### 一句话介绍

国内唯一做多模态长记忆的公司——丘脑智能，推出原生多模态记忆基座，押注AI从通用走向个性化，最终走向主动智能。

主动智能，指的是AI能在足够了解用户的基础上，在合适的时间、以恰当的方式主动跟用户交互。要实现主动智能，Memory是必须要跨过的门槛。

### 融资情况

近日，丘脑智能已完成数千万元种子轮融资，投资方包括深圳一线基金和产业资本，本轮融资主要用于技术研发以及人才队伍补充。

### 团队介绍

丘脑智能创立于2025年11月，创始人兼CEO张源毕业于北京大学，是电子与经济双学科背景，曾在一家自动驾驶公司担任COO，也有过创投行业、具身智能的工作经历。

团队平均年龄约26岁，核心人员主要来自阿里达摩院、腾讯、商汤、港中文、港中深、北大、西交大、KIT、复旦等企业和高校。

### 产品及业务

Memory领域的行业共识，最早于2025年底在学术界率先形成。张源常常被问及：基模会不会自己把记忆做了？记忆层到底会不会独立存在？

张源有一个坚定的回答：记忆层一定会作为独立的基础设施长期存在。

她解释，不同厂商的基模基因和训练语料各有差异，用户不断在几家模型之间切换，导致记忆孤岛问题长期存在。AI从通用走向个性化的过程中，缺少一个能持续学习记住用户的中间层。因此，以用户为中心的第三方记忆层必然会独立于基模之外而存在。

现阶段，Memory领域存在着一定痛点：一是成本问题，多数方案直接把海量上下文全量塞入窗口，导致推理成本非常高；二是上下文断裂问题，跨session、跨任务的对话难以有效衔接；三是模态缺失问题，现有记忆方案大多局限于纯文本，无法处理视觉、音频等多模态信息。

由于Transformer架构导致了持续的时序错乱，目前大模型无法理解时间。在Agent的协作中，记忆孤岛也影响着任务执行效果。张源认为，记忆架构从一开始就应该是原生多模态的。

丘脑智能在6月上线了名为MemAura的记忆基座，向客户提供ADK和API服务。MemAura能支持长记忆的积累和快速调用：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，端到端首次回答可做到1秒以内，综合准确率可达80%以上。

在记忆处理流程上，MemAura采取仿生的记忆处理机制，具体分为三步：首先对事件进行识别，模仿人类记忆机制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；第三步做好信息的分区，对隐私与非隐私记忆进行分区隔离。

此外，他们采用冷热存储策略：高频访问证据采用热存储以实现快速检索，低频数据进行冷存储以节约资源。

张源表示，在多模态记忆领域这个万亿级赛道上，丘脑智能目前没有直面竞争，估值最高的公司仅不到20亿元。丘脑智能现阶段主要客户包括陪伴硬件厂商（如陪伴机器人）以及垂类Agent场景（如AI客服、数字员工）。他们把Memory能力按场景地图权重封装成不同ADK供客户选择。在商业模式上，MemAura以API调用量及场景授权组合的方式收费。

### 核心壁垒

从公司成立至今，他们的技术路线已完成两次迭代，正逐步探索第三次迭代。

第一代是STKG时空知识图谱，将时间和空间放在物理层，多模态感知信息放在感知层，构建认知层形成认知网络进行前向推理。其Benchmark表现非常不错，在LoCoMo与LongMemEval两个测试中均拿到SOTA。

但客户更在意延迟和Token支出，因此他们转向模仿人类海马体编码与认知地图、皮质层整合的方式构建起仿生记忆架构MemAura。在数据上，MemAura实现了一个量级的领先：传统线上客服场景延迟约10秒，陪伴场景约2秒，MemAura可控制在400毫秒以内。

目前他们正通过E2P相关技术以及对transformer架构进行微调来实现下一步迭代，在实验室环境下做到大幅节省Token支出以及偏好抽取领域近似持续学习的效果。

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Benchmark——MEMLENS，目前已开源，并拿到了Hugging Face AI领域Daily Paper的前三。

该Benchmark把27个视觉语言大模型和7个Memory Agent放在同一套多模态数据下，分成4档标准的上下文长度进行对照实验，发现：视觉语言大模型往往不做任何压缩直接将内容全量塞入上下文窗口；Memory Agent因架构设计缺陷大量视觉与多模态数据在写入阶段就已损失；随着上下文长度增长，模型更倾向于产生幻觉；许多针对Memory的后训练方法反而增加了幻觉风险。

这一Benchmark证明了基模厂商和记忆公司应各有分工：基模应做好视觉感知、图文对齐和底层推理；记忆企业应做好跨模态信息检索、证据组织和状态更新。

### Founder思考

个性化的终点是主动智能。因此Agent的终局不应该是任务驱动的，而是状态驱动的。未来的Agent能基于用户的历史记忆帮用户做Planning，自我驱动完成任务。

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。目前大部分做Memory的企业都在聚焦上下文窗口和RAG。然而上下文窗口本质上依赖于前端交互和短期上下文来维持的临时性工作记忆。主流的GraphRAG架构本质是外挂的向量数据库。

硅谷开源项目如Mem0、MemGPT仍采用Vector Native或GraphRAG方式实现记忆功能，存在明显局限：缺乏对信息关联性的建模，更像知识库，只能应对简单的一问一答场景。真正的记忆需要追踪动态变化的时间线与用户意图。

Long Context和Memory Agent并非二选一的取舍，而是可以做工程化的权衡。基模应把上下文做得更长，做好KV cache工作，更侧重底层推理能力。记忆企业应找到跨模态信息，更好地为用户提供帮助。

Memory的核心不是存储，而是决策。真正让Memory发挥价值的点在于，它能做出一系列判断：是否写入记忆、哪部分写入记忆、召回什么样的记忆。Memory承载两大核心价值：释放AI潜力的上限，以及支撑主动智能。

在家庭机器人落地的前期，具身的Memory需求会暴增。任何与人进行的交互都不可能绕开记忆，交互时间越长、任务链条越长、涉及模态越丰富，记忆所扮演的角色越发关键。

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。Memory无法脱离时间单独存在。