你可能在使用AI时经历过这样一刻：关掉对话即清空了上下文，打开新窗口要重申目标，遑论记住你过去对话中的偏好。每开启一次对话AI都要重新认识你，远远谈不上舒心。
如果没有长期智能，AI就只能停留在一次性工具，这正是记忆赛道试图填补的空缺。现在，这条赛道迎来一笔标志性融资——
投资界获悉，记忆张量MemTensor完成亿元Pre-A轮融资，由华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本共同投资。此前，公司完成近亿元天使轮，集结了孚腾资本、算丰信息、中金资本等知名机构。
两年前，基于对大模型长期记忆能力缺失的判断，记忆张量创始人兼CEO熊飞宇带领团队创立公司，围绕下一代通用AI基础模型与长期智能基础设施展开探索，成为国内较早涉足AI记忆领域的团队之一。
“记忆正在成为Agent时代的新基础设施。”AI下半场正迎面走来。
始于上海，一个AI团队崛起
创始人熊飞宇，曾任阿里巴巴集团业务中台数据智能负责人及淘宝天猫数据平台负责人，主导构建了千亿级数字商业知识图谱和国内首个零售行业知识交互大模型。
记忆张量创始人兼CEO 熊飞宇
2023年7月，熊飞宇在上海算法创新研究院牵头组建大模型中心。团队从人工智能的第一性原理出发，逐渐形成一套从基本原理出发、贯穿架构创新与基模训练，并由真实应用反向验证的研究方法。Memory³分层记忆理论及相关基模训练，是团队在研究院时期的核心工作之一。
2024年11月，熊飞宇带领大模型中心团队在上海创立记忆张量。公司从记忆这一当前大模型的系统性缺口切入，定位为面向长期智能的基模与基础设施公司：在系统层建设面向Agent的长期智能基础设施，在模型层探索记忆原生通用基模，并持续推进与长期智能相关的模型架构创新。
与这一目标相匹配，记忆张量组建了一支兼具基础研究与工程落地经验的团队。首席科学家杨泓康毕业于普林斯顿大学，师从鄂维南院士；CTO李志宇则是人大博士，曾在阿里巴巴和小红书负责算法研发与商业化落地；顾问团队包括鄂维南院士及上海交通大学人工智能学院多位教授。
团队平均年龄不到30岁，成员大多来自普林斯顿大学、北京大学、上海交通大学等国内外高校及知名科技企业，其中不乏00后。吸引他们的，不只是一个具体的产品机会，更是参与底层模型架构创新、探索长期智能的可能。
“极度聪明，充满热情，愿意把自己人生最好的一段时光押注一个真正底层的问题。”熊飞宇眼中的记忆张量团队有些浪漫色彩，这代年轻人没有路径依赖，在AI创业中往往会带来意想不到的惊喜。
从Memory³到MemOS，再到代号为Metis的记忆原生基模，记忆张量逐渐形成了一条“理论—系统—模型”的技术路线。
MemOS记忆操作系统，是这条路线的第一份工程化答卷。Memory³从AI记忆的载体与读写机制出发，将其划分为参数记忆、激活记忆和明文记忆：参数记忆负责模型能力和长期知识的内化，激活记忆承载上下文与推理过程中的动态状态，明文记忆则保存可显式读写、更新和治理的外部事实与经验。
这样的分层并不是为了分类本身，而是为了让不同形态的记忆拥有更合适的写入、调用、更新、调度和治理机制。在此基础上，MemOS通过统一运行时管理三类记忆，使长期状态能够跨任务、跨推理过程被隔离、复用和持续维护。
记忆张量将这套方法概括为“记忆工程”：把记忆从模型的附属功能，转化为可定义、可度量、可验收、可调度、可更新、可遗忘和可审计的系统资源。它试图回答的，不是怎样把更多历史信息塞进上下文，而是怎样以合理成本维护长期状态、更新事实、沉淀经验，并控制错误传播与权限边界。
MemOS以及“记忆工程”，都在试图回答一个现实问题——当我们不能再简单依赖规模堆叠时，如何通过更合理的系统结构与工程机制，让智能体具备长期可用的能力，而不是只在短时间内看起来聪明。
熊飞宇向我们分享了一组数据：MemOS在一次涵盖14款主流记忆框架中的对比中，综合性能稳居第一；在长程复杂Agent任务上，Token消耗量降低近70%，“减少近七成的成本，也有着更好的业务表现”。目前，记忆张量的产品已进入端侧硬件、金融、工业等领域。
MemOS与Metis并非前后替代，而是长期智能在系统层和模型层的两条协同路线。MemOS负责外部长期状态的生产、调度和治理；Metis则尝试把记忆的读取、写入与更新机制进一步内化到模型架构、训练目标和推理过程中。
“传统模型像是在考试前学习，考试开始后就停止了。我们希望模型能力不只来自一次性预训练，也能从真实任务中的长期交互和反馈中持续积累。”熊飞宇说。
Metis所探索的，并不是让模型无约束地在线自我更新，而是让经过校验和治理的有效经验，逐步沉淀为可复用的长期能力。以记忆为切口，一条从系统基础设施走向记忆原生基模的技术路径正在变得清晰。
风向标
深创投身影浮现
曾几何时，资金大量涌入大模型和垂直应用；但如今，解决AI“天才却健忘”的痛点越发被视为通往AGI的关键一跃，催生出记忆赛道的密集融资潮。
这一笔账不难算：传统堆算力、参数、数据的“大力出奇迹”道路性价比越来越低了，花费成倍资源得来的性能提升，可能还不如引入长期记忆能力来得划算。
由此，记忆张量的融资渐渐火爆起来。去年5月，公司完成近亿元天使轮融资，孚腾资本、算丰信息、中金资本联手押注，彼时记忆张量已经实现数千万签约。
最新一幕，华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本，更具风向标意味。
深创投团队判断，大模型产业正在从参数规模和单点应用竞争，进入到系统化落地和产业级部署的新阶段。随着Agent、AI终端、具身智能和企业智能体的发展，模型能否长期运行、沉淀经验、持续学习，并在真实业务场景中形成可治理的状态资产，正在成为下一阶段AI基础设施的重要命题。
记忆张量的价值不只是为终端增加一项“AI Memory”功能，更在于推动AI从被动响应的工具，走向能够持续理解用户、沉淀经验并不断演进的个人智能体，为未来以人为中心的全场景智慧生活提供新的系统级支撑。
换言之，当基础模型能力逐渐普及，谁能够更好地管理长期记忆、状态资产以及智能体持续运行中的治理问题，谁就更有机会成为下一代AI应用生态中的关键系统层。
悄然间，越来越多产业资本与专业投资机构，正在进入AI记忆赛道。
标志性一幕
长期智能开始进入真实场景
真正把记忆推向基础设施位置的，并不是某一个关于AGI的宏大叙事，而是Agent正在从一次调用走向长期运行。
一次问答结束后，系统可以清空状态；但一个跨越数天、多人和多个业务系统执行任务的Agent，必须知道目标发生了什么变化、任务推进到哪一步、哪些判断已经被验证、哪些事实需要更新，以及自己可以调用哪些数据和工具。出现错误时，系统还需要能够定位、纠正和回滚。
这意味着，Agent所需要的记忆，不只是“记住用户曾经说过什么”，而是把任务状态、业务事实、个人偏好和行动经验转化为可以持续更新、授权调用和追溯治理的长期资产。
对于企业而言，模型能否给出一段漂亮回答只是起点。能否在长期任务中保持状态一致，把一次任务中形成的有效经验复用到下一次，并让每一次写入、调用和修改都有清晰的权限边界，才决定Agent能否真正进入生产环境。
“大模型距离真正的AGI还缺少几个底层能力：一是长期记忆，二是稳定地对世界建模，三是在行动和反馈中闭环学习。”熊飞宇说。记忆不是AGI的全部，却是当前模型从一次性响应走向长期认知时，一个能够被明确拆解和工程化解决的缺口。
Agent的产业化正在加速。据Gartner预测，到2026年底，40%的企业应用将集成任务型AI Agent，而2025年这一比例不足5%。随着Agent进入客服、研发、金融分析、工业运维等真实工作流，长期状态管理也将从一项附加功能，逐渐变成系统级要求。
另一条变化线发生在端侧。
手机、PC、车机和机器人承载着最连续、也最贴近个人的使用数据与行为状态。相比每次都把原始数据上传至云端，端侧记忆可以在本地维护用户习惯、设备状态和任务上下文，在降低延迟和云端调用成本的同时，减少敏感数据外流。
“端侧AI天然承载着个人的记忆和行为偏好。记忆原生小模型部署在终端后，可以在减少对云端依赖的前提下，更持续地理解用户状态，并完成个性化的信息调用。”熊飞宇表示。
在端云协同的架构中，端侧模型不必独立承担所有复杂推理，而可以负责持续感知、筛选和维护个人长期状态；云端模型则提供更强的通用推理与任务执行能力。两者通过受控的记忆交换协同，使智能体能够长期理解用户、适应场景并保留偏好。
这也意味着，未来客户并不需要区分哪些是模型内部记忆、哪些是外部记忆。对客户而言，更重要的问题是：一个任务能否以更低成本、更稳定的方式完成，积累下来的状态和经验能否持续使用，并始终保持可控、可迁移和可追溯。
对于记忆张量而言，记忆是进入长期智能的切口，但并不是技术探索的终点。公司希望以系统基础设施和记忆原生基模两条路线协同推进，最终成为面向长期智能的基模公司与基础设施服务商。
模型可以更换，应用可以变化，但个人和组织长期积累的记忆与经验，不应随模型切换而丢失。或许，这才是Agent时代真正需要补上的基础设施。
