0
| 本文作者： 鄭佳美 | 2026-02-09 12:42 |
2025年1月——在AI技術從感知智能邁向認知智能的關鍵轉折點上，質變科技正式發(fā)布了具備超大規(guī)模實踐能力的多模態(tài)記憶平臺——MemoryLake。該平臺首次將“多模態(tài)內(nèi)容深度理解、多模態(tài)記憶存儲、記憶計算與管理”全棧能力融于一體，由 MemoryLake-D1 大模型、MemoryLake 記憶引擎和多模態(tài)存儲與計算平臺（Relyt Multi-modal Data Cloud）構成。MemoryLake 旨在解決當前企業(yè)AI落地面臨的諸多根本挑戰(zhàn)，包括“多模態(tài)信息難以理解與融合”“數(shù)據(jù)碎片化導致記憶斷層”“模型決策不準確不可靠”“大模型調(diào)用成本高”“企業(yè)數(shù)據(jù)規(guī)模龐大卻響應遲緩” 等痛點。這一產(chǎn)品的發(fā)布標志著AI基礎設施正式從“以數(shù)據(jù)為中心”邁入“以記憶為中心”的新階段。
當前企業(yè)級AI應用普遍面臨一個根本矛盾：大型語言模型具備強大的生成能力，卻難以在復雜業(yè)務場景中給出準確、持續(xù)、可解釋的行動級決策。根源在于，現(xiàn)有系統(tǒng)仍是圍繞“數(shù)據(jù)”而構建，而非圍繞“記憶”構建。正如質變科技CEO占超群所說：“傳統(tǒng)計算系統(tǒng)處理的是行為記錄，而記憶計算系統(tǒng)處理的是決策軌跡——這是智能體網(wǎng)絡（Agent Network）的基礎”。
從傳統(tǒng)計算到認知計算，這一理念體現(xiàn)在三個根本性的范式轉變上：
1.架構設計轉向認知狀態(tài)記憶為中心
認知狀態(tài)記憶是一等公民（First-Class State），認知狀態(tài)記憶是系統(tǒng)在某一時刻，對“我在做什么、我知道什么、我假設什么、我不確定什么”的結構化內(nèi)部表征。
2.系統(tǒng)核心從“管理數(shù)據(jù)記錄”轉向“構建多模態(tài)認知狀態(tài)記憶”
以多模態(tài)存儲與計算平臺為基石、大模型為數(shù)據(jù)深度理解引擎、支持高準確度和自演進的記憶管理與計算引擎為系統(tǒng)核心，未來技術競爭的關鍵在于記憶的多模態(tài)、準確性、可追溯、反思以及自演進能力。
3.基礎設施轉向記憶管理
從“數(shù)據(jù)的存儲、計算與管理”轉向“記憶的存儲、計算與管理”。正如云時代催生了 Snowflake 與 Databricks，AI 時代也將誕生以“記憶”為核心的新一代基礎設施平臺。質變科技此次通過 MemoryLake 初步定義了這一新興賽道，在行業(yè)中率先踐行記憶驅動的技術路線。
MemoryLake架構：三大核心技術組件
為了構建完整的“記憶計算”能力棧，MemoryLake 包含三大核心技術組件，打通了記憶的提取、存儲、管理與計算全流程：
傳統(tǒng)通用大模型在處理復雜表格、多層級文檔以及多模態(tài)數(shù)據(jù)如音視頻等企業(yè)數(shù)據(jù)時往往力不從心。而 MemoryLake-D1 是業(yè)內(nèi)首個專注于多模態(tài)“記憶”理解與結構化提取轉換的領域大模型。它能夠深度解析包含多子表、多布局、多層級的復雜 Excel、PDF 以及圖文混排文檔，從中抽取規(guī)范化的知識，轉化為可被系統(tǒng)理解和計算的“記憶單元”。
在實際測試中，D1 模型可以執(zhí)行諸如“從多日票務數(shù)據(jù)中提取指定日期的出票量，按客戶分組匯總，并跨日對比分析”的復雜指令，直接輸出可執(zhí)行代碼和結構化結果，將原本需要人工耗時數(shù)日的報表整理與數(shù)據(jù)洞察工作縮短至分鐘級。該模型在權威的表格理解評測（TableBench/EOB）中表現(xiàn)出全球領先的準確率，充分證明了其在復雜企業(yè)數(shù)據(jù)處理方面的能力。
記憶引擎是平臺的核心“大腦”，承擔著智能化組織記憶、動態(tài)更新知識以及高效檢索調(diào)用的任務。其創(chuàng)新之處在于類人記憶管理機制的實現(xiàn)：
● 記憶組織：通過概念關聯(lián)網(wǎng)絡、多層次動態(tài)知識圖譜和語義聚類、多層次向量等手段，像人腦一樣在不同知識之間建立聯(lián)系，支撐復雜的多跳推理；
● 記憶管理和計算：內(nèi)置記憶演化追蹤、時間線回溯、沖突智能合并以及基于遺忘曲線的優(yōu)化機制，確保記憶庫隨著時間推移能夠自動淘汰噪音、保留高價值內(nèi)容；
● 記憶取用：在檢索時，支持亞秒級的多跳推理查詢和跨概念關聯(lián)查找，并依據(jù)權限矩陣保障安全訪問。引擎返回的是上下文友好、精煉且完整的記憶片段，而非雜亂冗長、邏輯沖突的原始全文，平均降低90%以上的 Token 消耗和計算成本。
在極具挑戰(zhàn)性的長程對話記憶基準測試 LoCoMo 上（需在平均300輪、跨數(shù)月、多模態(tài)內(nèi)容的超長對話中進行精準信息整合與推理），MemoryLake記憶引擎以94.0%的綜合得分位列全球第一，顯著超越其他記憶方案及人類標注基線。
這一組件提供對“記憶”的持久化存儲與分布式管理支持。MemoryLake 記憶庫能夠無縫接入各種數(shù)據(jù)類型，包括結構化數(shù)據(jù)、非結構化文檔（如 PDF、Word、Markdown）、圖片、音頻、視頻，以及來自第三方系統(tǒng)或數(shù)據(jù)庫的在線數(shù)據(jù)。
該平臺具備超大規(guī)模承載能力——在生產(chǎn)環(huán)境中已成功管理由 10萬億+ 條記錄和 1億+ 份文檔組成的海量記憶庫，同時仍保持毫秒級檢索延遲。此外，它提供完善的企業(yè)級治理能力，包括記憶溯源、版本控制、權限管控與合規(guī)審計，確保每一條記憶的來源可追溯、推理路徑可解釋、操作過程可干預。這些機制使得 MemoryLake 能作為可信賴的長期記憶中樞嵌入企業(yè)業(yè)務，滿足嚴苛的安全與合規(guī)要求。
MemoryLake 所打造的“記憶計算”能力，正在各行各業(yè)催生全新的智能應用范式：
復雜決策場景：在企業(yè)高管決策支持中，MemoryLake 可連接企業(yè)內(nèi)外部數(shù)據(jù)源，構建領域知識記憶。當用戶提出“分析某項目歷史風險與當前市場趨勢”這樣的復雜請求時，系統(tǒng)會自動關聯(lián)相關的項目文檔、溝通記錄和行業(yè)報告，進行多源信息的推理整合，并生成附有證據(jù)鏈的決策建議，將傳統(tǒng)長達數(shù)周的人工作業(yè)分析周期壓縮至小時級。由此，企業(yè)決策的響應速度和質量實現(xiàn)飛躍式提升。
動態(tài)交互場景（游戲/泛娛樂）：在沉浸式游戲中，MemoryLake 能為 AI NPC 構建持續(xù)演進的“世界觀記憶”和“玩家記憶”。NPC 不僅記住玩家過去做出的每一個關鍵選擇和成就，還能基于這些記憶進行多跳推理，動態(tài)生成符合玩家歷史行為的對話與劇情，真正實現(xiàn)了“千人千面”的個性化互動體驗。每位玩家都將面對一個有記憶、可成長的NPC角色，游戲體驗因此更加真實生動。
運營與風控場景：在制造業(yè)運營或金融風控中，MemoryLake 可整合跨系統(tǒng)、跨時間的“制造記憶”或“交易記憶”，實現(xiàn)質量問題的根因秒級定位，或金融交易風險的實時研判與預警。這意味著過去需要大量人工排查分析的任務，如生產(chǎn)事故調(diào)查或異常交易檢測，如今能夠由AI在瞬時完成，為企業(yè)贏得寶貴的響應時間和決策先機。
MemoryLake 平臺能力已經(jīng)在超大規(guī)模實踐中得到驗證，并引領著多行業(yè)的智能化升級。目前，MemoryLake 已服務全球超過 150萬 專業(yè)用戶和 15,000 家企業(yè)客戶，行業(yè)覆蓋金融、工業(yè)制造、游戲、教育、法律、電商等。與市場上其他同類方案相比，MemoryLake 在長期記憶能力、多模態(tài)支持、記憶演化管理、平臺擴展性、企業(yè)級安全合規(guī)等方面均展現(xiàn)出顯著優(yōu)勢，奠定了其在新興“多模態(tài)記憶平臺”賽道中的領先地位。
質變科技創(chuàng)始人表示：“AI 的未來是記憶驅動的未來。企業(yè)需要的不是一個更大的模型，而是一個更懂業(yè)務、更能積累、更善推理與反思的‘記憶系統(tǒng)’。MemoryLake 的發(fā)布，是我們將‘記憶即智能’這一理念轉化為企業(yè)級認知基礎設施的關鍵一步。我們期待與生態(tài)伙伴一起，加速認知計算時代的到來?！边@一里程碑式的產(chǎn)品發(fā)布，被業(yè)界視為 AI 技術發(fā)展史上的重要分水嶺——它標志著AI基礎設施范式正從數(shù)據(jù)驅動跨越到記憶驅動，一個全新的認知計算時代已然開啟。
關于質變科技：質變科技是領先的多模態(tài) AI 記憶平臺服務商，致力于通過“記憶計算 + 記憶存儲 + 記憶管理”的一體化技術棧，構建以記憶為中心的新一代 AI 基礎設施。其核心產(chǎn)品 MemoryLake 已在超大規(guī)模場景下完成實踐驗證，助力各行業(yè)客戶實現(xiàn)從數(shù)據(jù)驅動到記憶驅動的智能化躍遷。
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
