对话Memories.ai：“人的记忆本质上是视觉，AI也该如此”

69 0 0

文章摘要

Memories.ai公司由前Meta研究员Shawn Shen和Ben Zhou创立，专注于开发大型视觉记忆模型（LVMM）。其核心技术创新在于将原始视频转换为设备上的结构化内存，通过编码、压缩和索引技术实现亚秒级自然语言搜索。最新发布的LVMM 2.0通过与高通合作，首次实现模型在端侧设备（如AI眼镜）的部署，解决了持续视频处理的功耗和隐私问题。

该公司的技术路线严格遵循人类记忆形成的两阶段理论：编码器负责将视觉信息实时转化为结构化数据，搜索引擎则实现高效检索。与传统视觉模型不同，LVMM具备三大突破性特征：真正融合视觉与音频的多模态能力、基于视频流训练的动作理解能力，以及针对人物/动作/物体优化的自监督学习机制。Shawn强调，这种编码模型存在明确的技术天花板——即实现视频信息的无损重构，而非追求无限智能的推理能力。

商业化策略呈现三层架构：面向专业用户的视觉平台、开放给开发者的API接口，以及针对安防监控等场景的B端定制方案。公司明确将自身定位为”AI基础设施提供商”，专注于视频编码和搜索两大基础功能，将上下文处理等高层应用留给合作伙伴。典型应用场景包括智能相册管理、宠物行为追踪等，用户可通过自然语言查询特定事件（如”花瓶何时被打碎”）并精准定位视频片段。

技术实现层面，LVMM采用独特的”世界模型”编码器架构。与主流视觉模型基于静态图片训练不同，该模型以视频帧为最小单位，能捕捉时间维度的连续动作。这种设计更接近人类视觉记忆的非线性特征，避免了传统方法需要线性扫描所有视频帧的局限。与高通的合作标志着技术路线的重要转折——从云端GPU依赖转向端侧NPU部署，为可穿戴设备和机器人提供实时视觉处理能力。

在发展战略上，Memories.ai坚持”定义问题比解决问题更重要”的学术思维。其北极星指标是”成为所有智能体的记忆系统”，核心价值主张为”让AI看见和记住”。通过放弃视频剪辑等应用层探索，公司集中资源攻克端侧编码模型的小型化挑战。Shawn指出，视觉记忆本质上不同于文本记忆，在万物皆可记录的时代，构建可靠的记忆基础设施可能比追求智能推理更具基础性价值。这种差异化定位使其避开与科技巨头的直接竞争，在AI生态链中占据独特位置。