深圳穗升科技:前安克CMO乘上AI记忆浪潮打造“记忆录音卡”

发散讨论：技术难点，AI与人记忆上的差距

从当前主流技术路径来看，大多数所谓的“AI记忆”，本质仍建立在检索机制之上，其核心并不在于模型“记住了什么”，而在于能否在需要时准确地找到相关信息。

在具体技术路径上，由于穗升科技尚未披露底层架构细节，当前对其“AI记忆”能力的实现方式仍以行业通用方案为参考进行推测。从现有AI基础设施的发展来看，RAG (Retrieval-Augmented Generation) 是目前最常见的路径之一。

其基本思路可以理解为：在模型之外建立一个“资料库”，将用户的文档或历史信息转化为 向量（即一串数字序列）存储 起来，在用户提问时先从中 检索 相关内容，并从中 召回 一批被认为最相关的信息，再交由模型生成答案。

但在实际落地过程中，RAG 也存在一定局限。首先，在信息密度较高的场景中，系统往往会同时检索到大量语义相似但实际不完全相关的内容，这些噪音会干扰模型判断；

其次，RAG 通常缺乏对时间维度的有效建模，难以区分某条信息是“当前有效”还是“已经被更新”，在跨会话、长周期的数据中尤为明显。这些原因导致了为什么对话一多一长 AI 就开始“一本正经的胡说八道”

图片来源：k2view

在实际应用中，“记住什么”只是第一步，更关键的是能否在合适的时机触发正确的记忆，这一点依赖召回机制的精度与策略。

在此基础上，业界开始探索更进一步的方案，例如 Graph RAG。

与传统RAG仅做“相似内容匹配”不同，Graph RAG 尝试将信息拆解为“人、事件、时间”等节点，并建立它们之间的关系网络，从而在回答问题时不仅能找到相关内容，还可以进行一定程度的“关系推理”。

在处理复杂问题或需要跨信息整合的场景中，这类方法理论上可以提升回答的完整性和深度。