当前人工智能技术发展遇到一个关键瓶颈：模型在完成一次计算后难以保留可用记忆，导致每次交互都像“从零开始”；这直接影响其在复杂场景中的表现，尤其是在需要长期跟踪用户偏好、历史决策等连续性任务时问题更为突出。业内专家指出，传统方案的提升空间有限：检索增强多为“临时调用”，难以形成稳定记忆；而一味扩大上下文窗口又会带来显著的算力与成本压力。这也意味着，人工智能要更突破，不能只依赖参数规模扩张。
记忆是智能的基础，也是连续性的保障；大模型竞争正在从单点能力比拼，转向更系统的基础设施建设。记忆系统的突破或许不如参数规模的增长醒目，却可能决定智能体能否真正进入现实世界并承担复杂任务。这个赛道的后续进展，值得持续关注。