99年华人科学家创业，掏出全球首个视觉记忆大模型，无限上下文，已获三星投资

智东西
作者 王涵
编辑 漠影

智东西7月25日消息，今天，前Meta员工沈俊潇（Shawn Shen）在海外社交媒体X上宣布，其和Enmin Zhou联合创立的Memories.ai，正式推出其首款大型视觉记忆模型（Large Visual Memory Model）。

沈俊潇还宣布Memories.ai已完成由Susa Ventures领投，Crane Venture Partners、三星Next、Fusion Fund等机构跟投的800万美元（约合人民币5730万元）种子轮融资。

感兴趣的用户立即享受首月免费体验，无需任何附加条件。

体验地址：https://memories.ai/app

▲沈俊潇官宣推文（来源：X）

这一技术旨在为多模态大语言模型（multi-modal LLMs）赋予视觉记忆回溯能力。该模型实现了视觉记忆检索功能，能够解析用户意图，检索相关视觉记忆片段，整合关联的视觉记忆信息，并基于这些记忆和用户查询进行推理。

其创新点在于智能决策机制，能自主判断何时、如何及调取哪些视觉记忆。完成记忆信息整合后，模型能生成记忆引用，并以正确输出格式回答用户问题，这使得多模态大模型具备无限长视觉记忆上下文处理能力。

Memories.ai的两位联合创始人均是华人，沈俊潇在博客中透露自己14岁就远赴英国读高中。

一、两位华人联合创立，曾14岁就远赴英国求学

1999年出生的沈俊潇，初中在苏州上学，14岁就获得奖学金到远赴英国读高中。领英主页显示，其本硕博均在剑桥大学就读，2019年取得了工程专业的文学学士学位（ 剑桥大学等部分高校保留传统BA授予制度，其工程专业毕业生仍获BA学位），2020年取得都柏林圣三一学院的工程学硕士学位，2023年获得工程学哲学博士学位。

在本科就读期间，沈俊潇还曾回到上海摩根士丹利短期实习，在博士就读期间，2022年，他到了Meta现实实验室工作，担任研究科学家职位。2024年沈俊潇离职创业，联合创立了Memories.ai。

▲左：沈俊潇，右：Enmin Zhou（图源：Memories.ai）

Memories.ai联合创始人兼CTO Enmin Zhou，2020年从美国加州大学洛杉矶分校毕业，获得数学与计算科学学士学位，后在美国布朗大学就读数据科学专业，于2022年毕业。

本科就读期间他也曾回到上海，在上海深察信息科技短暂实习，硕士毕业后在Meta就职，担任机器学习工程师一职。2024年Enmin Zhou离职创业，联合创立了Memories.ai。

在博客中，沈俊潇写道，他们正是因为意识到解决视觉记忆问题刻不容缓，才离开Meta共同创立Memories.ai。

二、视频问答能力超越Gemini 2.5 Pro、OpenAI GPT 4o和GPT4.1

从性能上看，在视频零样本分类基准测试中，Memories.ai的分数都较历史第一的模型PE-G都一定上涨，其中在HMD8数据库中，分数上涨了7.6分，在K400数据库中，分数上涨了6.6分。

视频检索基准测试中，Memories.ai在所有数据集中的分数都超越了历史第一Perception Encoder，各项测试均夺得桂冠，其中在AVN数据集的文字转视频测试中，其分数较Perception Encoder提升了11分。

视频问答基准测试中，Memories.ai在MVBench、NextQA以及Temp Compass数据集中，全面超越OpenAI GPT 4o；在ActivityNetQA和Perception Text数据集中，超越谷歌Gemini 2.5 Pro和OpenAI GPT4.1，取得新的性能记录。

▲包括OpenAI和谷歌模型系统在内的比较数据，均源自OpenAI和谷歌各自的官方发布博客。

三、受人类记忆机制启发，建立初始记忆架构

在另一篇技术博客中，沈俊潇介绍到，Memories.ai的创造是受了人类记忆机制启发，而创立的整个大视觉记忆模型的初始记忆架构，包括：

将记忆线索转化为可搜索请求的查询模型、用于粗粒度检索的检索模型、全模态索引模型、用于细粒度细节提取的选择模型、用于记忆监控的反思模型，以及用于记忆重构的重建模型。

记忆检索过程可分解为以下关键步骤：

1、记忆线索：激发回忆过程

回忆通常始于线索。线索可以是外部的，如问题、旧照片、旋律、气味、地名；也可以是内部的，如念头、情绪。当大脑接收线索时，会激活与目标记忆相关的特定神经网络。

在系统中，采用查询模型将线索（主要为基于文本的线索）转化为具体的、可搜索的内容，涉及文本解析和转录等步骤，将线索转化为适合后续处理的格式。

2、粗粒度检索：初步 “筛选”

激活过程并非总是精确的，初始检索往往粗略且泛化。大脑快速搜索海量信息，寻找与当前线索最匹配的模式，一些相关的视觉片段可能会被初步激活，此为 “线索依赖性回忆”。

在系统中，使用检索模型进行粗粒度检索。对于上一步解析的查询对象，检索模型选择合适的数据库和查询方法，识别所有相关片段，减轻 “线索依赖性回忆” 的影响，并激活所有相关视觉片段。

3、细粒度细节提取：深度 “阅读” 与 “编辑”

当初始线索激活相关区域后，大脑进入更精细的处理阶段，记忆的重构特性开始显现：

细节补全：大脑填补记忆的细节，这些细节可能基于对世界的理解、逻辑推理和过往经验推断补充。

关联整合：大脑将不同信息片段（如视觉图像、听觉片段和情绪波动）关联整合，形成更完整的记忆图景。

过滤选择：大脑根据当前目标和问题，从所有激活信息中过滤出最相关和最重要的片段，具有高度目的性。

在系统中，使用全模态字幕模型和选择模型进行细粒度细节提取。对于所有视觉片段，全模态字幕代理结合记忆线索为关键核心内容添加字幕。选择代理基于所有已字幕内容进行推理，筛选出若干最相关的视觉片段，缩小记忆搜索范围，基本完成视觉记忆检索过程。

4、记忆监控：记忆的 “自我校正”

回忆过程中，大脑会监控和验证检索到的信息，评估其准确性和真实性，包括将其与现有的知识、信念和其他相关记忆进行比较。若回忆信息与已知事实相矛盾，可能会尝试进一步回忆或修正。

在系统中，使用反思模型进行记忆检测和验证。当检索到的记忆内容与事实冲突或不一致时，会重新进入细粒度细节提取阶段。

5、记忆重构：从碎片到 “精修版”

回忆复杂事件时，大脑倾向于提取事件的核心要点、主要参与者和关键结果，过滤掉较不重要或冗余的信息，将其概括为更易存储和检索的形式。重构过程还涉及将分散的记忆碎片整合成有意义的模式，组织成连贯的叙述或概念。

在系统中，使用重建模型进行记忆重构。基于记忆线索和所有当前检索到的信息，识别信息模式，利用世界知识和逻辑推理补全缺失细节，过滤和精炼无关或冗余信息，将分散的感知、概念和情感片段整合成连贯、有意义的叙述或概念结构。

结语：或将成为AGI发展的重要节点

沈俊潇在博客中称“这是在通用人工智能（AGI）发展中的一步。”

Memories.ai此次推出的大型视觉记忆模型，在技术路径上以人类大脑的记忆机制为参照构建了初始架构，其具备的视觉记忆检索、整合及推理能力，在视频分类、检索、问答等基准测试中展现出一定性能优势。

而800万美元种子轮（约合人民币5730万元）融资的完成，也体现了投资机构对该技术方向的关注。