当大模型的能力边界不断被刷新，一个更深层的命题浮出水面：人工智能如何从“通用”真正走向“个性化”？答案或许不在于更大的参数规模，而在于一个被长期忽视的中间层——记忆。近日，一家名为丘脑智能的AI创业公司完成数千万元种子轮融资，押注多模态长记忆基座，试图让机器像人类一样持续学习、记住用户，并在恰当时机主动交互。这一方向，正在成为人工智能领域最值得关注的暗流之一。
记忆孤岛：人工智能个性化的最大瓶颈
当前，用户在不同基模之间频繁切换——今天用GPT写报告，明天用Claude做分析，后天用DeepSeek处理数据。每一个模型都拥有自己的“记忆”边界，用户的信息被割裂在多个孤岛中，无法形成连贯的画像。这种“记忆孤岛”现象，直接阻碍了人工智能从通用向个性化的跨越。
丘脑智能创始人张源认为，基模厂商的基因和训练语料各不相同，擅长的任务也各有侧重，用户不可能只绑定一个模型。因此，一个以用户为中心的第三方记忆层必然会独立存在。这个判断并非空穴来风。在学术界，关于“Memory Layer”的共识早在2025年底就已形成，但行业落地仍面临巨大挑战：推理成本高、上下文断裂、模态缺失——尤其是多模态信息的处理，几乎是一片空白。
现有方案大多依赖纯文本记忆，视觉、音频等信息被强行转成文字再存储，天然丢失了大量语义。更致命的是，Transformer架构本身存在时序错乱问题，大模型无法真正理解“时间”。这意味着，即使短期记忆足够长，也无法形成对用户长期偏好的精准建模。
对于科技公司和AI创业公司而言，这既是一个痛点，也是一个机会。张源坚信，记忆层将作为独立的基础设施长期存在，就像数据库之于互联网应用一样不可或缺。
仿生记忆架构：MemAura如何重塑信息处理流程
为了突破传统方案的局限，丘脑智能推出了原生多模态记忆基座MemAura。与传统记忆系统依赖向量检索或知识图谱不同，MemAura采用了仿生记忆处理机制，模仿人类大脑对信息的筛选、编码与存储。
具体流程分为三步：首先进行事件识别，模仿人类海马体过滤冗余噪声，只保留关键信息；然后对过滤后的信息进行编码，将多模态数据（文本、图像、音频）统一转化为记忆表示；最后进行信息分区，严格隔离隐私与非隐私记忆，确保合规性。
在存储层面，MemAura引入了冷热分离策略：高频访问的记忆采用热存储，保证毫秒级检索；低频数据则转入冷存储以节约成本。这种设计使得输入侧Token综合消耗降低40%-49%，记忆检索延迟控制在400毫秒以内，端到端首次回答可在1秒内完成，综合准确率超过80%。
值得注意的是，MemAura并未将记忆简单地等同于“长上下文窗口”。张源指出，上下文窗口本质上是临时工作记忆，依赖于前端交互，无法持续追踪用户偏好。而真正的记忆需要动态更新，能够跨session、跨任务地衔接用户意图。这种对记忆本质的深刻理解，让MemAura在AI工具导航中脱颖而出，成为专注于记忆层的独特存在。
基准测试揭示行业真相：基模与记忆企业各司其职
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。该基准将27个视觉语言大模型和7个Memory Agent放在同一套多模态数据下，分4档上下文长度（32K、100K、128K、256K）进行对照实验，得出的结论令人深思。
第一，视觉语言大模型往往不做任何压缩，直接将内容全量塞入上下文窗口，但随着长度增加，模型表现急剧下降。而Memory Agent虽然表现相对稳定，但由于记忆架构设计缺陷，大量视觉与多模态数据在写入阶段就已损失。
第二，无论是哪种方案，随着上下文长度增长，模型都更倾向于产生幻觉——面对缺乏充分证据的问题时，更自信地“胡说”。这暴露出后训练方法对记忆能力的伤害：许多针对记忆的微调，反而削弱了模型拒绝回答的能力。
第三，也是最重要的发现：基模和记忆企业应该各有分工。基模厂商应专注于视觉感知、图文对齐和底层推理；而记忆企业则应做好跨模态信息检索、证据组织和状态更新。这一结论直接回应了行业长期争论的“基模会不会把记忆自己做掉”的问题。
事实上，大模型训练的投入巨大，基模厂商更倾向于将资源集中在核心推理能力上，而记忆层这种需要高度定制化、与用户数据紧密绑定的基础设施，更适合由专业的AI创业公司承担。丘脑智能的Benchmark恰好为这种分工提供了实证支持。
主动智能的底层逻辑：从任务驱动到状态驱动
张源提出一个大胆的判断：Agent的终局不应该是任务驱动的，而是状态驱动的。未来的AI应该能基于用户的历史记忆自主规划，而不是被动等待指令。这种“主动智能”的实现，依赖于记忆层对用户偏好的持续沉淀与动态更新。
目前，大多数记忆企业聚焦于上下文窗口和RAG（检索增强生成）。但张源认为，RAG本质上只是外挂的向量数据库，缺乏对信息关联性的建模，只能应对简单问答。真正的记忆需要追踪动态变化的时间线与用户意图，不断更新偏好。例如，用户上个月喜欢极简风格，这个月转向复古风，记忆系统应该能捕捉这种变化，并在后续交互中主动适配。
在技术路径上，丘脑智能正在探索E2P（Embedding-to-Prefix）技术，结合对Transformer架构的微调，在实验室环境下实现了大幅节省Token支出和近似持续学习的效果。这一方向预示着，未来的记忆层将不再是被动的存储仓库，而是主动的决策引擎。
主动智能一旦出现，大概率会首先出现在做记忆的公司中。因为只有记忆层才能充分理解用户的个性化数据闭环，判断“什么时候该发起交互、以什么方式发起、发起什么内容”。这种能力，正是AI Agent技术走向成熟的关键拼图。
万亿级赛道：记忆层如何重塑AI创业公司生态
据张源透露，多模态记忆领域是一个万亿级的赛道，但现阶段竞争并不激烈。估值最高的公司仅不到20亿元，只有少数几家创业公司关注这一方向。丘脑智能目前的客户主要集中在陪伴硬件（如陪伴机器人）和垂类Agent场景（如AI客服、数字员工）。
不同场景对记忆能力的要求差异巨大。例如，3-5岁儿童陪伴产品与18-25岁青年陪伴产品，其对记忆深度、隐私保护、实时性的需求截然不同。丘脑智能的策略是，将Memory能力按照场景地图的权重封装成不同的ADK（智能体开发包），客户可按需选择接入。这种模块化设计，降低了定制化成本，也提高了复用性。
在商业模式上，MemAura以API调用量及场景授权组合的方式收费。随着多模态相关技术的成熟，客户的模态会更丰富，具身智能场景的需求也会暴增。想象一下，家庭机器人需要记住每个家庭成员的面孔、声音、习惯，甚至情绪变化——这正是多模态长记忆的典型应用场景。
与此同时，企业数字化转型的浪潮也在推动记忆层的需求。大型企业拥有海量客户交互数据，但缺乏统一的记忆系统来串联这些信息。丘脑智能提供的记忆API，可以成为企业数据资产的中枢，让AI客服、数字员工等应用真正实现“老客户一开口就知道是谁”。
对于普通用户而言，或许很快就能体验到用AI画图生成个性化头像时，AI能记住你上次偏好的画风；或者用抠图工具时，AI能识别你常用的背景去除风格。这些看似微小的体验提升，背后都需要一个强大的记忆层来支撑。
结语：记忆即决策
“Memory的核心，不是存储，而是决策。”张源在采访中多次强调这句话。如果只是存储，传统数据库早已实现，不需要AI记忆。真正让记忆发挥价值的，是它能否做出判断：是否写入、哪部分写入、召回什么、何时主动召回。
在人工智能走向物理世界的过程中，多模态长记忆是一个必然趋势。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、任务链条越长、涉及模态越丰富，记忆所扮演的角色就越发关键。而时间，作为唯一不可逆的坐标，将成为记忆层与物理世界映射的锚点。
丘脑智能的崛起，标志着人工智能行业正从“模型竞赛”进入“记忆竞赛”的新阶段。对于科技公司和AI创业公司而言，把握住记忆层这一基础设施，或许就能在下一轮智能革命中占得先机。