邁向長期智能時代，記憶是正確的賽道，更是長期的好生意。

內(nèi)容/詠鵝

校對/莽夫

如果說過去兩年，我們見證了AI在智商上的狂飆突進，從能下棋到能寫詩、能編程、能解答復雜問題……那么一個尷尬的現(xiàn)實是，這個無所不知的天才，卻長著一顆“金魚腦袋”。

它記不住你昨天告訴它的項目需求，記不住你不吃香菜，記不住上一輪對話中達成的共識。每一次交互，都像一次重啟。這導致了一個奇特的AI生產(chǎn)力悖論，模型越聰明，因“失憶”導致的重復勞動和溝通損耗就越大。

無論是技術視角還是商業(yè)視角，記憶能力已然成為模型繼續(xù)進化的核心要素。“智能體的本質(zhì)是認知的連續(xù)性和?為的累積性，要讓AI真正具備?類式的智能，就必須讓它擁有歷史和?我?！庇洃洀埩緾TO李志宇道破了問題的核心。

正是基于這一判斷，2023年，當整個行業(yè)仍沉浸在“參數(shù)量scaling”的狂歡中時，記憶張量團隊卻把賭注押在了一條少有人走的路，為AI構建一個可進化、可管理、可解釋的長期記憶系統(tǒng)。

今年，他們交出了階段性答卷MemOS（記憶操作系統(tǒng)），不僅在LoCoMo、LongMemEval等多項國際權威評測中全面登頂，更在真實的產(chǎn)業(yè)場景中驗證了其作為下一代AI基礎架構的無限潛力。

Part.1

AI的下一個分水嶺，從多模態(tài)到記憶層

今天的AI智能體，看似能處理復雜任務，卻始終被困在“即時性陷阱”中。每一次對話都從零開始，每一個任務都像初次見面；企業(yè)投入百萬部署的AI員工，跑三個月就因“失憶”被退回人工處理；陪伴型AI聊十次仍記不住用戶配餐不要主食；金融客服每天重復回答同一個客戶相同的問題。這些問題的根源不是模型不夠聰明，而是它沒有過去。

這一困境已成為當前AI商業(yè)化的核心痛點，也是下一代AI競爭的分水嶺。全球頂尖資本與科技巨頭已形成共識，記憶是繼大語言模型、多模態(tài)之后，AI Agent不可或缺的“關鍵支柱”。

Open AI CEO Altman稱記憶是“令其難以入眠”的功能；Google加速Gemini Memory實驗室推進；紅杉合伙人Konstantine Buhler直言，記憶決定智能體能否持續(xù)自我認知與協(xié)作。

這些不約而同的戰(zhàn)略押注背后，是技術階段發(fā)展的必然，以及一套清晰的商業(yè)邏輯。

正如人類文明建立在對語言、經(jīng)驗、文化的傳承和記憶之上，AI要真正走向智能，就必須跨越“從零開始”的原始狀態(tài)。當前的AI已經(jīng)完成了感知能力的構建，但認知能力仍嚴重缺失。而長期記憶是AI能夠持續(xù)優(yōu)化策略、理解用戶偏好、真正實現(xiàn)“越用越聰明”的基石。

只有AI擁有記憶，才能記住用戶的獨特偏好、行為習慣與交互歷史，從而提供獨一無二的、連續(xù)性的服務。這種被深刻理解的體驗，是讓用戶從偶爾使用轉(zhuǎn)向高頻依賴并形成強烈情感粘性的核心。

此外，持續(xù)學習的能力也決定了模型的生命周期價值。倘若一個模型的知識狀態(tài)永遠停留在訓練截止的那個瞬間，每次知識更新都需要耗費資金進行全量重訓或重構向量庫，那么其商業(yè)價值必然會隨著時間流逝而迅速衰減。

記憶層，恰恰是實現(xiàn)模型在真實交互場景中持續(xù)學習、自主進化的唯一現(xiàn)實路徑，它能極大地延長模型的生命周期，使其從一次性的“快照”轉(zhuǎn)變?yōu)橐豁椏刹粩嘣鲋档拈L期資產(chǎn)。

更為重要的是，記憶層的標準化將決定未來AI基礎設施的競爭格局。當幾乎所有的AI應用，從智能客服、情感陪伴到復雜的企業(yè)級智能體都離不開記憶能力時，記憶就不再是每個應用自行開發(fā)的小功能模塊。它將如同數(shù)據(jù)庫之于傳統(tǒng)軟件、云服務之于企業(yè)數(shù)字化一樣，無可爭議地下沉為AI時代的基礎設施，成為一個具有強大網(wǎng)絡效應和極高技術壁壘的系統(tǒng)級標準。

誰能夠率先定義并主導這一層，誰就將在下一代AI生態(tài)中掌握至關重要的話語權。

將這一全球趨勢置于中國獨特的市場語境下，其意義更為深遠。在算力約束更強、企業(yè)對成本更敏感、監(jiān)管合規(guī)要求更高的中國市場，簡單復制“卷參數(shù)規(guī)?！钡穆肪€難言優(yōu)勢。

記憶層提供了一種結構性解決方案，它不要求企業(yè)必須擁有參數(shù)量最大的“巨無霸”模型，而是通過系統(tǒng)性的記憶增強，讓現(xiàn)有模型變得更聰明、更持久，實現(xiàn)更高的智力效率。同時，它不僅天然契合金融、政企、工業(yè)等對“可控、可復現(xiàn)、可審計”有剛性需求的產(chǎn)業(yè)結構，也能適配新業(yè)態(tài)如陪伴、游戲場景的優(yōu)化偏好。

這意味著，中國在AI基礎設施層的全球競爭中，找到了一個差異化的入口，我們未必需要再去復制一個OpenAI，但我們完全有能力孕育出“AI時代的Oracle或Snowflake”。像記憶張量這樣的公司，正是在這個宏大的敘事下，精準地卡位于下一代AI基礎設施的核心樞紐。

Part.2

記憶張量的破局點，從系統(tǒng)斷層到OS級解決方案

行業(yè)早已普遍意識到記憶的重要性，但過往的解決方案，大多像是在給一位失憶的天才“貼便利貼”。RAG向量庫只是簡單存儲信息，無法實現(xiàn)知識共享；長上下文窗口容易導致語義稀釋，難以支撐長期記憶；參數(shù)微調(diào)周期長達數(shù)周，無法適應動態(tài)知識更新。這些方案本質(zhì)上是在解決信息存取問題，而不是構建經(jīng)驗體系。

“行業(yè)的記憶大都是給產(chǎn)品用的，而不是給AI用的?！崩钪居钤谠L談中指出，“它沒能成為模型行為的一部分，也沒能影響其策略、規(guī)劃與長期狀態(tài)。最大的空白是，記憶還沒有被當成核心流轉(zhuǎn)要素。”

MemOS的破局，正是從這一結構性空白處發(fā)力，從外掛補丁到原生內(nèi)核，記憶從功能模塊躍升為系統(tǒng)級能力，實現(xiàn)了一次根本性的范式轉(zhuǎn)移。MemOS的先進性并非來自單一技術的突破，而是體現(xiàn)在三個層面相互關聯(lián)的系統(tǒng)性創(chuàng)新上。

在架構層面，MemOS發(fā)起了一場根本性革命，將記憶視為與算力、數(shù)據(jù)同等重要的智能基礎資源。正如Linux操作系統(tǒng)統(tǒng)一、高效地管理著CPU、內(nèi)存和存儲資源，MemOS在系統(tǒng)底層，統(tǒng)一管理著AI記憶的表征、組織、調(diào)度、檢索與融合的全生命周期。

這徹底改變了記憶的生產(chǎn)方式。在傳統(tǒng)模式下，記憶是應用層通過API調(diào)用的一段數(shù)據(jù)。而在MemOS中，記憶通過系統(tǒng)級的精細編排，實現(xiàn)了記憶的提純、自蒸餾、去幻和動態(tài)更新。這意味著記憶不再是原始數(shù)據(jù)的簡單堆砌，而是經(jīng)過系統(tǒng)深度加工、提煉后形成的“MemCube”，可以被模型直接、高效地吸收利用，內(nèi)化為其行為的一部分。

這一轉(zhuǎn)變的意義，堪比數(shù)據(jù)庫從早期的應用附屬文件存儲模塊，演變?yōu)橹握麄€信息時代的基礎設施。記憶從此不再是AI的一個可選配件，而是所有期望實現(xiàn)長期智能的智能體所必須依賴的底層環(huán)境。

在工程實現(xiàn)維度，MemOS展現(xiàn)了工業(yè)級系統(tǒng)所必需的穩(wěn)與快。任何系統(tǒng)級的創(chuàng)新，最終都要在效率與穩(wěn)定性的熔爐中接受考驗。在WAIC 2025發(fā)布的權威評測中，MemOS不僅在多項目標準確性上全面登頂，更在實現(xiàn)更優(yōu)效果的同時，展現(xiàn)出極致的性能優(yōu)化，其token開銷比主流競品最高節(jié)省了31.93%，響應時延更是降低了60%以上。

這一卓越表現(xiàn)的背后，是底層工程的深度優(yōu)化。MemOS通過“算子級重寫”，從根本上避免了傳統(tǒng)RAG方案中大量存在的重復計算與冗余檢索。同時，其智能調(diào)度策略確保了大模型這類重器只在處理復雜推理任務時才被激活，而諸如記憶抽取、偏好推斷等高頻任務，則由其自研的、成本極低的輕量級專用小模型高效完成。這種“大模型決策+小模型執(zhí)行”的混合架構，使得整體算力成本可以降至原來的10%至30%，讓長期智能從昂貴的前沿概念，變成了真正經(jīng)濟可行的產(chǎn)業(yè)技術。

在商業(yè)模式的構建上，記憶張量展現(xiàn)出清晰的戰(zhàn)略定力，采用了雙輪驅(qū)動的基礎設施戰(zhàn)略。一方面，通過API訂閱服務，面向廣大的開發(fā)者和應用團隊，讓他們能以極低的門檻，在幾分鐘內(nèi)快速為自己的AI產(chǎn)品注入長期記憶與持續(xù)進化能力。另一方面，針對金融、政企等對數(shù)據(jù)安全、合規(guī)性和定制化要求極高的核心客戶，提供企業(yè)級私有化部署。MemOS可以深度融入企業(yè)內(nèi)部的復雜IT系統(tǒng)，提供從記憶管理框架、算子編排到多智能體協(xié)作的一整套能力。

這種獨特的生態(tài)位選擇，使其巧妙地避開了與科技巨頭在模型層面的正面交鋒，轉(zhuǎn)而深耕于智能的縱深地帶，構筑了一個不可或缺的價值節(jié)點。MemOS的雄心，不是去制造另一個更聰明的大腦，而是為所有現(xiàn)有的和未來的大腦，安裝一個通用的、強大的海馬體，讓它們能夠積累經(jīng)驗，真正地成長起來。

這一系列技術突破的背后，是記憶張量強大的團隊支撐。從團隊背景來看，記憶張量的核心成員兼具學術深度與商業(yè)落地能力。CEO熊飛宇主導構建過國內(nèi)首個千億級數(shù)字商業(yè)知識圖譜，CTO李志宇的技術成果曾為阿里雙十一大促帶來數(shù)十億營收，首席科學家楊泓康博士更是一位兩年半就完成了普林斯頓應用數(shù)學博士學業(yè)的天才少年，在機器學習的基礎理論研究方面有著極其深厚的積累，也是憶立方創(chuàng)新架構大模型的提出者。

目前，記憶張量已實現(xiàn)數(shù)千萬商業(yè)簽約，并獲得孚騰資本、中金資本等近億元投資。客戶名單包括招商證券、中國銀行、中國電信等頭部國央企，驗證了其在高要求場景下的落地能力。

Part.3

不只To B/C，更是To Future

我們觀察到，在推進MemOS的商業(yè)化過程中有一個頗具時代意味的現(xiàn)象，最早敏銳感知到MemOS價值、主動尋求深度集成的，并不是傳統(tǒng)意義上業(yè)務流程數(shù)字化最迫切的互聯(lián)網(wǎng)公司，而是那些正在探索數(shù)字生命、新型游戲世界、陪伴式AI、具身智能體等新物種形態(tài)的創(chuàng)新團隊。它們并非在尋找一次性的功能模塊，而是在尋找構建未來智能生態(tài)底座的關鍵能力。

這一趨勢的背后，是智能形態(tài)的一次重大轉(zhuǎn)折，從“任務式智能”走向“生命式智能”。在數(shù)字生命、虛擬角色、開放世界游戲、情感陪伴體等快速增長的賽道中，行業(yè)對AI的要求不再是短時聰明或?qū)υ捘芰?，而是能夠穩(wěn)定演化、持續(xù)成長、具備長期記憶的人格一致性體系。MemOS為此提供了一套前所未有的生命級治理底座，讓AI不再只是工具，而是真正可以擁有經(jīng)歷、偏好與成長軌跡的數(shù)字實體。

在新一代游戲與虛擬世界中，AI角色已從腳本NPC演化為“獨立生命體”。它們需要記住玩家的行為，積累長期關系，基于共同經(jīng)歷不斷改變性格、能力與劇情走向。MemOS讓這些AI角色首次具備可回溯的成長軌跡與可管理的生命版本，開發(fā)者可以對角色的記憶、經(jīng)歷、情緒與演化過程進行結構化管理，使整個虛擬世界真正具備歷史與演化動力學。

在陪伴式AI領域，對記憶的要求更為細膩。用戶希望AI能夠真正理解自己，并在時間尺度上保持穩(wěn)定、深度、具備連續(xù)性的陪伴體驗。MemOS提供的是一個可控且高度個性化的記憶體系，讓每一個數(shù)字伴侶都能形成獨立的偏好模型、關系模型與成長模型。每次聊天、共同經(jīng)歷的事件、情緒變化，都會形成可管理、可審計、可清理的生命數(shù)據(jù)，讓AI從工具躍升為“關系實體”。

而在具身智能體中，記憶承載的是經(jīng)驗與技能的進化能力。一個機器人要真正融入家庭或工廠場景，需要記住布局、家庭成員的習慣、風險模式、最佳路徑、歷史任務結果等大量隱性知識。MemOS讓這些經(jīng)驗能夠被長期積累、版本化、遷移，讓會學習、會復盤、會改進成為現(xiàn)實，機器人才首次具備類似“經(jīng)驗值”的內(nèi)在成長體系。

在這些新興且高速擴張的場景中，傳統(tǒng)依賴prompt layering、固定規(guī)則或短時緩存的模式已經(jīng)無法支撐“生命體級別”的連續(xù)智能。它們的局限性不僅體現(xiàn)在脆弱性和不穩(wěn)定性，更體現(xiàn)在對成長與個性化的天然缺失。因此，行業(yè)迫切需要一個能夠像操作系統(tǒng)一樣，負責“生產(chǎn)記憶—存儲記憶—調(diào)度記憶—治理記憶”的底座，讓AI生命體擁有真正意義上的認知連續(xù)性。

當MemOS將記憶構建、人格穩(wěn)定、行為進化、生命周期治理完整封裝為系統(tǒng)級能力時，最先嗅到未來趨勢的正是這些探索新物種形態(tài)的行業(yè)玩家。它們選擇MemOS，不是為了應對某個短期需求，而是為了在未來十年數(shù)字生命與智能體生態(tài)的底層基礎設施上，占據(jù)一次難得的先手優(yōu)勢。因為在這場由記憶驅(qū)動的智能進化中，MemOS已不再是一個系統(tǒng)，而是AI新物種得以成立的生命操作層。

但一個尖銳的問題同樣擺在記憶張量這家創(chuàng)新公司面前。在巨頭的陰影下，初創(chuàng)公司的窗口期還有多久？

記憶不是某個行業(yè)專屬，而是所有模型、所有智能體都要依賴的結構性組件，當AI從單輪聰明走向長期智能時，記憶會成為必配層。而記憶張量在這條正確的賽道上，有著獨特的“不可替代性”。

這種“不可替代性”源于三重壁壘。一是時間壁壘，當行業(yè)2025年才意識到記憶重要性時，記憶張量已深耕兩年。MemOS的偽知識圖譜檢索增強、參數(shù)化偏好學習等組件，不是功能疊加而是體系化沉淀，巨頭短期內(nèi)難以補齊。

二是結構壁壘，MemOS是改變模型生產(chǎn)方式，讓記憶成為模型行為的一部分，影響策略、規(guī)劃、身份、偏好。這種OS級能力，絕非一個API接口能替代。

三是生態(tài)位壁壘，記憶張量定位在基礎設施，它不跟巨頭爭用戶，而是為所有模型、所有智能體提供記憶服務。當AI行業(yè)從單次調(diào)用轉(zhuǎn)向生命周期管理，記憶就成了跨平臺、跨模型的通用語言。這使其天然具備網(wǎng)絡效應，用的人越多，記憶資產(chǎn)越有價值，遷移成本越高。

更具想象空間的是C端市場的探索。記憶張量推出的跨平臺記憶插件MindDock，支持ChatGPT、Gemini等多平臺的記憶同步與遷移，讓用戶在不同AI之間切換時無需重復自我介紹，真正實現(xiàn)“所有AI都記得同一個你”。這種記憶資產(chǎn)私有化的模式，不僅解決了用戶被平臺鎖定的痛點，更打開了個人記憶管理的新賽道。

“記憶不是一個小功能”，李志宇強調(diào)，“它是未來所有Agent的基礎設施。我們提前兩年布局，踩中了時代節(jié)點?！?/p>

當基礎模型的高墻被科技巨頭越砌越高、護城河日益加深，記憶張量代表了一種全新的破局思路，不與巨頭在模型的廣度上正面抗衡，而是在智能的深度上構筑壁壘。

這家公司的價值，不僅在于其領先的技術和已驗證的落地能力，更在于它精準地卡位了下一代AI生態(tài)的核心樞紐。當所有AI都需要記憶才能走向成熟時，提供記憶底層服務的記憶張量，將成為智能體時代的“賣鏟人”。

雖然記憶的戰(zhàn)爭才剛剛開始，但記憶張量已經(jīng)提前兩年進入了陣地。

編者按??

技術細節(jié)之外，我們更關心一家公司的思考方式。在制作這篇內(nèi)容的前期準備階段，為了對記憶張量這家技術公司有更多之于數(shù)字之外的了解，我們對其CTO李志宇進行了采訪。

他的很多答案，對大模型賽道的趨勢認知和商業(yè)化理解有著深入的洞察和思考。以下是問答實錄，希望能為各位讀者帶來幫助或靈感。

正見TrueView：在基礎模型被巨頭壟斷的今天，像記憶張量這樣的初創(chuàng)公司，靠什么在AI生態(tài)中占據(jù)一個不可替代的位置？屬于你們的獨特的優(yōu)勢是什么呢？

李志宇：其實我們能在如今的大模型生態(tài)里站住腳，很大一個原因是我們比別人更早看到“記憶”的重要性。在2023年、大家都沉浸在參數(shù)量Scaling的熱潮里、都在比誰的模型更大、訓練更猛的時候，我們反而冷靜下來，開始投入做“讓模型真正擁有記憶”這件事。當時很多人不理解，覺得這是“邊角能力”；但我們看得很清楚——下一代智能體不可能靠堆參數(shù)就進化，長期記憶與持續(xù)學習一定會成為新的分水嶺。

另外我們從一開始就堅持做體系化的研發(fā)，是真正把記憶當成底層能力來解決的。從記憶分層架構，到記憶提純、自蒸餾、系統(tǒng)級的記憶算子編排，再到今天的MemOS，我們一路打磨下來，其實形成了很多巨頭短期內(nèi)補不上的結構性積累。大廠做不了，是因為要兼容現(xiàn)有路線、要照顧業(yè)務節(jié)奏，而我們這種小團隊，反而能持續(xù)兩三年在一條深水區(qū)里把事情做到極致。

最后，我覺得我們的優(yōu)勢不是和巨頭比資源，而是比方向、比堅持、比打得深。記憶不是一個小功能，它是未來所有Agent的基礎設施。我們提前兩年開始布局，走到了今天這一步，某種意義上是踩中了時代的節(jié)點：當整個行業(yè)開始意識到“模型必須能夠記住、必須能夠進化”時，我們已經(jīng)把體系打磨出來了。

正見TrueView：智能體需求端的爆發(fā)對記憶張量這些的初創(chuàng)公司來說是一個出發(fā)的好時機嗎？

李志宇：我覺得智能體需求的爆發(fā)，確實是一個特別好的時間點，但它不是“風口”，更像是我們長期堅持的一條技術路線，剛好迎來了它的歷史性窗口。過去兩年大家都在做智能體，但真正能長期工作、能保持性格一致、能隨著交互不斷進化的Agent，其實都離不開一個底層能力——記憶。等大家意識到這個問題的時候，我們已經(jīng)在這條路上深耕了兩年，所以等于說時代的需求和我們的技術積累正好對上了。

其次，智能體的爆發(fā)不是把“產(chǎn)品機會”帶給我們，而是把“基礎設施機會”帶給我們。因為越多的 Agent 就越需要統(tǒng)一的記憶管理框架：怎么存記憶、怎么更新、怎么防幻覺、怎么多 Agent 共享、怎么跨任務調(diào)度……這都不是巨頭自己閉門能做好的東西，而是整個生態(tài)共同缺的能力。所以對我們來說，這波爆發(fā)不是一個短期的業(yè)務放量，而是記憶層成為AI系統(tǒng)結構性組件的開始。

正見TrueView：我們的產(chǎn)品和方案在具身智能體端的應用前景是怎樣的？

李志宇：我認為在具身智能體（Embodied AI）這條線上，記憶的重要性會比純軟件Agent更大，因為具身智能體要在真實世界里長期和人交互、反復執(zhí)行任務、從錯誤中學習，如果沒有穩(wěn)定、可進化的記憶體系，它很難真正變得“可靠”。而這恰好是我們最擅長的能力：讓智能體不僅能感知和行動，還能記住經(jīng)驗、總結規(guī)律、持續(xù)改進策略。

從產(chǎn)品落地角度，我們的MemOS和記憶增強技術在具身智能里的價值主要有三點：

第一，連續(xù)任務的上下文保持，比如機器人執(zhí)行清潔、裝配、巡檢，不需要每次重頭理解環(huán)境，而是能從歷史任務里學到“習慣”和“偏好”。

第二，安全性與可控性增強，記憶可以作為長期行為軌跡，讓智能體的動作更可預測、更符合預期，也能及時糾偏。

第三，個性化與協(xié)作能力，具身智能體很可能不是單體，而是多Agent協(xié)同，記憶層能讓它們共享經(jīng)驗、同步任務狀態(tài)，完成更復雜的場景。

往前看，我覺得具身智能的發(fā)展路徑跟人一樣：從“能動”進化到“能學”，再進化到“能長期學習”。而長期學習的底層，只有記憶能提供。我們現(xiàn)在做的產(chǎn)品，本質(zhì)上就是為未來的具身AI打造一個“長期經(jīng)驗系統(tǒng)”，這是一個跨模型、跨任務的長期基礎設施機會。

正見TrueView：我們的客群定位是怎么樣的？

李志宇：我們的客群定位其實很清晰：所有需要“長期記憶”和“持續(xù)進化能力”的AI應用方，都是我們的核心用戶。今天的大模型能力雖然強，但只要涉及個性化、持續(xù)對話、多輪推理、長期任務，都會遇到“不會記”“記不準”“記不穩(wěn)”的問題。所以從金融、政企服務，到陪伴類AI、智能客服，再到智能體和具身機器人，這些場景都是天然需要我們來補上記憶這一層的。

從企業(yè)類型來看，我們主要服務兩類客戶：

第一類是強場景方，比如金融、制造、醫(yī)療、游戲、教育，這些行業(yè)都有強需求去構建自己的智能體，但不想被巨頭的模型黑箱綁架，需要一個能控、能落地、能進化的“記憶基礎設施”。

第二類是有研發(fā)能力的模型/應用團隊，他們已經(jīng)有模型或智能體框架，但缺一個穩(wěn)定、可擴展的記憶系統(tǒng)，希望通過MemOS快速具備長期記憶、用戶偏好管理、任務狀態(tài)跟蹤等能力。

最后，從生態(tài)角度，我們瞄準的不是“某個行業(yè)的客戶”，而是整個智能體時代的底層公用能力。只要未來的AI想變得更像“人”，想長期陪伴、長期學習、長期工作，那記憶就是不可或缺的，而我們恰好就是提供這一層的。

正見TrueView：商業(yè)模式可以透露嗎？

李志宇：商業(yè)模式可以簡單分享，我們走的是“雙輪驅(qū)動”：一邊是API訂閱，另一邊是企業(yè)級私有化部署。API訂閱主要面向開發(fā)者、創(chuàng)業(yè)團隊、應用方，只要他們需要讓自己的模型或智能體具備長期記憶、個性化偏好、持續(xù)進化能力，都可以直接調(diào)用我們的云端接口，幾分鐘就能接入，非常輕量。同時，我們也有大量企業(yè)級客戶，他們更關注數(shù)據(jù)安全、合規(guī)性和定制化，所以我們提供MemOS的私有化與本地化部署。在金融、政務、制造這些行業(yè)里，記憶系統(tǒng)常常要與企業(yè)內(nèi)部系統(tǒng)深度集成，我們會給他們一整套的記憶管理框架、算子編排能力，以及多模型之間的記憶協(xié)作能力。

面向C端用戶的訂閱這塊我們也在看，尤其是在AI陪伴、角色類應用方面。因為記憶對用戶體驗的提升是“直觀且成癮”的，用一次就回不去。但我們會比較穩(wěn)地推進，傾向于和頭部應用方一起做，而不是自己做ToC產(chǎn)品。

正見TrueView：低成本的低如何實現(xiàn)？

李志宇：我們之所以能做到低成本，核心不是“省”，而是把整個鏈路從系統(tǒng)到模型重做了一遍。

第一層是系統(tǒng)優(yōu)化，我們在MemOS里把記憶相關的推理、檢索、更新全部做了算子級別的重寫，避免了傳統(tǒng)RAG那種大量重復計算。再加上更智能的調(diào)度策略，讓模型只在必要的時候參與推理，直接把應用成本砍掉一大截。

第二層是算法效率。傳統(tǒng)做法是大的通用模型承擔所有任務，但我們走的是“大模型決策+小模型執(zhí)行”的路。像記憶抽取、記憶更新、偏好推斷這些任務，都由我們自己訓練的輕量級小模型完成。它們成本非常低，而且專門為記憶優(yōu)化，既快又準。真正需要大模型的時候，再用大模型，這樣整體算力成本可以做到原來的10%–30%。

最后一層來自模型側，我們正在建設記憶專用的基模，就是讓模型天生更擅長處理長期依賴、偏好、歷史軌跡，而不是靠外部補丁去堆。這樣的模型天然對KV Cache更友好，也能充分利用國產(chǎn)算力的并行能力。簡單講，就是更輕、更快、更能跑在便宜GPU上。

正見TrueView：記憶張量致力于“走出一條符合中國國情的全新大模型路線”，我們是如何理解中國國情的？

李志宇：我們理解的是一個很現(xiàn)實的問題：中國的產(chǎn)業(yè)結構、算力結構和應用結構，都和歐美完全不一樣。國外的路線更多依賴超級算力中心、巨量預算和極端規(guī)模的統(tǒng)一大模型；但中國企業(yè)的需求非常碎片化、行業(yè)跨度大、對性價比敏感，同時又有極高的安全合規(guī)要求。所以我們理解的中國國情，就是要在有限算力、復雜場景和高安全性要求下，讓大模型真正跑得起來、落得下去。

在這樣的國情下，照搬“越大越好”的路線是行不通的。我們走的是另一條路線：以記憶為核心，用系統(tǒng)能力把模型做得更聰明，而不是單純做得更大。記憶增強能讓模型在更低的成本下?lián)碛谐掷m(xù)學習能力、長期上下文能力和更強的適應性，這種“模型+系統(tǒng)”的結構化能力，恰恰更適合中國大量行業(yè)對“精細化、定制化、可控化”的需求。換句話說，不是用一個巨無霸模型解決所有問題，而是讓模型在場景中自己生長、自己進化。

最后，中國還有一個非常獨特的特點：產(chǎn)業(yè)數(shù)字化基礎好、落地場景豐富，但每個行業(yè)都不一樣——金融有安全要求、制造有流程復雜性、政務講合規(guī)、AI陪伴講體驗。大模型要真正普及，必須尊重這種多樣性。而記憶體系和MemOS的本質(zhì)，就是在統(tǒng)一底座之上，支持千行百業(yè)的差異化智能體生態(tài)。這就是我們理解并踐行的“中國國情”：不是追求某一種技術指標，而是追求真正能規(guī)?；涞亍⒛芊瞻贅I(yè)、能讓企業(yè)可控可持續(xù)使用的AI路線。

正見TrueView：記憶增強與管理是一個正確的賽道，但會是一門好生意嗎？

李志宇：我覺得記憶增強這件事，不僅是一個正確的技術方向，它本質(zhì)上就是下一代AI的“剛需基礎設施”。為什么？因為無論是智能體、AI客服、陪伴類應用，還是具身機器人，只要你希望它不是“一次性智能”，而是能長期工作、長期學習、長期陪伴，記憶就是必須的。今天所有應用的痛點——不穩(wěn)定、不連續(xù)、不記人、不進化——全都指向同一個底層缺失：沒有記憶。所以這不是可選項，而是AI走向規(guī)?；涞厍氨貍涞哪芰Α?/p>

從商業(yè)上看，這反而是最好的生意類型：底層基礎能力+全行業(yè)通用需求。記憶不是某個行業(yè)專屬，而是所有模型、所有智能體都要依賴的，像數(shù)據(jù)庫之于互聯(lián)網(wǎng)、云之于企業(yè)一樣屬于“結構性組件”。當整個行業(yè)開始從單輪模型能力轉(zhuǎn)向生命周期智能時，記憶會成為每個產(chǎn)品的必配層，這意味著我們的商業(yè)空間會隨著智能體數(shù)量指數(shù)級增長，而不是隨著單一業(yè)務起落波動。最后，更現(xiàn)實的一點是：記憶層的客戶粘性極強。只要企業(yè)把業(yè)務邏輯、歷史經(jīng)驗、用戶行為、內(nèi)部知識都積累在我們的記憶系統(tǒng)里，它的AI就會越用越聰明，遷移成本自然非常高。這類產(chǎn)品的商業(yè)價值不是賣算力，而是賣“持續(xù)進化的能力”，它天然具備長期復購、穩(wěn)定訂閱和深度集成的特點。

用一句話總結：記憶是正確的賽道，更是長期的好生意，因為未來所有有生命力的AI，都要靠它活下去，都要靠它成長起來，以應對不斷變化的世界。