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Holographic  Memory  System 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。

大模型本质只是一个认知节点，负责推理计算；记忆是和推理正交的另一套命题，它处理信息的组织、筛选、遗忘、整合。

就像计算机诞生之初，CPU 和存储本就是两套分立系统，没有人会因为 CPU 厂商实力强劲，就否定存储独立存在的价值。

缓存、内存、硬盘组成的存储层级，最终成长为万亿级赛道，决定整机运行上限。

如今 AI 或许正在复刻这段历史。

当下的大模型、未来全新模型形态、落地现实的具身智能，全是独立的认知节点，但它们都迫切需要同一种东西：可以持久保存、跨会话生效、随使用持续迭代的记忆层。

现阶段行业里大家靠 RAG 零散搭建记忆，和早年每一台电脑自己焊接存储如出一辙。

碎片化修补只是过渡期，最终行业或许会收敛为一套通用记忆底座。

但通用记忆层天然要求中立。当记忆以标准化、中立的形态，在不同模型、Agent、设备间流转继承，它就脱离单一产品的私有功能，升级为 AI 时代的记忆协议。

模型厂商可以做适配自家产品的浅层记忆，但不太可能搭建跨厂商的公共记忆层，毕竟谁都不愿意把自身智能的根基交到竞争对手手里。

这便是织影（Shadoweave）的定位：不去开发一款定制化记忆工具，而是打造面向全行业的 AI 记忆协议。

回看科技发展史，80 年代胜出的不是某一台 PC，而是统一操作系统；90 年代出圈的不是单一浏览器，而是实现万物互联的 TCP/IP；2010 年代红利不属于某一款芯片，而是可以调度海量算力的 CUDA。

一旦记忆协议成型，托起的就不再是一款产品，而是完整的智能生态。

在此基础上团队持续打磨 Memory IR、Memory Runtime，开放 Memory SDK 与新一代 Memory Benchmark。

后续会将持久记忆打通感知、推理、控制、具身行动，任何机器人、Agent 接入体系后，直接继承过往沉淀下来的经验规律，不必从零学习。

回望开篇，H.M. 暴露了人脑记忆的一个根本局限：存储和回忆可以被手术刀分离；

舍雷舍夫斯基则暴露了另一个极端：无限存储反而窒息了理解；

而《双面真相》里的那位父亲又揭示了第三种困境，人类的记忆总会为了自我叙事篡改事实，客观事实 vough 和服务当下理解的 mimi 在人脑里很难彻底分开。

但机器拥有先天优势，可以将忠实存档和定向回忆彻底拆开。

过去数年行业比拼的都是模型单次推理的天花板，但模型决定 AI 单次有多聪明，记忆决定这份聪明能不能沉淀、延续、代代继承。

当 AI 不再是结束每次对话都失忆的天才，可以长久记住人和过往经历时，记忆基础设施的战略价值，可能完全不输今天的算力基础设施。

特德 · 姜借书中人物道出核心要义：数字记忆真正的优势，不在于证明自己永远正确，而是敢于承认自己出错。

因此判断 AI 真正拥有记忆的标准，从来不是储存的信息更多，而是学会基于碎片化线索重建过往，并且愿意承认自己记错。

放到 AI 语境里就是，原始事实固定不变，但推理结论可以被重新审视。

这正是织影（Shadoweave）团队践行的设计思路，原始记忆严格封存绝不改动，AI 开展回忆推理时，依托多条证据交叉核验，如果新线索推翻旧判断，系统就会摒弃之前的错误结论。

依靠这套机制，AI 才拥有真正的回忆能力。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见