文章摘要
丘脑智能是专注原生多模态长记忆的科技企业，近期完成数千万元种子轮融资。其于2026年6月上线MemAura记忆基座，可降低推理成本，采用仿生机制与冷热存储策略。公司技术路线已迭代两次，正推进第三次。此外，联合发布的测试证明了基模厂商与记忆企业的分工，创始人认为Memory核心是决策，承载释放AI潜力与支撑主动智能的价值。

企业概况

丘脑智能是国内专注原生多模态长记忆的科技企业，近期推出了MemAura记忆基座，押注AI个性化与主动智能的未来赛道。公司成立于2025年11月，创始人兼CEO张源拥有北京大学电子与经济双学科背景，曾在自动驾驶企业担任COO，兼具创投行业与具身智能领域的工作经验。团队平均年龄约26岁，核心成员来自阿里达摩院、腾讯、商汤等头部企业，以及港中文、港中深、北大等国内外顶尖高校。

近日，丘脑智能完成数千万元种子轮融资，投资方包括深圳一线基金与产业资本，本轮资金将主要用于核心技术研发与团队扩充。

行业痛点与产品方案

记忆赛道的行业共识在2025年底于学术界初步形成，作为新兴领域，其核心争议在于基模厂商是否会自研记忆功能，Memory层是否会独立存在，以及基模与记忆企业的分工边界。针对这些问题，张源的判断十分明确：以用户为中心的第三方记忆层将长期作为独立基础设施存在。

当前记忆领域仍存在诸多未解决的痛点：其一，多数方案将海量上下文全量塞入窗口，导致推理成本居高不下；其二，跨会话、跨任务的对话难以实现有效衔接，存在上下文断裂问题；其三，现有记忆方案大多局限于纯文本场景，无法支持视觉、音频等多模态信息处理；此外，Transformer架构天然存在时序错乱问题，大模型难以理解时间维度，同时Agent协作中的记忆孤岛也严重影响任务执行效果，用户数据被封锁在不同Agent中无法互通。

基于对行业痛点的洞察，丘脑智能在2026年6月上线了原生多模态记忆基座MemAura，为客户提供智能体开发包（ADK）与应用程序编程接口（API）服务。MemAura支持长记忆的积累与快速调用，通过高效的上下文机制有效降低推理成本。其核心性能表现亮眼：输入侧Token综合消耗降低40%-49%，记忆检索延迟控制在400毫秒以内，端到端首次响应时间可控制在1秒以内，综合准确率可达80%以上。

与传统记忆系统不同，MemAura采用了仿生记忆处理机制：首先识别事件，模仿人类记忆逻辑保留关键信息并过滤冗余噪声；随后对过滤后的信息进行编码；最后对隐私与非隐私记忆进行分区隔离。此外，MemAura还采用了冷热存储策略，高频访问数据采用热存储实现快速检索，低频数据则通过冷存储节约资源，在保障核心数据随时可用的同时有效控制整体成本。

在多模态长记忆这个万亿级赛道中，丘脑智能目前暂无直接竞品，赛道内仅少数创业公司布局，头部企业估值不足20亿元，竞争格局尚不激烈。公司当前的客户主要包括出货量较大的陪伴硬件厂商（如陪伴机器人企业）以及AI客服、数字员工等垂类Agent场景客户，客户通过记忆API帮助基模在交互与任务执行中调用原始信息，提升交互效果。

针对不同场景的记忆需求差异，比如3-5岁儿童陪伴产品与18-25岁陪伴产品的要求截然不同，丘脑智能将Memory能力封装为不同的ADK供客户选择接入，避免过度定制化。MemAura的商业模式基于API调用量与场景授权组合收费，客户可按需选择不同层级的记忆能力。张源表示，当前客户大多聚焦纯文本或文本加语音场景，随着多模态技术成熟，未来将有更多具身场景客户验证产品价值。

技术壁垒与行业研究

从成立至今，丘脑智能的技术路线已完成两次迭代，目前正推进第三次迭代。第一代技术为STKG时空知识图谱，将时间与空间作为物理层，多模态感知信息作为感知层，构建认知层形成认知网络并进行前向推理，该方案在LoCoMo（推理与时序）与LongMemEval（交互与偏好）两个测试中均取得了SOTA成绩。

不过，客户在达到一定性能阈值后，更关注延迟与Token成本，因此团队进行了工程化权衡，将架构迭代为模仿人类海马体编码与认知地图、皮质层整合的仿生记忆体系，也就是MemAura。在数据表现上，MemAura实现了量级级的领先：传统线上客服场景延迟约10秒，陪伴场景延迟约2秒，而MemAura可将延迟控制在400毫秒以内。

目前，丘脑智能仍在持续探索Memory技术，通过E2P（Embedding-to-Prefix）相关技术与Transformer架构微调推进下一代迭代，目前在实验室环境中已实现Token支出大幅节省，以及偏好抽取领域的近似持续学习效果。

2026年5月，丘脑智能联合英伟达、港科大、港中文发布了全球首个多模态长记忆基准测试MEMLENS，目前已开源并登上Hugging Face AI领域Daily Paper前三。该测试将27个视觉语言大模型与7个Memory Agent放在同一套多模态数据下，按32K、100K、128K、256K四种标准上下文长度进行对照实验，得出三大核心发现：第一，视觉语言大模型通常直接将内容全量塞入上下文窗口，随着长度增加模型表现急剧下降；Memory Agent表现相对稳定，但因架构设计缺陷，大量视觉与多模态数据在写入阶段就已丢失。第二，随着上下文长度增长，无论是Memory Agent还是视觉大语言模型，都更易产生幻觉，在缺乏充分证据时会自信地给出错误答案。第三，许多针对Memory的后训练方法会削弱模型拒绝回答的能力，进一步增加幻觉风险。

该基准测试也证明了基模厂商与记忆企业的明确分工：基模应专注视觉感知、图文对齐与底层推理能力，记忆企业则负责跨模态信息检索、证据组织与状态更新，二者各有不可替代的生态位。

创始人行业洞察

  • 个性化的终点是主动智能。

张源认为，Agent的终局不应是任务驱动，而是状态驱动，未来的Agent将基于用户历史记忆自主规划并完成任务，主动智能产品将率先出现在Memory企业中。

  • 未来的Memory应该做的事是——沉淀用户和任务偏好、区分长期状态和短期波动，以更好地支撑主动智能。

当前多数Memory企业聚焦于上下文窗口与RAG（检索增强生成），但张源认为上下文窗口本质是依赖前端交互与短期上下文的临时工作记忆，而主流的GraphRAG方案本质是外挂向量数据库，仅能完成相似性召回，缺乏对信息关联性的建模，更像静态知识库，只能应对简单的一问一答场景，无法追踪动态变化的时间线与用户意图并持续更新调整。

  • Long Context（长上下文）和Memory Agent（记忆）并非是二选一的取舍，而是可以做工程化的权衡。

比如DeepSeek V4拥有1M上下文窗口，这让不少人质疑基模是否会自研Memory层，但MEMLENS的测试结果给出了明确答案：基模应专注拉长上下文窗口、优化KV缓存机制与底层推理能力，而记忆企业则负责跨模态信息处理，二者各司其职。

  • Memory的核心，不是存储，而是决策。

传统数据库早已实现存储功能，而Memory的价值在于做出一系列判断：是否写入记忆、写入哪些记忆、召回哪些记忆、何时主动发起召回等。Memory承载两大核心价值：一是释放AI潜力上限，基模与AI真正落地上限之间的关键中间层就是个性化数据闭环（即Memory），这是释放AI潜力的核心基础设施；二是支撑主动智能，AI的最终使命是服务、取悦并加速人类，无论是Agent还是物理/非物理AI，都需要主动智能来落地，而主动智能的本质是基于用户个性化数据闭环做出交互时机、方式与内容的决策。

  • 在家庭机器人落地的前期，具身的Memory需求会暴增。

AI走向物理世界的过程中，交互入口是多模态的，因此多模态长记忆是必然趋势，与人的交互时间越长、任务链条越长、涉及模态越丰富，记忆的作用就越关键。在长程工作流中，无论是Agent的长周期任务还是具身智能的长程任务，数据模态越丰富、记忆跨度越长，数据价值就越高，所构建的技术壁垒也越高。

  • AI需要和物理世界有一个映射的锚点，这个锚点必须是时间。

时间具有唯一性，Memory无法脱离时间单独存在，因此无论技术范式如何变化，时间都是记忆体系的核心考量维度。

以上内容不代表本平台立场，仅供读者参考