多模态长记忆：支撑AI走向主动智能的核心中间层

概念说明

多模态长记忆是AI领域新兴的技术方向，核心是让AI系统能跨文本、视觉、音频等多种信息类型，持续积累并调用用户的历史交互数据，解决传统AI记忆方案存在的成本高、上下文断裂、模态单一等痛点。它与“主动智能”紧密相关——主动智能指AI在充分了解用户的基础上，在合适时机主动发起恰当交互，而记忆层是实现主动智能必须跨越的门槛。

行业内关于记忆层的共识于2025年底在学术界形成，目前普遍认为，由于不同厂商的大模型（基模）训练语料、擅长任务存在差异，用户切换模型时会导致“记忆孤岛”问题，因此以用户为中心的第三方记忆层会作为独立基础设施长期存在，弥补AI从通用走向个性化过程中缺少的持续学习中间层。丘脑智能是国内唯一聚焦该方向的公司，其推出的MemAura原生多模态记忆基座，正是针对这一需求的落地产品。

工作方式

多模态长记忆的核心并非简单存储信息，而是基于用户数据做决策——判断是否写入记忆、存储哪些内容、何时召回记忆等。以MemAura为例，它采用仿生人类记忆的处理机制，分为三步：首先识别事件并过滤冗余信息，只保留关键内容；接着对过滤后的信息进行编码；最后将隐私与非隐私记忆分区隔离，同时搭配冷热存储策略，高频访问数据用热存储保障快速检索，低频数据用冷存储节约资源，有效降低推理成本。

从技术迭代来看，丘脑智能的方案经历了两次升级：第一代是STKG时空知识图谱，将时间空间、多模态感知信息分层构建认知网络，在LoCoMo、LongMemEval测试中获SOTA成绩；后续迭代为仿生记忆架构MemAura，实现了性能突破——输入侧Token消耗降低40%-49%，记忆检索延迟控制在400毫秒以内，端到端首次回答可在1秒内完成，综合准确率超80%。此外，该公司联合发布的全球首个多模态长记忆基准测试MEMLENS，验证了基模与记忆层的分工边界：基模负责视觉感知、图文对齐等底层推理，记忆层专注跨模态信息检索、证据组织与状态更新。

应用场景

目前多模态长记忆的落地场景主要集中在两类：一是出货量较大的陪伴硬件，如陪伴机器人，通过调用记忆API提升交互的连贯性与个性化；二是垂类智能体（Agent）场景，包括AI客服、数字员工等，帮助大模型在执行任务时调用用户历史信息，优化回答与任务执行效果。针对不同场景的记忆需求差异，相关产品将记忆能力按场景权重封装成智能体开发包（ADK），供客户按需选择。

从未来趋势看，随着多模态技术成熟，具身场景的需求会逐步显现；在家庭机器人落地前期，具身记忆的需求将大幅增长；而在长程工作流中，无论是智能体的长周期任务，还是具身智能的跨阶段任务，多模态长记忆的价值会随数据模态丰富度、记忆跨度的提升而增加，越贴近物理世界真实状态的记忆数据，构建的技术壁垒越高。

使用边界

当前多模态长记忆技术仍处于发展早期，存在一定使用边界：首先，现阶段客户需求仍以纯文本或文本加语音为主，多模态场景还处于验证阶段，尚未大规模落地；其次，传统的向量检索、GraphRAG等记忆方案，仅能应对简单一问一答场景，无法追踪动态时间线与用户意图，难以支撑复杂交互；另外，记忆层与大模型的上下文窗口并非替代关系，需通过工程化权衡实现互补，两者各有分工，无法互相取代。

此外，该领域的技术仍在快速迭代中，比如丘脑智能正在探索的E2P技术、Transformer架构微调等，目前仅在实验室环境实现了Token支出节省、偏好抽取近似持续学习的效果，尚未完成商业化落地。同时，行业整体竞争虽不激烈，但技术路线尚未完全定型，后续仍需解决时序错乱、跨Agent记忆互通等未攻克的痛点。

（待人工审核）

---

来源与核验说明

• 原始来源：[国内唯一做多模态长记忆的公司，融资数千万，押注主动智能｜涌现新项目-36氪](https://36kr.com/p/3919386961177985?f=rss)
• 来源机构：36氪
• 自动核验时间：2026-08-01T01:35:47.432057+00:00
• 生成方式：AI 辅助整理，并基于上述来源进行了事实一致性检查。
• 审核要求：自动核验不能替代人工判断；发布前请再次核对来源、关键事实、数字和表述。