一位失忆患者，揭开了AI记忆的误区

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 一位失忆患者，揭开了AI记忆的误区 闻乐 2026-07-16 15:34:14 来源： 量子位 记忆能够独立成层 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 1953年， 亨利·莫莱森（简称H.M.） 走进了一间实验室。 彼时的他不会想到，往后自己会成为神经科学发展史上标志性的案例。 为根治从小反复发作的癫痫，医生切除了他大脑内侧颞叶的部分组织。 手术成功控制住了癫痫，但也带来了无法逆转的副作用：他再也无法形成长期的全新记忆。 童年的往事、旧日的住所他记忆犹新；可几分钟前刚聊过的人和事，转瞬便会彻底清零。 科研人员短暂离开再折返回来，H.M.总会像初次见面一样，礼貌地重新问候眼前这个人。 不过，真正颠覆学界认知的并不是他失忆这件事，而是 镜像描画 实验带来的发现。 记住，不等于想起来 研究人员安排他看着镜子临摹复杂图案。 虽然他完全不记得自己练习过这项任务，但日复一日下来，他的手法越来越熟练。 身体记住了经验，可他的意识对此一无所知。 这件事让科学家明白： 存储经历和主动回想是两套各自独立的过程 。 信息可以被保留，却不一定能被调取。 如果H.M.代表记忆缺失的极端，俄罗斯记者 所罗门·舍雷舍夫斯基 则站在了另一个极端。 他可以长久记住海量文字、数字和细碎画面，可超强记忆反倒成了枷锁—— 他没法过滤无用细节，气味、画面、零碎往事随时随地涌上脑海，繁杂信息挤占了思考空间，导致他很难从具体画面中提炼出抽象理解。 两个案例印证了同一个核心道理： 遗忘并不是记忆的漏洞，它本就是记忆自带的能力 。 高效的记忆，是筛选关键内容、舍弃琐碎细节，后续再结合现实重新理解过往。 但反观当下的AI行业，大家做的恰好是相反的事。 现在主流AI记忆方案逻辑十分单一： 把过往对话全部储存，借助向量匹配，检索相似度高的聊天片段用来回答问题。 不管是RAG检索还是超长上下文，本质只是在做存储和关键词匹配。 它调取的是历史记录，算不上真正意义上的回忆，内容相似，并不代表贴合问题本身。 为什么相似不等于相关？ 特德·姜在小说《双面真相》里，借两种截然不同的记忆逻辑给出了更深的解释。 第一种叫vough（事实存档） ，只客观记录真实发生过的全部细节，不加主观改动。 故事中一位父亲，机器录像清清楚楚证明是他率先指责了女儿；但在自我辩解的本能驱使下，他脑海里篡改了事实，一直认定是女儿伤害了自己。 第二种叫mimi（现实解读） ，结合当下处境对过往经历做出合理理解，帮我们自洽地继续生活。 人脑有一个天生的特性，每次回忆往事的时候，都会悄悄改写记忆内容。回忆和修改过往经历，是人脑绑定在一起的本能。每一次想起，都是一次重写。 但AI可以打破这种束缚。 原始事实的存档和结合当下的回忆推理，完全可以拆分成两套独立系统。 存档阶段恪守客观事实，一旦记录完毕就绝不改动；回忆阶段针对当下问题，综合多条线索重新推导答案。 回忆不该只是简单查表，而是结合现状重新梳理过往经验。 一群来自上海交大、哈佛、CMU、芝加哥大学、清华、UC Berkeley、JHU、复旦、UCL等名校的年轻人，创办 Shadoweave（织影） 团队，自研了 H olographic M emory S ystem全息记忆系统，正是沿着这套思路在工程上落地。 就像全息底片哪怕只剩碎片，依旧能够复原整张图片，人类的回忆，也是依靠碎片化线索还原完整经历。 HMS的做法很明确： 历史记录封存之后不再改动；当面对用户提问时，系统梳理问题对应的时间、人物关系，沿着多条线索搜集信息，交叉核对事实，最后整理出可靠答案。 在完成静态分层设计之外，HMS更进一步加入了自进化机制，依托真实对话反馈，持续打磨计数去重、日期校正、事实状态判定等核心能力。 这套自进化逻辑，复刻了人脑里 记忆巩固 的原理。 人在睡眠休整期间，海马体会回放往日经历，大脑皮层从零散事件里萃取深层规律，沉淀成自己的认知范式。两者本质相通，都是对海量信息做精简提炼。 一套架构是否可行，最终要看实测结果。 在基准测试中，最终HMS在LongMemEval和LoCoMo两项测试中同时登顶，准确率暂时处于领先水平。 从单次回忆到长期记忆底座 解决了单次调取记忆的难题之后，更深一层的问题随之而来：这些长期积累的Memory，应该存放在哪里，又应该如何持续生长？ 带着这个问题，团队正在开发他们的产品 Memory Bank ，希望把记忆能力真正带入用户的日常使用场景。 在人类认知中，记忆本来就是一个动态系统，它不断压缩旧信息、更新已有认知、把零散片段重构成更凝练的经验。 Sutton的Oak Lab就是主张AI仿照人类逻辑，依托长期记忆生成经验，这种经验沉淀之后催生出智能。 而Memory Bank背后也是这种记忆观。 经验沉淀的原材料，藏在每个人日常的碎片化交互里。 但用户的聊天记录躺在对话应用里，浏览历史锁在浏览器里，会议、文档、日程又各自分属不同平台，每个AI只能接触其中一小部分局部信息。 于是每一次在不同平台的交互都要重新建立上下文，AI的经验永远无法结转，也无法形成对用户的连续认知。 Memory Bank想做的，是 统一管理这些长期积累的状态信息，让不同模型、不同Agent共享同一份连续记忆 。 打通统一记忆层之后，上游的每一种认知节点就能借助统一记忆表征实现经验积累，进而为智能在多模型之间流转创造条件。 落到日常体验上，它就能适配每个人碎片化的数字生活。 比如开会之前系统根据会议标题、参会人和议题自动召回相关记忆；打开一个聊天窗口时它按联系人召回上次聊过什么、对方偏好什么、还有哪些事情需要跟进；写作时相关的历史材料会在输入框旁自然浮现…… 每一条被召回的记忆都带着来源、时间和置信度，用户可以查看、隐藏、删除记忆或是停用对应数据源。 后续Memory Bank也将支持跨应用、跨设备、跨Agent共享长期记忆，并把授权、管理、删除做成完整能力，让记忆始终握在用户自己手里。 当然了，从这个定位上来看，Memory Bank并不打算取代任何一个应用。 它真正的价值在于让不同的模型能够基于同一套Memory持续工作，为Agent长期运行提供基础设施。 不只是Memory 在记忆之外，团队还有更深层的思考：未来AI持续运行的过程中，真正需要管理的是不断产生和变化的状态。 记忆只是这种动态状态的一部分，更关键的命题是围绕这种动态状态构建一种新的计算范式。 沿着这个思路继续延伸就能发现：机器人边缘计算、近存计算和AI记忆，三者底层逻辑高度一致—— 让状态尽量留在产生和消费它的地方，局部问题在本地完成闭环，只将必要信息向上提交全局处理。 芯片设计依靠这套逻辑削减数据搬运成本，人脑借此划分本能反射与深度思考…… 织影（Shadoweave）同样把这套准则引入AI记忆体系，区分本地留存内容和全局共享内容。 到这里，一个更本质问题浮出水面： 为什么记忆注定独立成层？ 计算机体系结构早已给出答案。 大模型本质