超越OpenAI，中国00后团队攻破「记忆」难题！打造下一个AI互联网时刻

80年前，阿根廷作家博尔赫斯写过一个寓言，叫《博闻强记的富内斯》。博尔赫斯笔下的富内斯，拥有过目不忘、堪称完美的记忆，却无法思考，因为思考依赖于遗忘和抽象。

正如神经科学家Oliver Sacks在《意识的河流》中所言，创造要求遗忘：当我们回看旧笔记本，尘封多年的想法反而能重获新生，从新的视角被重新关照。这正是富内斯所不具备的能力。 

而「意识的河流」这个词来源于美国心理学奠基人William James的《心理学原理》。 他将记忆拆分为两个环节：

James的核心洞见是：回忆并非按地址读取文件，而是情境性的重构。

由此，记忆呈现两副面孔——对内，它是有损压缩：大脑将经验蒸馏为要点与图式，牺牲细节以换取迁移能力；对外，它是可传递的媒介：压缩后的经验经由讲述、书写、传授，使后人无需重蹈覆辙，便可站上前人肩膀。

压缩，与传递。这两件听上去朴素的事，恰恰是今天最强的AI所没有的。

今天的大模型，是一种前所未有、却也残缺的天才。它拥有的两种「记忆」，都不是我们真正说的那种记忆。

一种是烧进模型权重里的知识，它读过的大半个互联网，凝固成了先天常识，像一部无比渊博却再也不会更新的百科全书。另一种是当下这轮对话的上下文，它能记住你这几千字，可窗口一关，一切归零，像一块每次开机都被擦干净的白板。

它有渊博的语义，有短暂的当下，却唯独缺了中间那一层：一段活着的、不断累积的、属于「你和它」的过去。用认知科学的话说，它有语义记忆，没有情景记忆；有工作记忆，没有长时记忆。它每一次醒来，都是一次干净的失忆。

有人会说，这几年一直在给AI「外挂记忆」。确实，主流做法是把知识存进一个外部库，用时再检索回来，向量检索、RAG，本质都是让模型临时「查一次资料」。后来上下文窗口越做越长，有人干脆把大段历史整个塞进去。

但检索，并不等于记忆。上下文越长，模型反而越容易在其中迷路：位置偏差、多跳失败、无关信息的干扰，都是顽疾。

更要命的是，它出错的方式和人恰好相反。设想你问它：「上个月我参加过几场跟艺术有关的活动？」一个靠相似度检索的系统，一看到「艺术」两个字就兴奋起来，把你聊过的「班克斯的街头艺术」「那场关于希腊艺术的讨论」一股脑捞回来。

可这些是你聊过的话题，不是你参加过的活动；而真正该找到的四场活动，它漏了两场。它擅长找「字面上像的」，却答不出「事理上对的」。

这就是今天AI记忆的真正短板。问题从来不是它记得不够多，而是它不会回忆。

要把这件事修好，得先回到那个更根本的问题：一个「会回忆」的系统，到底该长什么样？这方面，进化已经调试了几亿年。

认知神经科学有一个影响深远的框架，叫互补学习系统。大脑用两套互补的记忆在工作：以海马体为核心的快系统，能把一次性的具体经历迅速抓住，这就是情景记忆；以大脑皮层为核心的慢系统，把成千上万次经历里反复出现的规律慢慢沉淀成概念与常识，这就是语义记忆。两套缺一不可。

大脑的巧妙在于让它们接力：海马先把新经历暂存，再在休息与睡眠里一遍遍「回放」给皮层，让皮层缓慢地把其中稳定的部分吸收进去。这个过程叫巩固，而巩固在做的事，说白了就是压缩。

那「回忆」本身呢？海马里的CA3区域是一张高度互联的回路，行为很像物理学家霍普菲尔德在1982年提出的联想记忆网络。

这种网络有个迷人的特性：一段记忆不是存在某个地址里等你去「读取」，而是作为整张网络的一个稳定状态被存下来；当你递给它一条残缺的、带噪声的线索，整张网络会自动朝最接近的稳定状态收敛过去，把完整的模式重建出来。

一张全息底片，哪怕只剩一角，也能重建出整幅图像。人的回忆，就是这样一种「从线索重建整体」的过程。

就在最近，一支叫Shadoweave（织影）的中国团队发布了一篇技术报告，把上面这套「人脑的记忆本能」，一板一眼地做成了工程。

团队集结了来自CMU、SJTU-SAI、哈佛、清华、UC Berkeley、上海AI Lab等世界顶尖院校或机构的年轻学者，其中00后博士生占比达70%，平均年龄只有24岁，但累计发表论文56篇，顶会31篇，覆盖ICML、ECCV、ICLR、NeurIPS等顶级会议。

这是一支跨学科的复合型、国际化、多元化团队：有人师从计算认知记忆奠基人，为AI注入人类记忆的理论灵魂；有人深耕世界模型与推理优化，把长序列记忆从算力黑洞变成可落地的工程现实；有人曾主导微软小冰核心算法开发、ToDesk、QwenC多模态推理Agent等千万级用户产品，把前沿论文变成真实世界的生产力。

他们既能在黑板上推导记忆的数学本质，也能在服务器集群里压榨每一毫秒的推理延迟；既懂大脑如何遗忘、如何重构，也懂如何让AI学会「该忘什么、该记什么」。当全球大模型还在拼参数、拼数据时，他们让AI像人一样记忆，像人一样思考。

他们的系统叫HMS，Holographic Memory System，全息记忆系统。名字里那个「全息」指的是什么，此刻你已经知道了。

HMS的第一个关键判断，与William James不谋而合：把留存（retention）与回忆（recall）彻底分开。留存，对应大脑的巩固，经历被结构化地沉淀进一个稳定的记忆库，而一旦沉淀每次回忆时不再被随手改写。回忆，则被重新定义成一件主动的事：面对每一个具体的问题，现场重建回答它所需的证据。

第一步，先想清楚要找什么，再动手找。 面对「上个月参加过几场艺术活动」，HMS不急着搜，而是先把问题拆开：涉及哪个时间段？牵扯哪些人、哪些事物？它甚至会先把「上个月」换算成一个确切的日期区间。这正是James说的「先想清楚我要找的是什么类型的信息」。

第二步，按需换钥匙，找完了还要回头自查。 HMS备了六把不同的「钥匙」，按时间追、按人物串、按上下文补、按最新值查、按矛盾点抓、按关系跳，而不是什么问题都拿同一套相似度搜索去套。更要紧的是，它找完会回头验一遍：计划里要填的每一格证据都填上了吗？不够，就在检索侧继续补。

第三步，把证据理成清单再交卷。 去重、按时间排好、标注来源，最后递到模型面前的是一张能直接数数、比大小、看先后的事实表。

一句话总结：老办法是让模型在一大堆搜索结果里凑答案，HMS则先像人一样，把回忆这件事有规划、有验证、有条理地做完，再请模型下笔。

这套设计到底管不管用？HMS用两个业界公认的长时记忆基准给出了回答。

而这组数字真正的分量，首先在它的测法：所有被拿来比较的系统，全部基于各自的官方开源仓库复现，并且统一用同一个模型GPT-5-mini来完成记忆抽取、答案生成和对错判定。不存在「我用Claude-opus跑分、你用小模型跑分」的注水空间。

LongMemEval基准（多会话交互记忆测试）：HMS-self-evolve以92.8%的总体准确率登顶，此前最强的Hindsight是88.8%。在最难的「时序推理」子项上，HMS达到94.7%，Hindsight是88.7%，拉开了整整6个百分点。在「多会话聚合」上，HMS以87.2%领先Hindsight的81.2%。在考验用户偏好记忆的题目上，HMS达到96.7%，大幅领先Hindsight的86.7%、OpenAI收购的Mastra的53.3%。

LoCoMo基准（长对话复杂推理测试）：HMS-self-evolve以93.5%再度登顶；在多跳推理上达到91.5%，开放域推理达到95.5%。被OpenAI收购的Mastra在该榜上的表现也远不及HMS。

两个榜同时登顶，还只是表面。更能说明问题的是它赢在哪里。HMS强的地方，恰好是相似度检索最弱、而人类回忆最擅长的地方：把散落在不同时间、不同情境里的线索，重新接成一条完整的证据链。准确率、Token消耗、响应速度，三项核心指标全面领先。

HMS还有一个容易被忽略但极其关键的应用：自进化。

HMS-base（不带自进化控制器）的准确率是92.4%，加上自进化控制器后达到92.8%。差距看起来不大，但这0.4%的提升来自六个精细的自进化模块，包括计数去重、相对日期锚定、精确日期回填、数值差异校准、当前与历史状态仲裁、双层来源锚定。

翻译成大白话：用户使用周期越长，系统会自动学会诸如「计划中的事件不该当成已完成的来计数」「问上周六的事要先把上周六解析成具体日期」这类细微但关键的判断。

准确率在持续提升，Token消耗在持续下降，这是一个越用越强的技术飞轮。而这个飞轮本身，正是记忆最先能服务的对象：让记忆系统自身越来越聪明。

到这里，我们其实只谈了记忆的第一副面孔：对内的压缩与重建。但开头还埋着第二副面孔：对外的传递。Shadoweave真正的野心，在这一面。

再说一遍那个事实：人类文明能够累积，不是因为每个人都更聪明，而是因为记忆可以被压缩、被重新整理，然后跨越个体与世代传下去。前人把踩过的坑写成书，后人读几个小时，就继承了别人几十年的教训。语言、文字、书籍、互联网，人类每一次跃迁本质上都是记忆的外化，以及智能传递方式的一次升级。

今天的AI，恰恰卡在这一环。每一个模型、每一个Agent、每一台机器人，都在自己的小世界里从零攒记忆，无法继承。编程助手学会的东西，客服Agent一无所知；这台机器人辛苦积累的经验，换一台就得从头再来。这就像一个没有文字的部落：每个人都得亲历一切，谁也无法真正站在别人的肩上。

为什么记忆注定会独立成层？让硅基存储成为碳基记忆和技能的载体。

计算机的体系结构是一面镜子。大模型本质上是一个「认知节点」，负责计算与推理；而记忆是一个与之正交的问题，关乎信息怎么组织、怎么检索、怎么遗忘、怎么整合。就像处理器和存储层级，从计算机诞生第一天起就是分立的两套体系。没有人会因为CPU厂商强大，就断言存储没有独立价值；恰恰相反，由缓存、内存、硬盘组成的存储层级，自成一个万亿级产业，还定义了整个系统效率的上限。

AI正在重演这个结构：今天的大模型、明天的新形态、走向物理世界的具身智能，都是不同形态的认知节点，而它们无一例外，都需要同一样东西：一个能持久化、能跨会话、能随使用而进化的记忆层。

而一旦记忆能以一种中立、标准的形式，在不同模型、不同Agent、不同设备之间被共享和继承，它就不升格成一层公共的基础设施。一家模型厂商可以做绑定自家产品的浅层记忆，却做不出跨厂商的通用层，因为通用层的价值恰恰在于中立，而没有谁愿意把自己的记忆托付在竞争对手的地基上。

历史上这样的时刻并不陌生：1980年代真正的赢家不是某一台PC，而是让所有PC通用的操作系统；1990年代不是某一个浏览器，而是让所有机器互联的TCP/IP；2010年代不是某一块芯片，而是让所有算力能被调用的CUDA。

这正是Shadoweave给自己的定位：不做「又一个记忆存储方案」，而做AI时代的记忆协议——Memory Controller。

这层协议已经长出两只脚。

面向每一个普通人，团队正在做一个叫Memory Bank的产品，你的第一个「个人记忆账户」。

过去二十多年，你把数据、隐私和流量让渡出去，换回免费的互联网内容和服务。这笔交易的另一面，就是此刻你的照片在iCloud，会议记录在飞书，聊天消息在微信，偏好散落在十几个APP里。数据由你产生，资产却记在平台名下。所以你的AI助手想了解你？它可能连你上周开了几个会都记不全。

AI时代，这笔交易要重新谈了。你和各类智能体的每一次交互，都滚动一次只属于你的数据飞轮，而这些记忆第一次可以被传输、被交易、被验证。从平台的燃料，交互数据变成个人的资产。根本的变化只有一个：数据的拥有者易主了。

Memory Bank要做的，是把这些散落各处的碎片，沉淀成一份可召回、可授权、可审计的个人记忆层。每一条记忆的来源、时间、可信度你都看得见，也随时可以隐藏、删除、冻结。

你手里还握着总开关：可以随时关掉记忆采集，可以选纯本地模式让数据不出设备，也可以联网。核心原则只有一条：记忆到底属于谁，从来不该只是一句漂亮话，而是所有权易主之后，写进产品结构里的默认值。

面向开发者与企业，HMS已经完成SDK封装，可以直接交给基座模型厂商、Agent厂商和具身机器人厂商做集成测试。GitHub仓库已经开放，技术报告中全部的复现数据与测试流程均可溯源。

HMS的五个动词「read/write/handoff/rollback/verify」定义了这个协议的基本接口。

未来，HMS将持久记忆融入感知、推理、控制与具身行动。任何新的Agent、模型、机器人，只要接入HMS，就能立刻继承过去的知识和行为规律，而不必从头再学。

我们回到富内斯。记忆必须会遗忘，所以能提炼；必须靠重建，所以能理解；必须可传递，所以能累积。

记忆的终点不是存住，而是传承。和货币一样，锁进保险柜的钱只是纸，流通起来才是财富——数据只有交换，才有价值。

就在几天前，强化学习之父Sutton官宣创业；几个月前，他的学生、AlphaGo之父Silver做了同样的事。师徒俩押的是同一句话：智能，从经验里长出来。

但很少有人追问上一环：经验，从哪里长出来？富内斯给过反面答案：记住一切的人，提炼不出任何经验。经验，是记忆经过高效抽象与表征之后的结晶。如果说记忆是矿石，经验是金属，那HMS就是中间那座冶炼厂。

至此，链条第一次完整：记忆沉淀为经验，经验长出智能，智能被传递、被扩散，汇成文明的演化。数据的价值，在每一次交换与继承中被点燃。

终局是什么？一万个人读同一本《几何原本》，一万个大脑长出同一套几何直觉。当无数模型、Agent、机器人接入同一个记忆层，一个个体踩过的坑，就是整个群体的本能：个体怎样从记忆长出智能，群体就怎样长出更大的智能，像一棵树，每根枝桠都按整棵树的方式生长。

模型决定AI第一次见面有多惊艳，记忆决定这份聪明能否被结转、被继承、被千万个同类共享。

聪明会贬值，经验会复利。一个智能体的记忆叫经验，一亿个智能体的共享记忆，叫文明。第一个把「会传递」写进协议底层的人，Shadoweave已经在路上。