95后华人创业开发首个大视觉记忆模型，AI像人类一样“看见并记忆”

95后华人创业开发首个大视觉记忆模型，像人类一样看见并“记忆”

AI 能否像人类一样真正“看见”并形成持久的“记忆”？如今，这一设想正逐渐成为现实。这一突破性进展的实现，源自 28 岁华人沈俊潇所创立的美国硅谷初创公司 Memories.ai。该公司不久前发布了全球首款大型视觉记忆模型（LVMM，Large Visual Memory Model），突破性地实现了对海量视觉信息的长期存储、快速检索与深度推理。这一技术正应用于安防、个性化 AI 助手、媒体创作等众多领域。

根据公司描述，其“准确率极高，甚至能精确达到毫秒级理解”，让机器像人类一样理解世界，为构建下一代具备持续学习能力的通用人工智能奠定基础。值得关注的是，沈俊潇的学术与职业背景也为这一技术突破提供了坚实支撑。他在英国完成高中学业后，获得全额奖学金进入英国剑桥大学连续攻读本科、硕士及博士学位，其后曾担任 Meta Reality Labs 的研究科学家，在虚拟与增强现实领域积累了大量前沿经验。目前，他还同时担任英国布里斯托大学助理教授，持续推动视觉计算与人工智能领域的交叉研究。

图 | 沈俊潇（来源：沈俊潇）

有望为多个领域带来颠覆性变化

未来的通用人工智能（AGI）如果要在某些方面接近人类，就必须具备两个彼此独立的核心能力：智力与记忆。这两者分属不同维度——正如一个人可能聪慧却健忘，或记忆力超群但推理能力有限。当前，无论是工业界还是学术界，大多将重心放在提升 AI 的智力层面，而对 AI 长期记忆机制的系统性探索仍显不足。

沈俊潇团队受人类记忆结构启发，设计了一套完整的记忆处理架构，其能够准确解析用户意图、精准定位并提取相关的视觉记忆片段、整合所有关联视觉信息，并能够基于这些记忆内容与用户当前查询进行复杂推理。该系统包括多个功能模块：一个负责将记忆线索转换为可检索请求的查询模型、一个执行粗粒度筛选的检索模型、一个支持全模态索引的存储模型、一个执行细粒度信息提取的选择模型、一个用于记忆监控的反射模型，以及一个实现记忆重建的重构模型。

沈俊潇对 DeepTech 表示：“LVMM 部分功能依托视频检索，但其核心远不止于此。理解 10 小时视频与 1 小时视频在基础技术上或许相似，但实现百万小时级别的视觉理解，则需根本性的架构创新——包括数据库设计、算法优化与底层基础设施的重构。目前，我们可处理数据库的规模已经达到亿级。”

根据 Memories.ai 发布的技术报告，LVMM 在视频分类、检索与问答等多个任务中都表现出卓越性能。

LVMM 的长期视觉记忆有望在多个领域带来颠覆性的变化。安防监控领域，核心挑战在于实现持续的身份识别。借助 LVMM 系统，同类任务可通过 AI 自动观看并快速定位目标片段。AI 助手与硬件方向，个性化是重要发展趋势。媒体和教育领域，Memories.ai 正在与 BBC 等媒体合作。相册和视频管理应用中，长期视觉记忆同样至关重要。从更长远的角度看，该技术为构建人工智能的基础视觉记忆层奠定了重要基础。

“不走寻常路”：从 14 岁出国读高中到硅谷创业

沈俊潇出生于江苏吴江，14 岁赴英读高中，在剑桥完成从本科到博士，曾任职 Meta Reality Labs 研究科学家，现也担任英国布里斯托大学助理教授。他选择差异化研究方向，专注于构建 AI 的“记忆”能力，团队从人类记忆理论出发探索路径，最终创立 Memories.ai，已获多轮融资，与多家科技公司合作推进产品。