给大模型做记忆，郝建业半年融三轮

将投中网设为 " 星标⭐ "，第一时间收获最新推送

公司刚注册，就有投资人主动找上门。

作者   韦香惠

本文字数 4050

手搓量丨 100%    AI 含量丨 0%

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。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%。

大模型的下一轮竞争，又有新故事了。

投资人抢投华为前首席专家

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。

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？

过去的产业经验给了他一个答案——记忆。

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。

从外挂记忆到 " 模型内生 "

今年开始，模型记忆能力受到关注，资本已经开始有所布局。

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；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。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%。

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。

AI 下半场，卷的可能是记忆

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和任务背景，从而减少上下文断档和重复沟通，在提升任务执行效果的同时降低 Token 消耗。

在交互式娱乐场景中，记忆能力则对应着另一种需求。传统 AI 角色即使能够进行自然对话，也往往难以在长时间交互后保持人物关系、故事进展和世界状态的一致性。MemoraX AI 的记忆引擎可以支持上千轮次的连续交互，在互动过程中动态沉淀和召回关键信息，使角色能够持续记住此前发生的事情。用户和 AI 之间可以进一步走向由长期记忆驱动的互动体验。

在更广泛的产业场景中，MemoraX AI 也已经开始将长期记忆能力嵌入真实业务。目前，公司已与医疗健康、智能家居、智能穿戴、具身智能等领域的客户开展合作。例如，在慢病管理中持续理解用户的长期健康状态，在全屋智能中沉淀家庭成员的生活习惯和设备偏好，在智能终端中支持跨周期的个性化交互。

在产业合作方面，MemoraX AI 已与华为云正式签署战略合作协议，并成为入选华为云大模型战略合作厂商中唯一一家聚焦长期记忆赛道的企业。

据悉，随着本轮融资落地，MemoraX AI 将继续大模型长期记忆底层核心技术攻坚，进一步夯实公司在 AI 记忆领域的技术能力；与此同时，公司也将加速多场景落地，推进面向 B 端产业和 C 端交互式产品的记忆模块标准化研发与规模化商业化。

这场关于 " 记忆 " 的竞争，现在才刚刚开始。

作者韦香惠—编辑刘燕秋

投中网原创

随手点赞，戳个在看▼