“記憶會是AI時代的主角，多模態(tài)記憶平臺將成為AI時代的基礎(chǔ)設(shè)施范式。”

作者丨成仲軒

編輯丨董子博

初見離哲（本名占超群，質(zhì)變科技創(chuàng)始人兼CEO）時，他習(xí)慣性地用雙手比劃，仿佛在將空氣中無形的碎片聚攏、串聯(lián)。“人的記憶是碎片的，”他說，“而無數(shù)碎片化的知識，就像無數(shù)溪流匯成湖?！边@形象地解釋了質(zhì)變科技核心產(chǎn)品“記憶湖（MemoryLake）”的由來，也指向了當(dāng)前企業(yè)AI升級中最關(guān)鍵的挑戰(zhàn)與機遇。

如今，企業(yè)AI正面臨一個分水嶺：一邊是僅能處理對話的“智能玩具”；另一邊，則有望成為能持續(xù)理解、學(xué)習(xí)并給出行動級決策的“業(yè)務(wù)伙伴”。二者的本質(zhì)區(qū)別，并不完全取決于模型本身的大小，而在于AI是否擁有一個能夠理解、串聯(lián)并推理現(xiàn)實世界復(fù)雜信息的能力——即多模態(tài)記憶。

這并非簡單的功能疊加，而是一次認知范式革命：它要求AI從單純處理會話場景，轉(zhuǎn)向理解企業(yè)生產(chǎn)場景中由文本、表格、音視頻、工作流交織而成的連續(xù)“決策軌跡”。離哲與他的團隊，正致力于通過MemoryLake，成為這場靜默革命的關(guān)鍵構(gòu)建者。

作為前阿里研究員，如今質(zhì)變科技的CEO，離哲為何選擇“記憶”這條未來可能競爭激烈的賽道？（AI 行業(yè)還有哪些發(fā)展新動向？背后又有哪些不為人知的行業(yè)故事？雷峰網(wǎng) AI PM 十人談?wù)掷m(xù)推進中，歡迎添加作者微信：GO-GO-ZEPPELI，交流信息，分享認知。）

以下是雷峰網(wǎng)和離哲的對話，作者進行了不改變原意的編輯整理：

01

記憶碎片，匯聚成湖（MemoryLake）

雷峰網(wǎng)：您為什么會想去做記憶這件事？

離哲：這與 AI 行業(yè)的發(fā)展趨勢有關(guān)。我們可以把這一輪的 AI 發(fā)展分成三個階段：

第一個階段就是 2024年之前，大家更多的感受是 AI 能體會到價值，能連接到企業(yè)，所以大家會選擇做向量數(shù)據(jù)庫，做知識庫。它要解決進入企業(yè)、跨過企業(yè)生產(chǎn)價值的第一道門檻。因為很多東西是沒有太多生產(chǎn)效率提升的，比如問答，所以進入企業(yè)的第一件事情，就是通過向量數(shù)據(jù)庫在大模型和數(shù)據(jù)之間連接起第一道橋梁。雖然這道橋梁離生產(chǎn)還非常遠，但它確實解決了第一階段的問題，讓 AI 和數(shù)據(jù)能連起來。

期間，我們發(fā)現(xiàn)這里面的發(fā)展空間很大。一方面，數(shù)據(jù)不只是一個向量表征；另一方面，人的知識是分隱性和顯性的。如同一篇新聞稿，如果你是媒體人，會比普通人更容易判斷內(nèi)容的新聞性，這就是你的隱性知識。但 AI 不知道，這就導(dǎo)致它很難落地。

第二個階段是從 2024 年開始的，起因有兩個：第一，模型成本下降以及性能提升；第二，出現(xiàn)了一些示范應(yīng)用，比如一些通用智能體應(yīng)用，所以 2024 年到 2025 年更多解決的是示范應(yīng)用的問題，就是除了聊天工具以外的第一層示范應(yīng)用。示范應(yīng)用最大的問題不是不好用，而是沒有完全介入企業(yè)工作流，無法評估、無法兜底、無法追責(zé)。

第三個階段是從2025 年下半年開始的，如果說前兩年還是生產(chǎn)效率的探索，現(xiàn)在就要往企業(yè)生產(chǎn)效率平臺演進了，對可信可靠、復(fù)雜性都提出了很高要求, 企業(yè)開始用“生產(chǎn)系統(tǒng)”的標(biāo)準來要求 AI，而不是“演示效果”的標(biāo)準。過去大家會說自己提升了多少，但其實都是“時間的節(jié)省”。時間壓縮能提升試錯速度，但在如芯片制造、風(fēng)控這類高約束場景里，瓶頸往往不在時間，而在物理和風(fēng)險邊界。這背后也涉及到今年進入企業(yè)要解決的幾個問題，首先是真正圍繞價值展開，再往后才是效率、準確性、復(fù)雜性等問題。

這些東西要怎么提升？尤其是很多隱性知識如何顯現(xiàn)？比如風(fēng)投，同樣是被投企業(yè)的三張表，為什么普通人看不出來，但 VC 就能看出很多“門道”？因為這些“門道”是他們已經(jīng)內(nèi)化了的邏輯。換句話說，內(nèi)化了的隱性知識是最有含金量的。這不同于我們現(xiàn)在常說的“數(shù)字人”，它只是把人的表象數(shù)字化，但沒有做到內(nèi)化，沒有把人的隱性的東西數(shù)字化。如何讓這些隱性的東西“顯現(xiàn)”出來？就需要記憶。

雷峰網(wǎng)：在現(xiàn)階段，企業(yè)要實現(xiàn)從“生產(chǎn)效率探索”到“生產(chǎn)效率平臺”的跨越，您認為最需要突破的是什么？

離哲：關(guān)鍵在于如何讓這些隱性知識“顯現(xiàn)”出來？就需要多模態(tài)記憶。

多模態(tài)記憶是企業(yè)剛需，決策軌跡天生就是多模態(tài)的。企業(yè)中的一次采購決策，線索可能來自一份PDF報告（文本）、一次會議錄音（音頻）中的關(guān)鍵論點、一組歷史價格曲線（圖表）和審批流中的批注（結(jié)構(gòu)化數(shù)據(jù)）。傳統(tǒng)“會話級別”的記憶，僅是這條連續(xù)、混雜軌跡的一個孤立切片，丟失了絕大部分上下文與記憶鏈。多模態(tài)記憶平臺的目標(biāo)，是完整復(fù)現(xiàn)這條“決策軌跡”，讓AI能在全量記憶基礎(chǔ)上進行推理。

構(gòu)建多模態(tài)記憶有很高的技術(shù)門檻，它要求一整套記憶化工程技術(shù)棧和獨立的多模態(tài)數(shù)據(jù)大模型來處理，包括：

多模態(tài)表征與對齊：將文本、圖像、表格等不同模態(tài)的信息，映射到統(tǒng)一的語義空間，并建立跨模態(tài)的關(guān)聯(lián)（例如，將報告中的文字“銷量大漲”與PPT里的折線圖峰值對齊）。

深度理解與結(jié)構(gòu)化提取：通過專用模型（如MemoryLake-D1），從復(fù)雜文檔、圖表中提取邏輯關(guān)系和結(jié)構(gòu)化知識，而非簡單轉(zhuǎn)寫文字。

記憶的狀態(tài)管理：處理記憶的邏輯沖突、更新、增強、反思與合成等，這是一個動態(tài)的、持續(xù)的過程。

這也解釋了為什么通用大模型廠商或傳統(tǒng)數(shù)據(jù)平臺難以勝任：前者缺乏深度結(jié)構(gòu)化理解與系統(tǒng)級記憶管理能力；后者則缺乏頂層的多模態(tài)認知與推理能力。從這個層面來看，多模態(tài)記憶不是功能升級，而是AI范式革命。

雷峰網(wǎng)：這是否意味著，多模態(tài)記憶平臺的成功，就是建立一套不同于傳統(tǒng)文本處理的數(shù)據(jù)理解、表征、存儲、管理與計算體系？

離哲：是的，這正是核心。我們訓(xùn)練MemoryLake-D1，不是為了做一個更好的OCR或語音轉(zhuǎn)文本工具，那是功能優(yōu)化。我們的目標(biāo)是建立一套統(tǒng)一的“多模態(tài)記憶框架”，讓表格的邏輯、圖片的語義、語音的情緒都能被結(jié)構(gòu)化地理解和關(guān)聯(lián)，成為可推理的記憶單元。這確實需要從底層模型到以記憶為中心的存儲計算架構(gòu)的全面革新。

雷峰網(wǎng)：為什么會取 MemoryLake（記憶湖）這個名字？

離哲：本質(zhì)上是因為人的記憶也是碎片的、多源的、多類型的，比如說我今天看到你，可能有多個角度：第一是行業(yè)高知名度；第二是你來了我們公司；第三你是個媒體；第四我們有個交流；第五我們的面容、溝通過程中的音頻等?？傊且粋€碎片化的知識，就像是無數(shù)溪流匯成湖，它是一個動態(tài)、流動的集合，我們需要什么就從里面動態(tài)去基于意圖“撈”，或者說你需要的時候，就根據(jù)意圖、Context Window Size 實時幫你構(gòu)建出來。

特別說明下，雖然現(xiàn)在大家都在提短期、中期、長期記憶，需要做靜態(tài)的壓縮、遺忘等，主要原因是人腦的存儲容量、算力很有限；而真實世界不應(yīng)該是靜態(tài)進行預(yù)先壓縮，而是采用全新的分布式多模態(tài)存儲與計算能力，盡可能全部存儲與組織，根據(jù)真實問題按需動態(tài)實時構(gòu)建專屬的精煉且完整的記憶。

具體到 MemoryLake-D1 ，因為它是數(shù)據(jù)Data的首字母，又是第一代，所以叫“D1”。

雷峰網(wǎng)：MemoryLake 的產(chǎn)品形態(tài)是怎樣的？您如何看待這種產(chǎn)品形態(tài)？

離哲：MemoryLake 有多種形態(tài)，最常見的形態(tài)之一就是做成 API和兼容已有規(guī)范（如兼容mem0、MCP、OpenMemory）。這樣用戶就可以直接去使用熟悉的大模型和 Agent，就很容易連接上我們，默認就有多模態(tài)記憶并且連接到海量數(shù)據(jù)。

在海外，MemoryLake 的絕大部分場景是被集成，比如 ChatGPT 和 Claude。我們的記憶剛好可以把任意的數(shù)據(jù)轉(zhuǎn)成任意一個大模型或Agent 支持的記憶形態(tài)，所以 MemoryLake 是插件形態(tài)還是別的什么形態(tài)都不重要。

MemoryLake 將作為一個長期存在的記憶層，而不會被某一個模型或工具鎖死。

雷峰網(wǎng)：具體到 MemoryLake-D1，它主要解決了哪些方面的問題？調(diào)用成本如何？

離哲：MemoryLake-D1 主要解決的是數(shù)據(jù)理解的問題，就是我怎么更好地去理解 Excel、PDF 等多模態(tài)內(nèi)容，因為個性化的業(yè)務(wù)表格是非常復(fù)雜的（Excel 很大程度上是最好最復(fù)雜的軟件）。為了解決這個問題，我們投入很大資源去標(biāo)注與合成數(shù)據(jù)，并結(jié)合用戶的反饋，訓(xùn)練自己的多模態(tài)數(shù)據(jù)理解模型 MemoryLake-D1 來解決這個問題。

至于 MemoryLake-D1 的調(diào)用成本，相比自己調(diào)用OCR 模型以及多模態(tài)視覺模型要低不少。不過這里面也涉及到權(quán)衡，你是要速度、靈活性、準確度？不同選擇還不太一樣。比如“極快”，我們可以采用預(yù)靜態(tài)編譯Skills 的模式生成 coding，持續(xù)復(fù)用實現(xiàn)高性能、低靈活性、低成本解析。

雷峰網(wǎng)：MemoryLake 的后續(xù)更新方向是什么？難點又在哪里？

離哲：MemoryLake-D1 目前主要還是文字、表格、圖片、文檔、數(shù)據(jù)庫、音頻，后續(xù)主要增強視頻和音頻。

相比圖片，音視頻會更困難一些。因為音頻、視頻有語速、有情緒，處理起來比較復(fù)雜。比如某個游戲玩家很憤怒，但當(dāng)你把他的“憤怒”語音轉(zhuǎn)文本后，很容易丟掉語速和情緒，進而改變這個玩家的最初語意。

這其實也是 AI 發(fā)展到當(dāng)下面臨的一個問題：會在轉(zhuǎn)換的過程丟掉很多重要的信息。因為很多信息是隱性的，但模型與數(shù)據(jù)理解能力又是有限的。

02

內(nèi)化隱性知識，構(gòu)建決策智能

雷峰網(wǎng)：您之前反復(fù)提到“隱性知識”，如何將其內(nèi)化到相關(guān)企業(yè)當(dāng)中？

離哲：我覺得但凡要落地AI的企業(yè)，首先要做的是把企業(yè)員工過往的重要工作過程形成決策軌跡，把多模態(tài)的語音、視頻、文本、文檔、審批等多模態(tài)的決策軌跡化，后面才有效率的提升和突破點。

雷峰網(wǎng)：具體到質(zhì)變科技，又是怎么做的？

離哲：首先需要明確一點，決策軌跡的完善不是一蹴而就的，它會越做越強，越來越完善。此外，從我們過往的實踐來看，我們從第一天開始就認為：未來的終極智能一定是行動智能和決策智能，有決策智能，才有行動智能，所以我們第一天就在做決策智能體，從 2024 年開始研發(fā)，當(dāng)時的核心思想就是“Every chat is software”；架構(gòu)就是基于通用大模型生成思維樹、然后自演進模式迭代生成局部代碼來做這件事情，只有這樣才能實現(xiàn)決策的可解釋、可干預(yù)、可信可靠、可執(zhí)行。

比如我們做了高考的相關(guān)智能體。因為高考的所有過程和決策是公開的，所以高考也可以做預(yù)測。比如有人提問，說自己的性格比較孤僻，適合讀什么專業(yè)？然后把分數(shù)線、城市、性別輸入，智能體給他推薦相關(guān)的專業(yè)。又比如說有人想根據(jù)地理位置、家庭經(jīng)濟條件等因素進行選擇，哪些學(xué)校更適合留學(xué)？哪些更適合保研？智能體都能給出相應(yīng)的推薦。

雖然這背后涉及到非常復(fù)雜的決策體系，但從本質(zhì)上來說，如果決策本身跟快速驗證強相關(guān)，就相對好做。至于很多隱性的信息，其實是被“藏”起來了。就比如像張雪峰這樣經(jīng)驗豐富的輔導(dǎo)老師，自然而然隱去自己過往積累的豐富的決策過程。

雷峰網(wǎng)：這是否意味著決策智能/AI個性化決策市場已經(jīng)進入紅海？以及當(dāng)下面臨著哪些發(fā)展難題？

離哲：這倒不會，AI個性化決策市場還是很大的，你要說決策智能難不難做？難做。只是很多難做的原因是因為沒法驗證或激勵，或者說驗證周期漫長。

怎么樣把這些東西“顯現(xiàn)”出來，就需要用到記憶以及大模型的深度思考能力，二者深度融合。在底層構(gòu)建龐大的靜態(tài)記憶如實體提取、知識Skill 化，在用的時候動態(tài)分層構(gòu)建起來，這其實也是我們自己做的第一類產(chǎn)品。

至于第二類產(chǎn)品，就是我們后來服務(wù)的一些辦公場景和游戲場景。

雷峰網(wǎng)：游戲場景？這個要怎么理解？

離哲：我一直覺得，游戲本質(zhì)上是真實社會的投射，甚至是一個提前演化的更豐富的社會實驗場。

過去的游戲是靜態(tài)的——你一旦下線，世界就停在那里等你回來。但現(xiàn)在不一樣了，很多 AI 游戲里，你下線之后，這個世界并不會暫停，而是會以接近真實世界、甚至更快很多倍的速度繼續(xù)運轉(zhuǎn)。

游戲里的角色會繼續(xù)生活、做選擇、產(chǎn)生變化。某種意義上，它已經(jīng)不只是“給人玩的系統(tǒng)”，而是一個持續(xù)運行的虛擬社會，在用更高的時間密度，去映射和放大真實世界的運行邏輯。

此外，除了天然離用戶近、離價值評估近，游戲還有一個好處——容忍度高。在游戲里，記憶或 AI 理解局部錯誤還不會造成嚴重影響，但是AI 在企業(yè)場景的容忍度極低。

雷峰網(wǎng)：可以就AI 在企業(yè)側(cè)的低容忍度展開講講嗎？

離哲：在容忍度這件事情上，在很多現(xiàn)實場景中遠遠超出大家想象的難，因為很多錯誤一旦發(fā)生，后果是不可逆的。比如電商、客服，但凡涉及退貨、賠款等規(guī)模性金融損失都很復(fù)雜。又比如保險，針對不同的人、不同的癥狀，保險費率也都不一樣。

雷峰網(wǎng)：企業(yè)對 AI 的低容忍度，對 AI 發(fā)展的最大影響是什么？

離哲：我覺得“低容忍度”對 AI 發(fā)展的最大影響，不是簡單的“不敢用”，而是企業(yè)沒法接受一個行為不可解釋、結(jié)果不可追溯、問題反復(fù)出現(xiàn)無法優(yōu)化的系統(tǒng)。

這幾年 AI 進企業(yè)之所以一直“雷聲大、雨點小”，并不是模型不夠聰明，而是很多系統(tǒng)每一次判斷都像第一次做決定——它不記得自己之前為什么這么判斷，也沒法把決策依據(jù)完整地還原出來。

一旦出問題，企業(yè)最害怕的除了效率損失，還有三件事：為什么會錯？錯在哪里？以后還能不能避免？如果這些問題回答不了，哪怕系統(tǒng)再聰明，企業(yè)也不敢把它放進真正的生產(chǎn)和決策鏈條里。

從這個角度看，企業(yè)對 AI 的低容忍度，本質(zhì)上是在逼 AI 從“能回答”，走向一個有記憶、有上下文、能解釋自己行為、能解決問題的系統(tǒng)。這也是為什么我認為，記憶不是錦上添花，而是 AI 能不能真正進企業(yè)的前提條件。

雷峰網(wǎng)：既然如此，質(zhì)變科技當(dāng)前的用戶構(gòu)成是怎樣的？

離哲：主要分為三類：第一類偏辦公；第二類偏金融；第三類偏AI游戲、具身智能等新行業(yè)。

在消費市場領(lǐng)域，MemoryLake 服務(wù)了全球超過 150 萬 專業(yè)數(shù)據(jù)用戶。在行業(yè)實踐領(lǐng)域，MemoryLake服務(wù)了國內(nèi)超大規(guī)模（生產(chǎn)系統(tǒng)中超10萬億級記錄、億級文檔）的文檔辦公、頭部的企業(yè)移動辦公軟件、大模型、大型國央企等企業(yè)，在與全球云大廠和AI典型廠商等競爭中，MemoryLake在成本、準確召回率和延遲等性能指標(biāo)方面有著數(shù)倍于對手的優(yōu)勢，如在某嚴苛的辦公場景端到端評測中達到99.8 % 準確率。

03

泛化或?qū)⒋驍〈诡?br/>

雷峰網(wǎng)：綜合國內(nèi)外市場、平臺，您目前會關(guān)注示范應(yīng)用的哪些方面？

離哲：分兩類，通用和垂類。通用應(yīng)用更多還是在做聊天層次，如果按業(yè)務(wù)深度分，ChatGPT 和 Claude 的業(yè)務(wù)深度可能在第一層，對很多企業(yè)業(yè)務(wù)以及數(shù)據(jù)理解還不夠，執(zhí)行還不夠可靠，智能體公司可能在第二層，大量垂類平臺可能在第三層，以及更深度定制+長周期交付的如Palantir可能在第四層。

雖然這些平臺都在做某一類或者某一個深度的示范應(yīng)用，但背后也存在逐漸吞噬的過程：隨著通用大模型的不斷增強，越往后，可能會吃掉越多的垂類深度。等到一定時間后，今天所謂的 FDE+平臺、剛剛興起的 BPO等商業(yè)模式也就不一定存在。

雷峰網(wǎng)：可以就通用/泛化與垂類的關(guān)系展開說說嗎？

離哲：我覺得泛化大概率會打敗垂類。

今天很多企業(yè)（尤其是很多垂類創(chuàng)業(yè)公司）做的所謂垂類，缺少壁壘（有數(shù)據(jù)或數(shù)據(jù)模型的除外）。只是今天有很多企業(yè)在應(yīng)用AI的不同階段，從適配、接入改造再到價值升級的不同階段中，需要一些角色如當(dāng)前所謂的垂類來輔助完成階段性任務(wù)。所以大家在這段時間會感覺垂類有價值，會覺得垂類能提高自己的效率，因為大家的起點都比較低。等大家都發(fā)展起來后，垂類的價值就不特別明顯了。

雷峰網(wǎng)：您得出“泛化會打敗垂類”這一結(jié)論的依據(jù)是什么？

離哲：我們在服務(wù)很多海外客戶的時候，能明顯感覺到他們對 ChatGPT、 Claude 的依賴遠超垂類。這主要是因為通用大模型的演進很快，通用大模型的生態(tài)也很強大，他們現(xiàn)在的工具都在往上適配。在適配的過程中，它的能力也會越來越強，你會發(fā)現(xiàn) ChatGPT 、Claude 每次發(fā)布新版本后，一些淺層垂類就容易被淘汰。

比如Claude 前不久推出了Interactive Tools，這是件標(biāo)志性大事，可能會顛覆未來軟件的發(fā)展。因為它預(yù)示著未來任何軟件都可以headless 化，不需要有界面，而且它在1/26 還定義和發(fā)布了一套規(guī)范—MCP Apps，圍繞LLM的一體化UI以及跨應(yīng)用交互規(guī)范，這才是真的革命SaaS最后一環(huán)。

LLM負責(zé)思考，Agent Skills負責(zé)注入領(lǐng)域知識，記憶湖負責(zé)鏈接以及組織多模態(tài)數(shù)據(jù)，MCP負責(zé) 通訊/調(diào)用/局部界面生成（MCPApps），新一代的應(yīng)用范式實現(xiàn)軟件業(yè)更迭。當(dāng)App 融入 MCP Apps 生態(tài)之后，受到最大傷害的就是垂類。在這之前，小垂類可能說我比大公司做的好， Interactive Tools出來后，當(dāng)前的垂類可能都會受到?jīng)_擊。

雷峰網(wǎng)：您判斷“泛化或?qū)⒋驍〈诡悺保洃浘哂小耙π?yīng)”。這是否可以理解為，多模態(tài)記憶平臺將成為AI時代的基礎(chǔ)設(shè)施范式？就像云時代的數(shù)據(jù)平臺。

離哲：是的。記憶會是AI 時代的主角，記憶平臺解決的不僅是“記得住”，更是“如何深度理解”、“如何深度組織”、“如何動態(tài)基于Query 構(gòu)建”的范式問題。當(dāng)通用大模型的能力通過像MCP/Agent Skills/OpenMemory這樣的規(guī)范與多模態(tài)記憶平臺深度融合，它就獲得了持續(xù)進化的、可信的“經(jīng)驗”和“知識”。這改變了軟件構(gòu)建的范式。我們堅信，定義并實現(xiàn)這套“記憶驅(qū)動智能”新范式的公司，將有機會成為AI時代的基石企業(yè)。

雷峰網(wǎng)：質(zhì)變科技在未來如果有像 Manus 這樣的機會，會考慮賣嗎？

離哲：我們不會賣，雖然現(xiàn)在有很多公司想并購我們，但我們認為記憶這件事情在未來有很大的發(fā)展空間，是AI 時代的核心技術(shù)設(shè)施之一。因為記憶是有引力效應(yīng)的，越用越好用，價值越來越大；模型可以隨需切換，但是記憶是企業(yè)需要持續(xù)構(gòu)建的核心資產(chǎn)。加之我們有平臺能力、記憶能力、最佳實踐的優(yōu)勢，我們是有機會做出一個像Databricks、Snowflake 那樣的公司。

此外，國家將人工智能定位為新時代國家戰(zhàn)略性核心技術(shù)與新質(zhì)生產(chǎn)力，強調(diào) AI 不只是技術(shù)產(chǎn)業(yè)工具，而是推動現(xiàn)代化建設(shè)的“基礎(chǔ)設(shè)施”和“關(guān)鍵力量”。從構(gòu)建基礎(chǔ)設(shè)施的視角來看，記憶平臺也是核心基礎(chǔ)設(shè)施之一。

雷峰網(wǎng)：在保持獨立性的前提下，質(zhì)變科技會朝哪些方向發(fā)力？

離哲：在核心技術(shù)方面：我們會持續(xù)構(gòu)建多模態(tài)能力如支持圖片、視頻、音頻以及更多的數(shù)據(jù)源，增強MemoryLake-D1多模態(tài)數(shù)據(jù)模型的準確度、分布式記憶計算能力，提升產(chǎn)品端到端的精準度、可解釋性、可干預(yù)性、安全性；

在市場拓展方面，我們會著重開拓游戲、辦公、具身智能、金融等極具發(fā)展前景的市場領(lǐng)域；

在技術(shù)研究方面，我們將深入對分布式記憶計算能力（記憶規(guī)模會持續(xù)加速增長）、端到端的記憶評估體系建設(shè)。

歡迎添加作者微信：GO-GO-ZEPPELI，了解AI行業(yè)的更多內(nèi)部故事與發(fā)展新動向。