马斯克称OpenAI是自己的创意现任CEO奥尔特曼是“幼偷”
" 人类智能 = 推理 + 持久影象 "。当 AI 推理能力的较量进入白热化，整个行业起头意识到：infra 层面的影象缺失，正成为限度 AI 走向个性化与自进化的最大瓶颈。没有持久影象的 Agent，就像一个固然考上了清华、但每天醒来都不意识亲妈的天才。而大量涌入影象赛路的公司，好多性质上只是在做向量数据库，把数据存起来，等人来检索。EverMind 想做点不一样的。这家由盛大集团孵化的公司，定位是为所有 AI Agent 提供一个通用的 " 影象层 "（Memory Layer）。它的主题产品 EverOS 是一套开源的持久影象系统，开发者能够把它接入自己的 Agent，让 AI 不仅能记住用户的汗青对话和偏好，还能像人一样对影象进行整顿、更新，甚至从从前的经验中进建和进化。EverMind 的 CEO 邓亚峰，是一位在 AI 领域深耕二十余年的老兵。他毕业于清华大学，曾任 360 集团副总裁兼 AI 钻研院院长、格灵深瞳 CTO，在推算机视觉、多模态 AI 和 AI 造药等领域深耕多年。2025 年，他参与盛大，带队从零启动 EverMind 的持久影象项目。团队仅用四个月就在多项影象评测上达到了 SOTA。我们与邓亚峰进行了一次对话，聊了聊他为什么押注持久影象，以及这项技术到底要解决什么问题。以下是对话实录，为阅读履历稍作编纂。为什么是 Long-term Memory（LTM）硅星人：在视觉、多模态、AI 造药这些领域都做到过很好的成就之后，您是怎么锁定 " 持久影象 " 这个方向的？邓亚峰：做 AI 造药的时辰我最大的体味是，当数据产生得慢、不能急剧迭代，技术进取就是有限的。所以之后选方向，我就想找一个能急剧做数据迭代关环的领域。也思考过机械人，但落地周期太长、数据获取难题。转向说话模型之后，又面对大模型在吞噬所有的问题。OpenAI、Anthropic 车轮滔滔，创业公司的空间越来越幼，必须找到一个有独个性的细分赛路。持久影象刚好满足这几个前提：它是下一代 AI 的必备个性，钻研得很少，跟推理能力相对正交，有很强的战术独立性。当使剽个方向相对冷门，各人还在做 LLM 模型、Agent、post-training，但我以为没有影象职能的 Agent，用户履历肯定是受限的。今天这已经成了行业共识。盛大这边的视角也很怪异。陈天桥先生从前十多年一向在 sponsor 脑科学和 mental health 的钻研，对人类智能的机造机理极度感兴致。这几年 AI 的发展让他起头思虑一个问题：人类智能刚好能够简化为 " 推理 + 持久影象 "，推理这一半已经有无数巨头在卷了，持久影象是不是一个极具战术独立性的方向？这个判断和我自己的思虑刚好吻合。硅星人：在您看来，Long-term Memory 到底要解决什么主题问题？邓亚峰：三件事。第一，突破有限的高低文长度。此刻模型高低文窗口根基到了 1M token，但影象数据量超过这个限度就没法用了。现有的 RAG 或压缩规划都是工程妥协，不是最优解。我们做 memory，性质上是助模型更好地治理高低文，在极高压缩率、低 token 亏损的前提下，让模型有效利用无限的汗青信息。第二，实现真正的个性化。人在互换中会为对方成立 profile：身份、偏好、价值观、说话风格、指标。LTM 就是助 Agent 构建和守护这样的用户画像，交互越多越懂你。当然，LTM 的个性化设置不仅限于 Profile Memory。第三，Self-evolving，自进化。今天的 AI 靠 offline training 提升能力，在和用户交互的过程中并不会变得更聪明。我以为下一代 AI 肯定是在交互中进建的，是一种 online learning。Long-term Memory 是实现自进化的关键：通过纪录和分析交互的成功与失败，总结最佳实际，知识和思虑方式都随之进取。这三件事和人类进化出持久影象的道理是一样的。远古时期，哪里水草丰茂你要记住，哪里有危险你也要记住，同时你还要凭据季节和气象去预测未来，这片草地会变得更湿润还是会发洪水。并且钻研批注，持久影象援手人类组织训练样本，把分歧经验分类聚合，所以人的泛化能力远强于模型。模型是把所罕见据不做分辨地抛进去训练，很容易过拟合，或无差距求概率。人脑的持久影象机造让进建更有结构，泛化更强。AI 的 Long-term Memory 要做的，性质上也是这件事。Memory Layer 和 Agent 层硅星人：您提到的个性化和自进化，听起来更像 Agent 利用层的职能，不像 infra layer 能做的事？邓亚峰：这是一个很好的点。Infra layer 能做一部门。我们最近在做一个即将开源的 feature，基于 memory 的自进化。分歧 Agent 把运行的 trace 放到我的 memory 里，我能够凭据成功和失败的经验去总结最佳 SOP。好比你做了一个工作成功了，我做了一个类似的工作失败了，当我把大量用户的经验堆集下来，就能够 learn from experience。这在影象层是能够做到的。若是想做得更深，好比基于用户反馈做强化进建，那的确必要 Agent 层和 Memory Layer 协同。但 Memory Layer 在其中表演关键角色：助 Agent 层组织数据，就像人脑持久影象辅助进建的机造一样。硅星人：在您看来，接入 Memory Layer，Agent 最直观的智能提升体此刻哪？邓亚峰：四个维度。第一是效能，token 的极致压缩。这对节造成本至关沉要。若是3377体育产品能让 token 数极端降落，这件事的贸易价值是极度大的。第二是成功率。我们做了基于 skill 的自进化机造，Agent 能够从从前经验中进建，某些指标实测提升了 234.8%。好比你昨天用一个职能可能还会失败，但这两天有几幼我也用过了，系统学到了其中成功的经验之后，你今天再用就成功了。系统会变得越来越好。第三是个性化。分歧用户有分歧的高低文和影象，每幼我的副手履历都唯一无二。我们内部有个 AI Native 的合作平台叫 Tanka，提供基于持久影象的 AI 副手。背后的 LLM 和推理技术是一样的，但由于每幼我的影象分歧，聊出来的成效就齐全不一样。第四是自动性。纪录了用户的行为汗青之后，Agent 能够预测下一步需要。好比我知路你每天这个时辰要买杯咖啡，我就能够提前提醒你。再进一步，我甚至能够提前把事件做了，再问你 " 这是不是你要的了局？" 就像一个能预判需要的好员工，你没有 assign 的工作他已经做完了。影象怎么更新，怎么 " 健忘 "硅星人：我用 GPT 时时遇到这个问题：我的生涯已经更新了，但它对我的理解还停在之前。好比之前跟它聊过的人事物，在我现阶段的生涯里已经不沉要了，但它还总是提起，就让人感触很烦。EverMind 怎么处置影象的矛盾和过期信息？邓亚峰：3377体育机造分两步：在线提。∣nline Memory Extraction）和离线进化（Offline Memory Evolution）。在线提取，信息进来后做 boundary detection，把统一 topic 的内容聚到一路，提取事实性的情景影象（episodic memory），再预测这个事实对未来的影响，我们叫 forecast。影象不只是存档，要能服务于未来的决策。离线进化，系统定期做几件事：在更大领域信息上提炼用户 profile ；做反思和刷新，有点像 Claude Code 里 "dream" 做的事，让模型回头审视之前的判断对不合 ；还有处置影象更新，通过影象聚类战术（merge），把类似话题聚在一路，矛盾信息按功夫线用最新的做 update。忘却率直讲是更难的。Update 相对容易，用最新的信息代替老的就行。但忘却有一个周期性的问题：你昨天提到一幼我，系统感触他沉要 ；一星期前呢？一个月前呢？是不是就该忘了？我们此刻是在离线战术中把每条信息的功夫放进去，结合3377体育预测未来职能，让模型自己去揣摩这条信息的时效性。率直说，在当前这个功夫点还没有做到极度梦想，但我以为它是一个会被逐步解决的问题。我的判断是：AI 的 " 忘却 " 不应该是物理删除，数据存在磁盘上不贵，而是一种权沉调整战术。近期信息权沉高，远期信息权沉低，但必要时仍能找回。人类为什么必要忘却？两个原因：一是人脑是低能耗系统，记太多器材能耗扛不 ；二是你必要基于近期信息做决策和预测。AI 不存在第一个限度，它只必要在决策中把时效性和沉要性合理思考进去。从这个角度说，AI 的忘却机造现实上能够比人类更优？瓷氪蟪Ь赫栊侨耍篍verOS 已经在 GitHub 上开源。但 OpenAI、Anthropic 也都有自己的影象职能，用户已经堆集了好多偏好数据在他们的平台上。第三方 Memory Layer 怎么找到自己的地位？邓亚峰：3377体育定位是做一个 memory layer for agents，未来所有 Agent 都必要影象职能，但没必要每个团队都自己建一套 infra。我们但愿成为那个协议数。大厂肯定会做影象，但第三方影象层的空间来自一个单一事实：用户不会只用一个产品。你不会只用 Claude，也不会只用 OpenAI。你在各个产品上的汗青信息都有价值，所以反而必要一个真正属于自己的跨平台影象治理工具。这件事的驱动力是用户必要，不是我们想做还是大厂想做。另表，memory 治理不必要最顶尖的大模型。我们用 4B 的模型能做到 235B 级此外成效，更快、成本更低。对开发者来说，memory 未来不是 " 能不能 " 的问题，而是性价比的问题？凑绞跎，我们极度彻底：开源版和本地部署等价，数据齐全留在本地，满足隐衷要求高的用户。同时也有云版本，让不想自己部署的幼团队即插即用。最主题的算法全数开源。我们也在做一件事，助用户把 Claude Code、OpenAI 和其他 Agent 里的 memory 数据买通，跨平台、跨端、统一治理。跟好多人聊完发现，这是一个很刚的需要。硅星人：记住的信息越多，安全风险也越大。这方面怎么平衡？邓亚峰：两个层面。信息安全，也就是影象会不会泄露，这跟云服务的安全挑战是等价的，必要扎实的技术保险。另一个是系统要对敏感信息做过滤。好比用户通知你密码、银行账号，我们有个 vault 机造，把高敏感信息隔离存放，只在特殊情况下激活。部署模式上，影象的梦想状态是云端和端侧结合。用户的数字资产存在本地设备上，复杂处置借助云端，双方做同步。3377体育模型已经能够做得很幼，未来设备能跑 4B 模型，推算就能够齐全数署到端上。若是 AI 记住了你的所有硅星人：若是 AI 占有了极度长周期、极度精确的影象，它就不再只是工具了。您但愿您的 AI 助理记住什么，不想让它记住什么？邓亚峰：我感触未来最梦想的状态有两种。一种是 " 贾维斯 "，24 幼时随着你的 AI，你的工作和意图都通过它实现，它只必要你确认了局。另一种是数字分身。AI 足够相识你之后，能够代表你去 " 打工 "，或者做 Agent 社交。我们每幼我都有好多两年都不座谈天的伴侣，但彼此可能有值得互换的信息。人是串行的，AI 是并行的，你的数字分身能够和他的数字分身谈天，发现共同话题了来通知你，" 你们两个应该聊聊这件事儿。" 这让我感触极度 exciting。至于记什么、不记什么，梦想的 AI 要有天堑感和情商，知路哪些话题在感情上是敏感的。不外有意思的是，人和 AI 的相处有时比人和人更容易，你天然以为 AI 跟你是一壁的，反而更愿意倾诉一些不会跟伴侣说的事件。硅星人：我对 memory 有个感触：它有点像人类对功夫感知的演变。在腕表遍及之前，你出门之后其实不知路此刻是几点几分了，对功夫只有一个吞吐的感知。而此刻有了手机，你能够随时随地知路此刻的功夫。而人类目前对影象的感知，就像腕表出现之前人类对功夫的感知水平