Memories.ai 沈俊潇：从 Meta 出走，剑桥博士如何用“视觉长期记忆”重构 AI 基础设施 | AI资讯

type

status

date

slug

summary

引言：当 AI 开始拥有“记忆”，AGI 的拼图才算完整

在当前的 人工智能 浪潮中，行业巨头如 openai、chatGPT 和 claude 都在疯狂卷“智力”（Intelligence），即更强的推理能力和更大的参数规模。然而，Memories.ai 的创始人沈俊潇（Shawn Shen）敏锐地察觉到，真正的 AGI 进化瓶颈并不在推理，而在于“记忆”（Memory）。

绝大多数现实世界的信息并非以文本形式存在，而是通过视觉信号持续记录。现有的多模态 大模型 在处理视频时，往往采取切片、打标签、生成简短描述（captioning）的方式，这种方式既昂贵又低效。沈俊潇从 Meta Reality Labs 出走，凭借剑桥博士的深厚学术背景，创立了 Memories.ai，并获得 Samsung Next 和 Susa Ventures 的千万美元押注。他提出了一套全新的底层逻辑：LVMM（Large Visual Memory Model），旨在为机器构建一套真正的视觉长期记忆系统。

从 Meta 到创业：洞察 AGI 的“眼睛”与“大脑”

沈俊潇的创业灵感源于他在 Meta Reality Labs 担任研究科学家期间的深刻观察。当时，他目睹了两个极具震撼力的项目：一个是全天候影像采集与 4D 重建，另一个是关于 Agent 未来形态的系统性讨论。

他意识到，未来的智能体如果无法理解“你是谁”，无法获取完整的上下文（full context），就永远无法替代人去执行复杂的任务。AI资讯 领域目前讨论的多数 Prompt 优化，本质上都是在有限的窗口内做文章。而沈俊潇认为，未来需要一个位于“人”与“所有 Agents”之间的中间层系统，这个系统保存的是完整、真实、长期的视觉记忆。这种“视觉记忆”才是未来 人工智能 能够真正理解人类偏好和生活方式的基础。

LVMM vs. Captioning：为什么现有的视频理解路径错了？

目前市面上主流的视频理解方案，本质上是“语言驱动”的。它们将视频转化为文字描述，再通过文本 RAG 进行检索。沈俊潇指出，这条路线存在三大致命缺陷：

注意力缺陷：生成描述前必须先有 Prompt，这预设了模型的注意力，导致非预设信息被永久丢失。

成本极高：将视频全量转化为 Token 的计算成本极其昂贵，无法支撑 24/7 的持续感知。

效率瓶颈：这种“既重、又慢、又贵”的方案，无法满足 LLM 在真实工作场景中的实时回溯需求。

相比之下，Memories.ai 采用的是“世界模型编码器（World Model Encoder）”。它不急于对齐语言，而是直接对视频进行全量编码，将视频流转化为向量空间中的连续记忆。这种架构让 AI 能够像人类一样，直接“消费”视觉数据，而不是依赖文字中间层。

视觉长期记忆的三个核心落地场景

Memories.ai 并不是在做一个简单的 AI 工具，而是在构建 AI 时代的基础设施。沈俊潇规划了三大业务方向，这代表了 AI变现 的清晰路径：

消费级 AI 硬件：为可穿戴设备提供“第二个数字副本”。它可以帮你找钥匙、记录卡路里，甚至作为 AI 相册，让你通过自然语言检索任何一个生活瞬间。

企业级运营管理：在安防和运营领域，通过极细颗粒度的视频理解，帮助企业优化工作流。例如，在餐饮连锁店中自动识别员工操作是否符合规范，提供明确的 ROI。

人形机器人：这是最长远的愿景。人形机器人需要像人一样具备真实的视觉长期记忆。Memories.ai 提出的“记忆模块”理念，让机器人可以实现记忆的可迁移性，当你更换新机器人时，你的“数字自我”可以被完整保留。

结论：反向切入 Memory 层，抢占 AGI 基础设施高地

在全行业都在卷推理和生成时，Memories.ai 选择反向切入“记忆层”，这展现了沈俊潇对 AGI 演进路径的独特判断。他认为，未来的竞争不在于谁的模型更会说话，而在于谁能更高效地存储、检索和理解这个世界的视觉存量。

对于关注 AI日报 和最新 AI新闻 的读者来说，Memories.ai 的出现标志着 AI 正在从“对话框”走向“全感知”。如果你想了解更多关于 大模型、提示词 优化以及 人工智能 的前沿应用，请持续关注 AIGC 门户，获取第一手行业深度解读。