远见网一、能够在记住的基础上形成判断
1、能够在记住的基础上形成判断
一个人如果被夸“聪明”、脑子好，往往离不开两种能力：一是记性好，能够记住过去；二是理解能力强，能够在记住的基础上形成判断。
放到AI身上，这套逻辑同样成立。
与每次从零开始处理任务的传统AI不同，具备记忆能力的AI能够持续保留用户的偏好、历史交互和行为习惯，并在一次次使用中形成对用户更加稳定的理解，再据此调整后续的回答和行动。
对于需要长期协作的AI智能体而言，记忆正在成为决定产品体验和用户粘性的基础设施。
资本已经开始下注。
近日，专注AI记忆基础设施研发的深圳忆纪元科技有限公司（以下简称“MemoraX AI”）宣布完成数亿元种子++轮融资。
本轮由尚势资本、海棠资本、仁爱资本联合领投，多家一线投资机构跟投，原有老股东持续加码。
这家公司的融资节奏也颇为密集，4月完成种子轮、5月完成种子+轮，短短不到半年，已完成三轮融资，融资金额数亿元。
资本密集出手的原因，首先离不开对团队本身的认可。
2、AI记忆已经从一个技术概念逐渐成为一
CEO郝建业是业内少有的兼具顶尖学术背景与大规模产业落地经验的创业者。
4月，公司注册消息刚刚传出，便已有投资人主动找上门来。
但比团队更重要的，是资本正在重新评估“记忆”这件事的价值。
2026年下半年，AI记忆已经从一个技术概念逐渐成为一个独立的产业赛道。
据第三方测算，全球Agentic AI编排与记忆系统市场规模预计将由2027年的约439亿元增长至2030年的约1,992亿元，期间复合增长率约35.3%。
AI圈从来不缺大牛，但像郝建业这样产学研经历都是顶配的创业者并不多见。
郝建业博士毕业于香港中文大学，师从梁浩锋教授，研究方向聚焦博弈智能。
毕业后，他又先后前往麻省理工学院计算机科学与人工智能实验室、新加坡科技与设计大学担任博士后研究员。
2015年，郝建业回国加入天津大学。恰逢AlphaGo横空出世，强化学习开始迎来新一轮热潮。
当时国内相关中文社区和资料仍然十分有限，郝建业在天津大学主导成立深度强化学习实验室，成为国内最早系统开展这一方向研究的科研团队之一。
二、他一路成为天津大学菁英教授与国家优青
此后，他一路成为天津大学菁英教授、国家优青，并入选全球前2%科学家。
近两年，他在ICML、NeurIPS、ICLR三大顶会的成果产出全球排名前10，谷歌学术引用超过1.5万次。
相比单纯的学术履历，郝建业更特别的地方在于，他几乎完整经历了AI从实验室走向产业的几个关键阶段。
过去多年，他一直深耕强化学习，并围绕深度学习技术做了大量产业化落地，应用场景覆盖自动驾驶、华为ICT产品线、供应链以及芯片设计等多个领域。
加入MemoraX AI之前，他曾先后担任华为决策推理实验室主任、华为大模型算法实验室主任、华为医疗军团技术总裁，并担任华为决策智能方向首席专家。
在华为期间，郝建业主导从0到1孵化多个产业项目，创造了数百亿元经济效益。
进入大模型时代后，他又转向大模型后训练，重点负责大模型强化学习、后训练以及行业模型应用等工作。
去年11月底，郝建业离开华为。据了解，早在去年下半年，他就已经开始认真思考创业。
让他下定决心的，是一个看似简单、但很难回答的问题：当大模型的基础模型体系已经逐渐成熟，下一代大模型的核心技术究竟是什么？
1、而成为智能体实现长期交互和进化所必需
在郝建业看来，基模本身解决的主要是一次性的计算和推理问题，但当大模型真正进入各行各业，用户与智能体之间的交互就不会是一次性的。
随着交互不断发生，用户的历史行为、偏好、任务上下文和行业知识都会持续累积，模型也因此面临越来越长的上下文。
上下文越长，成本和计算压力越高，而大量历史信息如何被有效保存、检索、理解，并在恰当的时机重新调用，也成为基模之外的一道新命题。
郝建业认为，记忆并不是一个锦上添花的功能，而正在成为智能体真正实现长期交互和持续进化所必需的基础能力。
韩国深科技公司Dnotitia就是其中之一。今年4月，这家专注AI记忆芯片的公司完成6120万美元A轮融资。
其核心产品VDPU（Vector Data Processing Unit），即“向量数据处理单元”，采用存内计算（In-Memory Computing）技术，直接在存储阵列内部执行矩阵运算，从硬件层面降低数据搬运带来的开销。
但在郝建业看来，AI的“记忆”并不能简单等同于信息存储。
存储只是记忆的底层载体，可以是文件、知识图谱，也可以是向量数据库，本质上解决的是“信息放在哪里”的问题。
而真正的记忆能力，还需要解决信息如何被理解、形成、更新和调用。
比如说，当用户指令进入系统后，首先要判断“什么值得记”：哪些信息应该被记录，应该以什么形式记录，存在哪里，以及什么时候更新、删除和维护；
三、当记忆开始成为一种独立的模型能力
1、它不是简单叠加一个数据库
当用户进入不同场景时，又应该动态调用哪些历史信息；
进一步理解用户意图后，还要从大量历史信息中精准找到真正相关的记忆，并将这些信息与基模的推理过程结合起来，最终提升模型的推理能力和用户体验。
“它不是简单叠加一个数据库，或者调用一个现成模型就能解决的事情，而是一套需要长期训练和工程积累的系统能力。
” 郝建业说。在他看来，记忆本身正在成为一种相对独立的模型能力，与基模本身的通用计算和推理能力并不完全相同。
此前市场上较早的一批记忆公司，大多采用数据库式解决方案，通过向量数据库等基础设施完成信息的存储、检索和管理。
它更像是在模型之外增加一个“记忆库”，由外部系统负责保存和调用历史信息。
而MemoraX从一开始选择的，就是另一条“模型内生”的路线：让记忆能力更多通过模型学习形成，而不是单纯依赖外部数据库进行管理。
这一方向在国外已有一些大模型公司在实践。
比如，谷歌的Hope模型尝试为模型设计多个嵌套的学习循环和不同时间尺度的记忆，让模型具备持续学习和不断进化的能力；
Meta则进一步尝试将一个可训练的超大参数记忆层嵌入Transformer架构，用于增强模型本身的记忆能力。
不过，当记忆开始成为一种独立的模型能力，另一个问题也随之出现：究竟应该用什么标准来判断一个模型的记忆能力到底好不好？
LoCoMo数据集是较早专门用于评估超长期对话记忆的大型基准之一，其对话最长可跨越35个会话、300个轮次，相比此前通常只覆盖几个会话的对话数据，已经大幅增加了记忆跨度。
但随着评测深入，问题也逐渐暴露出来。
由于部分数据通过模型生成，测试样本本身可能存在人物关系前后漂移、事实相互矛盾、时间线混乱等情况。
如果用来衡量模型能力的“尺子”本身就不够准确，那么最终跑出来的分数，也很难真正说明模型的记忆能力。
因此，MemoraX AI开始同时做两件事：一方面对现有Benchmark进行修正和优化，另一方面尝试构建更加贴近真实世界的记忆评测数据。
为此，MemoraX AI并没有完全依赖人工构造的标准化数据，而是开始尝试从连续剧、肥皂剧等真实剧本中提取对话内容。
这类数据与现实世界的交互更加接近：人物关系复杂、对话持续时间长、信息不断累积，同一个人物可能在很长时间之后再次提及此前发生的事情。
四、随着公开数据不断被大模型消化
1、比简单地记住一条孤立的信息更接近真实
对于记忆模型而言，这比简单地记住一条孤立的信息更接近真实用户场景。
目前，MemoraX AI的核心记忆系统在南京大学与上海AI LAB联合发布的LoCoMo-Refined评测基准上取得82.65分，位列SOTA，相比第二名记忆框架提升30%。
2、随着公开数据不断被大模型消化
此外，MemoraX AI还联合牛津大学构建并开源了基于真实剧本的Agent Memory评测基准ScriptMem。
在该基准上，MemoraX AI AI取得60.3%的正确率，相比第二名提升40%，试图进一步推动大模型记忆从实验室测试走向更加真实的生活场景。
在AI Coding方向，MemoraX AI又联合牛津大学构建并开源Coding领域的Agent Memory评测基准SWE-context-bench。
在这一基准上，MemoraX AI取得45%的任务解决率，相比第二名提升50%，将记忆能力进一步放到真实的软件开发任务中验证。
除了Benchmark，公司还在大模型强化学习后训练、Test-Time Scaling等方向持续开展研究。
围绕这些核心技术方向，MemoraX AI联合国内多家高校开展协同创新，目前共有10篇论文入选ICML 2026；
在智能决策基础理论方面，创始团队还获得了中国电子学会自然科学一等奖。
这些工作的共同指向，是让“记忆”从一个抽象的技术概念，变成一种能够被真实衡量、真实验证，并最终进入真实应用场景的模型能力。
a16z合伙人Olivia Moore在今年3月的一场访谈中谈到，未来AI产品的记忆功能将成为核心优势。
随着模型记住用户习惯与上下文，产品将不再需要冗长的onboarding，而是从第一次交互就提供高度个性化体验。
郝建业判断，随着公开数据不断被大模型消化，AI下一阶段的重要方向，很可能是进一步下沉到每个人身边，从通用智能走向个性化智能。
到了这个阶段，模型不仅要“知道世界”，还要“知道你”——了解用户的习惯、偏好、历史行为和长期目标，并在持续交互中不断更新。
记忆也因此不再是锦上添花的功能，而成为AI实现个性化的基础设施。
围绕这一方向，MemoraX AI目前按照数据形态，将记忆能力划分为文本、代码和多模态三类，并针对不同数据类型分别构建相应的记忆模型，最终再将三类能力整合为一套通用、完整的记忆解决方案。
在AI Coding场景中，MemoraX AI已经推出面向Coding Agent的记忆产品，为Codex、Claude Code等编程Agent提供长期项目记忆，使其能够持续理解项目上下文。
在复杂、长程的软件开发任务中，Agent不必反复要求用户解释此前的代码
