丘腦智能完成數千萬元種子輪融資，打造連接模型與用戶的多模態長記憶丨對話創始人張源

2026 年，大模型能力快速躍遷，AI Agent 正在從對話交互工具，走向能夠自主規劃任務、調用工具、持續運行數小時甚至數天的智能體。但在這個過程中，一個越來越明顯的問題正在暴露：Agent 依然缺少對人的持續理解能力。

這背后，正是 AI 記憶（AI Memory）這一層能力還不夠強。

對于人類而言，記憶并不是簡單保存過去發生過什么，而是一個持續篩選、重構和理解經歷的過程：哪些事情重要，哪些信息值得保留，什么時候應該想起某段經歷，以及如何結合當前情境作出判斷。

我們希望 AI 記住自己的工作習慣，理解自己的專業領域，知道過去做過哪些決定，甚至能夠理解一句話背后的情緒和意圖。事實上，當前 Agent 面臨的很多問題，例如長任務執行失敗、跨會話能力不足、自主性有限，背后都指向同一個能力的缺失：長期記憶能力。

這正是張源和她的團隊試圖探索的問題，2025 年她創辦了丘腦智能并擔任 CEO。張源畢業于北京大學，是電子與經濟雙背景，曾在創投行業工作，并先后參與自動駕駛、具身智能等前沿賽道創業。

在過去的產業經歷中，她持續關注 AI 技術從實驗室走向真實應用過程中遇到的問題，也積累了對技術商業化路徑的理解。正是在這一過程中，她逐漸意識到 AI 記憶，可能正是連接基礎模型能力與用戶價值之間缺失的關鍵一層。

在張源看來，AI 記憶的核心并不是信息的存儲，真正困難的問題是：什么應該被記住，什么應該被遺忘，什么時候應該調用哪一段記憶，如何讓 AI 形成對一個人的長期理解。

也正因為如此，張源團隊開始探索一種更接近人類記憶機制的架構，他們希望讓 AI 不只是保存信息，而是能夠對信息進行編碼、整合和更新。未來 AI 的競爭不會只發生在模型參數規模上，基礎模型可能會越來越強，也可能會有多個模型長期共存，但真正決定 AI 能否成為長期智能體的，是它是否擁有圍繞用戶持續積累的數據閉環。

這一判斷也正在獲得資本市場的關注。近日，丘腦智能獲得數千萬元種子輪融資，由一線人民幣基金及產業資本聯合投資，用于推進 AI 記憶技術研發和產業化落地。

以下是我們的對話：

AI 記憶正成為連接模型與人的關鍵基礎中間層

DeepTech：是什么時候開始意識到 AI 記憶是一個必須解決的重要問題？技術路線是如何演進的？

張源：最早是在 2025 年春節前后 DeepSeek 爆火之后，我開始明顯感受到 AI 使用中的一個痛點，與 AI 的對話中很多事情需要重新解釋和重復溝通，模型并不能真正理解用戶過去的上下文。

雖然當時還沒有明確叫 AI 記憶，更多被稱為上下文窗口等概念，但我意識到這里可能存在巨大的商業機會。隨后我們調研了國內外市場，發現國內幾乎沒有團隊專門解決 AI 記憶的問題，而海外雖然有一些探索，但整體仍處于早期階段。

更重要的是，我認為未來 AI 的能力上限會非常高，從基礎模型能力到真正可用的 AI 應用之間，缺少一個關鍵的層級，而這個層由 AI 系統復雜度和個性化數據閉環構成。其中， AI 記憶正是連接用戶與 AI、形成個性化數據閉環的關鍵基礎設施。未來即使多個基礎模型長期共存，不同模型之間存在差異，用戶在不同場景切換模型時，依然會面臨“記憶孤島”的問題，因此 AI 記憶會成為長期存在的重要賽道。

我們最開始是從 RAG、GraphRAG 等技術路線切入，團隊早期也取得了一些 benchmark 上的突破，但我們沒有繼續走純學術路線，而是開始進入真實客戶場景進行測試。

通過與二十多家客戶交流和測試，我們發現 benchmark 分數提升，并不一定能夠轉化為真實商業價值。例如從 30 分提升到 80 分，用戶感知非常明顯，但當模型從 85 分提升到 90 分時，普通用戶已經很難感受到差異，也不會因此付費。

原因在于，學術 benchmark 與真實應用場景存在差距，同時模型能力達到一定臨界點后，繼續提升性能帶來的用戶價值有限。因此，我們重新思考技術路線，從單純追求 benchmark 轉向解決真實產品需求。最終，我們參考腦科學中人類海馬體的記憶機制，設計了一套更輕量化、更接近人類記憶方式的 AI 記憶架構。

通過大量客戶測試，我們發現企業和用戶真正關注的是產品體驗上的實際提升。客戶最關注的兩個指標：第一是延遲，能否降低幾百毫秒的響應時間，對他們來說就是非常明顯的產品競爭力；第二是成本，技術不僅提升效果，同時還能降低整體成本，客戶才愿意為此付費。

因此，我們認為 AI 記憶的核心方向不是無限堆疊復雜模型，而是在保證記憶能力的基礎上，實現更低延遲、更低成本、更輕量化的架構。基于這一判斷，我們開始進行架構迭代，并與香港中文大學相關實驗室開展合作，希望結合腦科學等領域的研究成果，探索更接近人類記憶機制的新型 AI 記憶架構。

DeepTech：速度和成本這兩方面能夠達到什么水平？

張源：目前我們的響應速度穩定在 200～400 毫秒區間。在短對話場景下，這種速度優勢可能并不明顯，但當用戶的長期記憶不斷累積，數據規模越來越大時，傳統 GraphRAG 等方案會面臨明顯的性能瓶頸。因為隨著記憶內容增加，知識圖譜的復雜度會快速增長，檢索和計算成本也會隨之提升，導致延遲不斷增加。

我們的架構優勢在于，即使用戶的記憶持續增長，響應速度依然能夠保持穩定在 200～400 毫秒范圍內，不會因為記憶規模擴大而出現明顯性能下降。我們希望解決的就是 AI 長期記憶過程中越用越慢的問題。

目前我們已經商業化的產品，將 AI 記憶能力封裝成 ADK 和 API，對外提供記憶能力支持。在實際商業應用中，我們能夠在大模型輸入環節減少約 40% 的 Token 消耗。因為傳統方案往往需要將大量歷史上下文輸入給大模型，而我們可以幫助模型更高效地提取和調用關鍵信息，減少無效上下文。

此外，我們還有一些尚未商業化的正在實驗室驗證中的技術路線，最高能夠達到兩個數量級的節省，將 Token 消耗降低到原來的幾個百分點水平。

DeepTech：很多人認為 AI 記憶的出現，是因為當前大模型能力還不夠強。如果未來模型能力繼續提升， AI 記憶是否會被模型本身取代？

張源：我認為 AI 記憶的核心并不在于“存儲”，而在于“決策”。簡單地把信息保存下來，其實 Markdown 文件或者數據庫都可以解決，真正困難的問題是：什么信息值得被記住，什么信息應該被遺忘；什么時候應該調用記憶，應該調用哪些記憶，調用多少信息，以及如何在性能、成本和延遲之間進行權衡。

因此，AI 記憶并不是一個簡單的信息倉庫，而是一個圍繞用戶持續運行的決策系統。它需要跨模態、跨對話、跨時間周期地理解用戶，把真正有價值的上下文和證據提取出來，而不是簡單地進行全量搜索或模糊匹配。

未來隨著基礎模型能力增強，上下文窗口不斷擴大，推理速度提升，基礎模型廠商可能也會在自己的模型體系內加入記憶能力。但我們認為，記憶層依然會長期存在，因為未來不會只有一個基礎模型統治所有場景，而是多個模型長期共存。

不同模型由于訓練數據、模型結構和能力側重點不同，會各自擅長不同任務，用戶仍然需要在不同模型之間切換。真正限制 AI 能力上限的，是模型是否擁有用戶完整的知識體系、行業經驗、生活背景和個人歷史信息。

因此，我們認為未來記憶一定是以用戶為中心的，它不會綁定某一個基礎模型，而是跟隨用戶本身存在。無論用戶調用哪個模型，都能夠訪問自己的個性化數據和長期記憶，只有這樣，基礎模型的能力才能真正被釋放到上限。

AI 記憶正從信息檢索走向智能決策

DeepTech：當前 AI Agent 發展面臨長任務執行、跨會話記憶和主動智能等挑戰，對于 AI Agent 需要怎樣的記憶能力？剛剛您提到的“決策”和“召回”問題如何解決？

張源：Markdown 文件雖然解決了記憶存儲的問題，但沒有解決記憶最核心的“決策”問題——什么信息應該被記住、什么時候需要調用、應該調用哪些內容。當文件規模擴大后，每次檢索都會帶來較高延遲，同時消耗大量 Token，也無法很好支持多模態場景。

此外，也有一些團隊嘗試通過強化學習訓練記憶層。但我們認為這種路徑存在幾個問題。

首先，從商業角度看，強化學習訓練需要大量算力投入，對于創業公司而言投入產出比并不一定合理。

其次，記憶和基礎模型的目標本質不同，基礎模型服務的是人類公共知識，而記憶服務的是某一個具體用戶的個人歷史信息。

最后，強化學習的方式除了成本之外，我覺得還有數據因素，這是“先有雞還是先有蛋的問題”，現在記憶是一個很新的領域，領域內的數據還不夠多。

如果記憶出現錯誤，影響可能比基礎模型幻覺更加嚴重，基礎模型回答錯誤的問題，可能只是一次錯誤交互，但記憶如果錯誤記錄或編造用戶經歷，會直接影響長期認知。所以我們認為，記憶應該和基礎模型解耦。未來基礎模型會持續進化，但記憶層應該成為一個獨立存在的用戶級基礎設施，解決不同模型之間的記憶孤島問題。

AI 記憶的核心難點在于，同一件事情對于不同的人，其重要程度完全不同。例如，同樣參加一次飯局，對于一個人來說，重要的是“吃了什么菜”；對于另一個人來說，重要的是“聊了什么事情”。兩個人經歷的是同一事件，但未來需要召回的信息完全不同。

因此，AI 記憶的決策不能只依靠固定規則，而需要建立在對用戶長期畫像和真實數據反饋的基礎上。我們目前通過真實用戶數據，對不同類型的人進行歸類和標簽提煉，理解不同用戶關注信息的差異。同時，我們也在嘗試引入更智能的模型能力，幫助 AI 記憶在決策階段判斷哪些信息更值得保存。

“召回”也是同樣的問題。同一個事件，不同用戶在不同場景下召回內容也應該不同。比如同樣的飯局，在和朋友聊天時，可能需要回憶“當時吃了什么”；在工作交流時，可能需要回憶“當時討論了什么事情”。AI 記憶真正需要解決的不是簡單找到相關信息，而是理解用戶身份、目標和使用場景，決定什么信息在什么時候最有價值。

因此，AI 記憶的核心能力需要轉向理解用戶，并主動決策什么信息應該被調用。這也是 AI 記憶區別于傳統知識庫的關鍵。

DeepTech：你們是否會采用類似 AI Dreaming（夢境機制）的方式，對用戶長期記憶進行整理、抽象和壓縮？具體是如何實現的？

張源：我們內部稱這個過程為“異步更新”，就是指在用戶非使用的時間段，對積累下來的歷史信息進行整理和重構。

但這個過程并不是簡單地對所有歷史內容進行總結，而是參考人類記憶形成機制，對原始信息進行多層處理。首先，我們會對原始信息進行事件識別和過濾，判斷哪些信息是關鍵內容，哪些屬于噪聲并進行剔除；隨后對保留下來的信息進行時間和空間上的對齊，把分散的信息組織成具有上下文關系的事件。

在此基礎上，我們參考人類海馬體對記憶編碼的方式，將原始信息轉化為帶有豐富上下文的單元。這些單元并不是簡單壓縮后的摘要，而是保留了一部分原始信息和證據鏈，確保未來召回時能夠追溯來源。

之后，將不同事件、不同場景進行連接。隨著時間推移，系統會不斷豐富事件脈絡，擴展場景邊界，逐漸形成用戶的認知地圖和場景地圖。最終，當用戶提出問題時，系統不是簡單搜索關鍵詞，而是能夠基于用戶當前場景，判斷哪些記憶真正相關，并以更符合用戶需求的方式進行召回。

DeepTech：目前 AI 記憶的架構存在可讀（如 Markdown 文件）和不可讀（如向量存儲）兩種路線，這兩種方式應該如何選擇？

張源：我認為兩種架構并不存在絕對的優劣，而是取決于具體應用場景。可讀和不可讀的記憶本質上是在解決不同的問題。如果應用場景是文檔整理、知識管理等任務，那么可讀形式可能更有優勢。

因為這類場景的核心目標不是追求最低延遲或最低成本，而是希望把過去的文件和資料進行整理、歸納和理解，需要人能夠查看、修改和驗證，因此可讀的結構化存儲更符合需求。但對于實時對話、個人 AI 助理等場景，用戶更關注最終結果，而不是 AI 記憶內部如何組織和處理信息。

這類場景對實時性、成本和效率要求更高，因此采用向量表征或者更加不可讀的存儲方式可能更合適，因為它能夠更快速地完成信息匹配和調用。

AI 記憶仍需突破哪些技術挑戰？

DeepTech：接下來聊幾個技術還存在的挑戰。目前 Agent 在長期運行過程中，經常出現自我一致性不足的問題，同時 AI 模型本身一定會存在幻覺問題，那么 AI 記憶如何保證記憶的準確性，并降低幻覺帶來的影響？

張源：我認為這是一個客觀存在的問題，而且它并不是單靠 AI 記憶就能夠解決的。Agent 的自我一致性依賴多個因素，包括 AI 記憶的豐富程度、信息召回的準確性、AI 系統整體復雜度，以及基礎模型本身的能力。

具體來說，需要綜合考慮系統架構是否與應用場景匹配， AI 記憶是否能夠準確判斷什么時候該記、什么時候不該記，什么時候應該召回、召回哪些信息，以及這些信息是否能夠跨模態、跨會話、跨時間被正確關聯。

幻覺問題也是 AI 記憶領域非常關鍵的問題。傳統的一些方案通常會直接對用戶歷史信息進行摘要、壓縮或者抽取，但這種方式容易產生幻覺，因為在壓縮過程中，很多原始信息和證據鏈可能在第一天就已經丟失了。我們的思路不同。

我們不會一開始就對原始信息進行簡單摘要，而是先對原始內容進行事件識別，然后進行編碼、整合和過濾。在這個過程中，我們會保留一部分原始的證據鏈，將信息轉化為帶有結構化關系的記憶單元。

這樣做的好處是，未來 AI 基于記憶進行回答時，不只是依賴一個抽象后的結論，而是能夠回溯到原始證據。因此，AI 記憶輸出的內容具備一定程度的可審計性，用戶可以判斷這個記憶是否真實，降低幻覺風險。

此外，我們還設計了置信度機制。當系統判斷某條記憶的可信度不足，或者不同記憶之間存在沖突時，不會強行生成答案，而是傾向于主動詢問用戶，通過人與 AI 的交互完成確認。通過證據鏈、置信度判斷以及人類反饋閉環，可以進一步提高 AI 記憶的準確性。

DeepTech：人類交流中包含大量情感、意圖和隱含信息，而當前 AI 主要依賴文本理解，AI 記憶如何理解和記錄這些非顯性信息？

張源：這是 AI 記憶領域非常重要但目前還沒有完全解決的問題。人類交流并不僅僅是字面信息，很多時候一句話背后包含情緒、意圖、態度和上下文。如果只依靠純文本理解，這類信息確實非常難捕捉，因為很多表達本身就存在非標準答案。

未來多模態能力的發展會幫助解決這個問題。雖然加入語音、圖片、視頻等更多模態，雖然整體理解難度會增加，但對于情感和意圖判斷來說，會獲得更多信息來源，例如語氣、停頓、沉默、表情、動作等，都可能成為判斷用戶真實狀態的重要依據。

比如在陪伴機器人場景中，用戶說話時的語氣變化、嘆氣、長時間停頓，甚至表情和動作，都可能反映用戶當前的情緒和意圖。這也是我們目前更多關注 AI 硬件場景的重要原因之一，因為硬件能夠持續獲取更加豐富的多模態反饋，同時也有真實用戶使用數據進行驗證。

除此之外，我們實驗室也在探索如何從文本和交互數據中提取用戶隱含偏好，希望通過微調小模型，將輸入信息轉化為攜帶隱式偏好信息的高維向量。這些隱式偏好本質上就是用戶的情感和意圖信息。目前實驗結果比較積極，后續也計劃進一步發表相關研究。

DeepTech：人的記憶似乎沒有容量限制，但 AI 記憶有容量上限，未來如何解決長期記憶問題？此外，人類雖然會遺忘，但很多時候通過某個線索就能重新回憶起來，當前 AI 記憶似乎是永久遺忘機制？

張源：其實人類記憶本身也不是無限的，只是人類通過不斷更新、遺忘和重構，讓記憶系統保持長期有效。比如很多人可以清晰記得高中時期某些重要事件、老師、考試成績，但可能已經忘記了某一天午飯吃了什么，或者某個同學的名字。人類并不是保存了所有信息，而是根據事件的重要程度、提及頻率、情感價值和關聯關系，對記憶進行動態篩選。

AI 記憶也需要類似機制。核心不是無限擴充存儲容量，而是建立有效的遺忘和更新機制。對于低價值、低頻率、弱關聯的信息，可以逐漸降低權重甚至遺忘；對于高價值、高影響的信息，則長期保留。

現在很多 AI 記憶方案采用的是永久遺忘機制，一旦信息被刪除，就很難再次恢復。但從人類記憶機制來看，遺忘并不一定意味著完全消失，而可能只是降低訪問優先級。未來 AI 記憶可以考慮類似“冷熱分區”的架構：高頻、高價值的信息保持快速訪問；低頻信息進入低成本存儲區域，需要特定線索觸發時再恢復。

當然，是否需要支持這種長期記憶恢復能力，最終取決于真實需求，如果用戶和企業愿意為這種能力付費，并且它在生產生活中具有足夠高的價值，那么行業一定會進一步優化架構，實現更復雜的長期記憶機制。本質上，這是一個技術選擇和商業價值之間的權衡，而不是單純的技術難題。

從技術能力到產業落地，AI 記憶如何找到應用場景

DeepTech：接下來我們最后再聊幾個產業落地的問題。您目前更多地服務于 B 端用戶還是 C 端用戶？

張源：我認為階段性的商業策略，必須服務于階段性的戰略目標。我們是較早布局多模態長記憶方向的團隊，也較早獲得了真實用戶數據反饋和數據閉環。目前在技術上已經建立了一定優勢，因此現階段最重要的事情，是獲取更多真實場景的數據，不斷完善數據閉環，構建未來更難被復制的競爭壁壘。

基于這個目標，我們現階段會更關注擁有大量用戶和快速出貨能力的 AI 硬件客戶。因為 AI 硬件天然連接大量 C 端終端用戶，可以幫助我們快速獲得真實用戶交互數據，包括用戶行為、偏好、使用場景等。這些數據對于 AI 記憶技術持續優化非常重要。

因此，我們會選擇與有規模、有用戶量的 AI 硬件廠商合作，為他們提供記憶能力。通過產業合作，一方面幫助硬件產品提升智能化體驗，另一方面也通過真實用戶反饋持續訓練和優化我們的記憶系統。未來，隨著數據閉環不斷完善，這些真實場景中的用戶數據和反饋，將成為我們區別于其他 AI 記憶方案的重要壁壘。

DeepTech：在產業落地過程中，客戶更傾向于自研 AI 記憶能力，還是采購成熟方案？你們如何看待這兩種模式？

張源：這是一個非常現實的問題，本質上是企業在效率、安全和戰略自主之間進行權衡。不同類型的客戶，選擇會有所不同。

對于頭部企業來說，他們擁有充足的資金、研發能力和技術資源，因此確實有能力在自研和采用第三方方案之間進行選擇。這類企業更關注的是階段性的戰略目標，是希望快速抓住市場窗口期，還是希望長期投入建設自己的技術能力。

對于中小型公司和創業公司而言，他們通常沒有投入大量資金進行底層研發的能力，也沒有足夠的時間窗口從零搭建 AI 記憶能力。對于他們而言，AI 記憶不是一個可選項，而是必須具備的基礎能力。

因為未來 AI 產品的競爭中，記憶會直接影響用戶粘性。如果一個產品沒有持續理解用戶、積累用戶數據的能力，而競爭對手已經具備，那么它很可能會逐漸失去競爭力。自研 AI 記憶的成本和周期更難承擔，他們更需要借助成熟方案快速構建產品能力。

DeepTech：除了 AI 硬件之外，哪些行業會成為 AI 記憶的重要落地場景？不同場景對 AI 記憶的需求有什么特點？

張源：我認為 Memory 最適合的場景，是那些具備高頻人機交互、長期交互和強個性化需求的領域。

客服是一個非常典型的場景。目前很多智能客服主要依賴 RAG 和固定話術模板，存在兩個明顯問題，第一是準確性有限，很多回答比較機械，無法真正理解用戶歷史背景；第二是延遲較高，用戶體驗不好。因為客服系統并沒有真正理解和記住此前的交流內容，如果加入記憶能力，客服可以持續理解用戶上下文，提升連續對話體驗。

教育也是一個非常好的方向。我們已經有一些教育類硬件客戶，這類產品天然需要長期陪伴式交互。例如 AI 學習機、教育助手等，需要持續理解學生的學習習慣、知識掌握情況和個性化需求。

總體來看，越是需要長期交互、越依賴用戶個性化理解的場景，對記憶能力的需求越強，AI 記憶的價值不只是保存歷史信息，而是在長期互動過程中不斷建立對用戶的理解。

DeepTech：面對不同行業客戶，AI 記憶產品應該采用定制化開發模式，還是標準化產品模式？

張源：我們的方向一定是最大程度實現標準化，而不是為每個客戶進行深度定制開發。如果每進入一個行業都進行定制化開發，雖然能夠滿足單個客戶需求，但長期來看會限制產品規模化能力。因此，我們希望通過標準化 API 和 ADK的方式，讓記憶能力能夠快速被不同類型客戶調用。

在這個過程中，我們會利用前面提到的認知地圖和場景地圖能力，對不同領域的信息進行結構化處理。在產品封裝時，我們可以針對不同場景設置不同權重，這樣，不同行業客戶可以通過標準化接口快速接入，而不是每次重新開發一套系統。

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成