略。高频访问的证据采用热存储实现快速检索，低频数据则冷存储以节约资源。这种策略使得输入侧Token综合消耗降低40%-49%，记忆检索延迟控制在400毫秒以内，端到端首次回答可做到1秒以内，综合准确率超过80%。对于AI工具导航中的各类应用场景——比如AI客服、数字员工、陪伴机器人——这样的性能意味着用户交互体验的质变。
在商业模式上，MemAura以API调用量及场景授权组合的方式收费，客户可按需选择不同层级的记忆能力。张源指出，不同场景对记忆侧重点差异很大：3-5岁儿童陪伴产品需要记住孩子的喜好和情绪，18-25岁陪伴产品则更关注社交偏好和日程。因此，丘脑智能将Memory能力按场景地图的权重封装成不同的ADK（智能体开发包），客户直接选择接入，无需高额定制。这种灵活性也让许多科技公司能够快速集成记忆能力，提升自身产品的智能化水平。
技术迭代：从时空知识图谱到持续学习
丘脑智能的技术路线已历经两次迭代，正探索第三次。第一代是STKG（时空知识图谱），将时间和空间放在物理层，多模态感知信息放在感知层，构建认知网络进行前向推理。在LoCoMo（推理与时序）和LongMemEval（交互与偏好）两个测试中均拿到SOTA。但张源意识到，对于客户而言，Benchmark分值提高的意义有限，他们更在意延迟和Token支出。于是团队转向第二代——仿生记忆架构MemAura，模仿人类海马体的编码与认知地图构建。
目前，丘脑智能正在通过E2P（Embedding-to-Prefix）技术对Transformer架构进行微调，实现第三次迭代。实验室环境下，该方法能大幅节省Token支出，并在偏好抽取领域实现近似持续学习的效果。张源强调，Memory的核心不是存储，而是决策。传统数据库也能存储，但AI记忆需要判断何时写入、写入什么、召回什么、何时主动发起召回。这种决策能力，是释放AI潜力上限的基础设施，也是支撑AI Agent技术从被动响应走向主动智能的关键。
值得注意的是，丘脑智能的Benchmark还揭示了另一个现象：许多针对Memory的后训练方法，在训练后削弱了模型拒绝回答的能力，反而增加了幻觉风险。这意味着，简单地堆长上下文并不能解决记忆问题，记忆企业需要更精细的架构设计。对于AI创业公司而言，这一发现具有重要参考价值——盲目追求上下文长度可能适得其反。
主动智能：从任务驱动到状态驱动
张源对AI的终极形态有一个清晰的判断：个性化的终点是主动智能。未来的Agent不应是“用户问一句，AI答一句”的任务驱动模式，而应是状态驱动——AI在充分理解用户历史记忆的基础上，自我驱动完成任务。例如，一个家庭机器人知道用户每天上午有晨会，就会在8:50自动调低音量、关闭窗帘；一个数字员工记得用户上周讨论过某个项目，就会在下次会议前主动推送相关文档。
要实现这种主动智能，Memory必须沉淀用户和任务偏好，区分长期状态与短期波动。目前大部分做Memory的企业聚焦于上下文窗口和RAG（检索增强生成），但张源认为，上下文窗口本质上只是临时工作记忆，RAG更像是外挂的向量数据库，缺乏对信息关联性和时间线的建模。真正的记忆需要追踪动态变化的时间轴，因为时间具有唯一性，是AI与物理世界映射的锚点。
在这个维度上，丘脑智能的MemAura已经将时间维度作为核心设计原则。冷热存储策略不仅基于访问频率，也基于时间衰减——越久远的记忆越容易被压缩或归档。这种机制使得AI图片生成工具在生成用户过往回忆场景时，能更精准地调用用户的历史偏好。同时，随着多模态技术的成熟，越来越多具身智能场景将验证记忆的价值——比如机器人需要记住家中物品的摆放位置、宠物主人的作息习惯等。
创业者视角：万亿赛道的冷思考
面对“多模态记忆”这个万亿级赛道，丘脑智能目前还处于“几乎没有直面竞争”的状态。张源表示，虽然赛道可以容纳很多选手，但现阶段只有少数几家AI创业公司关注这个方向，估值最高的公司不到20亿元。这意味着，先行者有足够的时间构建技术壁垒和生态位。
但她也坦承，挑战不容忽视。首先是技术层面，Transformer架构的时序错乱本质尚未解决，大模型无法真正理解时间，这对记忆系统是根本性难题。其次是工程层面，不同客户对记忆能力的定制化需求差异极大，丘脑智能选择不做高额定制，而是通过ADK封装场景权重，这要求团队对各个垂直场景有深刻理解。最后是市场教育：许多科技公司仍习惯将记忆视为基模的附属功能，需要证明独立记忆层的价值。
张源认为，在家庭机器人落地的前期，具身的Memory需求会暴增。任何与人进行的交互都不可能绕开记忆，尤其是交互时间越长、任务链越长、涉及模态越丰富，记忆的角色就越关键。她透露，目前客户主要来自陪伴硬件（如儿童陪伴机器人）和垂类Agent场景（如AI客服、数字员工），未来随着多模态技术成熟，会有更多具身场景客户前来验证。
值得一提的是，丘脑智能的团队平均年龄仅26岁，核心成员来自阿里达摩院、腾讯、商汤、港中文、北大等机构。这种年轻化配置在AI创业公司中并不常见，但也意味着更快的迭代速度和更强的创新意愿。张源本人拥有北京大学电子与经济双学科背景，曾是自动驾驶公司COO，也有创投和具身智能经历，这种跨领域的视角或许正是她敢于押注“主动智能”的底气。
对于普通用户而言，或许不久后就能体验到这样的场景：用一个抠图工具处理照片时，AI不仅能记住你上次裁剪的尺寸偏好，还能根据你之前用AI诗词生成的诗句风格，自动为照片配上合适的文字。这些看似“魔法”的体验，背后正是记忆层带来的本质变革。正如张源所说：“AI的落脚点始终在人身上，服务于人、取悦于人、加速于人，而记忆，就是让这一切变得自然的桥梁。”