AI下半场，比的是谁掌握记忆归属权

范承工在对话中指出，模型同质化时代下，单纯参数迭代已无法形成壁垒，掌握用户记忆数据的所有权和使用权，才是构建长期竞争优势的关键。

模型参数趋同后，差异化只剩记忆积累

当前主流大模型在基础能力上已高度趋同。多家中国AI企业发布的模型在GLUE、MMLU等公开基准上得分差距不断缩小，参数量从百亿到千亿的迭代也未能拉开决定性差距。范承工认为，这种同质化并非短期现象，而是训练数据、架构设计和优化技巧快速扩散的结果。一旦某个新优化方法公开，行业内几乎同时跟进，导致模型性能曲线趋于重合。

参数竞赛不再是重点，因为边际成本越来越高，而收益递减明显。训练更大模型需要巨额算力，但带来的能力提升却越来越线性，甚至在某些垂直场景出现过拟合。开发者反馈显示，切换不同厂商的同规模模型时，实际使用体验差异远小于宣传。真正能区分产品的，是模型在与用户长期交互中积累的个性化信息。这些信息无法通过预训练获得，只能来自真实使用过程。

中国开发者社区已普遍意识到这一点。不少初创团队放弃追逐最大参数模型，转而专注特定领域的小模型加记忆层。这种策略让资源有限的企业也能快速形成差异化。记忆积累本质上是把用户历史行为、偏好、纠正记录转化为模型可检索的长期知识。参数是通用的，记忆是专属的，这一点成为当前模型同质化背景下最现实的突破口。

记忆归属权决定AI下半场胜负

记忆与模型性能有本质区别。模型参数是静态的、公开可复制的，而记忆是动态的、属于特定用户或企业的私有数据。范承工强调，谁掌握记忆归属权，谁就掌握了AI下半场的胜负手。因为记忆无法被简单蒸馏或迁移，它需要持续的用户交互才能生长。

模型性能可以通过公开数据集和算力堆叠快速追赶，但记忆只能通过时间积累。用户今天告诉AI的偏好、昨天纠正的错误、过去半年形成的习惯，这些数据共同构成一个无法被新模型一键替换的上下文。竞争对手即使推出参数更优的模型，也无法立即获得这些记忆，因此用户迁移成本大幅提高。

这种归属权还直接影响商业模式。掌握记忆的企业可以提供更精准的个性化服务，从而提高付费转化率和留存。反之，仅依赖通用模型的企业将陷入价格战。范承工把这比作互联网时代的用户账号体系，只不过这次的“账号”里装的是用户的完整行为轨迹和认知图谱。谁拥有这张图谱的控制权，谁就拥有了难以被颠覆的护城河。

中国AI企业正把记忆机制做成新壁垒

中国AI企业在记忆机制上的探索已形成几条清晰路径。一些头部企业将记忆模块内置到对话系统中，实现跨会话、跨设备的长期上下文保留。它们通过向量数据库和图数据库结合的方式存储用户历史交互，并开发专有检索算法，确保记忆在需要时被准确唤醒。

创业公司则更聚焦垂直领域记忆。例如教育类AI产品积累学生错题、学习习惯和知识盲点，形成个性化教学记忆；医疗健康应用则记录用户体征描述、用药反馈和生活方式偏好。这些记忆被封装成企业私有数据集，成为产品核心资产。开发者社区也出现大量开源记忆框架，帮助中小团队快速搭建自己的记忆层。

与海外同行相比，中国企业在落地速度上具有优势。本地数据合规要求促使企业更早思考记忆归属问题，同时庞大的用户基数让记忆积累速度更快。部分企业已开始尝试记忆交易或授权机制，在保护隐私前提下让记忆数据产生额外价值。这种实践正在把记忆从技术功能升级为商业壁垒。范承工认为，未来中国AI市场竞争将更多围绕记忆质量和调用效率展开，而不是单纯的模型智能程度。

产品架构需围绕长期记忆重构

记忆机制要求产品架构从根本上改变。传统AI产品多采用无状态设计，每次对话相对独立。而围绕记忆的产品需要在存储、调用、更新三个层面进行重构。

存储层面，企业必须建立混合持久化系统。短期记忆可放在内存或缓存，长期记忆则需要可靠的向量存储和关系型数据库配合。关键在于设计合理的分层策略，既保证查询速度，又控制存储成本。

调用层面，检索算法成为核心。产品需要根据当前上下文智能判断需要哪些历史记忆，并以合适的形式注入提示词。过于粗糙的检索会导致无关记忆干扰当前任务，过于保守则无法发挥长期记忆价值。优秀的产品会开发多级召回机制，先用粗粒度过滤，再用精细排序。

更新层面更为复杂。用户随时可能纠正AI的记忆，这要求系统具备增量更新、冲突解决和版本控制能力。旧记忆不能简单覆盖，新记忆需要与已有知识融合。这一系列变化让产品架构从“对话引擎”转向“记忆操作系统”。中国团队在这一重构中已积累较多实践经验，部分产品已支持数月甚至数年的记忆连续性。

用户体验从单次对话转向终身记忆

记忆机制让用户体验发生质变。过去用户每次打开AI都要重新介绍背景、重复偏好，现在系统能自动调用历史记忆，提供连续一致的服务。这种跨会话记忆极大提升了使用粘性。

个性化程度也显著提高。AI不再是通用助手，而是逐渐成为了解用户思维方式、语言习惯和工作流程的专属伙伴。用户反馈显示，当AI能记住几个月前的一次特殊要求并在合适场景主动应用时，信任感和依赖度会快速上升。

这种终身记忆还改变了交互模式。用户开始把AI当作长期工作伙伴，而不是一次性工具。他们会花时间“教育”AI，纠正其错误，因为这些投入能长期回报。企业数据显示，开启长期记忆功能的用户日活跃度和会话时长均有明显提升。范承工认为，这种体验转变是AI从玩具走向生产力工具的关键一步，而记忆正是实现这一转变的基础设施。

开发者必须重新定义数据所有权边界

进入记忆时代，开发者需要重新思考数据所有权。传统模式下，用户输入数据多为临时使用，而记忆数据需要长期存储和反复调用。这带来了隐私合规与功能实现的实际冲突。

开发者必须在产品设计之初就明确哪些记忆属于用户个人，哪些可被企业用于模型优化，哪些可用于商业化。透明的授权机制成为必需。部分中国企业已推出“记忆银行”概念，用户可查看、编辑、删除自己的记忆记录，甚至选择是否允许企业使用这些数据训练专属小模型。

合规压力也推动技术创新。联邦学习、差分隐私等技术被用于在保护原始数据前提下利用记忆。开发者还需要设计灵活的退出机制，确保用户删除账号时记忆数据可被彻底清除或迁移。这些调整增加了开发复杂度，但也成为产品差异化的新维度。范承工提醒，忽略所有权边界的开发者很可能在监管收紧后面临重大风险。

记忆护城河的监管与技术边界仍未清晰

尽管记忆机制潜力巨大，但其边界仍充满不确定性。法律层面，用户记忆数据的归属权争议尚未有明确定论。用户生成的内容是否天然属于用户？企业对这些数据的加工结果又该如何界权？不同国家监管态度差异明显，中国相关法规仍在细化过程中。

技术上，跨平台记忆迁移仍是难题。用户更换AI服务商时，如何安全转移记忆而不泄露隐私？不同模型架构对记忆格式的要求也不一致，导致迁移成本高昂。目前行业内尚未形成统一标准，这限制了记忆价值的充分发挥。

安全风险同样值得关注。长期积累的记忆可能包含敏感信息，一旦被恶意提取或用于训练，危害远大于单次对话数据。如何建立可信的记忆审计机制，仍是开放问题。

范承工认为，这些未清晰的边界既是挑战也是机会。率先解决监管合规和技术难题的企业，有望在下一阶段占据更有利位置。目前中国AI企业和开发者正通过实践不断探索这些边界，未来几年内相关规则和最佳实践有望逐步成型。

参考来源

• 对话范承工：模型同质化时代，记忆才是AI真正的护城河