它们 AI Native 得像毛坯房，全是想象空间。看起来门庭若市，实际上注册即流失。最后不辞而别、戛然而止，像烂尾楼。
我们行业喜欢这样的产品，有创新，有勇气，敢于「颠覆 xx」或者「做 AI 版 xx」。
只是十几亿网民从来没听过这些产品。
一个有意思的现象是，AI 行业在讨论谁在牌桌上的时候，很少提到手机厂商。
手机厂商相对慢一些，尤其对于那些拥有上亿用户的主流手机品牌，不顾一切的创新和颠覆，并不是他们做事的方式。
在行业蒙眼狂奔，不断追求产品形态突破的时候，手机厂商是慢的。但行业的发展逐渐需要一些慢功夫，比如 Context 和 Memory，比如 personal data 的积累，手机似乎是现阶段最好的载体。
我们长期与手机厂商保持着交流，因为他们很重要，他们掌握着这个时代最重要的入口，个人计算设备。
这次带来的是与其中一家主流厂商 OPPO 的交流。他们在今年 4 月发布了小布记忆，一款围绕 Memory 构建的产品，并在 10 月 15 日发布的 ColorOS 16 中升级了这款产品。
如何面向超过 1 亿用户开发 AI 产品？好的记忆系统如何实现和评估？加上 AI 的手机正在发生哪些变化？未来会具备哪些新的能力？我们与 OPPO ColorOS 智慧产品研发总监姜昱辰聊了这些问题。
在加入 OPPO 之前，姜昱辰是一名 AI 创业者。本科浙大，博士在苏黎世联邦理工大学研究 NLP。2023 年回国创业，成立波形智能，主力产品「蛙蛙写作」将长文本生成应用于小说写作领域。2024 年 10 月，波形智能被 OPPO 收购，姜昱辰也开启了一段全新的体验。
以下是我们与姜昱辰的对话内容，经 Founder Park 编辑整理。
采访 - 艾之
编辑 - Nico
超 15000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
最新、最值得关注的 AI 新品资讯；
不定期赠送热门新品的邀请码、会员码；
最精准的AI产品曝光渠道
01
看得更清楚点，
什么是真正的 AI 手机？
艾之：有一个词大家看到很多次，AI 手机，你对它的理解是什么？
姜昱辰：以前大家理解的「AI 手机」更多停留在概念上，用户会觉得手机系统自带一些 AI 修图、AI 写邮件，这些功能可能很有用，但是单点的，套了一个「AI 手机」的概念，其实缺乏完整的体系构建。
我们对于「AI 手机」的思考，在 2024 年底的时候逐渐深刻和立体。到今天，我们整体的思考比较清晰了，我们认为一个个人化的 AI OS，一个完全服务你个人的超级助理，就是 AI 手机。
当然助理这个词不太好，伙伴 companion 更好一些。AI 很多时候认知水平比人强的，在和用户拥有同样 Context 的情况下，它可能更容易帮你做决策，或者从旁观者的角度提供一些 insight。
从「AI 手机」出发，其中有一个很关键的命题，用户的手机里有非常大量的、长期的个人数据，这些数据能给用户提供怎样的价值？
数据的获取、存储处理以及应用，就是感知、记忆和个性化。我们一直在思考，感知和个性化的关系是什么？记忆与个性化有什么关系？
感知是 always-on 的，在用户授权范围内，始终捕捉设备和用户的动态。AI 需要在合适的时间把合适的服务提供给用户，这就是感知与推荐的关系。比如当你到家的时候，手机推荐一些放松的音乐，或者手机知道你第二天有采访，前一天就把相关资料弹出来提醒你。「个性化」是主动的，它基于你的本地数据，构成对你的了解，为你提供贴心的服务。
我是从记忆出发，逐渐拓展到感知和推荐，在一个动态的过程中定义技术和产品的价值。
艾之：AIOS，想做系统的人真的太多了，做模型的想做，做手机的想做，做 Agent 的也想做。
姜昱辰：对，所有人都能看到，有资源的人都想做，大家的 vision 是一致的。一个拥有连续不断的上下文，能够随时为用户提供贴心服务的 AI，就注定会成为一个 OS。
不过你回到第一性想，人的时间是有限的，一周除去睡觉，大概 120 个小时。你在哪里花的时间最长，哪里就会成为你的 OS，因为它承担了信息服务分发的工作。之前这个 OS 毫无疑问就是手机 OS，应用商店和各种 App，把你需要的所有服务都呈现在你面前。
通用 Agent 想要获取用户最完整的、全天候的 Context，一定会朝着 OS 的方向演进，甚至激进一点，软硬一体，要具备长时间为用户提供服务的能力，有足够自然、智能的交互界面，还要有自己的生态。
那硬件公司也想啊，他们会往通用 Agent 的方向演进。我们对于个性化的 AI OS 的最终期待，就是一个通用的 personalized agent。
这两条路径会逼近同一件事，但因为行业还在「超级早期」，很难说哪条路径一定是对的。
02
年轻或不年轻，
我们都变成了金鱼
艾之：记忆是这次 OPPO 发布的核心 AI 功能之一。聊聊这个功能背后的故事，最开始为什么要做小布记忆？
姜昱辰：也是经历了很多哈哈。加入 OPPO 之前，我就跟 Pete（刘作虎）讨论过，我想做 Super Memo，超级备忘录，但当时我思考的出发点还是发挥手机的个人数据优势。
加入以后我发现，OPPO 内部已经有一群产品经理在酝酿一个叫「记忆大师」的项目，也就是现在的「小布记忆」。
在当时，这是一个非常强的行业共识。我们并不是第一个发布 AI 记忆的手机厂商，但我们花了更多时间思考和打磨。
手机的 AI 记忆这件事，行业里主要有两种方向。
情感化，它会尽可能记录你手机里的一切信息，感知你、构建你的画像，然后提供极强的情绪价值；
字段化，把记忆做成一些刚需、高频信息的收集器，比如地址、身份证号码等信息。
这两个方案我们都考虑了，然后，一个都没选。我们最终把小布记忆做成了一个「碎片化信息的收纳师」，跨系统的收藏夹。这可能与 OPPO 做产品的风格有关系，还是要找到真的能让用户用起来、能解决问题的点。
图：小布记忆 App 界面
艾之：为什么不做那两个方向？
姜昱辰：情感化的方向，就是不够刚需，你讲不清楚啊，用户为啥需要这个东西？不是说 AI 和记忆对手机很重要，所以就要做这个功能，做功能还是给用户做的。
字段化那个方向，我也琢磨了挺久，看起来很刚需很痛，但问题是，卡证这些只是基础功能，要做，但不应该是重点。
所以我们的思考还是回到一个更原点的问题上：一个 AI 手机，能给用户解决什么问题？
就算智能手机已经十几年了，用户还是存在很多痛点，这些痛点客观存在，但技术不成熟的时候，我们无法解决。还有一些痛点，可能不适合手机本身去解决，你要是找错了点，用户就直接来吐槽，「你们做这个干嘛，我为什么不用 ChatGPT/小红书......? 」
功能上线之前，我压力特别大，心里没谱啊。因为当时行业里已经有友商发布了记忆功能，但没有太多的水花，虽然说产品不一样，但反而更担心记忆到底能不能做好。最后发布，看到用户反馈，还是挺超预期的，友商对我们的功能也有所跟进，进一步验证了这个方向。
艾之：（笑）最积极的反馈永远是友商给的。从需求角度说，为什么手机做记忆是重要的？
姜昱辰：之前看过一个研究，说我们现在平均每天通过手机接收的信息量高达 80G，是一个世纪以前人的 20 倍。
每个人的大脑都在接受碎片化信息的轰炸、裹挟。大家或多或少都变成了「金鱼脑」：有一些很简单的信息，明明看过，但是过目就忘；看过很多《五分钟练出马甲线》，但是真的做操的时候还是找不到；要出去旅游了，旅游攻略看了一堆，做起来非常痛苦；月末吃土了，却不知道钱花在哪了。而且这些信息和数据，还分散在不同的 App 里。
这些其实特别适合手机去解决，因为我们每天 70% 的信息可能都是通过手机接收的，AI 又有很强大的信息处理能力和聚合能力，对于这些爆量的碎片化信息，简直是大杀器。
艾之： 其实「收藏」这个需求一直没有被很好解决，但又是用户天然的心理诉求，收藏了就等于看完了。很早的时候 Evernote 还为此开发了一个剪藏插件，收藏后来也成了知识类、笔记类产品的标配。
姜昱辰：（笑）是的，稍后再读，等于永远不读。
但「记忆」和「笔记」是两类不同的产品。笔记的核心是作为创作工具，所以它的编辑体验一定要好。收藏最本质的价值还是它的一种快速记录的方式，而在「记」这个层面，一是记录没有那么随心，二是记录下一堆东西后，其实很难用好。
当我们开始做「记忆」这个产品的时候，就发现这里其实存在一个价值漏斗。
比如记住公众号文章，用户旅程的第一层价值就是「摘要」，所以我们在这上面花精力，让你按那一下就感到价值。只有这样，你才会愿意按很多下。这是漏斗的第一层。
记下来的东西，自动帮你归纳到 AI 合集里，这是第二层价值，归纳整理的价值。
再然后，可以跟你进行问答共创，把它作为你的顾问，这是第三层，认知增强的价值。
所以，一条记忆，它在不同阶段能发挥不同的价值。但这在 AI 之前，是不可能实现的。
03
摘要是最简单的功能，
也是最难满足的需求
艾之：从小布记忆第一次发布到现在，差不多有半年时间了。在这六个月里，产品做了哪些迭代？
姜昱辰：今年 4 月发布，到现在整体已经大变样了。之前的版本，主要是满足基础的收藏诉求。到了这一代，我们在各种细节上，都做了很多优化。总结来说，就是记得「更广、更深、更有用」。
更广：支持更多的模态记忆。比如，我们新增了「随口记」和「视频记」。之前的视频记，只能把视频的单帧画面做总结，现在我们可以把整个视频的内容进行总结。之前也不支持语音记录，现在随口记解决了这个问题。
图：小布记忆「视频记」对视频内容的总结
更深：摘要的质量有了很大提升。这是我们默默在做的事情。以前的摘要很短，大概就是给你备忘一下。现在的摘要，某种程度上甚至可以替代一部分阅读的需求。我自己看公众号，如果不想读了，就按一下，然后到小布记忆里读摘要，因为它浓缩了信息。
更有用：以前，它只是一个「记忆收纳师」。到今天，我们可以说它慢慢有了「第二大脑」的形态。在计算层面，我们可以帮你自动归类合集。归类之后，你可以基于它做记忆问答。比如你可以说「把我收藏的英语单词全部整理成一张表，每天给我出 5 个题。」你也可以对它进行外向探索，比如问「基于我这个礼拜读的这些人工智能文章，你觉得最近 AI 的发展趋势是怎样的？」，你可以跟它进行超越记忆收纳的认知共创。
我们这次还发了一个「记忆推荐」的功能。比如你收藏了一个成都的餐厅，等你落地成都时，它就会提醒你。可以看到，我们在尝试让它变得更主动。
艾之：「第二大脑」这个词其实有点被用烂了，大家都说要成为用户的「第二大脑」。内部对这四个字有没有做过更精准的定义？
姜昱辰：确实有点被用烂了，但你会发现，被用烂的背后，其实代表了一种共识。
我们解构一下，为什么大家喜欢用「第二大脑」这个词？还有一个词叫「外挂大脑」。因为我们的第一大脑比较懒，而且容量有限。所以我们需要第二大脑来帮助我们。帮助我们什么呢？
第一，帮助你记住更多的东西。它的容量更大，而且不会遗忘。就像我们这次做的吉尼斯世界纪录认证，就是战胜了「最强大脑」，它的记忆力是远远超过人类的。所以第一层，是它的记忆力更好。
第二，是它的认知力更好。我今天作为一个人，觉得自己认知力还可以，但事实上，大模型在某些方面比我更渊博。它的难点在于，它没有和我共享上下文，没有我过去的经历，没有我工作环境的这些上下文输入。所以，想让它提升认知力，上下文很重要。
在我看来，「第二大脑」主要就是这两点：记忆力和认知力。
艾之：深度的部分，你说摘要，这好像是个最简单的 AI 功能？
姜昱辰：任何 AI 产品都有「摘要」功能，但把它做好其实挺难的，本质上是信息的浓缩和提取，每个用户、不同场景对于「摘要」的需求是完全不一样的。我们不可能把通话摘要的模型用在一键闪记上。在这个方向上，我们算法和产品同事花了非常多的精力。
比如，我今天在大众点评上按一下，我想要的是餐厅的地址、电话等信息；我在一个行业峰会的邀请函上按一下，我想要的是从早到晚的日程；我在一张表格上按一下，我是想把表格信息提取出来；我在公众号文章上按一下，才是想要一个概览。
摘要的颗粒度要掌握得很好，不能太短也不能太长。我看一个视频，可能想要的是带时间轴的摘要。用户在不同场景下的诉求截然不同。
所以，虽然叫摘要，但背后做的事情是，要理解不同场景下的用户需求，并且把它翻译成大模型能听得懂的语言。我们不仅仅做了摘要模块，还做了意图分流，去理解用户的意图。这一块的迭代是非常大的。
艾之：基于系统去做摘要，需要做全域的覆盖，意味着多模态、多媒介、跨 App，数据处理的维度会非常不一样。那如何去 evaluate 这个功能做得好不好？
姜昱辰：Eval 是非常重要的，并且是会持续重要下去的话题。
这一块想要做好非常有挑战，核心是因为它本质是用户意图的对齐问题，意图不一样，想要的东西就不一样。所以我认为它不是一个纯技术问题，而是一个产品和技术复合的问题。
我们现在的北极星指标是「人均记忆条数」，它反映了用户有没有用，有没有持续用。在这个大指标下，我们会看用户的满意度，记忆有没有用，在不同场景下，用户的满意度是怎样的。把「用户满意度」这个结果指标，拆解成一系列的过程指标。比如在用户使用大众点评这类 App 时，用户期望的是什么？我们会从信息完整度、事实准确度等几个维度去评测它的质量，比如餐厅电话号码，可别给我漏记了或者记错了。在公众号场景，我们可能更关注冗余度。
所以，这个过程非常依赖于产品的定义。产品经理既要懂用户需求，也要懂大模型的语言，懂算法技术的语言，才能把这个意图翻译的工作做好。
艾之：你们后来发现，用户用它记的最多的是什么？和最初想象的一样吗？
姜昱辰：哈哈哈，不太一样。大家记了蛮多奇奇怪怪的东西。我们办过「股东大会」，把高频用户请到办公室，问问他们都在记些什么，非常有意思。
有一个医学生用户，他就记了非常多的医学题目。还有一个用户，他是做保险行业的，他有很多单据需要进行报销，每次就记一下报销单据，把这个功能当记账本来用。还有用户在考驾照，他把驾校宝典里做错的题目，一道道记下来，做错一道就按一下，一天记了几百条。
再讲我一个投资人朋友，还挺典型的。他建了两个合集，第一个是「约了要见面的创始人」，第二个是「刚融到资的公司」。第一个是日程管理，他在微信里约好创始人见面，就按一下记下来，把日程管起来了。第二个是资讯管理，今天看到哪家公司融资了，就记一下。
另外，还比较多的是用来收集抖音、B 站的视频。
04
记住是结果，
不是用户的目的
艾之：基于 Chatbot 形态来做 Memory，和基于手机系统来做 Memory，有很大的区别吗？
姜昱辰：从框架角度来说，不会有特别大的区别。但具体的实现难度上，手机系统肯定远远高于 Chatbot 。
你想一下，Chatbot 的 Memory 来源，不管怎样都是非常单一和统一化的，就是聊天记录，模态非常统一。所以它思考的范围就小很多。
但手机系统不一样，它的数据模态非常多，数据量、规模、异质性和噪声都远远高于一个 Chatbot 系统。所以做手机 Memory 的复杂度，无论是工程还是算法层面，都比 Chatbot 要高好几个量级。
举一个具体点的例子，在做手机系统的 Memory 时，我们会特别重视「挖掘」。因为手机系统里有大量的东西其实是不需要成为 Memory 的一部分的，我们怎么从这些「垃圾」中挖掘出有用的东西，就变得非常重要。但对于一个 Chatbot 系统，你其实不用特别考虑挖掘，更多考虑的是如何把聊天记录沉淀下来，被后续使用。它更多是去实现超长上下文。
艾之：这两类产品实现 Memory 的切入点似乎也不太一样。比如 ChatGPT，它是在与你聊天的过程中，非常无感地形成了 Memory。你在某一次聊天时突然发现，它好像真的记得一些事。但你们是从让用户「主动记录」这件事开始入手的。
姜昱辰：是的，从大的角度来说，我们做 Memory 的出发点是明确的，就是希望能基于用户的个人数据，让手机变得更个性化。但具体到做产品时，我们还是要回答一个核心问题：在什么场景，为什么样的用户，创造什么样的价值？
回答这个问题时，我们就会思考，做什么样的功能，用户才会愿意把他的有效上下文给我们？我总不能跟用户说，「你来捐献你的记忆吧，这样系统就能更懂你了」。
艾之：记住是结果，不是用户的目的。公众号摘要那个功能很有意思，现在我记住某篇文章，其实是为了看一下摘要，「记住」反而是其次的。
姜昱辰：对，这类功能在我们内部叫「闪记惊喜感」，我们要在用户使用产品的最短路径上就让 ta 感受到价值。
比如「一键闪记」，你记下的东西，可以马上问出来；一个两小时的视频，当下就给用户总结出来。
如果「记」只是为了「记下」，这个价值拉力是不够强的。但是，你按那一下，我给你提供了摘要，这个价值就很大。再比如取餐码，你按一下，我就可以把它钉在流体云上，这个价值拉力也很大。并且解决了用户面对大量碎片化信息的痛点。
只有回答了刚刚说的那个核心问题，它才是一个有产品市场契合度、有生命力的产品。
艾之：现在小布记忆只是记录用户主动按键抓取的内容，未来还会在输入侧做哪些扩展？
姜昱辰：一定会扩展，最终要做到「全时感知物理世界，全域拟合数字世界」。
现在 AI 意图搜索的数据来源就不只是闪记的数据，还包括你的相册、备忘录等，所有的一方应用（即 OPPO 自己的应用）都是打通的，这些都可以被搜索出来。
从输入端来看，现在我们有的闪记数据，是你数字世界中感兴趣的东西。我们还有手机本机的数据，是你沉淀下来的一些生活记录，比如相册里的生活片段。
除此之外，还有物理世界的信息。比如，我今天和你聊天，我们讲的一些话，这些信息其实也很重要。当然，物理世界的信息某种程度上也会通过漏斗，沉淀到我们的相册里、备忘录里，比如我拿起手机录了一段视频。但物理世界的信息量远远大于我们现在沉淀到手机里的。
艾之：那手机里其他的第三方应用的数据呢，未来会打通么？
姜昱辰：肯定是一个方向，手机 App 的数据不可能在没有用户授权的情况下打通，所以我们也在积极推进智能体生态的建设，我们现在和支付宝在 Agent 方面有一个合作，未来应该会引入更多的伙伴加入进来。我们希望用户的体验可以简单到只有一个 Memory，然后这个 Memory 可以去赋能很多的应用程序和 Agent。但这可能需要一个过程。
艾之：那 Memory 的能力未来可能会分发给其他的设备吗？
姜昱辰：设备我觉得可能分两类，一类是采集设备，就是 Input 端，它帮助我们丰富 Context。另一类是 Output 端，要思考的是如何用好 AI。
我们认为 Memory 应该是可以「即插即拔」的，能跟着用户走的。我今天从 A 手机换成了 B 手机，它能跟着用户走，而不只是基于某部手机的，所以它应该是用户全天候的 Context 的建立。未来我觉得应该是多设备协同共同构建一个用户完整的 Context 和使用 Context 的网络。
05
和 Memory 纠缠的好多年
艾之：你对 Memory 的研究大概是从什么时候开始的？对这件事的理解经历了什么样的变化？
姜昱辰：其实在读博期间就在做 Memory 相关的研究。当时研究的方向是长文本生成。我们最早有一篇论文叫《RecurrentGPT》，核心思路就是怎么样让上下文变成是可以被更新的，从而可以去承载无限长的上下文、无限长的内容，进而实现无限长的文本生成。其中一个应用场景就是长篇小说写作。
后来我们做「蛙蛙写作」时，又做了 LPA（Life-long Personalized AI）。因为我们发现，上下文变长后，不同作者的文风是完全不一样的，通过 RAG 可以解决一部分问题，但在这之上，模型还需要了解每个创作者这个「人」，也就是他们的 Persona，才能做出更好的个性化文风。
LPA 其实是 RecurrentGPT 一个自然的延伸，就是把 Memory 的形态更丰富化了。之前只有长期记忆（Long-term Memory）和短期记忆（Short-term Memory），并且长期记忆做的也只是纯文本（Plain Text），是非结构化的。后来，从长期记忆中提炼出了 Persona（用户画像），并且去思考这个 Persona 如何在 Decoding 中发挥价值。
到了 OPPO 以后，就更专注于这次发布的「记忆共生引擎 PersonaX」。之所以叫「共生」，是因为我们希望这个 Memory 可以和用户是「共成长」的。这次我们同时在长期记忆上做了更强的结构化、分层化的处理。如果和之前的 LPA 那个阶段的工作相比，一些不同是：
从模态的角度来说，也从纯文本转向了多模态。最早的 RecurrentGPT 是纯文本的，而 Persona X 可以赋能相册中的自然语言搜索，可以搜索照片和不同模态的数据。
从复杂度的角度来说，从单一的写作场景的应用走向了更复杂的 OS 系统。
但底层上来看，这些工作都是一脉相承的：如何丰富一个用户的 Memory，以及，如何把用户的 Memory 变成大语言模型的 Context。
艾之：现在整个行业对于记忆的研究，哪些议题是已经收敛的？哪些是还在积极探索的？
姜昱辰：在 Memory 这条研究线上，全行业投入的研究工作还是蛮多的。在目前这个时间点，大家对于 Memory 如何分层已经比较有共识了，比如姚顺宇（ex-OpenAI）的 CoALA、Mem0（YC s24 项目）等等。
同时大家也基本共识了记忆应该是可遗忘的、可更新的。但如何实现，技术选型上还没有收敛，因为这跟如何分类、存储记忆也是息息相关的，涉及到多模态信息挖掘。这其实也是我们这次发布的记忆共生引擎的一个关键点，我们特别考虑了遗忘和更新的机制。
记忆检索这块也相对收敛，Embedding、Reranking 这套大家相对比较一致，但多模态信息的检索效果以及 Query 的精准意图识别能力有一定差异。我们在记忆搜索这块，在文本类做到了 F1 （F1-score，准召率指标）90%，在自然语言图搜上做到了 F1 60%，远远超过了行业平均水平，但是还是不够，离完全满足用户需求还差很多，这也是我们花比较大精力关注的，特别是视频模态的检索。
比较非共识的应该是记忆如何「用起来」。OpenAI 的 Pulse 其实是我个人觉得在所有最近的这些更新发布中最值得关注的。Memory 存储了用户偏好、行为习惯等数据，使 Pulse 能基于个性化的 Context 生成精准推送内容。例如素食者会自动收到餐厅筛选建议，形成「越用越懂用户」的正循环。
另一个还没有收敛的议题是，模型在解码阶段对记忆增强的特殊优化和适配，也是行业比较关注的一点，如 Meta 最近发的 REFRAG，提升了 RAG 解码效率，这一块也还没有收敛的技术方案，我们也做了一定的探索。
艾之：虽然你刚刚说大家对于记忆如何分层是有共识的，但我发现大家对于记忆具体如何分类、记忆的结构应该是什么样子的，还是会有一些不同的思考角度和实现方式，是这样吗？
姜昱辰：对，是会有不同。但我觉得大的框架其实还是蛮有共识的。比如我们都会区分程序性记忆、短期记忆、长期记忆。
程序性记忆，你也可以叫它「肌肉记忆」，它实际上存在于模型的参数里，或者是 Agent 代码中的记忆，你不用思考，依靠习惯就能反应过来。
再说短期记忆和长期记忆，比如我们现在在聊天，前面讲过的问题你脑子里大概都记得，但过几天可能就忘了，只会沉淀下一些精华和亮点。这些沉淀下来的东西就成了长期记忆。
这个「短时-长时」的结构，我觉得大家是有共识的，基本上所有记忆系统的设计，都是这么划分的。但具体怎么实现，或者再往下细分，就不是那么有共识了。
比如短期记忆里，有人会把聊天记录全部看作是短期记忆，然后把它再细分成情景记忆和工作记忆。
长期记忆也是，最简单的就是把所有东西都沉淀成一个很长的非结构化数据。也有人把长期记忆作为一个外挂知识库，这在 NLP 中一直都有。还有些长期记忆是基于图谱的，有些是纯文本的。
因为应用场景不同，会有非常不同的形态，有不同的设计和选择。我们现在思考的更多的是，作为一个通用的 Memory 框架，我们应该如何去支持这些不同的形态。
艾之：关于如何构建一个好的记忆动态更新和遗忘的机制，还没有形成完全的共识，这里的难点是什么？
姜昱辰：在我看来，难点还是在于对用户需求的建模。它同样不是一个纯技术问题。你该遗忘什么，不该遗忘什么，这个问题需要先定义清楚。我认为，问题的定义是最重要的。它还没形成共识的主要原因，还是因为大家对这一块没有想清楚。
另外，它一定是场景驱动的。我在什么样的场景下，需要什么样的遗忘机制？在更通用的场景下，我们又该如何构建它？你可以认为这叫问题定义，也可以叫评估，它们是相辅相成的。我比较认同这样一个观点：在现在这个时代，问题定义可能远比你实现的方法更重要。
我稍微展开一下，在「记忆」这件事上，有几个环节很重要：
记忆表征：第一步，你怎么去表示记忆。
记忆更新：表征之后，记忆如何被更新和遗忘。
记忆检索：如何把记忆检索出来，这是最基础的应用。
记忆应用：记忆怎么被用好？比如用在后项推荐里，或者把信息处理后推送给你，这也是一种应用。
记忆增强解码：模型在解码阶段对记忆进行特殊优化和适配，这更偏模型层，为了让它更快、更省空间。
在这五大块里，你前面问的「记忆更新与遗忘」，是更偏向「问题定义」导向的。而最后一块「记忆增强解码」，则更偏性能导向。
06
你有答案了吗？
艾之：用户的隐私问题，你们是如何处理的？
姜昱辰：在端侧，我们有隐私沙箱，把你的数据和计算都放在一个沙箱环境里进行，这是安卓的一项技术，也是我们 OS 安全团队做的。在云侧，我们有 PCC（私有计算云），用户的数据传输也是加密的。所以即使是 OPPO，我们也没有办法看到你的数据。
作为一个手机公司，Privacy 必须非常严格。当然，从反方面来说，这也给我们的工作带来了一些挑战，比如我们想去做大数据分析就很难，因为我们对用户隐私的保障要求更高。
艾之：那模型侧是如何使用用户数据的？
姜昱辰：数据是脱敏的。我们给到模型的只是一个查询 Query，中间通过我们的服务器做了一层脱敏，它并不知道这个查询是哪台手机发过来的，它也没办法通过这个查询来重构出你是什么样的人。
另外，我们在安全规范上也做了不少工作。比如，像密码这类信息，我们是绝对不会上传到云端的。我们会先用马赛克打掉，再转发给模型，等模型返回结果后，再在端侧解密，把你的密码填上去。所以你不用担心，使用我们的 AI 意图搜索时，你的密码会被传给大模型，这是不会的。
我们内部有很多这样的防火墙机制。但安全这件事始终是在红蓝博弈的进程中不断迭代升级的，这是我们认为最重要的事情之一。
艾之：你前面提到 AI 会作为旁观者给用户 insight。这个方向上有做怎样的探索？
姜昱辰：这是一个高阶需求，我们有一个叫「洞见」的功能，做的就是类似的事情。
它背后其实就是 Mining。从你的记忆中挖掘出你是一个什么样的人，从另一个角度来解析你。其实现在小布记忆已经可以做到一些类似的功能了。
我自己有 1000 多条记忆。有一天晚上，我睡不着，就开始和小布聊天，我问它「我是个什么样的人？」它回答说有创业精神、有产品思维等等。
然后我就让它猜「我是做什么职业的」。我完全没有记过任何和我职业信息有关的记忆，结果它深度思考一番之后说，我可能是科技公司中负责产品创新或技术战略的资深从业者。
那天晚上我自己是感到非常哇塞！这还是在我们没有做特别特化版本的情况下。
当然，我们在这方面其实做了更多、更深的工作，比如如何系统性地为你建模。但我们的做法也不是特别工程化地去定义，更多还是依赖于模型的涌现能力来做这件事。
艾之：从「第二大脑」到「超级助理」，还需要一些什么样的能力升级？
姜昱辰：最重要的是 Proactive （主动）。
小布记忆最重要的四个价值点：轻松记、方便管、随心搜、主动推。
我们在「主动推」上还没有完全发力。接下来，Proactive 是我们的一个比较大的重点。我们在构建个人上下文上，已经做到了相对比较极致的水平。下一步，就是让它进化成一个更主动的产品，能随时随刻感知你的需求，并且为你提供个性化的资讯和服务。
这点上 OpenAI 在引领行业往前走，比如最近发的 Pulse，它意味着 ChatGPT 开始摆脱（虽然还没有完全摆脱）「要用的时候才打开」的工具属性。类比搜索引擎时代转向推荐引擎时代，势必会在用户粘性、使用频率、使用时长等都会带来大幅提升。
艾之：那这和上一代的推荐算法、推荐引擎最核心的不同是什么？
姜昱辰：上一代的「主动推」，是推荐你可能感兴趣的原子信息，精准度有限，更多是基于协同过滤、基于大数据的。
而 AI 时代的「主动推」，是 AI 消化完、咀嚼完，直接为你创造出一个量身定制的解决方案、信息简报，是完全基于你意图的「个性化的信息聚合」，它更多是基于生成式的。
艾之：「推」之前的三件事，「记、管、搜」这几个部分算是已经做得差不多了吗？
姜昱辰：还有很多提升空间，特别是「搜」。我觉得在「搜」上，我们还有非常大的提升空间，这也是我个人投入精力比较多的地方。
从行业角度看，我们在搜索上确实是领先的。我们的 F1-score（准召率指标）比行业平均水平高很多。但是，它离真正满足用户需求还差得很远。比如，现在在我们相册里搜「我跟艾之的照片」，可能就找不出来，因为它不知道艾之是谁。或者你说「我上次跟某某去看旅行团演唱会的那个尖叫瞬间」，它也找不出来，因为它对视频内容的理解能力还不够，不知道哪一段片段是「尖叫」。
所以，这就是我为什么说 F1-score 和用户实际满意度是两个指标。F1-score 高，只是在我们定义的范围内高了，但用户的使用边界远远超过定义的范围。对于用户来说，最朴素的需求往往最重要。搜索做得好，我们能服务的场景就会变多，很多体验才能做好，是很重要的基础。
艾之：最后一个问题，这两年我看了很多 AI 硬件，大家多多少少都想干掉手机。你觉得手机会被新的硬件替代吗？
姜昱辰：这是我们都会思考的一个问题。
其实更重要的一个问题是，你如何定义手机？今天我们说的手机，是 iPhone 开启的智能手机，在这之前，有黑莓、诺基亚，有小灵通、大哥大。
回看历史，你会发现同样是手机，最开始它只有打电话的功能，然后发送信息，再之后黑莓、诺基亚可以上网，直到乔布斯重新发明了手机，一台电话、一部 iPod、一个互联网浏览器，手机变成了 personal device，变成了人和外部世界社交和信息的第一入口。
那么 AI 时代会发生什么？「手机」为用户提供的功能价值和情绪价值会发生什么变化？
我个人能给出的答案是，今天这个形态的手机一定会被淘汰，但「手机」一定会进化，我们一定会看到再一次「重新定义手机」的时刻。
挺有意思的，AI 还有很多未知，很多悬而未决的问题。在这个时刻参与新的人机交互形态的探索，是一件有趣且令人兴奋的事。回答这个问题的人，可能不只是手机厂商里做产品的搞技术的，最重要的是，用户的答案是什么？
