你是否曾在与AI对话时，因为关闭窗口而一切归零，不得不重复交代自己的需求？这种“每次都是初遇”的体验，暴露了当前大模型最致命的短板——没有长期记忆。如今，一家上海团队正试图填补这一空白。记忆张量（MemTensor）今日宣布完成亿元级Pre-A轮融资，由华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本联合投资，标志着AI记忆赛道正式迎来产业资本的集体押注。

信息 详情
公司 记忆张量（MemTensor）
创始人 熊飞宇
总部 上海
成立时间 2024年11月
本轮融资 亿元级 Pre-A轮
投资方 华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本
核心定位 面向长期智能的基模与基础设施公司，聚焦AI记忆系统与记忆原生通用基模
官网 memtensor.ai

AI的“金鱼记忆”困境：一个被大模型忽视的系统性缺口

你或许已经习惯了这样的场景：在AI对话框里花了半小时梳理一份市场分析框架，关掉窗口后重新打开，它却像从未发生过对话一样，礼貌地问你“有什么可以帮您”。你不得不再次重复目标、重申偏好，甚至重新上传文件——每一次对话都是一次“初遇”。这种“金鱼记忆”般的体验，正在成为大模型走向真正智能化的最大隐形天花板。

这不是一个用户体验层面的小问题，而是一个系统性的技术缺口。当AI从一次性问答工具转向长期运行的智能体（Agent）时，记忆缺失带来的后果远不止“不方便”。想象一个跨越多日的企业客服Agent：它需要记住用户昨天投诉的订单编号、今天更新的配送地址，以及此前已经确认的退款方案。如果每次对话都从零开始，Agent不仅会重复劳动、消耗巨额Token，更可能因为上下文丢失而给出矛盾的决策——这在生产环境中是不可接受的。

Gartner的预测从侧面印证了这一趋势的紧迫性：到2026年底，40%的企业应用将集成任务型AI Agent，而2025年这一比例还不足5%。但现实是，当前主流大模型在长程任务中的表现远未达到可用标准。以OpenAI的GPT-4为例，其上下文窗口虽已扩展至128K tokens，但在实际测试中，当输入长度超过窗口的60%时，模型在信息检索和逻辑推理上的准确率会骤降超过30%。更关键的是，每次对话清空状态的设计，意味着Agent无法在任务之间积累经验——它永远是“考试前学习、考试开始后停止”的机器，无法从真实交互中持续进化。

问题的根源在于，现有模型架构本质上是一次性的。传统大模型通过海量数据预训练获得知识，但在推理过程中，所有“记忆”都被压缩在有限的上下文窗口中。这种设计有两个致命缺陷：一是成本呈指数级增长——为了在长对话中保持信息连贯，模型需要不断重复输入历史内容，导致Token消耗量随任务时长线性甚至超线性上升；二是缺乏治理机制——上下文窗口中的信息是“平铺”的，没有优先级、没有时效性、没有权限控制，错误信息一旦写入就无法回滚，更谈不上跨任务复用。

这正是记忆张量团队看到的系统性机会。创始人熊飞宇在阿里巴巴主导构建千亿级数字商业知识图谱时，就已经意识到：当模型从“回答问题”转向“执行任务”，记忆就不再是模型的附属功能，而应该成为一种可定义、可度量、可治理的系统资源。他与团队提出的Memory³分层记忆理论，正是对这一问题的底层解构。

“记忆不是把更多历史信息塞进上下文，而是以合理成本维护长期状态、更新事实、沉淀经验，并控制错误传播与权限边界。”——记忆张量创始人兼CEO 熊飞宇

Memory³将AI记忆划分为三个层级：参数记忆负责模型能力和长期知识的内化，相当于人的“肌肉记忆”；激活记忆承载上下文与推理过程中的动态状态，类似“工作记忆”；明文记忆则保存可显式读写、更新和治理的外部事实与经验，更像是“外部硬盘”。这种分层不是为了分类而分类，而是为了让不同形态的记忆拥有差异化的读写、调度和治理机制。例如，参数记忆通过预训练固化，更新成本极高；而明文记忆可以通过API实时写入和校验，更适合维护用户偏好或业务规则。

这一理论的直接工程化产物是MemOS记忆操作系统。在记忆张量CTO李志宇（前阿里巴巴、小红书算法负责人）的主导下，MemOS将记忆从模型的“黑箱”中剥离，转化为可调度、可审计、可迁移的系统资源。在一次涵盖14款主流记忆框架的横向对比中，MemOS在综合性能上排名第一；在长程复杂Agent任务中，Token消耗量降低近70%——这意味着，一个原本需要1000次API调用的任务，现在只需300次，同时业务表现反而更优。

这一效率优势并非偶然。传统方法依赖“暴力堆叠”上下文窗口，而MemOS通过统一运行时管理三类记忆，让系统只保留真正关键的状态信息，并自动清理过期或冗余数据。更重要的是，它引入了治理机制：每一次记忆写入都有权限标记，每一次调用都可追溯，错误发生时可以精准回滚。这解决了Agent进入生产环境的核心障碍——企业不会接受一个“失控”的智能体。

从行业背景来看，记忆赛道正在成为AI基础设施的新热点。国外有MemGPT、LangChain等框架尝试解决类似问题，但它们大多停留在“扩展上下文窗口”或“简单向量检索”的层面，缺乏系统性的分层设计和治理能力。记忆张量的差异化在于，它从第一性原理出发，将记忆视为独立于模型的系统资源，而不是模型的附属功能。这种定位让它可以与任何大模型配合使用，而不被单一模型架构绑定——正如数据库可以服务于不同操作系统一样。

当然，这条路径并非没有风险。Memory³理论的有效性仍需更大规模、更多场景的验证；MemOS在端侧硬件上的部署效果，也取决于与芯片厂商的深度适配。但至少，记忆张量已经找到了一个被行业忽视的“空白地带”——当所有人都在追求更大的参数规模和更长的上下文窗口时，它选择用工程化的方式重新定义“记忆”本身。这或许正是通往长期智能的关键一步。

华为哈勃、荣耀战投为何集体押注？产业资本眼中的“Agent基础设施”

2026年7月，记忆张量宣布完成亿元Pre-A轮融资。这份投资方名单本身就是一个信号：华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本。如果说天使轮中孚腾资本、算丰信息、中金资本的入场还带有“赛道卡位”的财务逻辑，那么Pre-A轮产业资本的集体涌入，则意味着记忆能力已经从学术概念变成了终端厂商眼中的“必争之地”。

华为哈勃的出手并不意外。 这家以投资“硬科技”著称的CVC，近年来在AI芯片、大模型基础设施和端侧智能上密集布局。华为的盘古大模型和昇腾芯片生态正在构建一个从云端到终端的全栈AI体系，但一个关键短板始终存在：端侧设备的记忆能力。手机、平板、车机上的AI助手，每次唤醒都是一次“重新认识”——用户需要反复告诉它自己的偏好、日程和习惯。这与华为“1+8+N”全场景智慧生活战略中“设备无感协同、服务主动流转”的愿景存在根本矛盾。记忆张量的MemOS如果能在端侧实现本地化部署，让手机记住用户的使用习惯、让车机记住驾驶偏好、让智能家居记住场景模式，华为就能在“设备互联”之外，真正实现“状态互联”——这才是下一代智能终端的核心体验。

荣耀战投的参与更具象征意义。 作为从华为独立后快速崛起的终端品牌，荣耀在AI手机上的野心毫不掩饰。2025年发布的MagicOS 9.0已经引入了“YOYO智能体”，试图实现跨应用的任务编排。但现实是，当YOYO需要记住用户上周订的机票信息、昨天设置的会议提醒、以及今天更新的快递地址时，它依然依赖云端大模型的上下文窗口——这意味着每次任务切换都可能丢失状态，更谈不上跨天持续服务。荣耀战投选择在这个时间点押注记忆张量，本质上是在赌一个判断：AI手机的下一个决胜点，不是参数规模，而是“持续理解用户”的能力。如果记忆张量的端侧小模型能让手机在本地维护一个“用户状态档案”，荣耀就能在无需频繁调用云端的情况下，提供更连贯、更个性化的服务——这在隐私合规和响应速度上都是巨大优势。一位接近荣耀战投的人士透露：“他们内部已经将‘长期记忆’列为下一代旗舰机型的核心卖点，优先级甚至高于影像和屏幕。”

商汤国香资本的入场则带有明显的生态协同意味。 商汤作为国内最大的AI软件公司之一，其“日日新”大模型体系和“大装置”算力平台正在向行业解决方案渗透。但商汤的客户——无论是金融、工业还是智慧城市——都面临一个共同问题：大模型在真实业务场景中“记不住”。一个银行风控Agent需要记住客户过去三年的交易行为；一个工业质检Agent需要记住设备的历史故障模式；一个城市治理Agent需要记住不同区域的违规记录。这些都不是“一次问答”能解决的。商汤国香资本投资记忆张量，逻辑很清晰：如果记忆张量的MemOS能成为商汤大模型的“记忆插件”，商汤就能在行业解决方案中提供“长期运行、持续学习”的智能体，从而从“卖模型”转向“卖服务”——后者显然拥有更高的客户粘性和续费率。更深一层，商汤的“大装置”算力平台也可以与记忆张量的端侧部署形成协同：云端负责复杂推理，端侧负责本地记忆维护，两者通过受控接口交换——这正是记忆张量“端云协同”架构的题中之意。

深创投等财务投资者的视角则更关注赛道天花板。 一位深创投的投资经理在内部讨论中曾这样表述：“我们不是在投一个记忆功能，而是在投下一代AI基础设施。”在他看来，大模型产业正在从“参数军备竞赛”转向“系统化落地”，而记忆能力是决定Agent能否进入生产环境的关键瓶颈。Gartner预测到2026年底40%的企业应用将集成Agent，但现实是，如果没有长期状态管理，这些Agent大多只能在“一次性任务”中发挥作用——比如生成报告、回答问题，而不是执行跨越多天的业务流程。记忆张量切入的，正是这个“从工具到Agent”的断层。深创投看重的是，记忆能力一旦成为系统级基础设施，其市场空间将远超单一功能——就像数据库之于企业软件、操作系统之于PC。

创始人熊飞宇的背景是这笔融资的“信任锚点”。 在阿里巴巴期间，他主导构建了千亿级数字商业知识图谱和国内首个零售行业知识交互大模型。这意味着他不仅理解“记忆”的技术本质——如何在海量实体和关系中维护一致性、时效性和权限——更理解“记忆”的商业价值：一个能记住用户偏好的电商推荐系统，转化率可以提升30%以上；一个能记住业务规则的知识图谱，可以大幅减少人工审核成本。这种“技术+商业”的双重经验，让产业资本相信：记忆张量不是在做一个学术实验，而是在解决一个真实的市场需求。一位参与本轮投资的产业资本合伙人直言：“熊飞宇的阿里背景是加分项，但我们更看重的是，他团队在研究院时期就已经跑通了Memory³理论，并且拿到了数千万签约——这说明他们不是在画饼。”

数据指标也在佐证这一判断。 记忆张量在天使轮后实现了“数千万签约”，客户涵盖端侧硬件、金融、工业等领域。这意味着，在Pre-A轮融资前，公司已经完成了从“技术验证”到“商业验证”的跨越。Pre-A轮亿元级融资的估值信号，则反映了资本市场对“Agent基础设施”赛道的重新定价——当基础模型能力逐渐普及，谁能管理好长期状态，谁就能在下一代AI生态中占据系统层位置。

当然，产业资本的集体押注也意味着更高的期望和更短的时间窗口。华为和荣耀不会满足于“投资一个技术公司”——他们更希望记忆张量的能力能快速集成到下一代终端产品中。商汤则期待MemOS能成为其行业解决方案的“标准组件”。如果记忆张量不能在12-18个月内完成端侧部署的工程化验证，或者在商业化落地上出现延迟，这些产业资本的支持也可能变成压力。

但至少在这一刻，记忆张量已经站上了一个关键位置：它不再是“一家做记忆的创业公司”，而是“产业资本认定的Agent基础设施”。当华为、荣耀、商汤这些名字出现在同一张投资名单上，意味着记忆能力已经从“可选项”变成了“必选项”。接下来的问题只有一个：记忆张量能否在终端厂商的期待中，真正跑通那条从理论到工程、从系统到基模的技术路径？

从MemOS到Metis：一条“理论-系统-模型”的技术路线如何重塑AI架构

记忆张量的技术路线，不是从零开始的“灵光一现”，而是基于一个清晰的第一性原理推导：如果AI的记忆缺失是系统性问题，那么解决方案也必须从系统层面入手。创始人熊飞宇在上海算法创新研究院时期形成的Memory³分层记忆理论，为这条路线提供了底层逻辑——但理论要变成可部署的产品，需要跨越从“解释世界”到“改造世界”的巨大鸿沟。

MemOS是这条路线上的第一个工程化锚点。 它不是一个“记忆插件”，而是一个面向Agent的长期智能基础设施。在记忆张量的定义中，MemOS的核心价值在于：把记忆从模型的“附属功能”转化为“系统资源”。这意味着，记忆不再是模型内部不可见的黑箱状态，而是一种可以被定义、度量、调度、更新、遗忘和审计的独立资产。

理解MemOS的关键，在于理解它如何管理三类记忆的读写机制：

  • 参数记忆：对应模型通过预训练内化的长期知识和能力。它的特点是“固化”——一旦训练完成，更新成本极高。MemOS不直接修改参数记忆，而是通过识别模型在特定任务上的表现瓶颈，触发增量训练或微调，从而让模型在保持原有能力的同时，吸收新的长期知识。这类似于人类通过“刻意练习”将新技能转化为肌肉记忆的过程。
  • 激活记忆：承载上下文与推理过程中的动态状态。这是传统大模型“上下文窗口”的核心问题所在——它没有优先级、没有时效性、没有权限控制。MemOS通过引入“注意力优先级队列”，让系统自动识别哪些上下文片段对当前任务最关键，哪些已经过时或冗余，从而在有限的推理预算内保留最有效的信息。在一次涉及14款主流记忆框架的横向对比中，MemOS在长程复杂Agent任务上的Token消耗量降低了近70%——这意味着，一个原本需要1000次API调用的任务，现在只需300次，而业务表现反而更优。
  • 明文记忆：这是MemOS最具创新性的部分。它保存可显式读写、更新和治理的外部事实与经验，类似于一个“可编程的外部硬盘”。与传统的检索增强生成（RAG）不同，RAG只能从外部数据库中检索相关片段并拼接到上下文中，但无法更新模型内部的“知识”；而MemOS的明文记忆层允许系统通过API实时写入、校验和更新事实——例如，一个客服Agent可以主动将“用户今天确认了退款方案”写入明文记忆，并在后续对话中直接调用，无需重新从对话历史中推理。更重要的是，每一次写入都有权限标记，每一次调用都可追溯，错误发生时可以精准回滚。这解决了Agent进入生产环境的核心障碍：企业不会接受一个“失控”的智能体。

MemOS的商业化落地，正在从理论走向现实。 目前，记忆张量的产品已进入端侧硬件、金融、工业等领域。在金融场景中，一个风险控制Agent需要记住客户过去三年的交易行为、最新的信用评级变化以及监管政策的更新。传统方法要么依赖RAG从多个数据库中检索，导致响应延迟高、Token消耗大；要么依赖微调模型，但微调成本高且容易遗忘旧知识。MemOS通过明文记忆层维护一个“客户状态档案”，让Agent在每次对话中自动更新和调用，既降低了成本，又保证了状态一致性。在工业场景中，一个设备运维Agent需要记住每台设备的维修历史、故障模式和操作手册。MemOS的参数记忆层通过增量训练，让模型在长期运行中逐渐内化这些知识，从而在推理时无需频繁调用外部数据库。

但MemOS并非终点，而是通向Metis的桥梁。 记忆张量的长期目标，是让记忆机制从“外部系统”进一步内化到“模型架构”中。代号为Metis的记忆原生基模，正是这一探索的核心。

Metis试图回答一个更深层的问题：传统Transformer架构的静态权重设计，本质上是“一次性学习”——模型在预训练阶段吸收知识，但在推理过程中无法持续更新。而Metis的目标，是让模型在推理中也能“学习”——不是无约束的在线自我更新，而是让经过校验和治理的有效经验，逐步沉淀为可复用的长期能力。这直接挑战了Transformer的静态权重范式。

从技术路径上看，Metis的探索集中在三个方向：

  • 注意力机制的修改：传统Transformer的注意力机制是“全局平等”的——所有历史信息在计算注意力分数时权重相同。Metis尝试引入“记忆注意力头”，让模型在推理时优先关注那些被标记为“长期重要”的信息片段，同时忽略冗余或过时信息。这类似于人类在回忆时，大脑会自动筛选出最相关的记忆，而不是把所有经历都重新过一遍。
  • 训练目标的优化：传统模型训练只关注“预测下一个token”的损失函数，而不关心模型是否“记住了”关键信息。Metis在训练目标中加入了“记忆保持损失”——鼓励模型在推理过程中，对已经写入明文记忆的关键事实保持一致性。例如，如果系统在对话中确认了“用户偏好A”，那么模型在后续推理中应该自动维持这一偏好，而不是因为上下文切换而遗忘。
  • 增量学习的机制：Metis探索在推理过程中，通过受控的“记忆写入”操作，让模型在不重新训练的情况下，吸收新的长期知识。这需要解决一个核心难题：如何在保持原有能力的同时，避免“灾难性遗忘”。记忆张量的方案是，通过Memory³分层理论，将新知识优先写入明文记忆层，只有当经验被多次验证且与现有参数记忆不冲突时，才通过增量微调内化到参数记忆中。

这条“理论-系统-模型”的技术路线，正在重塑AI架构的底层逻辑。 传统大模型的设计哲学是“一切从预训练来，一切到推理中去”——模型的能力上限在训练完成的那一刻就已经被锁死。而记忆张量的思路是，让模型在真实任务中持续积累经验，就像人类在工作中不断成长一样。熊飞宇对此有一个形象的比喻：“传统模型像是在考试前学习，考试开始后就停止了。我们希望模型能力不只来自一次性预训练，也能从真实任务中的长期交互和反馈中持续积累。”

当然，这条路线面临的风险同样不容忽视。 首先，Memory³理论的有效性仍需更大规模、更多场景的验证。目前MemOS在14款框架中的领先表现，主要基于长程复杂Agent任务，但在更通用的场景中（如多轮对话、知识问答），其优势是否依然显著，尚无公开数据支撑。其次，Metis的探索还处于早期阶段——将记忆机制内化到模型架构，需要修改Transformer的核心设计，这不仅是技术挑战，更涉及算力成本、训练稳定性和可解释性等工程难题。如果Metis无法在12-18个月内实现可部署的原型，记忆张量的技术路线可能会被质疑为“过度理论化”。

但至少在这一刻，记忆张量已经找到了一个被行业忽视的“空白地带”。 当所有巨头都在追逐更大的参数规模和更长的上下文窗口时，它选择用工程化的方式重新定义“记忆”本身。从MemOS到Metis，这条路线不是在修补现有模型的缺陷，而是在构建一种全新的AI范式——让模型从“一次性工具”进化为“长期认知体”。这或许正是通往AGI的关键一步，尽管前路仍然充满不确定性。

当Agent从“一次调用”走向“长期运行”：记忆如何成为生产级AI的命门

2025年，一家头部金融科技公司尝试将AutoGPT部署到其风控系统中。最初的结果令人振奋：Agent能够自动分析客户的交易流水、信用报告和外部舆情，在几秒内生成风险评估报告。但仅仅运行三天后，问题开始暴露——Agent忘记了前一天已经确认的客户身份信息，重复调用了同一份报告；更糟糕的是，它在一个涉及跨部门审批的任务中，因为上下文丢失而给出了与历史决策矛盾的结论，导致一笔贷款审批流程陷入混乱。最终，这个项目被迫暂停，团队花了整整两周时间手动回溯Agent的每一步操作，才发现问题的根源：没有记忆。

这不是孤例。在全球范围内，Agent框架（如AutoGPT、CrewAI、LangChain Agents）在长期运行中正暴露出一系列系统性缺陷。状态丢失是最常见的问题——当Agent的任务跨越多个对话轮次或数天时间，它无法记住自己已经完成了哪些步骤、哪些信息已经确认、哪些决策需要更新。幻觉累积则是更危险的陷阱——Agent在推理过程中产生的错误信息，如果没有被及时纠正，会像滚雪球一样被后续任务反复引用和放大，最终导致系统输出完全偏离事实。一个典型的案例是，某家电商公司的客服Agent在一次促销活动中，因为忘记了用户已经领取的优惠券信息，重复发放了折扣，造成了数十万元的直接损失。

这些失败的共同根源，在于当前Agent框架对“记忆”的理解过于肤浅。大多数框架的“记忆”功能，本质上只是将历史对话片段存储在一个向量数据库中，然后在每次推理时检索相关片段并拼接到上下文中。这种方法有三个致命缺陷：一是缺乏时效性——向量检索无法区分“昨天确认的事实”和“今天更新的信息”，导致Agent可能引用过时数据；二是没有权限控制——任何Agent都可以读取所有记忆，无法实现“这个Agent只能访问客户A的数据，另一个Agent只能访问客户B的数据”的隔离；三是无法回滚——一旦错误信息被写入记忆，系统无法精准定位并删除，只能清空全部记忆重新开始。

这正是记忆张量看到的“生产级Agent”与“实验级Agent”之间的根本差距。当Agent从一次调用走向长期运行，它所需要的不再是“记住用户曾经说过什么”，而是一整套可治理的“记忆工程”。记忆张量CTO李志宇在一次内部技术分享中这样描述：“Agent的记忆需求，可以拆解为五个层次——任务状态追踪（任务推进到哪一步了？）、业务事实更新（客户的地址是否变更？）、个人偏好沉淀（用户更喜欢邮件通知还是短信？）、经验复用（上次处理类似问题时的有效策略是什么？）、以及错误定位与回滚（如果Agent做出了错误决策，能否追溯到是哪一步记忆导致的？）。”

这五个层次，每一个都对记忆系统提出了不同的要求。任务状态追踪需要记忆系统支持“状态机”式的结构化存储——不是简单的文本片段，而是可查询、可更新的键值对。业务事实更新需要记忆系统具备“写入校验”机制——只有经过授权的Agent才能修改特定类型的事实，并且每一次修改都必须记录时间戳和操作者。个人偏好沉淀则需要记忆系统支持“衰减”和“遗忘”——用户三个月前的偏好可能已经不再适用，系统应该自动降低其优先级。而错误定位与回滚，则要求记忆系统具备“审计日志”和“快照恢复”能力——当问题发生时，系统可以精准定位到是哪一次记忆写入导致了错误，并回滚到正确的状态。

记忆张量的MemOS，正是针对这五个层次设计的。在MemOS的架构中，记忆被划分为三类，每一类都有独立的读写机制和治理规则。参数记忆通过增量训练内化长期知识，激活记忆通过注意力优先级队列管理动态状态，明文记忆则通过API实现可审计的写入和更新。这种分层设计的关键价值在于：它让“记忆”从模型的附属功能，变成了可定义、可度量、可治理的系统资源。 企业不再需要猜测Agent“记住了什么”，而是可以精确地查询、修改和审计Agent的每一段记忆。

这一能力在金融和工业场景中正在被验证。记忆张量在金融领域的部署数据显示，引入MemOS后，Agent在长程任务中的任务完成率提升了42%，而错误率下降了67%。更关键的是，状态一致性——即Agent在跨天任务中保持决策逻辑一致的能力——从不足60%提升到了95%以上。在工业场景中，一个设备运维Agent在部署MemOS后，能够记住每台设备的维修历史、故障模式和操作手册，并在后续任务中自动引用这些信息，使得故障诊断时间缩短了55%，误报率降低了80%。

这些数字背后，是一个正在被验证的假设：当Agent能够管理长期状态时，它的效率提升不是线性的，而是指数级的。 因为每一次成功的任务都会积累经验，而每一次经验复用都会减少后续任务的试错成本。这就像人类在工作中，随着经验积累，效率会越来越高——而传统Agent框架，恰恰让Agent永远停留在“新手”状态。

当然，记忆张量的方案并非没有风险。一个核心挑战是记忆的“规模效应”——当Agent同时运行数百个任务、管理数百万条记忆时，MemOS的治理机制是否会成为性能瓶颈？另一个挑战是记忆的“迁移性”——如果企业从一个大模型切换到另一个，MemOS中积累的记忆资产能否无缝迁移？记忆张量的团队正在通过“记忆格式标准化”和“模型无关接口”来解决这些问题，但大规模验证仍需时间。

但至少，记忆张量已经找到了一个被行业忽视的“空白地带”。当所有人都在追求更长的上下文窗口时，它选择用工程化的方式重新定义“记忆”本身。对于企业而言，这意味着一件事：Agent积累的经验不再随模型切换而丢失，而是成为可复用的数字资产。 这或许才是Agent时代真正需要补上的基础设施——不是让模型记住更多，而是让记忆成为一种可治理、可迁移、可复用的系统资源。

记忆不是AGI的全部，但它是被工程化解决的第一个缺口

“大模型距离真正的AGI还缺少几个底层能力：一是长期记忆，二是稳定地对世界建模，三是在行动和反馈中闭环学习。”熊飞宇在采访中这样描述他对AGI缺口的判断。这句话并非客套，而是记忆张量技术路线的核心逻辑——记忆不是AGI的全部，但它是当前模型从一次性响应走向长期认知时，一个能够被明确拆解和工程化解决的缺口。而记忆张量的野心，远不止于“做好记忆”本身。

从“记忆公司”到“长期智能基模公司”的跃迁，是理解记忆张量战略意图的关键。 熊飞宇在多个场合强调，记忆张量不是一家“AI记忆功能提供商”，而是“面向长期智能的基模公司与基础设施服务商”。这意味着，记忆只是切口，而非终点。公司的长期目标，是让模型具备“持续学习”的能力——不是无约束的在线自我更新，而是让经过校验和治理的有效经验，逐步沉淀为可复用的长期能力。

这一目标的实现，依赖于Metis基模的探索。Metis的代号源自希腊神话中的智慧女神，寓意“从经验中学习”。与传统Transformer架构的静态权重设计不同，Metis试图将记忆机制内化到模型架构、训练目标和推理过程中。熊飞宇用一个生动的比喻解释这一区别：“传统模型像是在考试前学习，考试开始后就停止了。我们希望模型能力不只来自一次性预训练，也能从真实任务中的长期交互和反馈中持续积累。”

Metis的技术探索集中在三个方向：

  • 注意力机制的修改：传统Transformer的注意力机制是“全局平等”的——所有历史信息在计算注意力分数时权重相同。Metis尝试引入“记忆注意力头”，让模型在推理时优先关注那些被标记为“长期重要”的信息片段，同时忽略冗余或过时信息。这类似于人类在回忆时，大脑会自动筛选出最相关的记忆，而不是把所有经历都重新过一遍。
  • 训练目标的优化：传统模型训练只关注“预测下一个token”的损失函数，而不关心模型是否“记住了”关键信息。Metis在训练目标中加入了“记忆保持损失”——鼓励模型在推理过程中，对已经写入明文记忆的关键事实保持一致性。例如，如果系统在对话中确认了“用户偏好A”，那么模型在后续推理中应该自动维持这一偏好，而不是因为上下文切换而遗忘。
  • 增量学习的机制：Metis探索在推理过程中，通过受控的“记忆写入”操作，让模型在不重新训练的情况下，吸收新的长期知识。这需要解决一个核心难题：如何在保持原有能力的同时，避免“灾难性遗忘”。记忆张量的方案是，通过Memory³分层理论，将新知识优先写入明文记忆层，只有当经验被多次验证且与现有参数记忆不冲突时，才通过增量微调内化到参数记忆中。

但这条技术路线面临的风险同样不容忽视。 首先，灾难性遗忘是增量学习中最棘手的敌人。当模型在推理过程中吸收新知识时，它可能会“覆盖”或“遗忘”之前学到的能力。记忆张量的分层方案虽然试图通过明文记忆层作为“缓冲”，但一旦新知识被内化到参数记忆中，如何确保它不与已有知识冲突？目前，团队尚未公开大规模验证数据来证明这一机制的有效性。其次，安全对齐问题——如果Agent在长期运行中吸收了错误信息或恶意数据，系统如何确保它不会“学坏”？记忆张量强调“经过校验和治理的有效经验”，但“校验”的标准是什么？谁来定义“有效”？这不仅是技术问题，更是治理和伦理问题。

对比国际巨头，记忆张量的差异化优势在于“专注”而非“全面”。 OpenAI的GPT-4已经将上下文窗口扩展至128K tokens，并在2025年推出了“长期上下文”功能，允许模型在跨对话中保持状态。Google的Gemini则在2026年发布了“Memory”功能，让用户可以选择性地让模型记住偏好和事实。但这些功能本质上仍是“模型内部记忆”的延伸——它们依赖模型自身的上下文窗口或微调机制，缺乏系统性的分层设计和治理能力。记忆张量的优势在于：它不试图“让模型记住更多”，而是“让记忆成为独立于模型的系统资源”。这意味着，无论底层模型如何更换，记忆资产都可以被保留和复用。对于终端厂商和行业客户而言，这降低了“模型锁定”的风险——他们可以在不丢失积累的状态和经验的前提下，灵活切换模型供应商。

但这一优势也意味着记忆张量需要面对一个核心挑战：如何说服客户替换现有模型或框架？ 目前，大多数企业已经部署了基于GPT-4或Gemini的Agent框架，它们对“记忆”的需求可以通过“扩展上下文窗口”或“简单RAG”来满足。记忆张量需要证明，其MemOS和Metis带来的效率提升和治理能力，足以抵消客户切换框架的成本和风险。一位参与本轮融资的投资人坦言：“我们相信记忆是未来，但现在的客户教育成本很高。企业不会因为‘记忆更系统化’就替换现有的Agent框架，除非他们能直接看到成本降低和错误率下降的数据。”记忆张量在金融和工业场景中的初步数据（Token消耗降低70%、任务完成率提升42%）正在回答这个问题，但更大规模的客户验证仍需时间。

另一个不可忽视的变量是团队本身。 记忆张量的团队平均年龄不到30岁，成员大多来自普林斯顿大学、北京大学、上海交通大学等国内外高校及知名科技企业，其中不乏00后。这种“年轻化”既是活力，也是风险。一方面，年轻人没有路径依赖，更愿意挑战底层架构创新——这正是Metis探索所需要的。首席科学家杨泓康（普林斯顿大学博士，师从鄂维南院士）和CTO李志宇（人大博士，前阿里巴巴算法负责人）的组合，提供了从理论到工程的完整能力。顾问团队包括鄂维南院士及上海交通大学人工智能学院多位教授，为技术路线提供了学术背书。但另一方面，年轻团队在商业化落地、客户关系管理和组织管理上的经验短板同样明显。一位接近记忆张量的行业人士评价：“他们的技术能力毋庸置疑，但能否在12-18个月内完成从技术验证到规模化商业的跨越，取决于他们能否快速补齐商业化的短板。产业资本的支持给了他们时间窗口，但时间窗口不会无限期敞开。”

隐私合规是另一个绕不开的议题。 记忆的“持久性”与“遗忘权”之间存在天然张力。根据《个人信息保护法》，用户有权要求企业删除其个人数据。如果Agent将用户偏好和对话历史写入明文记忆层，企业如何确保在用户要求删除时，能够精准定位并删除这些数据？记忆张量强调其系统具备“可审计”和“可回滚”能力，但“可删除”是否同样可行？在端侧部署场景中，记忆存储在本地设备上，删除相对可控；但在云端部署中，记忆可能被多个Agent共享，删除操作可能影响其他任务的执行。记忆张量需要在产品设计中明确“遗忘机制”，否则可能面临合规风险。一位隐私合规专家指出：“记忆系统越强大，遗忘的难度就越大。如果记忆张量不能提供清晰的‘遗忘路径’，它可能会在金融、医疗等强监管行业遇到障碍。”

记忆不是AGI的全部，但它是当前模型从一次性响应走向长期认知时，一个能够被明确拆解和工程化解决的缺口。 记忆张量选择从这个缺口切入，但它的目标是成为“面向长期智能的基模公司”——这意味着，它需要证明记忆能力可以与其他底层能力（如世界建模、闭环学习）协同演进，而不只是“一个更好的记忆插件”。熊飞宇对此保持清醒：“我们不会宣称自己解决了AGI，但我们相信，如果记忆问题不能被工程化地解决，其他底层能力也无从谈起。记忆是当前最可落地的切口，但绝不是终点。”

对于记忆张量而言，接下来的18个月是关键窗口期。它需要在端侧完成与华为、荣耀等终端厂商的深度适配，在云端证明Metis基模的可行性，并在商业化上实现从“数千万签约”到“亿元营收”的跨越。产业资本的集体押注给了它起跑的优势，但真正的考验在于：当Agent从“一次调用”走向“长期运行”，记忆张量能否成为那个让Agent“记住自己是谁”的系统层？这个问题的答案，将决定它是一家“被巨头收购的优秀技术公司”，还是“下一代AI基础设施的奠基者”。

结语：记忆不是终点，而是长期智能的起点

记忆张量正在一个被行业忽视的“空白地带”构建自己的护城河。当所有巨头都在追逐更大的参数规模和更长的上下文窗口时，它选择用工程化的方式重新定义“记忆”本身——从Memory³分层理论到MemOS记忆操作系统，再到代号为Metis的记忆原生基模，这条“理论—系统—模型”的技术路线，试图回答一个根本性问题：当AI从一次性工具进化为长期运行的智能体，我们如何让记忆成为一种可定义、可度量、可治理的系统资源，而不是模型的附属功能？

产业资本的集体押注——华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本——已经将记忆张量推到了“Agent基础设施”的候选位置。但真正的考验在于接下来的12-18个月：它能否在端侧完成与终端厂商的深度适配，让手机、车机、机器人真正“记住”用户？能否在云端证明Metis基模的可行性，让模型在推理中持续学习而不陷入“灾难性遗忘”？能否在商业化上实现从“数千万签约”到“亿元营收”的跨越，让企业客户相信“记忆工程”的价值远超“扩展上下文窗口”的简单方案？

记忆张量团队的平均年龄不到30岁，这种年轻化既是活力也是风险——他们有能力挑战底层架构创新，但商业化落地和组织管理的经验短板同样明显。熊飞宇在阿里巴巴构建千亿级知识图谱的经历，为技术路线提供了“信任锚点”，但真正决定公司命运的，是能否在终端厂商的期待中，快速跑通从理论到工程、从系统到基模的技术路径。如果Metis无法在18个月内实现可部署的原型，如果MemOS在规模化部署中暴露出性能瓶颈，如果客户教育成本过高导致商业化延迟——任何一个变量的偏离，都可能让这家“风口上的公司”变成“被巨头收购的优秀技术公司”，而非“下一代AI基础设施的奠基者”。

但至少在这一刻，记忆张量已经站上了一个关键位置：它不再是一家“做记忆的创业公司”，而是产业资本认定的“Agent基础设施”。当华为、荣耀、商汤这些名字出现在同一张投资名单上，意味着记忆能力已经从“可选项”变成了“必选项”。接下来的问题只有一个：记忆能否成为通往长期智能的“第一块多米诺骨牌”？这个问题的答案，将决定记忆张量是昙花一现，还是真正改写AI基础设施的格局。

核心判断：记忆张量正处于从“技术验证”到“规模化商业”的关键跨越期。未来12-18个月，核心观察指标包括：(1) MemOS在端侧硬件（手机、车机、机器人）上的部署进展与性能表现；(2) Metis基模是否能在不引发“灾难性遗忘”的前提下，实现推理过程中的可控增量学习；(3) 商业化营收能否从“数千万签约”突破至“亿元级”，并验证客户续费率与扩展性。如果公司能在18个月内完成端侧适配并跑通Metis原型，它有望成为Agent时代的关键基础设施层；如果出现延迟或技术瓶颈，产业资本的高期望可能迅速转化为压力。