Memories.ai 聯手輝達：為可穿戴裝置與機器人打造「視覺記憶層」

當你戴著智慧眼鏡或者看著掃地機器人滿屋亂跑時，有沒有想過一個尷尬的問題：它們雖然長著攝像頭，卻轉頭就忘。

現在的 AI 已經能記住你上週聊過什麼話題，但如果你問眼鏡「我剛才把鑰匙落在哪個櫃檯了」，它通常是一頭霧水。原因很簡單：過去的 AI 記憶，本質上全是文字。

初創公司 Memories.ai 在輝達 GTC 大會上宣佈與輝達達成合作。這家由前 Meta 工程師創辦的公司，打算藉助輝達的技術，給可穿戴裝置和機器人打造一套真正能用的「視覺記憶層」。

做 Meta 智慧眼鏡時發現的痛點

Memories.ai 聯合創始人 Shawn Shen 和 Ben Zhou 此前在 Meta 參與研發 Ray-Ban 智慧眼鏡背後的 AI 系統。在開發過程中，他們發現了一個根本矛盾：如果使用者錄下了影片，裝置卻根本沒法幫他們找回特定畫面，那戴著錄影到底有什麼意義？

兩人在市場上找了一圈，發現沒人做這件事，索性在 2024 年離開 Meta 出來單幹。他們認為，AI 在虛擬數字世界已經很厲害了，但在物理世界裡，機器人和穿戴裝置全靠視覺感知，缺了視覺記憶就根本走不遠。

過去兩年裡，OpenAI、xAI 和 Google Gemini 都給聊天助手加上了記憶功能。但 Shen 指出，這些進步基本都侷限在文本層面，文本資料結構規整、好做索引，可現實世界裡的物理 AI 需要的是看懂畫面並記下來。

截至目前，Memories.ai 已經拿到 1600 萬美元融資。這包括 2025 年 7 月完成的 800 萬美元種子輪，以及隨後由 Susa Ventures 領投的 800 萬美元延期融資，投資方還包括 Seedcamp、Fusion Fund 和 Crane Venture Partners 等。

抱團輝達與高通，軟硬兼施

要讓 AI 記住看過的畫面，說白了就兩件事：一是把影片壓縮轉碼成易於儲存和檢索的資料格式，二是用真實的訓練資料喂出模型。

這次聯手輝達，Memories.ai 用上了輝達的 Cosmos-Reason 2 視覺語言推理模型，以及用於大規模影片搜尋和摘要的 Nvidia Metropolis 技術架構。

早在 2025 年 7 月，他們就釋出了自研的第一代大視覺記憶模型（LVMM），Shen 把它的定位類比為 Google 最近推出的多模態檢索模型 Gemini Embedding 2 的輕量版。現在，他們拿出了第二代 LVMM。

算力落地方面，Memories.ai 還與高通簽了協議，計劃從今年晚些時候開始，讓這套模型跑在高通的晶片平臺上。

好玩的是，為了蒐集訓練資料，他們甚至自己攢了一套名為 LUCI 的穿戴式硬體，派專人戴著到處錄影片。Shen 解釋說，他們並不打算賣硬體，只是因為市面上現成的錄影裝置要麼追求高畫質，要麼極度耗電，根本不適合高頻採集。

為什麼重要

給 AI 補上「眼睛的記憶」，切中的是整個具身智慧和穿戴硬體最頭疼的斷層。

目前大語言模型雖然聰明，但放在機器人或者智慧眼鏡上，就像一個只有幾秒短暫記憶的超強大腦。一旦影片流湧進來，儲存吃不消、算力頂不住、檢索找不著。Memories.ai 聰明的點在於，它沒有去卷基礎大模型，也沒有死磕整機硬體，而是專心做中間那層索引管道，並拉來輝達在雲端做檢索、拉來高通在端側跑算力。

對普通使用者來說，這套方案如果落地，智慧眼鏡才算真正成為生活助理，比如隨時幫你找鑰匙、記路線、回顧會議白板。但客觀來看，這一天還來得沒那麼快。正如 Shen 自己坦承的那樣，大規模商業化的穿戴裝置和機器人浪潮「終究會來，但可能不是現在」。

我們認為，這套視覺記憶層的真正挑戰不在演算法邏輯，而在功耗與隱私。長時間錄製與索引對電池是極大考驗，更不用說隨時記錄周圍環境帶來的合規爭議。不過在行業巨頭把注意力放在大模型對話的當下，有人先把物理世界的記憶底座打牢，確實給行業鋪了一條關鍵的臺階。