Next Gen

欢迎来到“Next Gen”。人工智能的边界每日都在被拓展，一群富有远见卓识的青年学者正站在浪潮之巅。我们追踪并报道这些 AI 领域最具潜力的明日之星，展现他们在科研前沿的突破性工作，以及对未来智能时代的独到见解。他们是谁？他们如何思考？他们又将把 AI 带向何方？与我们一同发现那些正在定义未来的 AI 新生代。

今年 24 岁的王禹来自安徽芜湖，他本科毕业于中国科学技术大少年班，目前在美国加利福尼亚大学圣迭戈分校（UCSD）三年级博士在读，并曾在 IBM、亚马逊等公司实习。

图丨王禹（王禹）

近期，他发布了多智能体个人助理系统 MIRIX，这是一款创新的记忆系统产品。MIRIX 具备处理高分辨率的屏幕截图的能力，这是现有记忆系统无法做到的，其适用于 AI 助理公司、Agent 框架、垂直 SaaS、自动化办公系统、AI 客服、代码智能体等多个领域。目前，王禹正在推进公司的创立筹备工作。

曾经每天只睡 6 小时，只为“柳暗花明”的时刻

截至目前，王禹已在机器学习领域累计发表 20 余篇学术论文，其中 11 篇为第一作者或共同第一作者成果。其研究呈现出明显的聚焦性和延续性，特别是在近两年的 5 篇第一作者论文中，他系统性地探索了“大模型记忆机制”这一前沿方向，其创新性工作在不增加 GPU 内存开销的前提下，显著提升了大规模语言模型的记忆能力。

王禹选择这一研究方向源于对 ChatGPT 等大语言模型的实际使用观察。他在日常使用中发现两个显著痛点：

首先，模型存在会话记忆的时效性缺陷——当日对话内容在次日即完全丢失，这对需要连续数日讨论的项目造成严重阻碍，用户不得不反复复述项目背景信息；

其次，模型在长程对话中会出现性能衰减现象，随着上下文累积，后续应答质量逐步降低。这种局限性迫使用户频繁开启新对话，而新对话又完全无法继承历史会话的认知状态，导致多轮对话间形成记忆断层。

这些实践中的发现促使王禹系统性地探索机器记忆的实现路径。他向 DeepTech 解释说道：“构建真正具备社会适应性的智能体，记忆系统是不可或缺的底层能力。这种记忆不仅要实现事件记录的存储功能，更需要发展出类似生物体的自主记忆机制。从技术演进角度看，记忆模块很可能是实现通用人工智能（AGI）或构建未来数字人的关键架构要素。

回顾科研历程，王禹用“坚韧、自律、不达目的誓不罢休”来形容自己的特质。这种执着和热爱的特质早在本科阶段便已显现：大二时，他的第一个项目是做推荐系统的去噪。但实际上，项目进展并不顺利，他曾连续一个多月没有任何进展。转折点出现在一次其师兄的项目分享会，受到启发的他回到宿舍连续两天高强度推导公式，并大量验证实验，最终完成了项目。

这段经历成为他投身机器学习研究的起点，尤其是当他发现模型在下棋方面竟然能够战胜自己时，那种震撼让他至今难忘。此后他的研究兴趣从强化学习逐步拓展到推荐系统，再延伸到当前专注的自然语言处理领域。

在科研方法论方面，王禹形成了独特的工作节奏。本科期间他曾创下同时推进 4 个科研项目、日均仅睡 6 小时的记录。面对高强度工作压力，他发展出一套有效的压力管理方式：通过健身房力量训练、游泳、足球等体育运动，以及与朋友聚餐等社交活动来保持身心平衡。

“项目研究经历让我深刻体会到，科研很多时候都是处于高压、‘山重水复疑无路’的状态，但一旦出现‘柳暗花明’的时刻，就会觉得之前的努力都是有意义的，这也是科学研究的魅力所在。”王禹回忆道。

王禹的学术成长得益于两位重要导师的指导。本科阶段，中国科学技术大学何向南教授安排博后辛鑫专门指导，并建立每两周一次的定期汇报机制，这种“手把手”的科研训练极大地带领了科研“新手”快速成长。

攻读博士学位期间，导师朱莉安·麦考利（Julian McAuley）教授给予的学术自由则让他能够深耕感兴趣的研究方向，同时灵活安排研究计划以兼顾学业与个人生活，特别是维系与国内女友的异地恋情。这种张弛有度的培养模式，既保证了系统的科研训练，又保留了学术创新的自主空间。

2022 年 ChatGPT 系列模型的横空出世成为王禹科研生涯的关键节点。此前他长期困扰于人工智能技术在实际应用中的精度瓶颈，对技术商业化方向感到迷茫。GPT 展现的强大能力不仅解答了他的技术困惑，更清晰地指明了人工智能产品的落地路径，直接启发了他后续的创业规划。

如何让 AI 拥有类人记忆？

人们希望大模型或机器人可以具备类似人类记忆，那么人类记忆具备怎样的特质呢？在探索这个方向时，王禹的此前研究提供了重要启示。

在他作为一作发表在Transactions on Machine Learning Research的论文《迈向生命周期认知系统》（Towards LifeSpan Cognitive Systems）中提到 [1]，从记忆应用的初始阶段来看，要做一个能够“终身对话”的系统需要具备两个关键能力：抽象与经验合并（Abstraction & Experience Merging）以及长期记忆保持（Long-Term Retention）。

首先，系统不应像传统存储系统那样机械地记录原始数据，而是需要像人类记忆一样，能够提取核心信息并建立关联。

例如，多次接触“某人考试失利”相关信息后，系统应能整合这些经验，推导出“考试难度”等更高层次的结论——这种动态的知识整合能力，正是记忆系统区别于普通 RAG（Retrieval-Augmented Generation）或 RUG（Retrieval-Useful Generation）系统的关键特征。

其次，系统必须长期保留这些抽象后的知识，既包括常识性记忆，也需支持精准细节的调取，这是实现终身认知功能的基础。

图丨记忆智能体应该具备的四种互补能力（arXiv）

在最近发表在arXiv的论文《通过增量式多轮交互评估大语言模型智能体的记忆能力》（evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions）[2] 中，王禹进一步细化了记忆智能体应具备的四大能力：精准回忆（Accurate Retrieval）、传导学习（Test-Time Learning）、长距离理解（Long-Range Understanding）和冲突解决（Conflict Resolution）

王禹指出，这四项能力覆盖了实际应用中的主要需求，也是人类记忆系统的核心功能。这些研究不仅揭示了大模型记忆机制的优化方向，也为 MIRIX 等系统的开发和设计奠定了理论基础。

MIRIX：准确率提升 35%，存储需求降 99.9%

MIRIX 作为新一代多智能体记忆系统，通过截屏理解用户，能压缩并提取有效信息。

其技术架构和功能设计在近期发表在arXiv的论文《MIRIX：面向基于大语言模型的智能体的多智能体记忆系统》（MIRIX: Multi-Agent Memory System for LLM-based Agents）中得到了系统阐述 [3]。

图丨相关论文（arXiv）

该系统突破了传统记忆系统简单划分短期/长期记忆的二元模式，创新性地构建了六个模块协同的树状记忆架构。每个记忆模块不仅实现独立功能，还通过属性化组织方式（包括总结、嵌入、细节、关键词、执行者等元数据标签）实现信息的结构化存储与关联。

“我们的系统不仅能看到当前屏幕，还能通过六个模块管理记忆，由专门的代理进行操作，从而记住之前的内容。”王禹说。

图丨 MIRIX 的六个记忆模块，每个提供专门的功能（arXiv）

具体来说：

核心记忆（Core Memory）模块：记录用户的基本信息和偏好，比如用户的名字、喜好等。这些信息对于与用户的交流至关重要，需要一直存储在系统提示（system prompt）和上下文（context）中。

情景记忆（Episodic Memory）模块：记录用户生活中发生的具体事件，比如之前开过的会议、打过的电话等，这些记忆通常与时间相关。

语义记忆（Semantic Memory）模块：存储与时间无关的信息，例如“《哈利·波特》是 J.K. 罗琳（J.K. Rowling）写的”这样的事实性陈述。这些信息是长期存在的，还包括一些概念、人物等。

（arXiv）

程序记忆（Procedural Memory）模块：包含各种逐步指南（step-by-step guides）和工作流程（workflows），比如如何在 GitHub 上合并分支、如何在 Minecraft 中调用服务等。

资源记忆（Resource Memory）模块：用于存储文件和文档，比如查看一个文档、合同等。这些内容不适合存储在前面四个模块中，而是专门存储在资源记忆中。

知识库（Knowledge Vault）模块：存储敏感信息，如地址、电话号码、凭证、社会安全号码或身份证号码等。这些信息在需要时会被使用，例如填写表格时需要提供身份证号码。

需要了解的是，MIRIX 重视数据安全方面的保护，其所有的信息都存储在本地的一个文件夹里（SQLite 数据库），所有的处理也都在本地完成。而涉及到上述比较敏感的信息时，MIRIX 会将其单独存放，并且在需要使用时会征求用户的同意。据介绍，只有当数据被发送至 API 模型时会被 API 模型看到。

值得关注的是，论文中提到，MIRIX 中的反思代理（reflection agent），点击该功能后会调用后端代理来组织记忆。

例如，John 最近在为期末考试做准备，过了几天又说他很累，还没睡好。MIRIX 会把这些信息连接起来，形成一个新的记忆，记录在其记忆系统中，比如“John 最近可能正在经历考试焦虑，智能体在对话中应给予更多支持”。

图丨MIRIX 对话界面（王禹）

研究团队在两个具有挑战性的场景中验证了 MIRIX。首先，在多模态基准测试 ScreenshotVQA（包含近 20,000 张高分辨率计算机截图）上，需要深度上下文理解，MIRIX 的准确率比 RAG 基线高出 35%，同时将存储需求减少了 99.9%。

（arXiv）

其次，在单模态文本输入的长篇对话基准测试 LOCOMO 上，MIRIX 达到了超 85% 的最新性能，远远超过了现有的基线。

图丨LOCOMO 数据集中各题型不同记忆系统评分（arXiv）

MIRIX 的系统应用场景覆盖范围广泛，既可以应用于 C 端，也可以应用于 B 端。

对于 C 端，目前王禹与团队已开发了测试版 APP，比如可以让它告诉用户“昨天做了什么”，或者帮助写一封求职信。此外，MIRIX 还可以和用户一起追剧，并讨论相关剧情。如果用户同时在处理多个工作项目，它还可以帮助梳理每个项目的具体进程。

对于 B 端，团队计划与 AI 眼镜厂商、AI 平板厂商、AI 玩具厂商或者小型机器人厂商合作，希望为其产品增加长期记忆功能，让产品能够记住用户，成为个人助手，有望真正实现“你的生活记忆，从此不会丢失”。

此外，MIRIX 还有望将各种场景的记忆结合中，但可能需要进行一些适配和专门的调整。王禹进一步说道：“未来，可穿戴设备的个人 Agent 与电脑、手机的个人 Agent 可以是一体化的，它们都能够访问用户的信息，并且共享内存，我觉得这会是一个非常有趣的场景。”

谈及科研和开发产品方面，王禹认为，最重要的是需要耐心打磨。“用户对于半成品可能只是浅尝辄止，不会长期使用。我们希望打造能够留住用户的产品。科研也是如此，只有提供最好的技术内容，才会有人关注。”

目前，王禹正在与各投资人洽谈中，希望在不久后在美国成立公司并持续推动 MIRIX 等产品的发展。当然，他也不排除未来机会合适将业务拓展到中国。

参考资料：

1.https: //openreview. net/ forum? id= LZ9FmeFeLV

2.https://arxiv.org/abs/2507.05257v1

3.https://arxiv.org/abs/2507.07957

运营/排版：何晨龙