一位失憶患者，揭開了AI記憶的誤區

聞樂 發自 凹非寺
量子位 | 公眾號 QbitAI

1953年，亨利·莫萊森（簡稱H.M.）走進了一間實驗室。

彼時的他不會想到，往后自己會成為神經科學發展史上標志性的案例。

為根治從小反復發作的癲癇，醫生切除了他大腦內側顳葉的部分組織。

手術成功控制住了癲癇，但也帶來了無法逆轉的副作用：他再也無法形成長期的全新記憶。

童年的往事、舊日的住所他記憶猶新；可幾分鐘前剛聊過的人和事，轉瞬便會徹底清零。

科研人員短暫離開再折返回來，H.M.總會像初次見面一樣，禮貌地重新問候眼前這個人。

不過，真正顛覆學界認知的并不是他失憶這件事，而是鏡像描畫實驗帶來的發現。

記住，不等于想起來

研究人員安排他看著鏡子臨摹復雜圖案。

雖然他完全不記得自己練習過這項任務，但日復一日下來，他的手法越來越熟練。

身體記住了經驗，可他的意識對此一無所知。

這件事讓科學家明白：存儲經歷和主動回想是兩套各自獨立的過程

信息可以被保留，卻不一定能被調取。

如果H.M.代表記憶缺失的極端，俄羅斯記者所羅門·舍雷舍夫斯基則站在了另一個極端。

他可以長久記住海量文字、數字和細碎畫面，可超強記憶反倒成了枷鎖——

他沒法過濾無用細節，氣味、畫面、零碎往事隨時隨地涌上腦海，繁雜信息擠占了思考空間，導致他很難從具體畫面中提煉出抽象理解。

兩個案例印證了同一個核心道理：遺忘并不是記憶的漏洞，它本就是記憶自帶的能力

高效的記憶，是篩選關鍵內容、舍棄瑣碎細節，后續再結合現實重新理解過往。

但反觀當下的AI行業，大家做的恰好是相反的事。

現在主流AI記憶方案邏輯十分單一：

把過往對話全部儲存，借助向量匹配，檢索相似度高的聊天片段用來回答問題。

不管是RAG檢索還是超長上下文，本質只是在做存儲和關鍵詞匹配。

它調取的是歷史記錄，算不上真正意義上的回憶，內容相似，并不代表貼合問題本身。

為什么相似不等于相關？

特德·姜在小說《雙面真相》里，借兩種截然不同的記憶邏輯給出了更深的解釋。

第一種叫vough（事實存檔），只客觀記錄真實發生過的全部細節，不加主觀改動。

故事中一位父親，機器錄像清清楚楚證明是他率先指責了女兒；但在自我辯解的本能驅使下，他腦海里篡改了事實，一直認定是女兒傷害了自己。

第二種叫mimi（現實解讀），結合當下處境對過往經歷做出合理理解，幫我們自洽地繼續生活。

人腦有一個天生的特性，每次回憶往事的時候，都會悄悄改寫記憶內容。回憶和修改過往經歷，是人腦綁定在一起的本能。每一次想起，都是一次重寫。

但AI可以打破這種束縛。

原始事實的存檔和結合當下的回憶推理，完全可以拆分成兩套獨立系統。

存檔階段恪守客觀事實，一旦記錄完畢就絕不改動；回憶階段針對當下問題，綜合多條線索重新推導答案。

回憶不該只是簡單查表，而是結合現狀重新梳理過往經驗。

一群來自上海交大、哈佛、CMU、芝加哥大學、清華、UC Berkeley、JHU、復旦、UCL等名校的年輕人，創辦Shadoweave（織影）團隊，自研了HolographicMemorySystem全息記憶系統，正是沿著這套思路在工程上落地。

就像全息底片哪怕只剩碎片，依舊能夠復原整張圖片，人類的回憶，也是依靠碎片化線索還原完整經歷。

HMS的做法很明確：

歷史記錄封存之后不再改動；當面對用戶提問時，系統梳理問題對應的時間、人物關系，沿著多條線索搜集信息，交叉核對事實，最后整理出可靠答案。

在完成靜態分層設計之外，HMS更進一步加入了自進化機制，依托真實對話反饋，持續打磨計數去重、日期校正、事實狀態判定等核心能力。

這套自進化邏輯，復刻了人腦里記憶鞏固的原理。

人在睡眠休整期間，海馬體會回放往日經歷，大腦皮層從零散事件里萃取深層規律，沉淀成自己的認知范式。兩者本質相通，都是對海量信息做精簡提煉。

一套架構是否可行，最終要看實測結果。

在基準測試中，最終HMS在LongMemEval和LoCoMo兩項測試中同時登頂，準確率暫時處于領先水平。

從單次回憶到長期記憶底座

解決了單次調取記憶的難題之后，更深一層的問題隨之而來：這些長期積累的Memory，應該存放在哪里，又應該如何持續生長？

帶著這個問題，團隊正在開發他們的產品Memory Bank，希望把記憶能力真正帶入用戶的日常使用場景。

在人類認知中，記憶本來就是一個動態系統，它不斷壓縮舊信息、更新已有認知、把零散片段重構成更凝練的經驗。

Sutton的Oak Lab就是主張AI仿照人類邏輯，依托長期記憶生成經驗，這種經驗沉淀之后催生出智能。

而Memory Bank背后也是這種記憶觀。

經驗沉淀的原材料，藏在每個人日常的碎片化交互里。

但用戶的聊天記錄躺在對話應用里，瀏覽歷史鎖在瀏覽器里，會議、文檔、日程又各自分屬不同平臺，每個AI只能接觸其中一小部分局部信息。

于是每一次在不同平臺的交互都要重新建立上下文，AI的經驗永遠無法結轉，也無法形成對用戶的連續認知。

Memory Bank想做的，是統一管理這些長期積累的狀態信息，讓不同模型、不同Agent共享同一份連續記憶

打通統一記憶層之后，上游的每一種認知節點就能借助統一記憶表征實現經驗積累，進而為智能在多模型之間流轉創造條件。

落到日常體驗上，它就能適配每個人碎片化的數字生活。

比如開會之前系統根據會議標題、參會人和議題自動召回相關記憶；打開一個聊天窗口時它按聯系人召回上次聊過什么、對方偏好什么、還有哪些事情需要跟進；寫作時相關的歷史材料會在輸入框旁自然浮現……

每一條被召回的記憶都帶著來源、時間和置信度，用戶可以查看、隱藏、刪除記憶或是停用對應數據源。

后續Memory Bank也將支持跨應用、跨設備、跨Agent共享長期記憶，并把授權、管理、刪除做成完整能力，讓記憶始終握在用戶自己手里。

當然了，從這個定位上來看，Memory Bank并不打算取代任何一個應用。

它真正的價值在于讓不同的模型能夠基于同一套Memory持續工作，為Agent長期運行提供基礎設施。

不只是Memory

在記憶之外，團隊還有更深層的思考：未來AI持續運行的過程中，真正需要管理的是不斷產生和變化的狀態。

記憶只是這種動態狀態的一部分，更關鍵的命題是圍繞這種動態狀態構建一種新的計算范式。

沿著這個思路繼續延伸就能發現：機器人邊緣計算、近存計算和AI記憶，三者底層邏輯高度一致——

讓狀態盡量留在產生和消費它的地方，局部問題在本地完成閉環，只將必要信息向上提交全局處理。

芯片設計依靠這套邏輯削減數據搬運成本，人腦借此劃分本能反射與深度思考……

織影（Shadoweave）同樣把這套準則引入AI記憶體系，區分本地留存內容和全局共享內容。

到這里，一個更本質問題浮出水面：為什么記憶注定獨立成層？

計算機體系結構早已給出答案。

大模型本質只是一個認知節點，負責推理計算；記憶是和推理正交的另一套命題，它處理信息的組織、篩選、遺忘、整合。

就像計算機誕生之初，CPU和存儲本就是兩套分立系統，沒有人會因為CPU廠商實力強勁，就否定存儲獨立存在的價值。

緩存、內存、硬盤組成的存儲層級，最終成長為萬億級賽道，決定整機運行上限。

如今AI或許正在復刻這段歷史。

當下的大模型、未來全新模型形態、落地現實的具身智能，全是獨立的認知節點，但它們都迫切需要同一種東西：可以持久保存、跨會話生效、隨使用持續迭代的記憶層。

現階段行業里大家靠RAG零散搭建記憶，和早年每一臺電腦自己焊接存儲如出一轍。

碎片化修補只是過渡期，最終行業或許會收斂為一套通用記憶底座。

但通用記憶層天然要求中立。當記憶以標準化、中立的形態，在不同模型、Agent、設備間流轉繼承，它就脫離單一產品的私有功能，升級為AI時代的記憶協議

模型廠商可以做適配自家產品的淺層記憶，但不太可能搭建跨廠商的公共記憶層，畢竟誰都不愿意把自身智能的根基交到競爭對手手里。

這便是織影（Shadoweave）的定位：不去開發一款定制化記憶工具，而是打造面向全行業的AI記憶協議。

回看科技發展史，80年代勝出的不是某一臺PC，而是統一操作系統；90年代出圈的不是單一瀏覽器，而是實現萬物互聯的TCP/IP；2010年代紅利不屬于某一款芯片，而是可以調度海量算力的CUDA。

一旦記憶協議成型，托起的就不再是一款產品，而是完整的智能生態。

在此基礎上團隊持續打磨Memory IR、Memory Runtime，開放Memory SDK與新一代Memory Benchmark。

后續會將持久記憶打通感知、推理、控制、具身行動，任何機器人、Agent接入體系后，直接繼承過往沉淀下來的經驗規律，不必從零學習。

回望開篇，H.M.暴露了人腦記憶的一個根本局限：存儲和回憶可以被手術刀分離；

舍雷舍夫斯基則暴露了另一個極端：無限存儲反而窒息了理解；

而《雙面真相》里的那位父親又揭示了第三種困境，人類的記憶總會為了自我敘事篡改事實，客觀事實vough和服務當下理解的mimi在人腦里很難徹底分開。

但機器擁有先天優勢，可以將忠實存檔和定向回憶徹底拆開。

過去數年行業比拼的都是模型單次推理的天花板，但模型決定AI單次有多聰明，記憶決定這份聰明能不能沉淀、延續、代代繼承。

當AI不再是結束每次對話都失憶的天才，可以長久記住人和過往經歷時，記憶基礎設施的戰略價值，可能完全不輸今天的算力基礎設施。

特德·姜借書中人物道出核心要義：數字記憶真正的優勢，不在于證明自己永遠正確，而是敢于承認自己出錯。

因此判斷AI真正擁有記憶的標準，從來不是儲存的信息更多，而是學會基于碎片化線索重建過往，并且愿意承認自己記錯。

放到AI語境里就是，原始事實固定不變，但推理結論可以被重新審視。

這正是織影（Shadoweave）團隊踐行的設計思路，原始記憶嚴格封存絕不改動，AI開展回憶推理時，依托多條證據交叉核驗，如果新線索推翻舊判斷，系統就會摒棄之前的錯誤結論。

依靠這套機制，AI才擁有真正的回憶能力。