芯耀
与非AI
147
交流一开始，范承工先演示了个人记忆管理工具MemoryBox。左侧是life、work等不同的记忆空间，右侧是导入近千个ChatGPT历史会话，以及同步进来的本地文件。这个演示真正想证明的，不是又多了一个AI入口，而是一件更底层的事：当一个用户在从ChatGPT换到Gemini，再换到Claude，真正不该跟着入口一起丢失的，就是个人记忆。这个判断背后，是范承工过去20多年做存储形成的直觉。
作为MemVerge联合创始人，他又做了开源项目MemMachine，并在准备推出新产品MemoryBox。在范承工看来，AI下一阶段不只是在比模型能力，也在比谁掌握记忆的归属权。再往下一层看，这场记忆的所有权之争，其实是一场更深的基础设施迁移：AI的存储，正在被记忆重写逻辑。
核心观点
- 记忆正在独立成层。
2025年起运营商深度下场，凭借成本与补贴优势斩获大厂过半订单，并直接沿用了第三方培养成熟的供应链。传统第三方服务商要么退出竞争，要么降格为分包商并背负二次结算风险。
- 记忆不是一个桶。
情景记忆、语义记忆、程序记忆和文档记忆，对应的是四套完全不同的治理逻辑。记忆真正难的不是存储下来，而是压缩、去重、召回和冲突管理。
- 模型可以集中，但记忆不能。
大模型可以共享公网数据训练，但长期记忆天然是私有数据，所以local first、数据主权、记忆主权为成为长期架构选择。
- 统一记忆层不会由模型厂商完成。
大厂一定会持续补齐各自的记忆，但跨模型、跨Agent、跨应用共享的记忆层，会长期存在独立空间。
- 个人记忆是入口，组织记忆是商业化主战场。
当记忆开始沉淀团队经验、任务流程和组织know-how，它争夺的就不再是一个功能，而是企业的能力底座。
以下为本次访谈实录，在不改变原意基础上略有修改。
01、记忆重写AI时代的存储
爱分析：你过去做了20多年存储，现在做记忆。如何看待记忆和存储之间的关系？
范承工：对我来说，这两件事在理念上是相通的。计算系统最核心的三件事，本来就是计算、存储和通信。到了AI时代，大模型是新的计算层，记忆就是新的存储层。当然，AI时代也还需要通信，但这三个核心功能没有变。顺着这个逻辑往下走，你会发现，记忆就是AI时代处理信息的新存储方式。它存的不再只是文件和表，而是用户的历史、偏好、任务过程、关系和经验沉淀。
爱分析：之前的存储层，数据库扮演了核心角色。AI时代，数据库的价值会被削弱？
范承工：这是个很尖锐的问题。我的看法是，数据库不会被淘汰，但它不会再是一统江山。传统数据库技术仍然很重要，也一定会继续成为现代系统的一部分，只是大模型进来以后，数据处理、数据保存、数据查询等方式都会发生变化。所以你如果问我，数据库的占比会不会下降，我觉得会有新的元素进来，传统体系在整个系统里的占比可能会下降，但数据库、文件系统这些东西都会继续占有一席之地。就算未来真的有专门的记忆模型，很多内容也是要通过别的层来写入、整理进去的。将来的记忆系统会更复杂，数据库只是其中一个部分，不会等于全部。
爱分析：怎么判断现在记忆市场所处的阶段？很多人会觉得，模型厂商在这件事上还没有真正发力。
范承工：我不认为他们没有发力。过去12-18个月，至少美国这边的模型厂商，一直在逐渐加强记忆能力。ChatGPT有短期记忆、长期记忆系统，跨会话的profile memory也一直在进步。Gemini有persistent context，Claude也有自己的记忆系统。所以，如果你只用一个模型，它的记忆能力其实已经越来越强了。大厂不是不做，而是在做自己模型内部的记忆。
爱分析：大厂做记忆，还是作为AI超级应用的附属功能在做？
范承工：是的，大厂不太会主动支持别家模型。它的盈利模式本来就是靠模型，记忆也是增强模型粘性的一部分。可现实不是单模型世界，个人会切不同的模型，企业也会同时用多个模型、多个Agent、多个App，而跨模型记忆、多Agent共享记忆、统一记忆层，主要还是创业公司、开源项目和新团队在做。我不认为模型大厂在记忆上会一统江湖。大厂的记忆肯定有受众，但独立记忆系统也一定有空间。
爱分析：企业为什么还没有大规模把统一记忆层建起来？
范承工：因为大多数企业还没有发展到多Agent阶段，问题往往集中在一个场景里，比如coding、客服、某个单点Agent，还没有走到通盘考虑架构那一步。所以，多数企业还没有把多个App、多个模型放在一个共享记忆体系里统筹起来。统一记忆层这件事的方向我觉得是明确的，但时机还没有完全成熟。
02、记忆不是一个桶：四类记忆，四套治理逻辑
爱分析：怎么定义记忆？
范承工：我觉得记忆这个领域挺复杂的，至少先要分类型。第一类是情景记忆episodic memory，也就是具体发生过的事。什么时间、和什么人、在什么地点做了什么，又会分短期和长期，长期情景记忆还会经历合并、去重、冲突解决这些过程。第二类是语义记忆semantic memory，也就是从很多情景记忆里提炼出来的稳定总结。第三类是程序记忆procedural memory，也就是怎么做事。比如一个任务怎么拆步骤，我平时怎么表达，怎么present，skills在某种程度上也可以看成procedural memory的一种。再宽一点，还有文档记忆document memory，也就是文件、知识、知识图谱这一类沉淀下来的内容。不同的记忆类型，写入、更新、查询、召回方式都不一样。你不能把用户偏好、任务过程、操作步骤、文档内容，全都塞进一个大仓库里，然后期待系统自己把它们分清楚。真正好的记忆系统，不只是把东西存下来，而是要知道什么该被提炼成semantic，什么该保留为episodic，什么应该沉淀成procedural。
爱分析：从长期看，会不会出现大一统的记忆架构，可以同时针对这四类记忆？
范承工：我觉得会有，而且很可能不止一个。应该会有一类比较完整的记忆技术，能把episodic、semantic、procedural、document这些都覆盖掉。但这里有一个前提，记忆不会像大模型那样变成一个所有人共用的大池子。记忆天然是私有的、私人化的东西。所以它可以有比较统一的技术架构，但不会是所有人的记忆都进同一个系统里统一处理。
爱分析：现在大模型自己的记忆，覆盖了哪些类型？
范承工：以ChatGPT为例，一个会话里的记忆，本质上是短期记忆，长期记忆更接近语义记忆，也就是用户的profile记忆。真正的长期情景记忆还没有覆盖到，程序记忆也还没有成熟。
爱分析：技术实现上，你看到的主流路线有哪些？
范承工：第一类是向量数据库，把内容做成embedding，然后在向量空间里做语义查询，这个最早是RAG在采纳，后来也成了记忆项目的重要一环。第二类是在向量基础上增加重排序。向量检索的结果，再加上模型的重排序判断，相关性表现更好。第三类是围绕时间和地点来组织记忆，因为记忆跟时间关系特别深。第四类是现在很多智能体在用的markdown文件方式，再叠加不同检索。第五类是更进一步，直接做专门的记忆模型，把长期记忆训练到模型里。未来还会有别的方法出来，但目标都一样：让记忆变成一个可整理、可压缩、可去重、可做冲突管理的系统。
03 、记忆是与模型、英伟达相制衡的力量
爱分析：MemoryBox现在核心的产品理念是什么？
范承工：很简单，就是我的记忆我做主。记忆和大模型不一样，大模型训练的数据，很多来自公开互联网，是public data；可记忆是私人的，是个人化的，或者是企业自己的。你不可能把我和你的记忆混在同一个系统里处理。所以，我们的中心观点就是做私有记忆，无论是个人还是企业，都应该有自己的一套记忆系统，我们提供的是这套软件，而不是把所有人的记忆收进一个公共池子。
爱分析：这也是为什么会把MemoryBox做成一个独立产品？
范承工：对。MemoryBox是我们面向终端用户推出的产品，它可以装在你的电脑、手机，或者你自己的网盘里。所有记忆都存在那里，我们看不到，只有主人能看到。它可以接入文件系统，也可以接入你和各个AI的对话历史，把这些内容整理成不同的记忆空间。你可以选择其中一个记忆空间，作为上下文去和一个或者多个模型交互。我可以把所有ChatGPT对话都导进来了，我的本地文件、网盘里的文件，也都可以同步进来。它们最后不会只是堆在一个列表里，而是会组织成不同的记忆space，比如life、work，或者某个具体项目。
爱分析：只同步对话历史，会不会丢失一部分记忆？
范承工：原始对话记录都会进来，这是最重要的。基于这些记录，我们自己也可以再去做总结，比如提取persona，做profile memory。ChatGPT自己替用户做的长期记忆，这个可以通过prompt去尽量导出，但是不是100%也不好说。
爱分析：Palantir的CEO最近也在表达对于模型厂商的不满，美国市场已经把local first、privacy first提到很重要的位置了？
范承工：这里面确实有一个很强的张力。一方面，模型厂商现在越来越强，无论在美国还是中国，话语权都很高；另一方面，越来越多的个人和企业也会意识到，不能把自己的数据、知识和记忆，一下子都交出去，大家会强调数据主权、记忆主权。AI领域需要能够与英伟达、基础模型形成制衡的力量，所以我觉得local first不是唯一答案，但一定会成为长期潮流之一。
爱分析：除了local first，还有哪些技术路径能进一步保护记忆和隐私？
范承工：有几个方向。第一，以后很多企业，甚至一部分个人用户，都会通过模型路由进入混合模型模式。小模型越来越好了，企业除了用大模型，也会部署自己的模型。有些对privacy很敏感，或者其实不需要大模型完成的任务，可以先在自己的模型和自己的记忆系统里做，只有必须的时候，才把请求路由给外部大模型。第二，如果还是要和外部模型交互，也可以做一些信息脱敏掉，用别的identity替换，尽量降低隐私暴露。换句话说，ownership不只是一句价值宣言，它会反过来决定系统怎么部署、模型怎么路由、记忆怎么保管。
04 、先做个人入口，再去做组织记忆
爱分析：像LoCoMo、LongMemEval这些评测，离真实场景还有多远？
范承工：我觉得这些当然有价值，它们是在技术上衡量information retrieval system的一个很好开始。但这个领域发展很快，很多benchmark现在已经有点浅了，大家都能做到比较高的分数。
爱分析：你们内部使用的评测体系看重什么指标？
范承工：主要有两个。第一个是回答质量提升。如果没有记忆，AI可能只有30分，有了记忆之后，它能答到80分，这是非常有体感的。第二个就是节省token cost。如果系统能把过去的内容记住、整理好、按需调出来，你就不需要每次都把长上下文重新喂进去。第三，我们也会看记忆系统自己要消耗多少token。第四是延迟，也就是这套系统对速度和整体性能有什么影响。简单说，就是既看benefit，也看cost，不能只说加了记忆以后更聪明了，却不看系统自己变重了多少、慢了多少、贵了多少。
爱分析：为什么会从面向开发者的开源项目MemMachine，再往前走到终端用户产品MemoryBox？
范承工：开源产品主要面对的是开发者，尤其是agent developer。对这一类人来说，开源很重要，因为他们要知道你的机制是什么。但现在一个变化是，很多做记忆的人都把它当成一个偏后端、偏辅助的能力，帮助Agent或者App去工作。这个当然没错，记忆确实有这一面。但我们觉得，记忆对普通个人用户也是一个非常亲切、非常核心的概念。因为作为人，记忆本身就是我们独特性的来源。很大程度上，我其实就是我的记忆堆积而成的。所以在AI时代，怎么保护自己的记忆，怎么让记忆真正为我所用，而不是被平台拿走，这件事本身就可以成立为一个产品。
爱分析：之前MemoryBox团队的2B经验很强，做记忆选择从2C切入的原因是什么？
范承工：我觉得在AI领域，2C和2B的边界其实在变模糊。我们第一版用户虽然是个人用户，但很多人本身就是professional，场景也主要是productivity、工作场景。从这里往企业去转，是比较自然的。所以，我不觉得2C和2B是完全割裂的路径。市场推广、销售方式当然不一样，但从产品架构和技术上，它们是相通的。个人记忆先成立，很多东西往组织层走，会更自然。
爱分析：2026年和2027年有什么核心目标？
范承工：今年我们最重要的目标，是做出一个用户真的喜欢、真的愿意持续使用的产品。如果能做成现象级产品当然更好，但至少先要做出一个有生命力的记忆产品，给用户一个新的AI体验。到了明年，我们希望在这个基础上，进一步夯实记忆底座。除了个人记忆，还要把组织记忆做出来。那时候，我们既服务个人用户，也服务企业用户。我觉得这条路线既有可能出现现象级产品，也有很清晰的商业化空间，尤其到了组织记忆阶段，商业路线会更明确。
