记忆张量完成新一轮融资后，创始人熊飞宇反复向我们强调一件事，他不希望外界把记忆张量只理解成一家 " 做记忆 " 的公司。

这轮亿元的 pre-A 融资，据记忆张量披露，参与方包括华为哈勃、荣耀战投、商汤国香、深创投和和玉资本。公开资料里，华为哈勃长期以硬科技和半导体产业链为主要布局方向。它出现在一家偏软件、模型架构和 AI 基础设施公司的股东名单里，因此更值得关注。一年前的 2025 年 6 月，这家 2024 年底成立的上海公司刚完成一轮近亿元天使轮，投资方包括有上海国资背景的孚腾资本，以及中金资本、徐汇资本等机构；产业方则有算丰信息、壁仞科技等。

两轮资方摆在一起，能看出他为什么这么说。记忆在他那里只是第一个商业化产品，用他的话说，是 " 起点，永远不会是终点 "。记忆张量真正想做的，是一条从第一性原理建模、基模训练到产品落地的路线，把记忆从模型外部的系统层，推进到模型内部的架构层。

借着这次融资，记忆张量把原本埋在产品背后的技术路线摆到了台面上。

" 每次都像第一天上班 "

在熊飞宇看来，没有记忆的 agent 每次都像第一天上班，是个 " 会调用工具的临时工 "。" 今天能帮你查数据、写文档、调 API，但明天就不记得为什么昨天这么做，也不知道某个客户之前发生过什么，更不知道这个团队有哪些没写明的规矩。"

这个问题行业并不陌生。agent 默认无状态、每次从零开始，是这条赛道公认的起点，海外做记忆的 Letta、Mem0 都在解同一道题。

熊飞宇把根源归到模型本身。标准自注意力机制的计算复杂度通常随序列长度呈平方级增长，尽管业界已有大量工程优化，但超长上下文仍然会带来明显的成本压力；而且按他的判断，即便上下文窗口被拉到几百万 token，在很多真实任务里，模型能够稳定、准确利用的有效上下文，仍然可能只是其中一小部分。长上下文和 RAG 各自解决了一块，都没让模型真正具备长期、稳定、可更新的状态。

记忆张量的技术起点，是 2024 年的 Memory ³ 论文。它提出，大模型的记忆不只有写入参数的隐性记忆，或以原始文本形式存在的外部记忆，还应存在第三种——显性记忆：把文本知识预先编码成可检索的稀疏表征，在推理时像调用 " 可检索的模型参数 " 一样被模型按需读入。在国内，把 " 记忆分层 "" 记忆操作系统 " 做成一个明确技术方向的团队里，记忆张量算是最早的一批。后来他们把这套理论里能工程化的部分抽出来，做成了开源的记忆操作系统 MemOS，主导开发的是记忆张量的 CTO 李志宇，中国人民大学博士，曾在阿里和小红书做算法。

记忆这两年从一个边缘功能变成了行业的集体动作。到 2025 — 2026 年，OpenAI、Google、Anthropic 都已经把 " 记住用户 "" 引用历史对话 "" 跨会话延续上下文 " 推到产品级能力，国内大模型产品也在跟进类似方向。海外的 Mem0、Letta、Zep 等创业公司，则把记忆做成给开发者调用的中间件。记忆张量身处的，是一条玩家越来越密、上下两头都有大厂的赛道。

" 我们本质上不是一家做记忆的公司 "

熊飞宇不讳言记忆张量在这条赛道上的位置，但他坚持公司的内核不在这里。

熊飞宇把记忆张量的路线概括为三步：先做第一性原理驱动的数学建模，由机器学习理论和应用数学背景的团队，把问题抽象成一套数学框架；再在这个框架上做基模训练，探索新的模型架构和训练方式，让模型能力的提升不只依赖参数、数据和算力的继续堆叠；最后，才是把其中被验证有效、能够工程化的能力转化成商业产品。

记忆，是这条路线下第一个被商业化验证的切入口。支撑这套说法的，是一支兼具基础理论功底和工程经验的团队：首席科学家杨泓康是普林斯顿应用数学博士，团队核心成员也覆盖机器学习理论、应用数学和大厂的大模型工程等方向。

这条路线走下来，有一个被撞过墙的痕迹。最早他们从头训了 2.4B 和 7B 的模型，按熊飞宇的说法，撞上了一些 " 不能 scaling up 的点 "，于是先把其中能用的能力抽出来，做成了系统层的 MemOS。但从通往记忆原生模型的角度看，MemOS 在熊飞宇眼里仍然带有 " 脚手架 " 属性。系统层方案能先解决工程问题，但也会带来复杂实现和泛化边界。于是下一步又落回模型本身，这才有了 Metis。

Metis 想做的，是让模型在训练和推理过程里就原生地写入、巩固和更新记忆，而不靠外部系统去喂，这也是 " 把记忆做进模型 " 这条路线的核心。目前，Metis 仍是一系列从头训练的小规模模型实验，参数规模均控制在 7B 以下，核心目标是验证新架构下的 scaling law 是否成立。公司的长期目标指向基座模型的训练范式，眼下仍在小模型验证和架构实验的阶段。

熊飞宇更愿意把记忆张量放进另一类创业叙事里，绕开围绕单点应用的产品迭代，去底层架构和训练范式里找新路。他自己用的词是硅谷的 neo lab，这个词 2026 年正变热，被不少公司拿来描述自己，含义也被拉得很宽。

不过要把这条路线继续放大，熊飞宇也承认，以现阶段的资源，还需要更大规模的算力和资本投入。他也没把记忆张量往全能里抬，说自己真正能拿出来证明的，是在机器学习理论和记忆架构上的积累。

记忆先进入设备，也要跨过设备边界

如果说 Metis 是远处的目标，这轮融资更直接买到的，是把记忆推向端侧和硬件的入场券。

这轮几乎全是战投方，是熊飞宇有意的选择。他从去年就判断，记忆会在手机、消费电子、车机这些端侧场景里被大量用到，于是主动去找了这个方向上最合适的产业资本。在他的设想里，记忆系统要往更复杂的硬件场景里走，光靠自己不够，得和这些场景的工程能力绑在一起。

绑定已经有了具体落点。和荣耀一起，记忆张量做了一个叫 MemPrivacy 的端侧隐私方案，今年 5 月对外披露。它要解决一个很现实的矛盾，手机上的个人数据越敏感，越不愿上云，但端侧模型的能力又不足以独自处理复杂请求。

记忆张量的做法，是在端侧跑一个小模型，先判断一句话里隐私信息的密集程度，再分级处理。最敏感的部分，不是简单打码，而是替换成一段还能表达原意、但抹掉了关键数值和敏感词的占位表述，送到云端的大模型去回答，拿回结果后在端侧解码还原。这样既保住了隐私，又没太牺牲办事效率。

这条思路接上了两件正在发生的事。一是个人数据上云带来的隐私和合规压力，二是头部手机厂商都在把端侧个性化和本地隐私保护当成 AI 终端的重要卖点。

商业上，熊飞宇的设想更靠上层，他想从基础设施往上走，做一个能跨应用、跨设备的个性化记忆平台。他常用一个对比来讲这件事，移动互联网靠 " 猜你喜欢 " 跑出了一轮大爆发，而记忆做好之后，AI 可以从 " 猜你喜欢 " 变成 " 懂你喜欢 "。在企业一侧，他希望把沉淀下来的记忆抽象成行业经验，并探索按效果或结果收费，最终跑通一个数据飞轮。

我们问他，手机厂商自己也在做端侧记忆，记忆张量会不会被挤掉。他的回答分两层。终端上的个性化，肯定是厂商自己来做；但更广泛意义上、独立于终端厂商和大厂的个性化，还是需要一个第三方的承载方，他认为记忆张量适合站在这个位置上。他还补了一个论据，这些战投方自己都有很强的 AI 和工程团队，却还是选择投钱让记忆张量来做，" 这本身就代表这里面有非常高的技术壁垒和门槛。"

但端侧不是 MemOS 的全部。熊飞宇更想强调的是，长期记忆最终会成为跨应用、跨设备、跨模型、跨 Agent 的状态层，手机只是最早出现强需求的入口之一。

记忆成为标配之后

理论 + 应用兼备的团队、产业资本的进入、从系统层走向模型层的押注，让记忆张量的轮廓逐渐清楚。它和那个更大目标之间隔着多远，是另一回事。

最直接的一道坎，是这条架构路线能不能放大。熊飞宇自己承认，早期训练 2.4B 和 7B 模型时遇到过 " 不能 scaling up 的点 "，Metis 也还不是他心目中那个终极的记忆原生基模。把记忆做进模型本身确实是个真问题，谷歌、Meta 等也都在尝试把长期记忆、持续学习这类机制写进模型本身。方向被验证的另一面是，记忆张量要面对的同行是这些手握海量算力的巨头，一家近亿融资的公司能在其中占到什么位置，眼下还没有答案。

巨头的存在还带来第二重压力。当 OpenAI、Anthropic、谷歌都把记忆做成了产品的默认功能，独立的记忆公司天然被挤压。有投资机构判断，模型逐渐商品化之后，差异化会转向记忆与上下文这一层，但这句话的另一面是，大厂也在抢这一层。熊飞宇的回应是，和大厂更多是合作大于竞争，记忆张量会在大厂云上提供服务，而真正属于它的位置，是做那个独立于所有人的第三方记忆系统。这个站位是否成立，要靠后面的落地来证明。

怎么证明，本身也是个问题。这条赛道上各家都拿自己的 benchmark 说自己领先，Mem0、Zep 等团队之间就曾围绕 LoCoMo 等 memory benchmark 的评测方法和结果公开交锋。对此熊飞宇说得反而清醒，" 每个 benchmark 测的时候都会有投机取巧的方法 "，多烧 token、多花时间，能把准确率推得很高，但在很多要求几百毫秒响应的真实业务里根本用不了。"benchmark 代表你能达到的基础水平，但距离真正的行业落地，差得非常远。"

这轮融资把记忆张量推到了一个新的起跑线上。钱、人和算力跟那个更大目标之间的距离，熊飞宇没有回避。接下来值得看的，是它能不能把这份野心变成实打实的东西。

对话节选：

硅星人：你们最近提 " 长期智能 " 比较多，怎么定义这个东西？

熊飞宇：核心是让 AI 从一次性的工具，变成可以持续累积经验的系统。它首先要能在长期互动里持续理解一个人、一个复杂任务、一个组织，做完之后还能把经验和 know-how 沉淀下来，让这套系统持续进化。现在以 Transformer 为核心的主流范式，在长期经验累积和持续自我学习上还有明显限制。未来可能需要新一代基模架构，或者在现有架构之上引入更原生的记忆机制。

硅星人：记忆原生模型，和给现有模型外挂一个 memory 模块，本质区别在哪？

熊飞宇：外挂模块就像在模型外面加一个记忆工具，模型需要信息时先去外部记忆库里找，再塞回上下文。这种方式很有价值，也是今天大多数记忆系统的起点，但它比较依赖基模本身的能力，很多时候模型只是被动消费一段被召回的内容，而不是在机制上真正学会管理和使用记忆。记忆原生模型，是让模型在结构、训练和推理里就具备使用记忆的能力，它不光知道什么时候调用记忆，还理解哪些记忆更可靠、哪些过时、哪些该更新。打个比方，外挂记忆像每次做事之前有人递给你一本笔记，记忆原生模型是你自己有长期经验，知道什么时候该回忆、什么时候该修正、什么时候该忘记，这里很多对于记忆的处理和理解都是源自模型内生的，就像人饿了会想要吃饭一样自然。

硅星人：MemOS 和 Metis 分别承担什么角色，未来是什么关系？

熊飞宇：MemOS 是一个更大层面的系统，把明文记忆、激活记忆、参数记忆这三种都管起来。Metis 更偏模型层，承担里面参数记忆、激活记忆与明文记忆的自然融合这一层，关注模型本身怎么更自然地理解和使用记忆。现阶段 Metis 会作为 MemOS 体系里的模型层能力存在，因为它在训练时虽然有一定的内化记忆作用，但表现还不够好，仍然要结合 MemOS 这套系统。未来如果记忆原生基模真正成熟，很多今天需要系统脚手架完成的能力，会逐步被模型内化。那时候 MemOS 会变得更轻，更多承担治理、调度、跨系统协同的角色；Metis 会承接更多模型内部的记忆理解和使用能力。

硅星人：记忆系统最怕记错、记脏、记过时，你们怎么处理？

熊飞宇：这是我们 MemOS 2.0 的一个核心能力，叫记忆的版本管理。很多人一上来就问怎么遗忘，但在我们看来，遗忘的前提是先要记住，把记忆的状态和版本管理清楚。没有版本管理，所谓遗忘很容易变成简单删除。系统运行时，用户偏好会变、任务目标会更新，记忆会从一个版本升到下一个版本，中间还会有不同任务的分支。任务做完要把这些记忆合并，合并之后，稳定有效的经验沉淀下来、做进化，过时的、有问题的就被淘汰。先把版本和状态管理做好，遗忘和纠错才谈得上。

硅星人：大厂也在把记忆做进自己的产品和模型，独立做记忆的公司，护城河是什么？

熊飞宇：要分层看。大厂自己做 ToC 产品，一定会有自己的个性化记忆，这是必然的。但业界这么多企业、这么多硬件厂商、这么多中小开发者，自己做应用时的记忆能力，很多会选择用第三方系统。我们想做的，就是这个独立于不同 agent、不同模型、不同终端的第三方记忆系统，帮一家企业把散在各处的记忆组织成一套长期、独立、属于它自己的记忆。对企业来说，长期记忆最后会变成一种核心资产，它不一定愿意完全绑定在某一个模型、某一个 Agent 或某一个终端厂商里。

硅星人：你们叫记忆张量，但又说不只做记忆，这个名字怎么来的？

熊飞宇：因为记忆确实是我们做的第一件事，从 2023 年就开始，理解和落地都比较早，这个名字有代表性，也朗朗上口。其实团队最早不是以公司形式存在的，而是在上海算法创新研究院的大模型中心里孵化的，在里面训练和验证了大概一年 Memory ³ 基模，也做了记忆产品的初步建设。觉得差不多了，就独立出来成立公司，自然就想到了跟记忆相关的名字。

硅星人：如果这条路走通，AI 会因此不一样在哪？

熊飞宇：做底层架构创新，时间很难预测，可能很快，也可能很慢。但如果这条路真的走通，我觉得 AI 最大的变化，是它会第一次真正拥有 " 时间 "。

今天的 AI 很聪明，但它大多数时候没有过去。它可以回答很多问题，却很难记住一个人是怎么成长的，一个团队是怎么摸索的，一家公司曾经踩过哪些坑、形成过哪些判断。

但人类最珍贵的东西，其实都发生在时间里。不是最后那篇文档、那个结论、那行代码，而是一次次失败后的经验，一个老师带学生时说不清的直觉，一个团队长期协作形成的默契，一个人不断修正自己之后留下的判断力和价值观。

过去这些东西很容易消失。项目结束了，经验散了；人离开了，know-how 也带走了；一代人走过去，很多隐性的智慧就断掉了。

如果长期智能走通，AI 不只是帮人完成任务，而是帮人类把这些经验、判断、记忆、反思和默契保留下来，让它们可以被继承、被复用、被继续生长。

所以我们做这件事，不只是为了让 AI 更聪明，而是希望让人类积累过的东西不再那么容易被时间冲走。真正重要的智能，不应该只是一次性的输出，它应该能在时间里沉淀，也能在时间里生长。