中国00后超越OpenAI：攻破「记忆」难题新智元
80年前，阿根廷作家博尔赫斯写过一个寓言，叫《博闻强记的富内斯》。博尔赫斯笔下的富内斯，拥有过目不忘、堪称完美的记忆，却无法思考，因为思考依赖于遗忘和抽象。
正如神经科学家Oliver Sacks在《意识的河流》中所言，创造要求遗忘：当我们回看旧笔记本，尘封多年的想法反而能重获新生，从新的视角被重新关照。这正是富内斯所不具备的能力。
而「意识的河流」这个词来源于美国心理学奠基人William James的《心理学原理》。 他将记忆拆分为两个环节：
保持（Retention）：经验在神经中留下痕迹；
回忆（Recall）：从当前线索出发，沿联结网络重返过去情境。
James的核心洞见是：回忆并非按地址读取文件，而是情境性的重构。
由此，记忆呈现两副面孔——对内，它是有损压缩：大脑将经验蒸馏为要点与图式，牺牲细节以换取迁移能力；对外，它是可传递的媒介：压缩后的经验经由讲述、书写、传授，使后人无需重蹈覆辙，便可站上前人肩膀。
压缩，与传递。这两件听上去朴素的事，恰恰是今天最强的AI所没有的。
Context≠记忆≠RAG！
AI最大短板：记忆
今天的大模型，是一种前所未有、却也残缺的天才。它拥有的两种「记忆」，都不是我们真正说的那种记忆。
一种是烧进模型权重里的知识，它读过的大半个互联网，凝固成了先天常识，像一部无比渊博却再也不会更新的百科全书。另一种是当下这轮对话的上下文，它能记住你这几千字，可窗口一关，一切归零，像一块每次开机都被擦干净的白板。
它有渊博的语义，有短暂的当下，却唯独缺了中间那一层：一段活着的、不断累积的、属于「你和它」的过去。用认知科学的话说，它有语义记忆，没有情景记忆；有工作记忆，没有长时记忆。它每一次醒来，都是一次干净的失忆。
有人会说，这几年一直在给AI「外挂记忆」。确实，主流做法是把知识存进一个外部库，用时再检索回来，向量检索、RAG，本质都是让模型临时「查一次资料」。后来上下文窗口越做越长，有人干脆把大段历史整个塞进去。
但检索，并不等于记忆。上下文越长，模型反而越容易在其中迷路：位置偏差、多跳失败、无关信息的干扰，都是顽疾。
更要命的是，它出错的方式和人恰好相反。设想你问它：「上个月我参加过几场跟艺术有关的活动？」一个靠相似度检索的系统，一看到「艺术」两个字就兴奋起来，把你聊过的「班克斯的街头艺术」「那场关于希腊艺术的讨论」一股脑捞回来。
可这些是你聊过的话题，不是你参加过的活动；而真正该找到的四场活动，它漏了两场。它擅长找「字面上像的」，却答不出「事理上对的」。
这就是今天AI记忆的真正短板。问题从来不是它记得不够多，而是它不会回忆。
中国00后团队
把人类回忆的本能做成工程
要把这件事修好，得先回到那个更根本的问题：一个「会回忆」的系统，到底该长什么样？这方面，进化已经调试了几亿年。
认知神经科学有一个影响深远的框架，叫互补学习系统。大脑用两套互补的记忆在工作：以海马体为核心的快系统，能把一次性的具体经历迅速抓住，这就是情景记忆；以大脑皮层为核心的慢系统，把成千上万次经历里反复出现的规律慢慢沉淀成概念与常识，这就是语义记忆。两套缺一不可。
大脑的巧妙在于让它们接力：海马先把新经历暂存，再在休息与睡眠里一遍遍「回放」给皮层，让皮层缓慢地把其中稳定的部分吸收进去。这个过程叫巩固，而巩固在做的事，说白了就是压缩。
那「回忆」本身呢？海马里的CA3区域是一张高度互联的回路，行为很像物理学家霍普菲尔德在1982年提出的联想记忆网络。
这种网络有个迷人的特性：一段记忆不是存在某个地址里等你去「读取」，而是作为整张网络的一个稳定状态被存下来；当你递给它一条残缺的、带噪声的线索，整张网络会自动朝最接近的稳定状态收敛过去，把完整的模式重建出来。
一张全息底片，哪怕只剩一角，也能重建出整幅图像。人的回忆，就是这样一种「从线索重建整体」的过程。
就在最近，一支叫Shadoweave（织影）的中国团队发布了一篇技术报告，把上面这套「人脑的记忆本能」，一板一眼地做成了工程。
团队集结了来自CMU、SJTU-SAI、哈佛、清华、UC Berkeley、上海AI Lab等世界顶尖院校或机构的年轻学者，其中00后博士生占比达70%，平均年龄只有24岁，但累计发表论文56篇，顶会31篇，覆盖ICML、ECCV、ICLR、NeurIPS等顶级会议。
这是一支跨学科的复合型、国际化、多元化团队：有人师从计算认知记忆奠基人，为AI注入人类记忆的理论灵魂；有人深耕世界模型与推理优化，把长序列记忆从算力黑洞变成可落地的工程现实；有人曾主导微软小冰核心算法开发、ToDesk、QwenC多模态推理Agent等千万级用户产品，把前沿论文变成真实世界的生产力。
他们既能在黑板上推导记忆的数学本质，也能在服务器集群里压榨每一毫秒的推理延迟；既懂大脑如何遗忘、如何重构，也懂如何让AI学会「该忘什么、该记什么」。当全球大模型还在拼参数、拼数据时，他们让AI像人一样记忆，像人一样思考。
他们的系统叫HMS，Holographic Memory System，全息记忆系统。名字里那个「全息」指的是什么，此刻你已经知道了。
HMS的第一个关键判断，与William James不谋而合：把留存（retention）与回忆（recall）彻底分开。留存，对应大脑的巩固，经历被结构化地沉淀进一个稳定的记忆库，而一旦沉淀每次回忆时不再被随手改写。回忆，则被重新定义成一件主动的事：面对每一个具体的问题，现场重建回答它所需的证据。
第一步，先想清楚要找什么，再动手找。 面对「上个月参加过几场艺术活动」，HMS不急着搜，而是先把问题拆开：涉及哪个时间段？牵扯哪些人、哪些事物？它甚至会先把「上个月」换算成一个确切的日期区间。这正是James说的「先想清楚我要找的是什么类型的信息」。
第二步，按需换钥匙，找完了还要回头自查。 HMS备了六把不同的「钥匙」，按时间追、按人物串、按上下文补、按最新值查、按矛盾点抓、按关系跳，而不是什么问题都拿同一套相似度搜索去套。更要紧的是，它找完会回头验一遍：计划里要填的每一格证据都填上了吗？不够，就在检索侧继续补。
第三步，把证据理成清单再交卷。 去重、按时间排好、标注来源，最后递到模型面前的是一张能直接数数、比大小、看先后的事实表。
一句话总结：老办法是让模型在一大堆搜索结果里凑答案，HMS则先像人一样，把回忆这件事有规划、有验证、有条理地做完，再请模型下笔。
双榜SOTA登顶
这套设计到底管不管用？HMS用两个业界公认的长时记忆基准给出了回答。
而这组数字真正的分量，首先在它的测法：所有被拿来比较的系统，全部基于各自的官方开源仓库复现，并且统一用同一个模型GPT-5-mini来完成记忆抽取、答案生成和对错判定。不存在「我用Claude-opus跑分、你用小模型跑分」的注水空间。
