视觉记忆如何驱动物理AI自进化？对话Memories.ai沈俊潇

2024年，前Meta现实实验室研究员沈俊潇与周恩民在硅谷创办Memories.ai，瞄准尚未被探索的视觉记忆领域。2025年7月，公司结束隐身模式，发布全球首个大型视觉记忆模型（LVMM），并完成800万美元种子轮融资。此后种子轮追加至1600万美元，与高通、英伟达建立合作，2026年1月在国际消费电子展发布LUCI开发者硬件平台，并从Meta挖来首席AI官。

公司保持精简团队，沈俊潇招人更看重高能动性与愿景对齐。他将“AI记忆”分为两类：一是为个性化服务，让AI更懂用户；二是为自我进化服务，让AI把活干得更好。他判断前者护城河正快速消失，真正值得投入的是后者，即“关于世界的记忆”，目标是让机器人和物理智能系统依靠积累的视觉经验自我修正、自我提升，最终实现“物理世界的递归自我进化”。

这一判断基于关键前提：文字是大模型原生模态，视频不是。视频太密、太重、太非结构化，还被时间轴锁定，管理视觉上下文需要搭建索引视频、生成结构化数据并存储的脚手架，是巨大的基础设施工程。Memories.ai在编解码器层面做压缩编码，自主训练模型，将视频转成向量和描述文本，汇入自建视频数据湖。投资方三星Next披露，发布LVMM时已索引超100万小时视频，视频记忆容量是同类方案的100倍。

2025年11月，公司与高通合作，LVMM 2.0从2026年起在高通处理器上原生运行，将编码、压缩和索引下放至设备端。今年3月GTC大会上，其视觉记忆技术被接入英伟达Cosmos-Reason 2和Metropolis平台。

沈俊潇对物理AI自进化的预期是，初始准确率约70%，通过自我进化可升至接近90%，每次迭代提升1%至2%，同时把对人类标注数据的需求压至最低。模型部署后，视频数据湖持续记录原始视觉数据，系统自动定位失败模式相关片段，反馈至训练环节进行后训练。这一方向契合物理AI痛点：Voxel51报告显示，78%团队从视觉与物理AI项目获得实际价值，但几乎所有团队反映模型表现不达标，根本瓶颈在数据质量、样本覆盖度、标注工作流和类别不平衡。

商业模式上，客户分两类：一是工厂、连锁快餐店、商超等企业客户，Memories.ai帮其做视觉模型后训练和部署，真实视频数据留在数据湖；二是主攻VLA模型或世界模型的前沿机器人实验室，公司把企业场景积累的视频数据分享给它们训练机器人，机器人未来部署回工厂和商超，形成数据飞轮。

沈俊潇更相信规模化，偏好真实世界数据。团队近期成果包括：MARC把视觉令牌负载降低95%；O-MARC让全模态音视频推理速度提升34.6%、内存效率提升34.7%；OmniRetriever音频检索零样本表现超过谷歌Gemini；SpatialMem通过第一人称RGB视频构建可查询3D索引。

竞争差异上，他强调两点：视频数据湖与视觉理解模型深度绑定，数据随企业客户部署天然沉淀；业务明确限定在“为客户做数据评估和模型后训练”，不做机器人，也不抢VLA模型公司、世界模型公司的生意。

沈俊潇认为，记忆作为独立品类市场空间已有限，个性化记忆是长程任务里的一环，但不应是终极目的。他把AI系统分为“内核”和“外核”：内核指模型能力，外核指个性化、交互体验等。当内核仍指数级增长时，大家更专注内核；等内核不增长，才轮到外核寻找差异化。而现状是，内核依然在不断膨胀。