在人工智能领域，MemVerge创始人范承工提出了一个引人深思的观点：“AI的下半场，竞争的核心不再是模型能力，而是记忆的归属权。”这一论断源于他在存储与基础架构领域二十余年的深厚积累，也反映了他对AI技术发展趋势的敏锐洞察。
范承工的学术背景和职业经历堪称辉煌。作为加州理工学院电子工程博士，他专注于数据中心与网络基础架构的研究。在读博期间，他重组了Rainfinity，该公司于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，并担任VMware高级副总裁，领导vSAN产品线。他还曾出任猎豹移动CTO。2017年，他创立了MemVerge，专注于企业级大内存软件的开发。
在范承工看来，AI时代的模型计算与记忆存储有着本质的区别。模型是快速迭代、不断被替代的短暂性资源，而记忆则是持续积累、不可重置的持久性资产。这一判断与他在存储领域的经验密切相关。IT架构曾从“存储内嵌于计算”演变为“存储成独立层”，造就了一个庞大的市场。如今，AI架构正站在同样的历史节点上，记忆的独立性和价值愈发凸显。
基于这一理念，MemVerge在2025年9月开源了面向开发者的记忆底层项目MemMachine，为开发者提供了构建记忆层应用的基础。2026年7月，在WAIC上，MemVerge首次推出了面向用户的个人助手智能体MemoryBox。这款产品以记忆为中心，将模型与Agent围绕记忆整合，为用户提供完整的个人AI体验。无论是个人生活场景还是工作场景，MemoryBox都能提供类似ChatGPT的服务。8月29日，MemoryBox Beta版启动，正式进入公测阶段。
MemoryBox的推出，顺应了端侧AI的发展趋势。Gartner的数据显示，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，旨在满足这一日益增长的需求。
在范承工看来，记忆归属权的重要性体现在多个层面。首先，模型同质化正在加速。开源模型的爆发使得模型之间的能力差距迅速缩小，个人与企业的差异化更多源于各自的记忆数据。如何高效管理这些记忆数据，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来迭代模型，倾向于将用户数据吸引至自身平台；但对企业而言，数据是核心竞争力，对个人而言，数据是数字空间的最后堡垒。MemoryBox的尝试，是为了让记忆始终归属于用户的私人空间，不被模型厂商“占领”。
未来个人与企业之间将产生新的张力。以美国市场为例，企业开始尝试获取员工的技能与经验，但这些技能并非全部在企业内形成，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下半场最激烈的战场之一。
“记忆应作为独立层存在”这一观点，源于范承工对企业存储行业发展的深刻理解。早期，存储只是计算的附属组件，内嵌于主机；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。数据本身具有持久性的价值，而计算资源往往是短暂性的。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。
MemMachine与MemoryBox的关系清晰而紧密。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，将模型与Agent围绕记忆整合，为用户提供完整的个人AI体验。
用户打开MemoryBox后，体验与现有AI产品截然不同。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，当用户询问“总结我过去三个月的最后五个对话”时，现有产品面临三重障碍：无法共享分散在本地硬盘、网盘或录音记录中的文件；找到文件后，上传时可能受到模型对文件数量和大小的限制；涉及隐私的内容，用户会怀疑是否上传。因此，当前的AI体验本质上是模型中心的，用户需要寻找数据、上传数据，然后才能提问。
MemoryBox的体验则以个人记忆与知识库为核心。作为一款本地应用，用户安装后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管理。此后，用户的任何提问都会触发自动检索，将相关信息组织后导出。同时，用户与豆包、DeepSeek、ChatGPT等平台的全部对话记录可同步至MemoryBox，无需逐一导出。MemoryBox还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，从而显著降低幻觉与错误率。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。
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，进而为每个模型单独注册。在记忆分类层面，MemoryBox提出了记忆空间的概念。用户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。
在海量个人数据中实现精准搜索，是MemoryBox的核心技术之一。记忆层技术的目标是在海量数据中实现“海底捞针”般的精准定位，找到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。MemoryBox将多种技术有机融合，持续优化搜索精度，确保查找召回率，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。
面对庞大的记忆数据量，MemoryBox通过四个层面的设计降低Token成本：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；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；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，避免支付云端Token费用，同时支持成本高昂的开源模型；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”的效果反而优于一个昂贵的模型。通过这些机制，MemoryBox在降低Token成本的同时，提升了答案质量。
头部模型厂商的记忆功能表现不稳定，偶尔还会“失忆”，范承工认为背后有几个原因。首先，记忆本身是一个复杂的系统工程。MemVerge专注于记忆这件事，而大模型厂商需要考虑推理、多模态、安全等众多方向，记忆只是其庞大版图的一环，即使建立了顶尖工程师团队，记忆也缺乏最高优先级。其次，大模型的记忆数据源预设有限。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：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；长期记忆，其中情景记忆负责记住每次具体对话的内容，但若使用不当，容易引入字面相关但实际不相关的信息，反而干扰模型判断，因此大多数厂商选择暂不激活；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。
范承工认为，MemoryBox的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以模型为中心，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MemoryBox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。MemoryBox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，正集中资源改善个人用户体验。
在硬件配置方面，MemoryBox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。
对于MemoryBox年底的发展，范承工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、获得切实的收益。他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。
