Gedächtnisfähigkeiten für große KI-Modelle: Hao Jianye hat innerhalb eines halben Jahres drei Finanzierungsrunden eingeworben.

Wenn jemand als „klug“ oder „geistreich“ gelobt wird, verfügt er in der Regel über zwei Fähigkeiten: Erstens ein gutes Gedächtnis, das sich an die Vergangenheit erinnern kann, und zweitens ein starkes Verständnis, das auf der Grundlage des Erinnerten Urteile bilden kann.

Diese Logik gilt auch für KI. Im Gegensatz zu herkömmlicher KI, die Aufgaben jedes Mal von Grund auf neu bearbeitet, kann KI mit Gedächtnisfähigkeit die Präferenzen, historischen Interaktionen und Verhaltensgewohnheiten der Nutzer kontinuierlich speichern, bildet bei jeder Nutzung ein stabileres Verständnis für den Nutzer und passt daraufhin nachfolgende Antworten und Handlungen an. Für KI-Agenten, die eine langfristige Zusammenarbeit erfordern, wird das Gedächtnis zunehmend zu einer Infrastruktur, die das Produkterlebnis und die Nutzerbindung bestimmt.

Das Kapital hat bereits begonnen, darauf zu setzen. Kürzlich gab das auf die Forschung und Entwicklung von KI-Gedächtnisinfrastruktur spezialisierte Unternehmen Shenzhen MemoraX Technology Co., Ltd. (im Folgenden als „MemoraX AI“ bezeichnet) den Abschluss einer Seed++-Finanzierungsrunde im Wert von mehreren hundert Millionen Yuan bekannt. Diese Runde wurde gemeinsam von Shangshi Capital, Haitang Capital und Ren'ai Capital angeführt, mehrere erstklassige Investmentinstitutionen beteiligten sich, und die ursprünglichen Altaktionäre erhöhten ihre Beteiligung weiter. Das Finanzierungstempo dieses Unternehmens ist ebenfalls sehr dicht: Im April wurde die Seed-Runde abgeschlossen, im Mai die Seed+-Runde, und in weniger als einem halben Jahr wurden drei Finanzierungsrunden mit einem Gesamtbetrag von mehreren hundert Millionen Yuan abgeschlossen.

Der Grund für das dichte Engagement des Kapitals liegt zunächst in der Anerkennung des Teams selbst. CEO Hao Jianye ist ein in der Branche seltener Unternehmer, der sowohl über einen erstklassigen akademischen Hintergrund als auch über umfangreiche Erfahrungen bei der groß angelegten industriellen Umsetzung verfügt. Im April, als die Nachricht von der Unternehmensregistrierung gerade bekannt wurde, haben sich bereits Investoren aktiv gemeldet.

Aber wichtiger als das Team ist, dass das Kapital den Wert des „Gedächtnisses“ neu bewertet. Im zweiten Halbjahr 2026 hat sich das KI-Gedächtnis allmählich von einem technischen Konzept zu einem eigenständigen industriellen Sektor entwickelt. Nach Berechnungen Dritter wird die globale Marktgröße für Agentic AI-Orchestrierungs- und Gedächtnissysteme voraussichtlich von etwa 439 Milliarden Yuan im Jahr 2027 auf etwa 1.992 Milliarden Yuan im Jahr 2030 wachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von etwa 35,3 % in diesem Zeitraum.

Die nächste Wettbewerbsrunde für große Modelle hat eine neue Geschichte.

Investoren kämpfen um die Beteiligung am ehemaligen Chefexperten von Huawei

Die KI-Branche fehlt nie an Spitzenkräften, aber Unternehmer wie Hao Jianye, deren akademische, Forschungs- und Industrierfahrungen alle auf höchstem Niveau sind, sind selten.

Dr. Hao Jianye absolvierte sein Studium an der Chinesischen Universität Hongkong unter der Anleitung von Professor Liang Haofeng und konzentrierte seine Forschung auf Spieltheoretische Intelligenz. Nach seinem Abschluss arbeitete er als Postdoktorand am Labor für Informatik und Künstliche Intelligenz des Massachusetts Institute of Technology und an der Universität für Technologie und Design Singapur.

2015 kehrte Hao Jianye nach China zurück und trat der Tianjin-Universität bei. Gerade als AlphaGo auf den Markt kam, erlebte das Verstärkungslernen eine neue Welle. Zu dieser Zeit waren die relevanten chinesischen Communities und Materialien in China noch sehr begrenzt. Hao Jianye leitete an der Tianjin-Universität die Gründung des Labors für tiefes Verstärkungslernen und wurde eines der ersten wissenschaftlichen Forschungsteams in China, das systematisch Forschung in diesem Bereich durchführte.

Danach wurde er nacheinander Elite-Professor an der Tianjin-Universität, Empfänger des Förderprogramms für ausgezeichnete junge Wissenschaftler des Nationalen Naturwissenschaftlichen Fonds und wurde in die Liste der Top-2-%-Wissenschaftler weltweit aufgenommen. In den letzten zwei Jahren rangierte seine Anzahl an Veröffentlichungen in den drei Top-Konferenzen ICML, NeurIPS und ICLR unter den Top 10 weltweit, und die Zitierungen bei Google Scholar überstiegen 15.000.

Im Vergleich zu reinem akademischen Lebenslauf liegt das Besondere an Hao Jianye darin, dass er fast alle wichtigen Phasen der Übergangs der KI vom Labor zur Industrie vollständig durchlebt hat.

Über viele Jahre hinweg hat er sich tief mit dem Verstärkungslernen befasst und eine große Anzahl industrieller Umsetzungen rund um die Technologie des tiefen Lernens durchgeführt, deren Anwendungsbereiche autonomes Fahren, Huawei-ICT-Produktlinien, Lieferketten und Chipdesign abdecken. Bevor er zu MemoraX AI kam, war er nacheinander Direktor des Labors für Entscheidungs- und Schlussfolgerungstechnologie von Huawei, Direktor des Labors für Algorithmen großer Modelle von Huawei, Technischer Präsident des medizinischen Korps von Huawei und Chefexperte für entscheidungsbezogene Intelligenz bei Huawei.

Während seiner Zeit bei Huawei leitete Hao Jianye die Inkubation mehrerer Industrieprojekte von Grund auf und schuf einen wirtschaftlichen Nutzen von mehreren hundert Milliarden Yuan. Nach dem Eintritt in die Ära der großen Modelle wandte er sich der Nachschulung großer Modelle zu und konzentrierte sich auf die Arbeit an Verstärkungslernen für große Modelle, Nachschulung und Anwendungen von Branchenmodellen.

Ende November letzten Jahres verließ Hao Jianye Huawei. Wie bekannt ist, hat er bereits im zweiten Halbjahr letzten Jahres ernsthaft über eine Unternehmensgründung nachgedacht. Was ihn zur Entscheidung brachte, war eine scheinbar einfache, aber schwer zu beantwortende Frage: Wenn das grundlegende Modellsystem großer Modelle allmählich reift, was ist dann die Kerntechnologie der nächsten Generation großer Modelle?

Seine bisherige industrielle Erfahrung gab ihm eine Antwort – das Gedächtnis.

Nach Ansicht von Hao Jianye lösen die Basismodelle selbst hauptsächlich einmalige Berechnungs- und Schlussfolgerungsprobleme. Aber wenn große Modelle wirklich in alle Branchen eindringen, wird die Interaktion zwischen Nutzern und Agenten nicht mehr einmalig sein. Mit der fortlaufenden Interaktion sammeln sich das historische Verhalten, die Präferenzen, der Kontext der Aufgaben und das Branchenwissen der Nutzer ständig an, sodass das Modell mit immer längeren Kontexten konfrontiert wird. Je länger der Kontext ist, desto höher sind die Kosten und der Berechnungsdruck. Wie eine große Menge historischer Informationen effektiv gespeichert, abgerufen, verstanden und zum richtigen Zeitpunkt erneut aufgerufen werden kann, ist ebenfalls eine neue Aufgabe außerhalb der Basismodelle.

Hao Jianye ist der Ansicht, dass das Gedächtnis keine überflüssige Zusatzfunktion ist, sondern zunehmend zu einer grundlegenden Fähigkeit wird, die Agenten benötigen, um langfristige Interaktionen und kontinuierliche Weiterentwicklung zu realisieren.

Vom externen Gedächtnis zum „modellinternen Ursprung“

In diesem Jahr hat die Gedächtnisfähigkeit von Modellen Aufmerksamkeit erregt, und das Kapital hat bereits damit begonnen, entsprechende Anlagen zu tätigen.

Das südkoreanische Deep-Tech-Unternehmen Dnotitia ist eines davon. Im April dieses Jahres schloss dieses auf KI-Gedächtnischips spezialisierte Unternehmen eine Serie-A-Finanzierung in Höhe von 61,2 Millionen US-Dollar ab. Sein Kernprodukt VDPU (Vector Data Processing Unit) verwendet die In-Memory-Computing-Technologie, führt Matrixoperationen direkt im Speicherarray durch und reduziert den Aufwand, der durch den Datentransport auf Hardwareebene entsteht.

Aber nach Ansicht von Hao Jianye lässt sich das „Gedächtnis“ der KI nicht einfach mit Informationsspeicherung gleichsetzen. Die Speicherung ist nur das untergeordnete Trägermedium des Gedächtnisses, das aus Dateien, Wissensgraphen oder Vektordatenbanken bestehen kann und im Wesentlichen die Frage beantwortet „Wo werden die Informationen gespeichert?“. Echte Gedächtnisfähigkeit erfordert darüber hinaus die Lösung der Probleme, wie Informationen verstanden, gebildet, aktualisiert und aufgerufen werden.

Zum Beispiel: Wenn eine Nutzeranweisung in das System eintritt, muss zuerst beurteilt werden, „was es wert ist, erinnert zu werden“: Welche Informationen aufgezeichnet werden sollen, in welcher Form sie aufgezeichnet werden, wo sie gespeichert werden und wann sie aktualisiert, gelöscht und gewartet werden. Wenn der Nutzer in verschiedene Szenarien eintritt, welche historischen Informationen dynamisch aufgerufen werden sollen. Nach dem weiteren Verständnis der Nutzerabsicht müssen die wirklich relevanten Erinnerungen aus einer großen Menge historischer Informationen genau gefunden und diese Informationen mit dem Schlussfolgerungsprozess des Basismodells kombiniert werden, um letztendlich die Schlussfolgerungsfähigkeit des Modells und das Nutzererlebnis zu verbessern.

„Es ist nicht etwas, das einfach durch das Hinzufügen einer Datenbank oder das Aufrufen eines fertigen Modells gelöst werden kann, sondern eine Systemfähigkeit, die langfristiges Training und technische Akkumulation erfordert“, sagte Hao Jianye. Seiner Ansicht nach wird das Gedächtnis selbst zunehmend zu einer relativ unabhängigen Modellfähigkeit, die sich von der allgemeinen Berechnungs- und Schlussfolgerungsfähigkeit des Basismodells unterscheidet.

Die früheren Gruppen von Gedächtnisunternehmen auf dem Markt verwendeten größtenteils datenbankbasierte Lösungen, um die Speicherung, den Abruf und die Verwaltung von Informationen über Infrastrukturen wie Vektordatenbanken durchzuführen. Es ähnelt eher dem Hinzufügen eines „Gedächtnisspeichers“ außerhalb des Modells, bei dem ein externes System für die Speicherung und den Abruf historischer Informationen verantwortlich ist. MemoraX hat von Anfang an einen anderen Weg des „modellinternen Ursprungs“ gewählt: Die Gedächtnisfähigkeit wird größtenteils durch das Lernen des Modells gebildet, statt sich nur auf externe Datenbanken zur Verwaltung zu verlassen.

In diesem Bereich praktizieren bereits einige ausländische Unternehmen für große Modelle. Zum Beispiel hat das Hope-Modell von Google versucht, mehrere verschachtelte Lernzyklen und Erinnerungen mit unterschiedlichen Zeitskalen für das Modell zu entwerfen, sodass das Modell die Fähigkeit zum kontinuierlichen Lernen und zur ständigen Weiterentwicklung erhält. Meta hat darüber hinaus versucht, eine trainierbare Gedächtnisschicht mit extrem großen Parametern in die Transformer-Architektur einzubetten, um die Gedächtnisfähigkeit des Modells selbst zu verbessern.

Aber wenn das Gedächtnis zu einer unabhängigen Modellfähigkeit wird, stellt sich eine weitere Frage: Nach welchen Kriterien lässt sich beurteilen, ob die Gedächtnisfähigkeit eines Modells gut ist?

Der LoCoMo-Datensatz ist einer der ersten großen Benchmarks, die speziell für die Bewertung des Gedächtnisses bei extrem langfristigen Dialogen entwickelt wurden. Seine Dialoge erstrecken sich über bis zu 35 Sitzungen und 300 Runden, was den Gedächtnisumfang im Vergleich zu früheren Dialogdaten, die normalerweise nur wenige Sitzungen abdecken, stark erweitert. Aber mit der Vertiefung der Bewertung treten nach und nach Probleme auf. Da einige Daten durch Modelle generiert werden, können die Testproben selbst Situationen wie abweichende Beziehungen zwischen Personen, widersprüchliche Fakten und unübersichtliche Zeitlinien aufweisen. Wenn das „Maßstab“ zur Messung der Modellfähigkeit selbst nicht genau genug ist, kann das endgültig erzielte Ergebnis die Gedächtnisfähigkeit des Modells kaum wirklich widerspiegeln.

Daher hat MemoraX AI begonnen, zwei Dinge gleichzeitig zu tun: Einerseits korrigiert und optimiert es die vorhandenen Benchmarks, andererseits versucht es, Bewertungsdaten für das Gedächtnis zu erstellen, die der realen Welt näher kommen.

Dazu hat MemoraX AI nicht vollständig auf künstlich konstruierte standardisierte Daten gesetzt, sondern begonnen, Dialoginhalte aus echten Drehbüchern wie Fernsehserien und Seifenopern zu extrahieren. Solche Daten kommen der Interaktion in der realen Welt näher: Die Beziehungen zwischen Personen sind komplex, die Dialoge dauern lange an, Informationen sammeln sich ständig an, und dieselbe Person kann nach langer Zeit erneut auf zuvor aufgetretene Dinge Bezug nehmen. Für Gedächtnismodelle ist dies näher an echten Nutzerszenarien als das einfache Erinnern an eine isolierte Information.

Derzeit erreicht das zentrale Gedächtnissystem von MemoraX AI 82,65 Punkte im gemeinsam von der Nanjing-Universität und dem Shanghai AI LAB veröffentlichten Bewertungsbenchmark LoCoMo-Refined, rangiert auf SOTA und verbessert sich um 30 % im Vergleich zum zweitplatzierten Gedächtnisframework.

Darüber hinaus hat MemoraX AI gemeinsam mit der Universität Oxford den auf echten Drehbüchern basierenden Bewertungsbenchmark ScriptMem für Agentengedächtnis erstellt und Open-Source gestellt. Auf diesem Benchmark erzielte MemoraX AI eine Genauigkeit von 60,3 %, was einer Verbesserung um 40 % gegenüber dem Zweitplatzierten entspricht, und versucht, das Gedächtnis großer Modelle weiter von Labortests zu realeren Lebensszenarien zu führen. Im Bereich der KI-Programmierung hat MemoraX AI gemeinsam mit der Universität Oxford den Bewertungsbenchmark SWE-context-bench für Agentengedächtnis im Programmierbereich erstellt und Open-Source gestellt. Auf diesem Benchmark erzielte MemoraX AI eine Lösungsrate von 45 % für Aufgaben, was einer Verbesserung um 50 % gegenüber dem Zweitplatzierten entspricht, und überprüft die Gedächtnisfähigkeit weiter in echten Softwareentwicklungsaufgaben.

Neben Benchmarks erforscht das Unternehmen kontinuierlich Bereiche wie die Nachschulung großer Modelle durch Verstärkungslernen und Test-Time Scaling. Im Zusammenhang mit diesen zentralen technischen Richtungen führt MemoraX AI gemeinsame Innovationen mit mehreren inländischen Universitäten durch. Derzeit wurden 10 Arbeiten für ICML 2026 angenommen. Im Bereich der grundlegenden Theorie der intelligenten Entscheidungen erhielt das Gründerteam zudem den Ersten Preis für Naturwissenschaft der Chinesischen Elektronik-Gesellschaft.

All diese Arbeiten zielen darauf ab, das „Gedächtnis“ von einem abstrakten technischen Konzept zu einer Modellfähigkeit zu machen, die wirklich gemessen, überprüft und letztendlich in echten Anwendungsszenarien eingesetzt werden kann.

In der zweiten Hälfte der KI-Entwicklung dreht sich der Wettbewerb möglicherweise um das Gedächtnis

Olivia Moore, Partnerin bei a16z, sagte in einem Interview im März dieses Jahres, dass die Gedächtnisfunktion zukünftiger KI-Produkte zu einem Kernvorteil werden wird. Da das Modell sich an die Gewohnheiten und den Kontext der Nutzer erinnert, benötigen die Produkte keine langwierige Einarbeitung mehr und bieten bereits bei der ersten Interaktion ein hochgradig personalisiertes Erlebnis.

Hao Jianye schätzt, dass mit der fortlaufenden Verarbeitung öffentlicher Daten durch große Modelle die wichtige Richtung der nächsten Phase der KI sehr wahrscheinlich darin besteht, weiter zu jedem Einzelnen vorzudringen und von allgemeiner Intelligenz zu personalisierter Intelligenz überzugehen. In dieser Phase muss das Modell nicht nur „die Welt kennen“, sondern auch „dich kennen“ – die Gewohnheiten, Präferenzen, historischen Verhaltensweisen und langfristigen Ziele der Nutzer verstehen und diese bei fortlaufender Interaktion ständig aktualisieren. Daher wird das Gedächtnis keine überflüssige Zusatzfunktion mehr sein, sondern zu einer Infrastruktur, die die Personalisierung der KI realisiert.

In dieser Richtung unterteilt MemoraX AI die Gedächtnisfähigkeit derzeit nach Datenformen in drei Kategorien: Text, Code und Multimodalität, baut für verschiedene Datentypen entsprechende Gedächtnismodelle auf und integriert die drei Fähigkeiten letztendlich zu einer allgemeinen, vollständigen Gedächtnislösung.

Im Szenario der KI-Programmierung hat MemoraX AI bereits ein Gedächtnisprodukt für Programmieragenten auf den Markt gebracht, das Programmieragenten wie Cod