在人工智能领域，一场关于记忆归属权的争夺战正悄然打响。MemVerge创始人范承工提出：“AI的下半场，不是比模型能力，而是比谁掌握记忆的归属权。”这一观点引发了行业的广泛关注与讨论。
范承工在存储与基础架构领域拥有二十余年的深厚经验，他是加州理工学院电子工程博士，曾深入研究数据中心与网络基础架构。博士在读期间，他参与重组的Rainfinity在2005年被EMC以约1亿美元收购，此后他加入EMC，回国创建了EMC中国研发中心，还担任过VMware高级副总裁、vSAN产品线带头人，甚至出任过猎豹移动CTO。2017年，他创立了MemVerge，专注于企业级大内存软件。
范承工认为，在AI时代，模型与记忆有着截然不同的属性。模型如同虚拟计算，是快速迭代、不断被替代的短暂性资源；而记忆则是虚拟存储，是持续积累、不可重置的持久性资产。这一判断源于他多年的存储行业经历，IT架构曾从“存储内嵌于计算”演变为“存储成独立层”，造就了独立的大市场，如今AI架构也正站在类似的历史节点上。
基于这样的判断，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。MemoryBox以记忆为中心，将模型与Agent围绕记忆整合，为用户提供完整的个人AI体验，既服务于个人生活场景，也适用于工作场景，其产品定位类似于ChatGPT。8月29日，MemoryBox Beta启动，正式进入公测阶段。
支撑MemoryBox发展的背后是一个更大的趋势——端侧AI。Gartner数据显示，目前企业约10%的AI工作在边缘完成，90%在云端大模型侧；但到2030年，预计约60%的AI工作将转移到边缘，涵盖企业侧和个人侧。MemoryBox正是为边缘AI服务的软件层。
在谈及为何提出“记忆归属权”这一观点时，范承工表示，首先，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缩小，对个人和企业而言，真正的差异化源于各自的记忆，如何高效管理记忆成为核心命题。其次，模型厂商与数据所有者之间存在结构性矛盾，模型厂商需要更多数据迭代模型，倾向将用户数据吸引至自身平台，但对企业来说数据是核心竞争力，对个人而言数据是数字空间的最后堡垒，MemoryBox的尝试就是让记忆始终归属于用户私人空间。未来个人与企业之间将产生新张力，如美国市场已出现企业试图获取员工技能记忆的情况，这需要法律、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下半场的重要战场。
对于“记忆应作为独立层存在”这一观点的形成，范承工称大概始于20个月前切入AI记忆领域时，这与他过去二十年深耕企业存储的经历密切相关。回顾存储行业发展史，早期存储是计算的附属组件，内嵌于主机，上世纪九十年代开始外挂、独立并成为庞大市场，行业认识到数据具有持久性价值，而计算资源往往是短暂性的。映射到AI时代，模型是计算，记忆存储是持久资产，所以记忆有必要、也有能力从模型中独立出来。
MemMachine与MemoryBox有着明确的分工。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则是在MemMachine基础上构建的面向用户的个人助理智能体，以记忆为中心整合模型与Agent，提供完整的个人AI体验。
用户使用MemoryBox时，体验与现有带记忆功能的产品有很大不同。当前AI产品能很好回答公共信息类问题，但涉及个人经历、私有数据时往往力不从心。例如询问“总结我过去三个月的最后五个对话”，现有产品面临文件分散、上传受限、隐私担忧等问题，本质是以模型为中心，用户需寻找、上传数据才能提问。而MemoryBox作为本地应用，核心是个人记忆与知识库，用户安装后可指定监控的本地文件夹或网盘，系统通过监控功能收集文件，用户提问时自动检索相关信息组织导出。同时，用户与豆包、DeepSeek、ChatGPT等平台的对话记录可同步至MemoryBox。MemoryBox提供多模型调度能力，用户可选择@豆包、@ChatGPT或同时调用多个模型作答，甚至让不同模型相互校验，降低幻觉与错误率，实现“以记忆为中心”，让多个模型围绕用户记忆服务。
在模型接入方面，MemoryBox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并为每个模型单独注册。在记忆分类上，MemoryBox提出记忆空间概念，用户可自定义不同记忆空间，如工作、生活或特定项目，只需撰写简要描述，AI就会自动整理相关数据。所有记忆空间支持可视化浏览与查询，用户可手动调整内容归属。问答时，用户可选择调用全部记忆空间或指定特定空间作为上下文范围。
为实现海量个人数据中的精准搜索，MemoryBox融合了多种技术手段，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信息整理与压缩，持续优化搜索精度，确保查找召回率和最小化错误识别率，让注入模型的上下文与当前问答高度相关。
面对庞大的记忆数据量，MemoryBox从四个层面降低Token成本。一是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；二是检索精度提升后减少Agent的循环访问次数，间接降低Token消耗；三是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处理，避免支付云端Token费用，同时支持成本高昂的开源模型；四是同一问题可同时分配多个模型任务处理，在提升答案质量的同时降低成本。
对于头部模型厂商记忆功能表现不稳定甚至“失忆”的情况，范承工认为原因主要有以下几点。首先，记忆是复杂的系统工程，MemVerge专注于记忆，而大模型厂商要考虑推理、多模态、安全等多个方向，记忆只是其庞大版图的一部分，即便有顶尖工程师团队，记忆也未必是最高优先级。其次，大模型的记忆数据源预设有限，只能获取用户与自身的对话记录，无法获知用户与其他模型的交互，也难以主动访问用户本地文件，除非用户手动上传。最后，大模型的记忆能力可分为会话记忆（短期记忆）、长期记忆和档案记忆三类，不同类别存在不同问题，如长期记忆中的情景记忆若使用不当易引入不相关信息干扰模型判断，档案记忆在提炼用户偏好与特征时往往丢失具体讨论内容细节，技术尚未成熟，厂商可能选择暂不激活或保留部分功能。MemoryBox通过“记忆盒子”与“记忆抽屉”的架构，系统性整理长期场景记忆，因此能向用户开放这种能力。
范承工认为MemVerge的核心优势体现在三个方面。一是理念差异，大模型厂商以模型为中心，将用户记忆锁定在自家生态中增强粘性、训练下一代模型，而MemVerge以用户和记忆为中心，让多个模型围绕用户运作。二是技术壁垒，MemVerge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。三是体验迭代速度，选择先做个人产品是因为C端反馈周期短，能快速试错与演进，目前MemoryBox处于Beta阶段，正集中资源改善个人用户体验。
关于安装MemoryBox的硬件配置要求，基础版对硬件基本无要求，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。
当被问及对MemoryBox年底发展的预期时，范承工表示，年底前更关注产品能否通过真实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并获得切实收益，希望通过用户反馈将产品质量改善到令人满意的水平。
