天才得了“健忘癥”

過去的一年，大模型行業(yè)陷入了一場關(guān)于數(shù)字的軍備競賽。

從最初的8k Token上下文窗口，到隨后的32k、128k，乃至近期已經(jīng)有人喊出百萬乃至千萬級窗口。業(yè)界一度相信，只要窗口足夠長，模型就能記住一切。企業(yè)主們試圖將整座公司的知識庫，倒入深不見底的輸入框，以此煉就一位全知全能的數(shù)字員工。

然而，愿望很美好，現(xiàn)實很骨感。

在電商客服場景中，即便接入了頂流模型，支持超長文本，一旦對話超過十幾輪，博學(xué)的AI依然會展現(xiàn)出“健忘”的一面：用戶開門見山提到海鮮過敏，第五輪咨詢商品時，AI依然熱情推薦了含有海鮮的商品。而用戶試圖追溯之前的對話細(xì)節(jié)，提醒“基于我一開始說的預(yù)算”，模型卻開始顧左右而言他。

大模型落地商業(yè)場景，常常遭遇隱形的高墻：輸入越長，長程記憶越模糊；輪次越多，舊信息越快消散。

技術(shù)原理決定了這種局限。Transformer架構(gòu)再先進(jìn)，面對超長序列時，注意力機(jī)制也容易嚴(yán)重衰減。在人身上，這叫做“近因效應(yīng)”，即對新發(fā)生的事情印象深刻，但久遠(yuǎn)的信息則被遺忘。在大模型身上，這意味著早期的精心指令會被后續(xù)的對話稀釋，直到消失。

為了維持“記憶”，開發(fā)者不得不采取笨拙且燒錢的策略：把歷史對話一次次打包，再次喂給模型。這就像為了讓對方記住名字，你得在每句話開頭都重新自我介紹一遍。Token消耗快速增長，每一次的簡單問答，都是在燒錢。

多智能體的復(fù)雜任務(wù)中，缺失記憶共享機(jī)制，AI還會出現(xiàn)混亂。

企業(yè)通常將銷售、客服、推薦、售后拆分給不同AI智能體。用戶已向咨詢智能體說明送貨地址，但到售后智能體時仍需重新回答；用戶剛向投訴智能體抱怨產(chǎn)品質(zhì)量，推薦智能體轉(zhuǎn)頭繼續(xù)推送產(chǎn)品升級版。這些場景本質(zhì)上指向同一個問題：沒有共享的長期記憶，AI之間無法協(xié)同，更談不上理解。

現(xiàn)有的技術(shù)框架下，智能體往往各自維護(hù)獨(dú)立的上下文窗口，這種割裂感導(dǎo)致了嚴(yán)重的決策沖突。

成本高昂、容易遺忘、協(xié)作割裂。企業(yè)花了大價錢引入大模型，得到的往往不是經(jīng)驗老到的資深員工，而是一群如果不反復(fù)重申指令就容易搞砸事情的“實習(xí)生”。

一個更接近人類記憶的方案，勢在必行。

像人類一樣記憶

“健忘”已成為制約大模型進(jìn)一步提升的關(guān)鍵瓶頸。

過去一年，OpenAI、Anthropic、Google都在給大模型加“記憶層”，只是大多停留在產(chǎn)品功能層面，比如保留用戶偏好、常見設(shè)定、近期對話線索，他們不知道什么該記，什么不該記。

而人工智能公司“紅熊AI”嘗試把“記憶”做成一套可管理、可共享、可追溯的基礎(chǔ)設(shè)施，用來支撐多智能體、企業(yè)級應(yīng)用和長期任務(wù)。這家從2024年11月份開始研發(fā)，內(nèi)部商業(yè)化，到2025年11月經(jīng)歷過1年的時間，正式對外發(fā)布“記憶熊”，試圖用反直覺地解決問題：跳出上下文窗口的參數(shù)競賽，轉(zhuǎn)向記憶科學(xué)。

底層邏輯并非“記住更多”，而是“記住更有價值的信息”。

記憶發(fā)端于數(shù)據(jù)。數(shù)據(jù)是未經(jīng)加工的事實，例如37.5是個數(shù)字；當(dāng)被處理并賦予意義，它便成了信息，如體溫37.5攝氏度；信息進(jìn)一步結(jié)構(gòu)化，結(jié)合專業(yè)推論，形成“體溫37.5度屬于低燒”的判斷，這便是知識；最后，知識轉(zhuǎn)化為指導(dǎo)行為的能力，經(jīng)過長期沉淀及驗證，形成記憶，就可以給醫(yī)生進(jìn)行治療決策。

在人類的認(rèn)知視角下，存儲不等于記憶。硬盤是容器，而記憶是動態(tài)的生命過程。紅熊AI試圖將人類大腦的記憶機(jī)制映射到AI架構(gòu)中：

短期工作記憶，用于保持任務(wù)連接。這種模擬人類“感官緩存”的記憶，利用情感傾向加權(quán)算法，識別帶有強(qiáng)烈情緒或關(guān)鍵指令的數(shù)據(jù)（如憤怒的投訴、明確的截止日期），將其標(biāo)記為高優(yōu)先級。

長期顯性記憶，對應(yīng)知識庫和模型參數(shù)，用于沉淀經(jīng)驗；以及隱性記憶，對應(yīng)用戶偏好、企業(yè)“暗知識”，用于形成習(xí)慣和判斷。

隱形記憶存儲了用戶的偏好模型、任務(wù)的隱式規(guī)則以及企業(yè)的“暗知識”，這是傳統(tǒng)數(shù)據(jù)庫最難處理的部分。比如，用戶提到“加班”，AI應(yīng)自動聯(lián)想到“咖啡”或“打車”。同時將標(biāo)準(zhǔn)工作流程內(nèi)化為“程序性記憶”，使AI在面對憤怒客戶時，本能地執(zhí)行安撫流程。

這部分記憶不會固化在大模型參數(shù)中，而由獨(dú)立的“記憶模塊”來存儲和管理。系統(tǒng)的記憶萃取引擎可以決定：哪些應(yīng)該保留？哪些應(yīng)該遺忘？哪些應(yīng)該在下一次用戶提問時主動調(diào)用？

通過這種分層映射，記憶熊在硅基芯片之上重建了一套數(shù)字化記憶系統(tǒng)：“數(shù)字海馬體”負(fù)責(zé)將信息加工、編碼，“數(shù)字皮層”則作為倉庫，長期存儲知識和過往經(jīng)歷，而“數(shù)字杏仁核”則負(fù)責(zé)綁定情緒。

事實上，大模型深度賦能垂直行業(yè)的前提，正是擁有如人類般出色的記憶機(jī)制。

沒有記憶，AI只能永遠(yuǎn)停留在“即時生成”的階段，它能回答每一次問題，卻無法從交互中成長。解決了記憶問題，AI才能進(jìn)化為兼具理解與推理能力的智能體。

硅腦加裝記憶外掛

精妙的記憶機(jī)制對技術(shù)能力提出了更高要求。

記憶熊的做法是構(gòu)建記憶圖譜，將各類記憶內(nèi)容用結(jié)構(gòu)化方式表達(dá)出來，挖掘分析這些記憶及相互關(guān)系，進(jìn)而匹配出不同業(yè)務(wù)場景下需要的記憶和結(jié)構(gòu)。這種結(jié)構(gòu)化能力也賦予了AI一定的聯(lián)想與多跳推理的能力，使得信息更連貫、推理更準(zhǔn)確的同時，也能聯(lián)動相關(guān)場景和背景知識。

如此一來，類似于人們聽到“早晨”一詞聯(lián)想起“旭日東升”、“豆?jié){油條”、“公園遛鳥”或“交通擁堵”的使用場景也就不難實現(xiàn)了。

同時，記憶熊打通了平臺，讓智能體共用同一套用戶記憶，不再各自為政，確保用戶意圖、情緒、歷史問題等多樣化標(biāo)簽無縫傳遞。用戶一次提供信息，智能體同步獲取，智能體群控記憶共享率達(dá)到了99.99%，基本能夠消除因記憶不同步導(dǎo)致的服務(wù)問題。

這種針對“大模型健忘癥”核心癥結(jié)的深層次優(yōu)化，使得記憶熊做到了“省、準(zhǔn)、快”，為大模型在垂直領(lǐng)域的商業(yè)落地奠定了基礎(chǔ)。

首先，是成本斷崖式下降。通過引入獨(dú)特的記憶分層存儲機(jī)制，不需要每一輪對話中都回傳所有的歷史信息，壓縮短期記憶為長期記憶摘要。這一機(jī)制讓多輪對話累計的Token消耗直接降低了90%，對于那些每分鐘都在燒錢的大模型應(yīng)用來說，無異于神助。

其次，是精準(zhǔn)度數(shù)量級提升。使用動態(tài)語境校準(zhǔn)和智能語義剪枝技術(shù)，記憶熊將垂直場景的幻覺率壓低到了0.2%以下，端到端的回應(yīng)準(zhǔn)確率達(dá)到了99.6%，大模型不再一本正經(jīng)地胡說八道。特別在代表復(fù)雜邏輯能力的多跳推理和時序記憶上，記憶熊的表現(xiàn)領(lǐng)先諸多主流框架，證明它具備了區(qū)分過去與現(xiàn)在的時間感。

最后，是響應(yīng)時間進(jìn)一步縮短。人機(jī)交互中，延遲關(guān)乎體驗。記憶熊基于向量的非圖譜版本，成功將搜索請求的中位響應(yīng)時間（Search Latency P50），即普通用戶最常見的速度體驗控制在0.137秒；語音交互場景下應(yīng)答延遲僅0.8秒。當(dāng)你話音剛落，AI的回答已經(jīng)到達(dá)耳邊，對話流暢自然。

“記憶即資產(chǎn)”

“記憶”的突破，終將重塑商業(yè)的形態(tài)。

在商業(yè)世界里，大模型有沒有記憶，差異尤為明顯。

客服AI若記不得用戶投訴過的細(xì)節(jié)，就只能重復(fù)問題，無法取代真人；企業(yè)知識若不能不能轉(zhuǎn)化為經(jīng)驗沉淀在系統(tǒng)里，AI就只能永遠(yuǎn)充當(dāng)知識庫；在教育、醫(yī)療及投顧等行業(yè)，若AI無法與客戶建立持續(xù)深入的聯(lián)系，它就無法進(jìn)入高信任度的場景。

記憶不僅僅是一個功能，更是一種身份。

當(dāng)AI有了持續(xù)的記憶，它就第一次具備了回答“我是誰？”、“我在與誰溝通？”、以及“我們之前達(dá)成過什么共識”的能力。

為充分利用記憶資產(chǎn)，紅熊AI記憶熊產(chǎn)品明確了三條產(chǎn)品主線，分別是隱性記憶的顯性化、記憶的結(jié)構(gòu)化處理，以及記憶的場景化應(yīng)用。簡而言之，就是要將把AI與用戶的交互沉淀為記憶，并在不同的業(yè)務(wù)場景下發(fā)揮作用。

模型參數(shù)里只有可復(fù)述的顯性知識，但要企業(yè)的護(hù)城河往往在于隱性經(jīng)驗：金牌銷售如何破冰？資深技工如何聽音辨位？這些過去依賴個人經(jīng)驗的“暗知識”，現(xiàn)在可以通過記憶熊被結(jié)構(gòu)化地沉淀下來，成為組織記憶，而非單個員工的獨(dú)家記憶。

大模型沒法記住一切，因為內(nèi)容越多、參數(shù)越大、會話越長，則成本越高、遺忘越快、幻覺越多。記憶熊能幫助大模型構(gòu)建一個“語義剪枝+記憶錨定+情境校準(zhǔn)”的機(jī)制，結(jié)構(gòu)化處理記憶，只保留與用戶身份、歷史行為及任務(wù)目標(biāo)有關(guān)的核心記憶。

在企業(yè)的真實業(yè)務(wù)場景中，往往是多個智能體協(xié)同工作。記憶熊能記憶變?yōu)榻M織資產(chǎn)，而不是單個智能體的獨(dú)家記憶，提升記憶共享率，則是模型協(xié)同的關(guān)鍵。

這三件事，推動記憶從技術(shù)功能拓展為商業(yè)基礎(chǔ)設(shè)施。當(dāng)企業(yè)開始關(guān)注“AI是否能復(fù)用經(jīng)驗、是否能像老員工一樣理解上下文、是否能形成組織記憶”時，AI正式從工具進(jìn)入體系階段。

結(jié)尾

參數(shù)規(guī)模的戰(zhàn)爭終將結(jié)束，但智能體的進(jìn)化才剛剛開始。

參數(shù)規(guī)模不是終局，記憶才可能成為真正的操作系統(tǒng)級入口。AI的下一場戰(zhàn)役，不是“誰回答得更好”，而是“誰更記得住”，這仍然是一場初創(chuàng)公司可以參與的競爭。

跳出具體的商業(yè)場景，記憶實際上是通往通用人工智能（AGI）的必由之路。

沒有記憶，就沒有推理；沒有記憶，也就沒有智能。人類之所以成為萬物之靈，是因為我們擁有強(qiáng)大的記憶系統(tǒng)，能夠跨越時空積累經(jīng)驗，從歷史中預(yù)判未來。

當(dāng)前大模型雖然在語言生成上表現(xiàn)驚艷，但在邏輯推理、長期規(guī)劃和自我進(jìn)化上，依然有著巨大的進(jìn)步空間。這歸根結(jié)底，是因為它們?nèi)狈σ粋€穩(wěn)定、連續(xù)且可塑的記憶系統(tǒng)。

紅熊AI的探索，實際上是在補(bǔ)全AGI拼圖中最關(guān)鍵的一塊。它不僅讓AI感知到數(shù)據(jù)的模式，還能理解并記住世界的規(guī)則。

紅熊AI于2025年11月30日正式將記憶熊產(chǎn)品完全開源，邀請全球的開發(fā)者共同參與這場關(guān)于AI記憶的重構(gòu)。

也許就在不久的將來，大模型的健忘癥很快被治愈，一個擁有“累積性智慧”的時代就此徐徐拉開序幕。

本內(nèi)容由作者授權(quán)發(fā)布，觀點(diǎn)僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4811016.html?f=wyxwapp