2026: Wir treten in das erste Jahr der AI-Gedächtnis-Ära ein.
Vor kurzem hat LMArena.ai eine Statistik über die Veränderung der Marktposition globaler Großmodelle erstellt und eine interessante Erkenntnis gewonnen:
Seit Mitte 2023 wurde der Iterationszyklus von SOTA-Modellen schnell auf 35 Tage verkürzt. Ein ehemaliges SOTA-Modell kann innerhalb von nur 5 Monaten aus den Top 5 ausscheiden und nach 7 Monaten nicht einmal mehr die Schwelle der Top 10 erreichen.
Doch hinter der ständigen Aktualisierung von SOTA verbessern sich die Modelle zwar stetig, aber es gibt immer weniger neue Produkte wie einst ChatGPT und Deepseek, die die Menschen sofort begeistern. Der technische Fortschritt ist in eine Phase geraten, in der nur noch kleine Verbesserungen vorgenommen werden, ohne dass ein großer Durchbruch gelingt.
Im deutlichen Gegensatz zum allmählich abflauenden Fortschritt der Modellentwicklung steht die lebhafte Entwicklung rund um das Thema KI-Gedächtnis in den letzten zwei Jahren, bei der ein Akteur nach dem anderen auf der Bildfläche erscheint.
Als Erste sind 2023 nacheinander Vektordatenbankprodukte aufgetaucht, die von Vertretern wie Milvus, Pinecone und faiss angeführt werden.
Im darauffolgenden Jahr, auf der Grundlage ausgereifter Semantik-, Wissensgraphen und Stichwortsuche, sind zwischen 2024 und 2025 verschiedene KI-Gedächtnisrahmen, vertreten durch Letta (MemGPT), Mem0, MemU und MemOS, wie Pilze nach dem Regen aus dem Boden geschossen. Auf GitHub gibt es so viele Produkte der „Mem X“-Serie, dass man sie zu einem ganzen Paar-Spiel zusammenstellen könnte.
Die Begeisterung hat sich schnell auf die Kreise der Modellentwickler übertragen. Vor einer Woche ist die Diskussion über die Nachricht, dass Claude in Cowork Gedächtnisfähigkeiten für Modelle hinzufügen will, noch nicht abgeklungen, da hat Google unmittelbar danach das neueste Ergebnis des Nested Learning angekündigt: Das Modell ändert seine Parameter automatisch basierend auf dem Ergebnis der Kontextinferenz, um das Modellgedächtnis zu realisieren, was erneut die Branche in Aufregung versetzt.
Auf der Anwendungsseite entstehen immer mehr Nischen-Hitprodukte, die die PMF (Produkt-Markt-Passung) erreicht haben, im Goldenen Geschäftsmodell „Modell + Gedächtnis“, wie Code-Vervollständigung, emotionale Begleitung, intelligenter Kundenservice usw. Entlang dieser Linie sind auch einige Anbieter, die sich auf kommerzielle Lösungen für die KI-Gedächtniswissenschaft spezialisiert haben, darunter RedBear AI, ins Rampenlicht getreten und zu einem neuen Fokus der Branche geworden.
Es steht außer Zweifel, dass das Gedächtnis zu einem neuen Wettkampfpunkt in der Halbzeitphase geworden ist. Aber bezüglich der Frage, wie man Großmodellen Gedächtnis hinzufügt und wie man das Modell besser erinnern lassen kann, gibt es in der Branche vielleicht seit jeher drei Missverständnisse.
Missverständnis 1: Gedächtnis = RAG + langer Kontext?
Wen Deliang, Gründer von RedBear AI, ist ein erfahrener Veteran in der Branche. Aber seit er sein Unternehmen gegründet hat, muss er sich täglich den scharfen Fragen von Investoren und Kunden stellen: „Wer sind Ihre Konkurrenten?“
Die Frage scheint gewöhnlich zu sein, aber die Antwort bringt einen in ein Dilemma: Zu behaupten, es gebe keine Konkurrenten, wirkt überheblich, aber zu sagen, es gebe Konkurrenten, kann man keine echten Konkurrenten finden, mit denen man sich vergleichen könnte.
Während der Explosionsphase der KI-Infrastruktur von 2023 bis 2024 wurde die RAG-Technologie (Retrieval-Augmented Generation) einst zum Synonym für KI-Gedächtnis. Indem man dem Modell eine externe Vektordatenbank hinzufügt und darin private Daten verschiedener Unternehmen sowie Fachliteratur speichert, kann das Großmodell Informationen beherrschen, die während der Modelltrainingsphase nicht aktualisiert wurden, sowie Wissen aus privaten Daten.
In dieser Zeit mussten Investoren bei Projekten unbedingt nach der RAG-Leistung fragen, und Kunden vergleichen bei der Auswahl unbedingt zuerst die Genauigkeit der Suche. Es schien, als könne man die Schwachstelle des vergesslichen KI-Modells vollständig beheben, solange man das Kontextfenster erweitert und die Suchalgorithmen optimiert.
Plötzlich gab es weltweit unzählige Teams, die RAG-Frameworks entwickelten, RAG-Lösungen anboten und darüber hinaus rein private Wissensdatenbank-Bereitstellungen durchführten. Große Konzerne wie Feishu, DingTalk und WeCom können auf Standardisierung und Datenakkumulation zurückgreifen, um standardisierte Produkte zu entwickeln, und kleine und mittlere Teams können durch private Bereitstellungen eine vertikale Szene nach der anderen erobern.
Aber im Geschäftsleben gilt: Je höher der Konsens über eine Erkenntnis ist, desto richtiger ist sie, aber desto mehr zeigt sie auch, dass es sich um eine nachlaufende Variable handelt.
Die Idee von RAG ist nicht falsch, aber mit der Weiterentwicklung der Technologie werden auch ihre Mängel offenbar. Ab 2024 stellte Wen Deliang fest, dass das traditionelle RAG offenbar übermäßig glorifiziert wurde. Bei der Implementierung stößt RAG selbst bei einfachsten Wissensdatenbankprojekten auf unerwartete Schwierigkeiten:
Zum Beispiel gibt es in Rechts-Projekten oft Szenen, in denen viele Ausdrücke semantisch ähnlich sind, aber ihre tatsächlichen Anwendungsbereiche und Präzedenzfälle völlig unterschiedlich sind. Genauer gesagt gibt es in Gesetzen viele wichtige Details, die die Anwendungsgrenzen bestimmen (z. B. dass die Kündigung eines Vertrags eine Mahnverfahren erfordert usw.), die auf semantischer Ebene sehr gering gewichtet sind und von der globalen Ähnlichkeit überdeckt werden. Darüber hinaus funktioniert das Rechtssystem nicht durch isolierte Textabgleichung, sondern muss Regeln befolgen wie „höheres Recht geht vor niedrigerem Recht“, „Sonderrecht geht vor allgemeinem Recht“, „neues Recht geht vor altem Recht“ usw. Aber bei ähnlichen widersprüchlichen Klauseln sortiert das Modell nur nach semantischer Ähnlichkeit statt vorrangig die Gesetze mit höherer Gültigkeit abzugleichen, was zu Abweichungen im Gesamtverständnis führt. Ganz zu schweigen davon, dass die Suche im Rechtsbereich unbedingt mit strukturierten Szeneninformationen wie Streitfallart, Subjekt und Region verbunden ist. Zum Beispiel sind die Gesetze über Entschädigung für Personenschäden semantisch ähnlich zu den Unterklauseln, die für Verkehrsunfälle und medizinische Streitfälle gelten, aber die Beweislast und Entschädigungsstandards sind völlig unterschiedlich. Die reine semantische Suche kann die anwendbaren Szenen nicht genau unterscheiden.
Die Schwierigkeit steigt noch in verschiedenen KI-Kundenservice-Szenarien: Selbst wenn man das Szenario angepasst und Embedding, Chunking und Ranking perfektioniert hat, treten bei RAG-Lösungen immer noch Probleme auf: Bei der täglichen wiederholten Beantwortung von Fragen wie „Was ist das Anwendungsszenario der XX-Klausel?“ oder „Wie berechnet man das Rückzahlungsdatum?“ fallen unnötige Suchkosten an. Und wenn der Benutzer eine Sitzung übergreifend berät, verhält sich das KI-Modell wie eine andere Person, die sich überhaupt nicht an die Details der vorherigen Kommunikation erinnert.
Wen Deliang erkannte schnell: Die auf semantischer Suche basierende RAG-Lösung kann weniger als 60 % der tatsächlichen Anforderungen erfüllen. Was Kunden wollen, ist eine vollständige szenariobasierte Lösung, die eine einmalige Beratung und lebenslanges Gedächtnis realisieren kann und Wissen dynamisch aktualisiert.
Als passives Suchwerkzeug ist RAG wie ein externes Wörterbuch für das KI-Modell. Es kann Probleme lösen, die das Modell nicht kennt, aber nicht das Kernproblem, dass das Modell sich nichts merken kann. Gleichzeitig kann RAG auf der Schreibseite normalerweise nur wöchentlich offline Daten aktualisieren, und es kann nicht in Echtzeit die sofortigen Sitzungsinhalte und Aufmerksamkeitspunkte der Benutzer dynamisch schreiben.
Aus diesem Grund sind der Verlust des sitzungsübergreifenden Gedächtnisses, die Unmöglichkeit der dynamischen Anhäufung von Informationen und das Fehlen der aktiven Verknüpfung von Erfahrungen alles Fähigkeitslücken von RAG.
Deshalb ist er der Ansicht, dass ein echtes KI-Gedächtnis die Arbeitslogik des menschlichen Gehirns nachbilden muss: Es kann sich kurzfristig Dinge merken, langfristig Allgemeinwissen haben und bei Urteilen emotionale Faktoren berücksichtigen.
Genauer gesagt verarbeitet das menschliche Gehirn Informationen in drei Phasen: Kodierung, Speicherung und Abruf. Externe Informationen werden durch die sensorische Kortex in Nervensignale umgewandelt, von dem präfrontalen Kortex gefiltert und in den Hippocampus geleitet, dann in das vorhandene Wissensnetz integriert und schließlich nach Wichtigkeit in der Großhirnrinde gespeichert. Beim Abruf aktiviert der Hippocampus zusammen mit den entsprechenden Bereichen das Gedächtnis.
Dies ist ein dynamisches, Echtzeit-fähiges, beschreibbares und durchsuchbares intelligentes System. Es löst nicht nur das Problem des Wissens, sondern lässt das „Wissen“ selbst zu einem Teil der kognitiven und Denklogik werden, wodurch das anschließende Denken, Urteilen und Handeln optimiert wird.
Unter Bezugnahme auf diese Gedächtnis-Denklogik des menschlichen Gehirns hat RedBear AI ein vollständiges System der Gedächtniswissenschaft aufgebaut und im Januar dieses Jahres das Produkt MemoryBear v0.2.0 auf den Markt gebracht. Es teilt das KI-Gedächtnis in explizites Gedächtnis, implizites Gedächtnis, Assoziationsgedächtnis und dynamisch evolvierendes Gedächtnis auf. Zwischen den verschiedenen Schichten fließen die Daten dynamisch durch intelligente Algorithmen und werden in verschiedenen Situationen auf unterschiedliche Weise verwendet.
Was noch wichtiger ist: Dieses System beschränkt sich nicht auf Lesen, Schreiben und Speichern, sondern fügt dem Gedächtnis selbst Fähigkeiten wie emotionale Gewichtung, intelligentes Vergessen und Zusammenarbeit zwischen verschiedenen intelligenten Agenten hinzu, wodurch die Logik des KI-Gedächtnisses auf unterster Ebene neu gestaltet wird. Auf diese Weise werden nicht nur die Probleme der explodierenden gespeicherten Datenmenge, der steigenden Kosten und des zu langen Kontexts gelöst, sondern auch verschiedene Gedächtnisse mit unterschiedlichen Gewichtungen versehen, sodass die Nutzung des Gedächtnisses effizienter wird.
Missverständnis 2: Faktensuche ist alles? Emotionale Intelligenz kann Probleme besser lösen
Nachdem das Problem der Konstruktion des gesamten Gedächtnissystems gelöst war, betrachtete das Kernforschungs- und Entwicklungsteam von RedBear AI wie alle Technikteams die Genauigkeit als einzigen KPI des Gedächtnissystems.
Die meisten Mitglieder des Teams sind im Ingenieurwesen und in der Forschung und Entwicklung tätig, darunter der größte Teil Männer mit naturwissenschaftlichem Hintergrund. Der größte Vorteil dieser Konfiguration ist, dass alle ein gemeinsames Denksystem und starke Denkfähigkeiten haben. In Szenarien wie Finanzrisikokontrolle und technischer Betrieb kann diese Logik sehr reibungslos funktionieren. Schließlich stehen in diesen Szenarien Fakten im Vordergrund, und ein falscher Zahlenwert kann unvorhersehbare Risiken verursachen.
Aber der Nachteil davon ist: Übermäßige Ehrlichkeit und logische Schlussfolgerungen ohne Rücksicht auf die Situation sind im Wesentlichen gleichbedeutend mit Kälte und Konfrontation.
Alle wurden sich dessen durch eine unerwartete Kundenanforderung bewusst.
2025 suchte die Frauenföderation einer entwickelten Provinz das Team von RedBear AI auf und erklärte, dass sie KI nutzen wollen, um nächtliche emotionale Beratung und Hilfe bei Familienstreitigkeiten anzubieten.
Bei der Analyse der Benutzeranforderungen stellte das Team schnell fest, dass die Sorgen der Besucher in der Nacht manchmal sehr trivial und spezifisch sind, aber keine Standardlösung haben. Sogar wenn die Benutzer kommen, haben sie bereits ein eigenes Urteil, sie brauchen nur etwas Bestätigung und Ermutigung von außen. In solchen Szenarien brauchen die Benutzer keine sogenannten genauen Faktenantworten, sie brauchen verstanden, beruhigt und bestätigt zu werden. Zum Beispiel muss das KI-Modell bei einem neuen Anrufer die emotionalen Schwankungen schnell erkennen und sie dazu anleiten, ihre Emotionen abzubauen. Bei der Rücksprache mit alten Benutzern muss es sich an ihre letzten Sorgen erinnern und wissen, welche Art der Beruhigung am effektivsten ist.
Zusammengefasst: Wenn man einen Fehler macht, muss man sich zuerst entschuldigen. Bei emotionalen Sorgen muss man zuerst Zustimmung, Verständnis und Empathie zeigen. Diese emotionalen Intelligenz-Regeln, die Menschen im Umgang miteinander befolgen, müssen auch von KI-Modellen bei der Implementierung beherrscht werden.
Dies hat RedBear AI dazu gezwungen, das emotionale Problem des Gedächtnissystems zu lösen:
Indem man jedem Gedächtnis ein Label mit emotionaler Gewichtung gibt, kann man die Stimmung des Benutzers aus mehreren Dimensionen quantifizieren. Zum Beispiel kann man im Textbereich die emotionale Punktzahl zwischen 0 und 100 berechnen, indem man die Dichte negativer/positiver Wörter, Satzformen (Fragesätze, Ausrufesätze) und Wörter mit emotionaler Intensität (wie „extrem“, „nie wieder“) kombiniert. Im Sprachbereich muss man die Merkmale von Sprechgeschwindigkeit, Tonfall, Pausen und Lautstärke hinzufügen, um die Kalibrierung durchzuführen. In multimodalen Szenarien kann man zusätzlich die Gesichtsausdruckserkennung hinzufügen, um die Quantifizierung genauer zu machen.
Genau wie wenn ein Freund gerade eine Trennung erlebt hat, muss man ihm zuerst eine Umarmung geben, statt nach dem Grund der Trennung zu fragen und als Richter über die Gefühle aufzutreten. Bei der Implementierung von KI bestimmt die emotionale Gewichtung nicht nur die Priorität des Gedächtnisses, sondern beeinflusst auch die Antwortlogik des KI-Modells. Zum Beispiel im Produkt von RedBear AI: Wenn ein Benutzer im letzten Monat wegen einer verspäteten Lieferung eine negative Bewertung mit 90 Punkten gegeben hat, muss dieses Gedächtnis in das Langzeitgedächtnis gespeichert und mit einem hohen negativen Label versehen werden. Wenn der Benutzer in diesem Monat erneut fragt, wann die Ware ankommt, kann das KI-Modell nicht nur mechanisch antworten, dass die Ware unterwegs ist, sondern zuerst beruhigen: „Es tut uns leid, dass du letztes Mal lange warten musstest. Ich habe die Echtzeit-Lieferinformationen für dich nachgeprüft, die Ware wird bald ankommen“, bevor es die Fakteninformationen mitteilt.
Missverständnis 3: Die Zukunft von Agenten ist Standardisierung? Nicht standardisierte Anpassung ist das Schicksal der Branche
Anfang dieses Jahres hat der große Erfolg und der Fusionsfortschritt von Manus die gesamte Agenten-Branche in eine Begeisterung versetzt. Plötzlich wurde die Nachbildung eines weiteren Manus, die Entwicklung eines Manus für den B2B-Bereich, zum heißesten Thema der Branche.
Das Kapital wartet auf die Geburt eines Super-Agenten, und die Benutzer erwarten auch, dass ein einziges Produkt alle Probleme in verschiedenen Szenarien lösen kann. Aber Wen Deliang, der in großen Unternehmen gearbe