機器之心報道

編輯：Youli

記憶，或是 AI 從「即時回答工具」邁向「個性化超級助手」的關鍵突破

記憶，正成為新一輪 AI 進化的關鍵所在

近期，Google Research 的一篇名為《Nested Learning: The Illusion of Deep Learning Architectures》的論文大范圍「出圈」，被業界看作是論文《Attention is All You Need》的 V2 版。

對于后者，想必大家已然非常熟悉，同樣是 Google Research 的作品，于 2017 年 6 月發布，文中提出的 Transformer，堪稱開啟了大語言模型革命的序章。

新論文之所以被奉為「精神續作」，是因為同樣有著「基礎范式」級別的突破，該研究提出了一種全新的機器學習范式 ——「嵌套學習」（Nested Learning），使得大語言模型能夠在不斷學習新技能的同時，又不會遺忘舊技能，標志著「AI 正朝著真正像大腦一樣記憶、進化邁出了一大步」。

其實如果仔細看，這些熱鬧的背后釋放出一個新的信號：大模型的風向變了。

不管是各大大模型玩家在卷「誰的模型更大、更快上」呈現的疲軟、無力，還是 Ilya Sutskever 振臂一呼，直言「Scaling 已死」，都在言明，過去盛行的「暴力革命」已不再適用于當前的大模型，戰場早已升級。而新的「戰場」上，大模型其實已經轉向「誰的模型更會記憶、誰更懂用戶」的深層能力比拼上，或者說，記憶，才是新一輪 AI 進化的關鍵所在。

怎么理解？

過去一年多以來，大模型落地應用成為主流敘事，各類智能體（Agent）、「超級助手」產品接連涌現，但時至今日，仍然沒有一個產品能夠真正為用戶提供個性化服務，勝任「超級助手」角色，更多的還是停留在「即時回答工具」層面，一個很重要的原因是「AI 雖然聰明，但記不住，缺乏長期記憶」。

當用戶打開聊天窗口時，AI 等于「從零開始」搭建新對話流程；當多智能體系統交接任務時，它們彼此之間的記憶是斷裂的；當企業試圖構建連續的 AI 工作流程時，系統無法持續吸收經驗…… 而這些「遺忘」背后的原因有很多，核心原因就在于「當前大模型記憶機制存在根本性缺陷」。

具體來看，這一根本性「記憶缺陷」源于多重技術局限的疊加。

首先，當前主流大模型上下文窗口通常為 8k-32k tokens，在長對話中存在早期信息被「擠出」的可能，從而導致后續交互對話脫離歷史上下文語境。比如用戶第一輪對話中表明自己「對海鮮過敏」，可等到第五輪對話中，用戶咨詢「推薦今晚的菜品」時，模型可能遺忘前面對話中提到的過敏信息。并且當前大模型的主流架構多為 Transformer，而 Transformer 的自注意力對長距離依賴的捕捉能力隨序列長度下降，出現「近因效應」，換句話說就是更關注最新輸入，忽略早期關鍵信息，可謂「天生不適合長期記憶」。

簡單來說就是，模型固有的上下文窗口限制與注意力衰減，使得模型只記得住短期信息。

其次，在復雜的多 Agent 協作場景中，諸如咨詢、售后、推薦等各 Agent 之間缺乏跨模塊的共享機制，各自維護獨立的記憶，形成「記憶孤島」，導致用戶「換個入口就像換了個新 AI」，不得不一遍又一遍地重復提供信息。

另外，還有個更深層的問題在于，用戶對話中的模糊指代、行業術語及多語言混用，常常導致語義解析失真，而模型靜態的知識庫與用戶動態的個性化需求之間，更是存在難以逾越的鴻溝……

因此，業界呼喚長期、穩定、可演進的模型「記憶」，越來越多的AI廠商開始聚焦模型記憶能力，比如谷歌、OpenAI、Anthropic 等AI大廠都在圍繞「記憶」這一新命題發力，通過各種方法強化其模型的記憶能力，而很多初創企業也在尋找新解法。

紅熊 AI 也是其中一個。

「記憶熊」，賦予 AI 如同人類一樣的記憶

其實，紅熊 AI 決定做「記憶」的背后不是長期謀劃的結果，也并非突然的靈感迸發，而是被真實場景的業務難題「逼」出來的。

紅熊 AI 成立于 2024 年 4 月，原本是一家聚焦底層技術中臺的企業。去年 9 月，團隊在做一個智能客服類型項目時，遇到了模型的「知識遺忘」問題，為了解決這一「攔路虎」，團隊嘗試了各種技術方案，包括上下文優化、外掛知識庫、模型訓練調參優化、增加長期記憶等，可最后的效果都不甚理想……

這次的經歷讓紅熊 AI 意識到一個問題：記憶缺失，或是制約 AI 從「即時回答工具」邁向「個性化超級助手」的核心瓶頸。

在紅熊 AI 創始人兼 CEO、記憶熊首席科學家溫德亮看來，人類智能的基石，在于能夠將碎片化信息組織成可被持續調用、關聯并解決新問題的記憶體系。「當前 AI 所缺乏的，正是這種基于記憶的認知能力，而不僅僅是模式匹配。」

為此，紅熊 AI 重新規劃公司發展重心，開始轉向「多模態模型 + 記憶科學」的研發路徑，之后歷時一年，于今年下半年正式推出其自主研發的記憶科學核心技術產品 ——「記憶熊」（Memory Bear）。

「記憶熊」不僅有效突破了傳統大語言模型在長期記憶管理中的「準確率低、成本高、幻覺多、延遲高」等諸多瓶頸，更在技術架構、應用場景與性能指標上實現多重跨越。

具體來看，「記憶熊」的技術突破在于，它并不是對模型的記憶系統進行局部優化，而是「全鏈路重構」，借鑒了人腦「海馬體 - 皮層」的分工協作機制，構建了一套分層、動態、可演進的「類人」記憶架構。

可以這樣理解，在人腦系統中，海馬體就像「臨時圖書館」和「索引編制中心」，負責快速形成新記憶，而大腦皮層則像是「永久分布式書庫」，負責長期存儲和關聯知識。在日常記憶中，「海馬體 - 皮層」機制通過「快速綁定 - 索引創建 - 離線重放 - 皮層固化 - 關聯整合」的協作，來進行快速學習新事物和存儲、記憶長期知識。

而這套機制應用在 AI 中，「記憶熊」則是按記憶管理的需求來劃分為「顯性記憶層」與「隱性記憶層」。

在顯性記憶層，系統通過結構化數據庫，存儲可清晰描述和主動調用的信息，比如用戶的歷史對話（情景記憶）和行業知識庫（語義記憶）。

在隱性記憶層，一個獨立于大模型參數的外部組件負責專門管理 AI 的行為習慣、任務策略和決策偏好，使其能「無意識」地高效處理重復任務。

此外，系統還通過情感傾向加權機制，對用戶標記的重要或高頻情感信息賦予更高權重，模擬人類對情緒事件的深刻記憶。

比如，前面提到，在一些 AI 產品中，模型記不住之前對話中用戶提到的「對海鮮過敏」，而「記憶熊」能做的不僅是記住用戶「用對海鮮過敏」，甚至還能將用戶的一些隱性需求進行關聯記憶，像是「用戶周一到周五習慣幾點起床？」「到公司喝什么咖啡，天氣冷了可能想喝熱的，熱了想喝冰的……」它能夠理解「咖啡」與用戶「早晨通勤習慣」的隱性關聯，從而實現超越關鍵詞的聯想式記憶檢索。

數據顯示，「記憶熊」通過精準剔除冗余信息，在保持語義完整的前提下，能夠實現 97% 的 token 效率提升和 82% 的語境偏移率降低，將復雜推理準確率提升至 75.00±0.20% 的行業高度，打破傳統 AI 記憶系統「高消耗、低準確」的刻板印象。

另外，在權威的 LOCOMO 數據集測試中，「記憶熊」的性能表現在單跳問答、多跳推理、開放泛化和時序處理四大核心任務中，表現優異，尤其在基于向量的版本在 Achieving 高準確性的同時，將搜索延遲 p50 控制在 0.137 秒，總延遲 p95 低至 1.232 秒，證明了「高準確率并不代表必有高延遲」。

可以說，「記憶熊」不僅「記得住」，而且「記得快、記得準、記得省」。

「記憶熊」已落地場景應用，帶來實際商業價值

在 AI 行業中，衡量一個技術是否真有價值，僅僅停留在概念階段的各種「打榜」并不能說明一切，歸根結底要取決于能否在真實場景中落地應用。在這一點上，紅熊 AI 推出的「記憶熊」具有天然優勢：它本身就誕生于商業場景，因此早早回到場景中驗證，并交出一份不錯的成績單……

首先是智能 AI 客服場景，這可以說是「記憶熊」「緣起」的地方，曾經因為模型記憶能力不足，帶來交接時客服缺乏上下文，客戶被迫重復信息，情感線索被忽略，長期下來導致用戶不滿，客戶流失的情況頻發，而如今正變得不一樣。

「記憶熊」可以為每位用戶創建動態記憶圖譜，從而讓機器人擁有了「客戶終身記憶」，每次交互時都可以回溯過往交互記錄，理解對方情感狀態，并為客服提供即時上下文，將服務從被動響應轉變為主動關懷，用戶無需再重復陳述問題，大幅提升用戶的交互體驗。

數據顯示，憑借跨 Agent 的記憶共享，「記憶熊」實現了 70% 的人工替代率與 98.4% 的自助解決率。

營銷場景，「記憶熊」能夠根據購買習慣，為用戶構建興趣記憶圖譜，追蹤用戶從首次點擊到復購的完整旅程，繼而可以針對用戶興趣，推出超個性化、實時適應用戶行為的營銷活動，改變傳統的「猜你喜歡」營銷范式，變成「我記得你喜歡，知道你現在想要什么」的主動迎合。

企業數智化領域，「記憶熊」作為統一的組織記憶中樞，打破了部門間的數據孤島，將新員工的知識獲取效率提升了 50% 以上。

而在AI 教育場景中，「記憶熊」基于個性化記憶的因材施教與情感加權推薦，正重新定義著個性化服務的標準，面對學生重復犯錯、學習路徑千篇一律，被忽視的學習情緒與習慣等，基于「記憶熊」的 AI 導師能夠追溯學生數月的錯題本，實現精準查漏補缺，從而提供更為個性化的教學體驗。

不止是這些，在電商、零售等場景，「記憶熊」也正在不斷賦能，通過模型記憶能力的增強，來提升服務質量。而未來，紅熊 AI 將會繼續以「記憶熊」為核心技術引擎，推動 AI 從「工具級服務」邁向「伙伴級服務」，為千行百業的智能化升級提供底層支撐……

其實，從整體來看，不管是 Google Research 提出「嵌套學習」，從前沿技術層面指明「記憶」的提升方向，還是像紅熊 AI 這樣的玩家不斷從工程路徑上探索「記憶」的落地應用，都在表明一個事實：「記憶」能力是當前 AI 技術側和應用側的雙重訴求，這已然成為一個共識。

基于此共識，越來越多的玩家開始入局、押注，朝著讓 AI 擁有像人類一樣的記憶持續探索，而在 AGI 這一終極目標的追尋道路上，誰掌握了「記憶」，誰就更接近 AGI……