对话范承工：模型同质化时代，记忆才是AI真正的护城河

“AI的下半场，不是比模型能力，而是比谁掌握记忆的归属权。”这是MemVerge创始人范承工（Charles Fan）近两年的思考主线。 范承工在存储与基础架构领域深耕二十余年，加州理工学院电子工程博士，研究数据中心与网络基础架构；博士在读重组的Rainfinity，2005年被EMC以约1亿美元收购，并加入EMC，回国创建了EMC中国研发中心，后任VMware高级副总裁、vSAN产品线带头人，还出任猎过豹移动CTO。2017年，他创立了MemVerge重点企业级大内存软件。 “模型日新月异，记忆日积月累。”在范承工看来，AI时代的模型虚拟计算，是快速迭代、不断被替代的短暂性资源；记忆虚拟存储，是持续积累、不可重置的持久性资产。 这一判断与他二十多年的存储经历直接相关，IT架构曾从“存储内嵌于计算”走向“存储成独立层”，造就了一个独立的大市场。今天，AI架构正站在同样的历史节点上。 沿着这条主线，MemVerge在2025年9月开源了面向开发者的记忆底层项目MemMachine；2026年7月，在WAIC上首次提出了面向用户的个人助手智能体MemoryBox，以记忆为中心把模型又与Agent围绕记忆整合为完整的个人AI体验。它既服务于个人生活场景，也正在服务场景，类似于ChatGPT的产品定位。8月29日，他们召开了MemoryBox Beta启动，最终将这款产品带到了公测阶段。 支撑这条产品路径的是一个更大的趋势：端侧AI。Gartner的数据显示，目前企业约10%的AI工作在边缘完成，90%目前会云端大模型侧；到2030年，预计约60%的AI工作将转移到边缘，企业侧和个人侧。MemoryBox是为边缘AI服务的软件层。 智客智客与范承工展开了一场关于AI记忆归属权的深度对话，从产品逻辑、技术路径到行业未来，全面拆解MemoryBox的底层思考。 以下为与范承工的谈话全文，现已删减： 智客智客：“人工智能的下半场，不是比模型能力，而是比谁掌握记忆的归属权。”怎么你提出的这个观点。 范承工：谁拥有记忆，非常重要。第一，模型同质化正在加速。开源模型的爆发使模型之间的能力差距迅速收敛，对个人与企业而言，真正的差异化源于各自的导管记忆。如何高效管理个人与企业的导管记忆，已成为一个核心命题。 第二，模型厂商与数据所有者之间的结构性矛盾。模型厂商需要更多的数据来与迭代模型，自然倾向将用户数据吸引至自身平台；但对企业而言，数据是核心竞争的载体，对个人而言，数据更是数字空间的最后堡垒。MemoryBox的尝试，是为了让记忆的存在不被模型厂商“占领”，主张始终归属于用户的私人空间。 第三，未来个人与企业之间将产生新的张力。美国市场已经出现苗头，企业开始尝试提高员工的技能与经验。技能本质上也是一种记忆，即个人做事的方式与方法论。员工在职期间的悲剧归企业所有，这无可替代厚非；但员工的许多技能并非是企业才形成的，其所有权主体应当是个人。这需要法律与道德层面的定义，也需要技术平台对记忆主权的底层支持。记忆所有权的争夺，将成为AI下半场最张力的战场之一。 智客ZhiKer：“记忆应作为独立层存在”这一观点是如何形成的？ 范承工：这个观点大概形成于20个月前，我们开始切入AI记忆领域的时候。它与我过去二十年深耕企业存储的经历直接相关。 回顾存储行业的发展史：早期，存储只是计算的附属组件，内嵌于主机废弃；直到上世纪九十年代，存储开始外挂、独立，最终成为一个庞大的市场。行业逐渐认识到，数据本身具有持久性的价值，而计算资源往往是短暂性的，存储中的资产需要长期保留，是可积累性的。 映射到AI时代，模型就是计算，记忆存储，是日积月累、持续沉淀的持久资产。既然存储能够从计算中独立出来成为专门的层次，记忆同样有必要、也有能力从模型中独立出来。这是我们过去20个月的核心理念。 智客ZhiKer：MemMachine与MemoryBox是什么关系？两者如何分工？ 范承工：MemMachine是面向开发者的开源项目，开发者可基于其记忆层能力开发面向消费者或企业的流媒体应用。 MemoryBox 在 MemMachine 基础上构建的、面向用户的个人助理智能体，以记忆为中心，将模型与 Agent 围绕记忆整合为完整的个人 AI 体验。它既服务于个人生活场景，也可审视工作场景，类似于 ChatGPT 的产品定位。 智客ZhiKer：用户打开MemoryBox具体怎么用？与我们已有的带记忆功能产品有什么区别？ 范承工：当前AI产品能够很好地回答公共信息类问题，因为整个互联网已被训练进模型。但当问题涉及个人经历、必须使用私有数据时，现有方案往往力不从心。 例如，当你询问完成“总结我过去三个月的最后五个对话”时，现有产品面临三重重要障碍：第一，它无法共享这些文件分散在本地硬盘、网盘或录音记录中；第二，增加找到文件，上传时可能会受到模型对文件数量和大小的限制；第三，涉及隐私的内容，用户会怀疑是否上传至上传。因此，当前的AI体验本质上是寻找模型中心的，用户需要寻找数据、上传数据，然后才能提问。 MemoryBox的体验实质不同。作为一款本地应用，其核心是个人记忆与知识库。安装后，用户可指定需要监控的本地文件夹或网盘，系统通过监控功能对文件进行收费。此后，用户的任何提问都会触发自动检索，将相关的信息组织后导出。同时，用户与豆包、DeepSeek、ChatGPT等平台的全部对话记录同步至MemoryBox，需逐一导出。 更进一步，MemoryBox提供了多模型调度能力。用户可以选择@豆包、@ChatGPT或者同时调用多个模型作答，甚至让不同的模型相互校验，从而显着降低幻觉与错误率。这实现了我们所说的“以记忆为中心”，所有串联集中在一个处，多个模型围绕用户的记忆来提供服务，而不是让用户围绕某个模型来组织数据。 智客ZhiKer：MemoryBox如何接入不同厂商的大模型？并且能够把工作与生活场景的记忆数据进行完善的分类管理？ 范承工：模型接入提供两种方式：一是用户授权个人账号，由MemoryBox代为调用；二是直接使用MemVerge的统一账号访问所有模型，进而为每个模型单独注册。 在记忆分类层面，我们提出了记忆空间（记忆空间，可以理解为记忆抽屉）的概念。可以自定义不同的记忆空间，例如工作、生活或特定项目。只需为每个空间撰写简要描述，AI就会自动将相关数据整理到其中。 所有记忆空间均支持可视化浏览与查询，用户也可随时手动调整，将AI遗漏的内容补充进去，或将不相关的内容移出。同一条信息可以归属多个空间，例如“孩子教育”的内容可同时存在于“孩子”与“生活”两个抽屉中。 进行问答时，用户既可以选择调用全部记忆空间由系统自动抽取相关内容，也可以指定一个或多个特定空间作为上下文范围，从而获得更准确的答案。 智客ZhiKer：MemoryBox如何在海量个人数据中实现精准搜索？ 范承工：记忆层技术的核心目标是在海量数据中实现“海底捞针”精准定位与用户当前问题最相关的数据，并将其注入上下文窗口。实现这一目标的手段包括支持数据库、图数据库、基于AI模型的语义理解，以及时间轴上的整理信息与压缩。 我们将多种技术有机融合，持续优化搜索精度。这里的精度包含两个维度：一是查找召