Der Durchbruch der KI-Erinnerung: Ein Team aus Shanghai erlangt große Bekanntheit

Vielleicht haben Sie bei der Nutzung von KI schon einmal einen Moment erlebt: Sobald Sie das Dialogfenster schließen, wird der gesamte Kontext gelöscht, und bei einem neuen Fenster müssen Sie Ihre Ziele erneut darlegen – ganz zu schweigen von der Speicherung Ihrer Präferenzen aus vergangenen Gesprächen. Bei jedem neuen Gespräch muss die KI Sie neu kennenlernen, was keineswegs komfortabel ist.

Ohne langfristige Intelligenz bleibt KI nur ein Einwegwerkzeug. Genau diese Lücke versucht der Bereich der KI-Gedächtnistechnologie zu schließen. Nun hat dieser Sektor eine bahnbrechende Finanzierungsrunde erhalten –

Wie Investment Circle erfahren hat, hat MemTensor eine Pre-A-Finanzierungsrunde im Wert von mehreren hundert Millionen Yuan abgeschlossen, die gemeinsam von Huawei Hubble, Honor Strategic Investment, SenseTime Guoxiang Capital, Shenzhen Venture Capital und Mandra Capital getragen wird. Zuvor sammelte das Unternehmen in einer Angel-Runde fast hundert Millionen Yuan ein, an der renommierte Institutionen wie Futen Capital, Suanfeng Information und CICC Capital beteiligt waren.

Vor zwei Jahren gründete XIONG Feiyu, Gründer und CEO von MemTensor, das Team auf Basis der Erkenntnis, dass große Modelle keine Fähigkeit für langfristiges Gedächtnis besitzen. Das Unternehmen erforscht grundlegende Modelle für die nächste Generation allgemeiner KI und Infrastrukturen für langfristige Intelligenz und gehört damit zu den ersten Teams in China, die sich dem Bereich der KI-Gedächtnistechnologie widmen.

„Gedächtnis wird zu einer neuen Infrastruktur im Zeitalter der Agenten.“ Die zweite Welle der KI-Entwicklung steht unmittelbar bevor.

Entstanden in Shanghai: Der Aufstieg eines KI-Teams

Der Gründer XIONG Feiyu war früher Leiter des Bereichs Datenintelligenz in der Geschäftsplattform der Alibaba Group sowie Leiter der Datenplattform von Taobao und Tmall. Er leitete den Aufbau eines Wissensgraphen für die digitale Wirtschaft im Billionenbereich und des ersten großen Modells für Wissensinteraktion im Einzelhandel in China.

XIONG Feiyu, Gründer und CEO von MemTensor

Im Juli 2023 leitete XIONG Feiyu die Einrichtung eines Zentrums für große Modelle an der Shanghai Academy of Algorithm Innovation. Ausgehend von den ersten Prinzipien der künstlichen Intelligenz entwickelte das Team schrittweise eine Forschungsmethode, die von grundlegenden Prinzipien ausgeht, Architekturinnovationen und Basismodelltrainings durchzieht und durch praktische Anwendungen rückwirkend validiert wird. Die hierarchische Gedächtnistheorie Memory³ und das dazugehörige Basismodelltraining gehörten zu den Kernarbeiten des Teams während seiner Zeit an der Akademie.

Im November 2024 gründete XIONG Feiyu mit dem Team des Zentrums für große Modelle in Shanghai MemTensor. Das Unternehmen setzt bei seiner Arbeit an der systematischen Lücke aktueller großer Modelle im Bereich Gedächtnis an und positioniert sich als Anbieter von Basismodellen und Infrastrukturen für langfristige Intelligenz: Auf Systemebene baut es eine langfristige Intelligenzinfrastruktur für Agenten auf, auf Modellebene erforscht es gedächtnis-native allgemeine Basismodelle und treibt kontinuierlich Innovationen bei der Modellarchitektur im Zusammenhang mit langfristiger Intelligenz voran.

Passend zu diesem Ziel hat MemTensor ein Team zusammengestellt, das sowohl über Grundlagenforschungs- als auch über Praxiserfahrung in der Implementierung verfügt. Der leitende Wissenschaftler YANG Hongkang machte seinen Abschluss an der Princeton University und studierte unter Akademiker E Weinan; CTO LI Zhiyu hat einen Doktortitel der Renmin-Universität und war früher bei Alibaba und Xiaohongshu für algorithmische Forschung und Entwicklung sowie die kommerzielle Umsetzung zuständig. Das Beraterteam umfasst Akademiker E Weinan sowie mehrere Professoren der School of Artificial Intelligence der Shanghai Jiao Tong University.

Das Durchschnittsalter des Teams liegt unter 30 Jahren, die meisten Mitglieder kommen von Universitäten im In- und Ausland wie der Princeton University, der Peking University und der Shanghai Jiao Tong University sowie von bekannten Technologieunternehmen, darunter auch viele Vertreter der Generation nach 2000. Was sie anzieht, ist nicht nur eine konkrete Produktchance, sondern die Möglichkeit, an Innovationen in der grundlegenden Modellarchitektur mitzuwirken und langfristige Intelligenz zu erforschen.

„Extrem klug, voller Leidenschaft und bereit, die beste Zeit ihres Lebens in ein wirklich grundlegendes Problem zu investieren.“ Für XIONG Feiyu hat das Team von MemTensor einen gewissen romantischen Zug. Diese junge Generation ist nicht an festgelegte Pfade gebunden und kann bei KI-Gründungen oft unerwartete Überraschungen hervorbringen.

Von Memory³ über MemOS bis hin zum gedächtnis-nativen Basismodell mit dem Codenamen Metis hat MemTensor schrittweise einen technischen Weg von „Theorie – System – Modell“ entwickelt.

Das MemOS-Gedächtnisbetriebssystem ist das erste praktische Ergebnis dieses Weges. Memory³ geht von den Trägern und Lese-Schreib-Mechanismen des KI-Gedächtnisses aus und unterteilt es in Parameterspeicher, Aktivgedächtnis und Klartextgedächtnis: Der Parameterspeicher übernimmt die Internalisierung der Modellfähigkeiten und des langfristigen Wissens, das Aktivgedächtnis trägt den dynamischen Zustand während des Kontexts und des Schlussfolgerungsprozesses, während das Klartextgedächtnis externe Fakten und Erfahrungen speichert, die explizit gelesen, geschrieben, aktualisiert und verwaltet werden können.

Diese Hierarchisierung dient nicht der Klassifizierung an sich, sondern soll unterschiedlichen Formen von Gedächtnis geeignetere Mechanismen für Schreibzugriff, Abruf, Aktualisierung, Steuerung und Verwaltung bieten. Auf dieser Grundlage verwaltet MemOS die drei Arten von Gedächtnis über eine einheitliche Laufzeitumgebung, sodass langfristige Zustände über Aufgaben und Schlussfolgerungsprozesse hinweg isoliert, wiederverwendet und kontinuierlich gewartet werden können.

MemTensor fasst diese Methode als „Gedächtnistechnik“ zusammen: Sie wandelt Gedächtnis von einer Zusatzfunktion des Modells in eine systemische Ressource um, die definierbar, messbar, prüfbar, steuerbar, aktualisierbar, vergessbar und auditierbar ist. Es versucht nicht, mehr historische Informationen in den Kontext zu stopfen, sondern mit angemessenem Aufwand langfristige Zustände zu warten, Fakten zu aktualisieren, Erfahrungen zu festigen und die Ausbreitung von Fehlern sowie Zugriffsgrenzen zu kontrollieren.

Sowohl MemOS als auch die „Gedächtnistechnik“ versuchen, eine praktische Frage zu beantworten: Wenn wir nicht mehr einfach auf die Erweiterung des Umfangs setzen können, wie wir Agenten durch eine sinnvollere Systemstruktur und technische Mechanismen mit langfristig nutzbaren Fähigkeiten ausstatten können, anstatt dass sie nur kurze Zeit intelligent erscheinen.

XIONG Feiyu teilte uns eine Reihe von Daten mit: In einem Vergleich von 14 gängigen Gedächtnis-Frameworks belegte MemOS den ersten Platz in der Gesamtleistung. Bei langwierigen, komplexen Agentenaufgaben sank der Token-Verbrauch um fast 70 % – „die Kosten sinken um fast zwei Drittel, und die Geschäftsleistung ist besser“. Derzeit werden die Produkte von MemTensor bereits in Bereichen wie Endgeräte-Hardware, Finanzen und Industrie eingesetzt.

MemOS und Metis stehen nicht in einem nachfolgenden Ersetzungsverhältnis, sondern sind zwei kooperative Wege für langfristige Intelligenz auf System- und Modellebene. MemOS ist für die Erzeugung, Steuerung und Verwaltung externer langfristiger Zustände zuständig; Metis versucht, die Mechanismen für Lesen, Schreiben und Aktualisieren von Gedächtnis weiter in die Modellarchitektur, die Trainingsziele und den Inferenzprozess zu integrieren.

„Herkömmliche Modelle sind wie Lernen vor einer Prüfung – sobald die Prüfung beginnt, hört das Lernen auf. Wir hoffen, dass die Fähigkeiten des Modells nicht nur aus einem einmaligen Vortraining stammen, sondern sich aus langfristiger Interaktion und Feedback in realen Aufgaben kontinuierlich weiterentwickeln“, sagte XIONG Feiyu.

Was Metis erforscht, ist kein unbegrenztes Online-Selbstupdate des Modells, sondern dass validierte und verwaltete nützliche Erfahrungen schrittweise zu wiederverwendbaren langfristigen Fähigkeiten werden. Mit dem Gedächtnis als Ausgangspunkt zeichnet sich ein technischer Weg ab, der von der systemischen Infrastruktur zu gedächtnis-nativen Basismodellen führt.

Wegweiser

Die Spur von Shenzhen Venture Capital taucht auf

Es war einmal, dass große Summen in große Modelle und vertikale Anwendungen strömten. Heute wird die Lösung des Problems, dass KI „intelligent aber vergesslich“ ist, zunehmend als entscheidender Schritt in Richtung AGI betrachtet, was zu einer Welle von Finanzierungen im Bereich der Gedächtnistechnologie führt.

Diese Rechnung ist einfach: Der traditionelle Weg, durch den Ausbau von Rechenleistung, Parametern und Daten Ergebnisse zu erzielen, wird immer ineffizienter. Die Leistungssteigerung, die durch den Einsatz vielfacher Ressourcen erzielt wird, ist möglicherweise weniger vorteilhaft als die Einführung von Fähigkeiten für langfristiges Gedächtnis.

Aus diesem Grund erfreut sich MemTensor zunehmender Beliebtheit bei Investoren. Im vergangenen Mai schloss das Unternehmen eine Angel-Finanzierung im Wert von fast hundert Millionen Yuan ab, an der Futen Capital, Suanfeng Information und CICC Capital beteiligt waren. Zu diesem Zeitpunkt hatte MemTensor bereits Vertragsabschlüsse im Wert von mehreren zehn Millionen Yuan erzielt.

Die neueste Runde mit Beteiligung von Huawei Hubble, Honor Strategic Investment, SenseTime Guoxiang Capital, Shenzhen Venture Capital und Mandra Capital ist besonders richtungsweisend.

Das Team von Shenzhen Venture Capital geht davon aus, dass die Branche großer Modelle von dem Wettbewerb um Parameterumfang und einzelne Anwendungen in eine neue Phase der systemischen Umsetzung und des industriellen Einsatzes eintritt. Mit der Entwicklung von Agenten, KI-Endgeräten, Embodied Intelligence und Unternehmensagenten wird die Fähigkeit von Modellen, langfristig zu arbeiten, Erfahrungen zu festigen, kontinuierlich zu lernen und verwaltbare Zustandsvermögen in realen Geschäftsszenarien zu bilden, zu einem wichtigen Thema der nächsten Generation von KI-Infrastruktur.

Der Wert von MemTensor liegt nicht nur darin, Endgeräten eine „KI-Gedächtnis“-Funktion hinzuzufügen, sondern darin, KI von einem passiv reagierenden Werkzeug zu einem persönlichen intelligenten Agenten weiterzuentwickeln, der Benutzer kontinuierlich versteht, Erfahrungen festigt und sich ständig weiterentwickelt – und damit eine neue systemische Unterstützung für ein zukünftiges, menschenzentriertes intelligentes Leben in allen Bereichen bietet.

Mit anderen Worten: Wenn sich die Fähigkeiten grundlegender Modelle allmählich verbreiten, wird derjenige, der langfristiges Gedächtnis, Zustandsvermögen und die Verwaltungsprobleme beim kontinuierlichen Betrieb von Agenten besser handhaben kann, eine größere Chance haben, zu einer entscheidenden Systemschicht im Ökosystem der nächsten Generation von KI-Anwendungen zu werden.

Im Stillen beteiligen sich immer mehr branchennahe Kapitalgeber und professionelle Investmentinstitutionen am Bereich der KI-Gedächtnistechnologie.

Ein bahnbrechender Moment

Langfristige Intelligenz hält Einzug in reale Szenarien

Was das Gedächtnis tatsächlich zu einer Infrastruktur macht, ist keine große Erzählung über AGI, sondern die Tatsache, dass Agenten von einmaligen Aufrufen zu langfristigem Betrieb übergehen.

Nach Abschluss einer Frage-Antwort-Runde kann das System den Zustand löschen. Ein Agent, der Aufgaben über mehrere Tage, mit mehreren Beteiligten und in mehreren Geschäftssystemen ausführt, muss jedoch wissen, welche Änderungen die Ziele erfahren haben, wie weit die Aufgabe fortgeschritten ist, welche Urteile bereits validiert wurden, welche Fakten aktualisiert werden müssen und auf welche Daten und Werkzeuge er zugreifen kann. Bei Fehlern muss das System zudem in der Lage sein, diese zu lokalisieren, zu korrigieren und rückgängig zu machen.

Das bedeutet, dass das Gedächtnis, das Agenten benötigen, nicht nur darin besteht, „sich zu erinnern, was der Benutzer einmal gesagt hat“, sondern Aufgabenstatus, Geschäftsfakten, persönliche Präferenzen und Handlungserfahrungen in langfristige Vermögenswerte umzuwandeln, die kontinuierlich aktualisiert, autorisiert abgerufen und rückverfolgbar verwaltet werden können.

Für Unternehmen ist die Fähigkeit des Modells, eine überzeugende Antwort zu geben, nur der Ausgangspunkt. Entscheidend dafür, ob Agenten tatsächlich in Produktionsumgebungen eingesetzt werden können, ist die Fähigkeit, die Konsistenz des Zustands bei langfristigen Aufgaben aufrechtzuerhalten, die bei einer Aufgabe gewonnenen nützlichen Erfahrungen auf die nächste zu übertragen und bei jedem Schreib-, Aufruf- und Änderungsvorgang klare Zugriffsgrenzen zu gewährleisten.

„Große Modelle fehlen für ein echtes AGI noch einige grundlegende Fähigkeiten: Erstens langfristiges Gedächtnis, zweitens die stabile Modellierung der Welt und drittens das Lernen in geschlossenen Kreisen durch Handlungen und Feedback“, sagte XIONG Feiyu. Gedächtnis ist nicht alles von AGI, aber es ist eine Lücke, die klar abgegrenzt und technisch gelöst werden kann, wenn Modelle von einmaligen Antworten zu langfristiger Kognition übergehen.

Die Industrialisierung von Agenten schreitet voran. Laut Prognosen von Gartner werden bis Ende 2026 40 % der Unternehmensanwendungen aufgabenorientierte KI-Agenten integrieren – 2025 liegt dieser Anteil noch unter 5 %. Mit der Einführung von Agenten in realen Arbeitsabläufen wie Kundenservice, Forschung und Entwicklung, Finanzanalyse und industrieller Wartung wird die Verwaltung langfristiger Zustände von einer Zusatzfunktion schrittweise zu einer Anforderung auf Systemebene.

Eine weitere Entwicklung vollzieht sich auf der Endgeräte-Ebene.

Smartphones, PCs, Fahrzeugsysteme und Roboter speichern die kontinuierlichsten und persönlichsten Nutzungsdaten und Verhaltenszustände. Im Gegensatz zum Hochladen der Rohdaten in die Cloud bei jedem Vorgang kann das Endgeräte-Gedächtnis die Gewohnheiten des Benutzers, den Gerätezustand und den Aufgabenkontext lokal verwalten. Dies reduziert Latenzzeiten und die Kosten für Cloud-Aufrufe und verhindert gleichzeitig den Abfluss sensibler Daten.

„KI auf Endgeräten trägt von Natur aus die persönlichen Gedächtnisse und Verhaltenspräferenzen. Wenn gedächtnis-native kleine Modelle auf Endgeräten bereitgestellt werden, können sie den Zustand des Benutzers kontinuierlicher verstehen und personalisierte Informationsabrufe durchführen, ohne stark auf die Cloud angewiesen zu sein“, erklärte XIONG Feiyu.

In einer kooperativen Architektur zwischen Endgerät und Cloud muss