范承工在存储与基础架构领域深耕二十余年，加州理工学院电子工程博士，研究数据中心与网络基础架构；博士在读重组的 Rainfinity，2005 年被 EMC 以约 1 亿美元收购，并加入 EMC，回国创建了 EMC 中国研发中心，后任 VMware 高级副总裁、vSAN 产品线带头人，还出任猎过豹移动 CTO。2017 年，他创立了 MemVerge 重点企业级大内存软件。
" 模型日新月异，记忆日积月累。" 在范承工看来，AI 时代的模型虚拟计算，是快速迭代、不断被替代的短暂性资源；记忆虚拟存储，是持续积累、不可重置的持久性资产。
这一判断与他二十多年的存储经历直接相关，IT 架构曾从 " 存储内嵌于计算 " 走向 " 存储成独立层 "，造就了一个独立的大市场。今天，AI 架构正站在同样的历史节点上。
沿着这条主线，MemVerge 在 2025 年 9 月开源了面向开发者的记忆底层项目 MemMachine；2026 年 7 月，在 WAIC 上首次提出了面向用户的个人助手智能体 MemoryBox，以记忆为中心把模型又与 Agent 围绕记忆整合为完整的个人 AI 体验。它既服务于个人生活场景，也正在服务场景，类似于 ChatGPT 的产品定位。8 月 29 日，他们召开了 MemoryBox Beta 启动，最终将这款产品带到了公测阶段。
支撑这条产品路径的是一个更大的趋势：端侧 AI。Gartner 的数据显示，目前企业约 10% 的 AI 工作在边缘完成，90% 目前会云端大模型侧；到 2030 年，预计约 60% 的 AI 工作将转移到边缘，企业侧和个人侧。MemoryBox 是为边缘 AI 服务的软件层。
智客智客与范承工展开了一场关于 AI 记忆归属权的深度对话，从产品逻辑、技术路径到行业未来，全面拆解 MemoryBox 的底层思考。
以下为与范承工的谈话全文，现已删减：
智客智客：" 人工智能的下半场，不是比模型能力，而是比谁掌握记忆的归属权。" 怎么你提出的这个观点。
范承工：谁拥有记忆，非常重要。第一，模型同质化正在加速。开源模型的爆发使模型之间的能力差距迅速收敛，对个人与企业而言，真正的差异化源于各自的导管记忆。如何高效管理个人与企业的导管记忆，已成为一个核心命题。
第二，模型厂商与数据所有者之间的结构性矛盾。模型厂商需要更多的数据来与迭代模型，自然倾向将用户数据吸引至自身平台；但对企业而言，数据是核心竞争的载体，对个人而言，数据更是数字空间的最后堡垒。MemoryBox 的尝试，是为了让记忆的存在不被模型厂商 " 占领 "，主张始终归属于用户的私人空间。
第三，未来个人与企业之间将产生新的张力。美国市场已经出现苗头，企业开始尝试提高员工的技能与经验。技能本质上也是一种记忆，即个人做事的方式与方法论。员工在职期间的悲剧归企业所有，这无可替代厚非；但员工的许多技能并非是企业才形成的，其所有权主体应当是个人。这需要法律与道德层面的定义，也需要技术平台对记忆主权的底层支持。记忆所有权的争夺，将成为 AI 下半场最张力的战场之一。
智客 ZhiKer：" 记忆应作为独立层存在 " 这一观点是如何形成的？
范承工：这个观点大概形成于 20 个月前，我们开始切入 AI 记忆领域的时候。它与我过去二十年深耕企业存储的经历直接相关。
回顾存储行业的发展史：早期，存储只是计算的附属组件，内嵌于主机废弃；直到上世纪九十年代，存储开始外挂、独立，最终成为一个庞大的市场。行业逐渐认识到，数据本身具有持久性的价值，而计算资源往往是短暂性的，存储中的资产需要长期保留，是可积累性的。
映射到 AI 时代，模型就是计算，记忆存储，是日积月累、持续沉淀的持久资产。既然存储能够从计算中独立出来成为专门的层次，记忆同样有必要、也有能力从模型中独立出来。这是我们过去 20 个月的核心理念。
智客 ZhiKer：MemMachine 与 MemoryBox 是什么关系？两者如何分工？
范承工：MemMachine 是面向开发者的开源项目，开发者可基于其记忆层能力开发面向消费者或企业的流媒体应用。
MemoryBox 在 MemMachine 基础上构建的、面向用户的个人助理智能体，以记忆为中心，将模型与 Agent 围绕记忆整合为完整的个人 AI 体验。它既服务于个人生活场景，也可审视工作场景，类似于 ChatGPT 的产品定位。
智客 ZhiKer：用户打开 MemoryBox 具体怎么用？与我们已有的带记忆功能产品有什么区别？
范承工：当前 AI 产品能够很好地回答公共信息类问题，因为整个互联网已被训练进模型。但当问题涉及个人经历、必须使用私有数据时，现有方案往往力不从心。
例如，当你询问完成 " 总结我过去三个月的最后五个对话 " 时，现有产品面临三重重要障碍：第一，它无法共享这些文件分散在本地硬盘、网盘或录音记录中；第二，增加找到文件，上传时可能会受到模型对文件数量和大小的限制；第三，涉及隐私的内容，用户会怀疑是否上传至上传。因此，当前的 AI 体验本质上是寻找模型中心的，用户需要寻找数据、上传数据，然后才能提问。
MemoryBox 的体验实质不同。作为一款本地应用，其核心是个人记忆与知识库。安装后，用户可指定需要监控的本地文件夹或网盘，系统通过监控功能对文件进行收费。此后，用户的任何提问都会触发自动检索，将相关的信息组织后导出。同时，用户与豆包、DeepSeek、ChatGPT 等平台的全部对话记录同步至 MemoryBox，需逐一导出。
更进一步，MemoryBox 提供了多模型调度能力。用户可以选择 @豆包、@ChatGPT 或者同时调用多个模型作答，甚至让不同的模型相互校验，从而显着降低幻觉与错误率。这实现了我们所说的 " 以记忆为中心 "，所有串联集中在一个处，多个模型围绕用户的记忆来提供服务，而不是让用户围绕某个模型来组织数据。
智客 ZhiKer：MemoryBox 如何接入不同厂商的大模型？并且能够把工作与生活场景的记忆数据进行完善的分类管理？
范承工：模型接入提供两种方式：一是用户授权个人账号，由 MemoryBox 代为调用；二是直接使用 MemVerge 的统一账号访问所有模型，进而为每个模型单独注册。
在记忆分类层面，我们提出了记忆空间（记忆空间，可以理解为记忆抽屉）的概念。可以自定义不同的记忆空间，例如工作、生活或特定项目。只需为每个空间撰写简要描述，AI 就会自动将相关数据整理到其中。
所有记忆空间均支持可视化浏览与查询，用户也可随时手动调整，将 AI 遗漏的内容补充进去，或将不相关的内容移出。同一条信息可以归属多个空间，例如 " 孩子教育 " 的内容可同时存在于 " 孩子 " 与 " 生活 " 两个抽屉中。
进行问答时，用户既可以选择调用全部记忆空间由系统自动抽取相关内容，也可以指定一个或多个特定空间作为上下文范围，从而获得更准确的答案。
范承工：记忆层技术的核心目标是在海量数据中实现 " 海底捞针 " 精准定位与用户当前问题最相关的数据，并将其注入上下文窗口。实现这一目标的手段包括支持数据库、图数据库、基于 AI 模型的语义理解，以及时间轴上的整理信息与压缩。
我们将多种技术有机融合，持续优化搜索精度。这里的精度包含两个维度：一是查找召回率，确保应聘的信息不被遗漏；二是最大化错误识别率，避免将不相关信息混入上下文，最终目标是让注入模型的上下文与当前问答高度相关。
智客 ZhiKer：面对庞大的记忆数据量，你们怎么实现降低 Token 成本？
范承工：在 Token 优化方面，我们有四个层面的设计：第一，通过更精准的记忆读取，用最少 Token 承载最高相关度的上下文；第二，检索精度提升后，Agent 的循环访问次数大大减少，间接降低 Token 消耗；第三，通过多模型调度策略，将隐私敏感或相对简单的问题分配给本地模型（加强版）处理，耗费支付云端 Token 费用，同时支持成本高昂的开源模型；第四，同一问题可同时分配多个模型任务处理，在场景下，" 三个臭皮匠 " 的效果反而造成了一个昂贵的模型。通过这些机制，我们在降低 Token 成本的同时，提升了答案质量。
智客 ZhiKer：头部模型厂商资源和人才都充沛，为什么他们的记忆功能表现不稳定，偶尔还会失忆？
范承工：我觉得背后有几个原因吧。
首先，记忆本身就是一个复杂的系统工程。MemVerge 专注于只做记忆这件事，而大模型厂商需要考虑推理、多模态、安全种植等队列方向，记忆只是其庞大版式的一环，建立了顶尖工程师团队，记忆也缺乏是其最高优先级。
其次，大模型的记忆数据源预设。它只能获取用户与自身的对话记录，既无法获知用户与其他模型的交互，也无法主动访问用户的本地文件，除非用户逐一手动上传，数据源有限，记忆功能自然难以深入。最后，这也可能与厂商的产品策略有关。
大模型的记忆能力大致可分为三类：第一类是会话记忆（短期记忆），即在同一对话中保持上下文连贯，这方面各家表现相当，MemoryBox 也能达到同等水平；第二类是长期记忆，其中情景记忆负责记住每次具体对话的内容，但把双刃剑若使用不当，容易引入字面相关但关联相关的信息，反而干扰模型判断，因此大多数厂商选择暂不激活；类是档案记忆，即提炼用户偏好与特征（如职业、兴趣），这方面已有一定进展，但具体讨论过的内容细节往往全部丢失，最重要的是技术尚未成熟，厂商宁可保留。
MemoryBox 通过 " 记忆盒子 " 与 " 记忆抽屉 " 的架构，将长期场景记忆进行了系统性整理，因此能够向用户开放这种能力。
智客智客：搜索精准度、数据筛选、模型调度都是技术层面的手段，你们的核心优势只有技术层吗？
范承工：我认为核心优势体现在三个方面。
第一层是理念差异，这是根本性的。大模型厂商的商业逻辑功能模型为中心，他们将用户记忆锁定在自家生态中以增强粘性，训练下一代模型。而我们的理念则以用户为中心、以记忆为中心，让多个模型围绕用户运作，这是双方最本质的分野。
第二层是技术壁垒。我们致力于将个人记忆与个人知识库技术实现最大化，在搜索精度、数据组织等维度追求行业最高标准。
第三层是体验迭代速度。这也是我们选择先做个人产品的原因，C 端反馈周期短，能够快速试错与演进。目前 MemoryBox 尚处于 Beta 阶段，我们正集中资源改善个人用户体验。
智客 ZhiKer：安装 MemoryBox 对硬件配置有什么要求？
范承工：基础版对硬件基本没有要求，它本身不完全内置模型，仅提供记忆层功能，未来 iPhone 与 Android 平台都将支持。加强版会内置本地模型，隐私敏感的任务可在本地完成，调用外部模型，该版本对机器配置有一定要求。
智客智客：对于 MemoryBox 年底的发展，您今年有怎样的预期？
范承工：年底之前，我更关注产品是否能够通过真实的使用数据论证其价值，无论是工作提效还是生活辅助，用户是否愿意持续使用、论证获得切实的收益。我希望通过用户反馈将产品质量改善到一个令人满意的水平。（本文首发于钛媒体 APP，文｜智客 ZhiKer，作者｜郭虹妘，编辑｜盖虹达）
