AI 记忆的三条路线，和一次诚实的复盘

去年我写过对 AI 记忆的判断：伴侣型 AI 最大的断点，是聊得再深、下次打开还是陌生人。这篇讲讲我在这个问题上走过的三条路线——包括其中一次不太好听、但我认为最值钱的复盘。

路线一：外部笔记本

业界主流方案（mem0、Zep 这些）本质是给 AI 配一个笔记本：把聊过的话存档、建索引，需要时翻出来贴给模型。工程成熟、立竿见影，但有个天花板：AI 本身没有变。 它不是「认识了你」，是「查得到你」——就像一个服务员每次都靠翻会员档案才知道你爱喝什么。

（顺带一说：我们后来专门评测过这类方案，最好的开源记忆系统也还没稳定打赢「把聊天记录全塞给模型」的笨办法——那是另一篇文章的故事。）

路线二：把你学进去

我押注的第二条路线：不做更快的检索，做真正的学习——用一种擅长处理时间信号的轻量神经网络（CfC，连续时间网络），从与你相处的多模态数据流里持续训练，普通电脑几分钟就能完成一轮。不是背下你说过的每句话，而是像人与人相处那样，慢慢形成「对你的感觉」。

这条路线验证出了让我兴奋的结果：随着训练推进，识别主人状态的准确率大幅拉升，稳定越过了预设的可行性门槛。「模型层记忆」这条路，技术上走得通。

一次诚实的复盘

路线验证通过之后，按惯性剧本，下一步应该是加数据、加算力、往产品里怼。但我做了另一件事：请一个不会说谎的数学裁判，复核自己最得意的路线。

方法是信息论——不问「模型表现好不好」，直接度量「输入信号里到底含有多少关于目标的信息」。这一招的好处是绕开永恒的循环争论：「效果不好，是模型不行还是数据不行？」信息论直接告诉你：这条信号里就只有这么多信息，模型再神也变不出更多。

在几百条反复清洗过的干净数据上重跑，裁决很清晰：纯表情信号的天花板到了。 单帧表情里关于「意图」的信息量很小（远低于做好产品需要的水平）；更扎心的是，把 10 秒的表情变化序列喂进去，信息量几乎没有增加——我们原本以为「时间维度」藏着宝藏，实测它在纯表情输入下接近空手而归。而同一批实验里，粗糙的场景信息（他在开会还是在休息）一加进来，效果立刻抬升一截。

结论没那么好听，但方向清楚了：表情是下游，场景才是上游。 这成为项目的阶段性结论——结论、证据、重启条件全部归档，优化方向转向把场景与情境信号接进来，而不是在表情上继续死磕。做了近二十年产品，我越来越确信：知道一条路的天花板在哪，和找到一条新路一样值钱。

路线三：往因果的上游去

阶段性结论直接指出了第三条路线：既然场景是上游，那就把「什么导致什么」搞清楚——这属于「因果发现」的领域（研究怎么从时间数据里找出真正的因果关系，而不是碰巧一起发生的相关性）。

动手前先做足功课：AI 辅助精读了 15 篇「连续时间因果发现」方向的论文（完整清单附文末），逐篇产出结构化笔记再交叉比对。功课里最值钱的一个发现是：两份权威评测基准各自的「赢家」方法从未正面交锋过，关键结论存在两处交叉矛盾。顺着这个矛盾深挖后，我们把方案里的「因果验证器」主动降级成了「因果证伪器」——它不再负责证明「A 导致 B」，只负责否决「B 导致 A」这类错误方向。宁可少说，不可说错。

新分支正在数据积累期：会议场景的实时意图理解，摄像头只提取表情特征数字、从不保存画面（隐私从架构层锁死）。这条路刚开始走，有新结论会继续写在这里。

三条路线的关系

回头看，三条路线不是互相替代，是分工：外部笔记本负责记住事实（他说过什么），模型层学习负责形成感觉（他是什么样的人），因果上游负责理解处境（他此刻为什么这样）。真正的「认识一个人」，大概三者都要——而搞清楚每一条的天花板在哪，是把它们组合对的前提。

相关项目可见作品页的 LnMem（伴侣型 AI 记忆系统）。

附：15 篇文献清单

这次精读的 15 篇论文按四条谱系组织——理解这个结构比记住单篇更重要。

谱系 A · 语义地基（「导数依赖 = 因果」是什么意思）

1. From Ordinary Differential Equations to Structural Causal Models: the deterministic case — arxiv.org/abs/1304.7920

2. Causal interpretation of stochastic differential equations — arxiv.org/abs/1304.0217

3. Causal models for dynamical systems — arxiv.org/abs/2001.06208

谱系 B · 学习算法（怎么把因果结构学出来）

4. Neural graphical modelling in continuous-time: consistency guarantees and algorithms — arxiv.org/abs/2105.02522

5. Neural Structure Learning with Stochastic Differential Equations — arxiv.org/abs/2311.03309

6. Deep Koopman operator framework for causal discovery in nonlinear dynamical systems — arxiv.org/abs/2505.14828

7. Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis — arxiv.org/abs/2512.14361

谱系 C · 打分与检验工具（用什么判据）

8. Tangent Space Causal Inference: Leveraging Vector Fields for Causal Discovery in Dynamical Systems — arxiv.org/abs/2410.23499

9. Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes — arxiv.org/abs/2402.18477

10. Distinguishing Cause from Effect with Causal Velocity Models — arxiv.org/abs/2502.05122

谱系 D · 边界与现实（什么时候会失败）

11. Causality and independence in perfectly adapted dynamical systems — arxiv.org/abs/2101.11885

12. Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts — arxiv.org/abs/2606.28228

13. Causal Discovery from Heteroscedastic Stochastic Dynamical Systems under Imperfect Physical Models — arxiv.org/abs/2602.04907

14. Hybrid² Neural ODE Causal Modeling and an Application to Glycemic Response — arxiv.org/abs/2402.17233

15. CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models — arxiv.org/abs/2505.16620