**硬件就绪，软件仍是关键**
早在1945年，美国科学家Vannevar Bush在其具有深远影响的论文《As We May Think》中，便提出了名为Memex（记忆延伸）的概念。他设想每个人都拥有一台机器，能够存储其阅读内容、照片、笔记和知识，并能像人类记忆一样，随时协助用户回忆、关联和检索信息。这一构想被认为是个人电脑、超文本乃至互联网的早期思想萌芽。
在过去八十年的发展中，计算机、互联网和智能手机相继问世，存储容量呈指数级增长，人类积累的信息以前所未有的速度膨胀。然而，Bush所描绘的那个关于信息记忆和检索的梦想，却始终未能完全实现。其根本原因在于，机器在存储信息方面日益精进，但却始终未能形成真正的“记忆”；它能保存海量数据，却无法在用户需要时精准地找回特定瞬间。
近来，这一局面开始出现转机。过去一年，人工智能行业经历了一次大规模的基础设施升级。
端侧算力已不再是概念，而成为消费电子产品的标配：英伟达推出的RTX Spark将AI算力直接集成到PC；英特尔的Lunar Lake和高通的Snapdragon X Elite分别将笔记本电脑的NPU算力提升至60 TOPS和45 TOPS；苹果也持续将AI能力整合进其M系列芯片。
模型方面也迈入了新的节点。Llama 3、千问、Gemma、Phi等开源模型在体积缩小的情况下能力不断提升；llama.cpp、MLX等推理框架的成熟，使得大模型能够稳定运行在普通个人设备上。与此同时，Apple Intelligence、Copilot+ PC以及英伟达围绕端侧AI构建的开发工具链，进一步将模型嵌入操作系统。
从芯片到模型，再到系统，以及用户对“端侧AI”日益增长的信任，几乎每一层基础设施都已准备就绪。
然而，将这些要素整合起来，仍难以打造出一款能让普通用户日常使用的AI产品。 问题并非出在单一技术点上，而是缺乏一个能够将模型、硬件、系统与个人数据有效整合的产品。
曾经备受瞩目的“消费级端侧设备”Rabbit R1和Humane AI Pin，因产品定义不清而迅速被市场淘汰。Rabbit R1试图成为新的跨设备交互入口，却未能解答“为何要在手机之外购买另一台设备”的疑问；Humane AI Pin则野心勃勃地想取代手机，但其炫酷的硬件并未创造实际需求，反而增加了用户体验的复杂性。
更关键的是，这些新型端侧设备未能解决一个核心痛点：即使紧密贴近用户的个人数据库，AI大脑仍然常常陷入“失忆”的困境。
行业正迫切需要一个能整合模型、端侧能力和记忆系统的参与者。
当业界都在热议Agent时，一个更根本的问题浮现出来：Agent的长期存在依赖于什么？
两年前，当整个行业仍专注于“云端更大的模型”时，Clipto.AI创始人康洪文提出了一个与主流观点相悖的判断：真正的机会将出现在端侧算力与大模型能力交汇后所催生的新一层基础设施。
他认为，只有当端侧算力和大模型能力这两条技术曲线同时达到临界点，AI才有可能真正成为每个人设备中的“第二大脑”，而不仅仅是一个聊天机器人。
真正的机会不仅在于模型本身，更在于建立在其之上的“Memory Layer（记忆层）”。
康洪文及其团队研发的产品Clipto，正是这一设想的实践平台。用户只需用自然语言描述所需内容，Clipto就能在数TB的本地视频、音频、图片和文档中快速定位相关片段与信息。
但搜索仅仅是Clipto对外展示的首个能力。在Clipto的底层，是一套由十余个自研端侧大模型、推理架构、算力调度系统以及数据组织能力共同构建的Memory Layer。这套系统使得原本分散的海量数据能够持续沉淀为AI可调用的个人记忆，并在毫秒内找回用户可能已经遗忘的信息。
2026年5月，Clipto发布新版Mac端App后，登上了Product Hunt日榜第一，端侧和记忆构筑的想象空间正逐步转化为现实。
**“聪慧之人若无记忆，亦不过是失忆者”**
过去一年，“Agent”成为了AI领域最热门的关键词。
几乎所有大模型公司都在探讨Agent，创业公司积极开发Agent，资本也蜂拥而上。从编程、办公到购物、客服，越来越多的人相信Agent将是继ChatGPT之后AI产品的下一次革命。
Gartner在2026年4月的报告中，将业界对Agentic AI的态度描述为已达到“期望膨胀顶峰（the Peak of Inflated Expectations）”。超过六成的企业计划在未来两年部署AI Agent，尽管目前只有17%的企业已完成部署。
然而，在这场几乎没有异议的追捧声中，Clipto创始人康洪文却不断提出一个看似简单却鲜有人回答的问题：一个没有记忆的Agent，真的理解用户吗？
在他看来，当前大多数Agent都建立在一个危险的假设之上：只要模型足够智能，就能成为用户的得力助手。
但事实恰恰相反。每次启动Agent，它都像初次见面一样；它不知道你昨天参加了什么会议，不知道你的照片存储在哪里，也不知道你过去一年积累了哪些文档。它能够进行推理，却缺乏经历；能够回答问题，却无法延续对话。
**“一个聪慧的人，如果没有记忆，也只是一个失忆的人。”**康洪文说道。
这正是他过去二十多年来一直专注研究的问题。
他早期的十年研究聚焦于机器如何理解世界。2004年，康洪文在微软亚洲研究院实习期间，开发了让Xbox自动分析用户拍摄的大量家庭照片和视频，并从数小时素材中提取关键片段，自动生成家庭短片的功能。之后，他在卡内基梅隆大学机器人研究所师从Takeo Kanade，继续研究图像与视频理解，认为理解视频的本质就是理解现实世界。
近十年来，康洪文转向研究机器如何生成内容。2017年，他创办了AIGC公司“慧川智能”，其创作平台“智影”于2020年底被腾讯收购。加入腾讯后，他继续负责文生图、文生视频和数字人等全栈AIGC产品研发。
如今，在Clipto，康洪文将研究重点重新拉回到“理解”上，因为他认为生成已非AI的最大瓶颈，“真正缺失的是记忆”。
端侧大模型的出现，为这条技术路线的成熟提供了契机。
康洪文向36氪解释道，云端模型更像是“全球大脑”，负责学习公共知识、理解整个世界；而端侧AI则应成为“个人记忆”，专注于理解每一个具体的人。他认为，未来AI的架构并非Cloud AI与Edge AI的简单竞争，而是Cloud Intelligence + Edge Memory的融合。云端负责世界知识，端侧负责个人记忆，Agent仅作为连接两者的交互层。
“Agent只是最上层的交互界面，真正决定其智能程度的，并非模型本身，而是其下方是否拥有一套持续生长的Memory Layer（记忆层）。”他指出，这是一个被行业长期忽视的架构问题。
**“模型会升级，Agent会重构，但用户长期积累的记忆不会轻易迁移。”**他强调。
围绕“记忆层”，Clipto从底层构建了一整套端侧AI技术体系。
在康洪文看来，许多人将“Memory”理解为模型拥有更长的Context，或接入一个向量数据库。但真正的记忆层远不止于此。“Memory不是一个模型，而是一整套系统。”他在采访中表示。
**第一层，是模型。**多模态数据天然具有高度异构性，视频、音频、图片、文档等每一种数据都需要不同的理解方式。Clipto针对人物识别、语音理解、OCR、场景分析、事件理解等能力，自研了十余个端侧AI模型。这些模型部分基于开源基础模型进行针对性后训练，部分则为自主研发，且均针对端侧算力进行了重新设计。
**第二层，是端侧算力架构。**与云端近乎无限的算力不同，端侧设备受CPU、GPU、NPU、内存、存储带宽及系统资源的限制。为确保多个模型能长期协同工作，Clipto从零搭建了端侧推理框架和算力调度系统，能根据设备资源动态调度不同模型，避免计算资源争抢。康洪文介绍，Clipto的架构可兼容各种配置的设备，包括仅配备8GB内存的M1 MacBook。在最新一代M5 MacBook Pro上，Clipto可在约24小时内完成2TB本地视频的离线分析，而同等处理若依赖云端，成本约需400美元。
**第三层，也是最关键的一层，是构建记忆本身。**模型能够理解内容，但不会自然形成记忆。系统需要持续将分散的多模态信息组织成时间、地点、人物、事件等结构化关系，并不断建立跨文件、跨时间、跨来源的关联，最终形成一个持续生长的个人记忆网络。Agent调用的不再是某个模型，而是这套不断积累、持续演化的记忆层。
康洪文认为，这正是记忆层最困难之处。它横跨模型研发、端侧推理、算力调度、多模态理解、数据组织、时空数据库、知识图谱及检索系统等多个技术层级。任何单一模块都无法构成真正的Memory，唯有将这些能力整合成一套长期运行、持续生长的系统，AI才能真正拥有“记忆”。
“模型会不断升级，Agent也会不断演进，但用户长期积累的记忆不会轻易迁移。真正的护城河，是围绕Memory建立起来的整套技术体系。”他对36氪总结道。
“如果说今天的大模型解决的是AI如何理解世界，那么Clipto解决的是AI如何长期记住一个人。”
**Clipto：非创作工具，而是记忆基础设施**
Clipto登上Product Hunt日榜榜首后，康洪文真正感到意外的并非成绩本身，而是评论区用户的反馈。
通常，用户会集中讨论产品易用性或功能丰富度。然而，Clipto上线后，评论区出现了另一种声音：不少开发者开始询问API是否开放，能否作为Agent的长期记忆后端，甚至讨论如何将Clipto集成到自己的产品中——彼时，Clipto甚至尚未发布SDK。
这释放出一个信号：用户已不再将Clipto仅仅视为一个搜索工具，而是开始将其视为一层基础设施。
这一转变也超出了Clipto团队最初的预期。起初，康洪文认为最先接受Clipto的会是视频创作者、摄影师等内容生产者。但随着用户增长，团队发现，快速增长的群体不仅包括创作者，还有金融分析师、律师、医生、咨询顾问等知识工作者。
根据官方数据，目前Clipto的用户中，约有1/3是创作者，其余2/3则来自金融、法律、医疗等行业的专业人士。
这意味着，记忆管理的需求，比内容创作的空间更为广阔且刚性。
过去，人们普遍认为多模态数据管理仅是视频编辑、影视制作等专业场景的需求。然而，事实上，每一位知识工作者都在持续产生音频、图片、会议记录和文档。会议录音、培训视频、手机截图、播客收藏、PDF文件……这些信息每天都在增长，却很少能再次被有效调用。
当AI能够真正理解这些数据后，“记忆管理”便不再是创作者的专属需求，而成为普罗大众的需求。
商业数据进一步印证了这一判断。Clipto上线三个月后便实现了盈亏平衡，2025年，公司的ARR（年度经常性收入）达到了1500万美元。
对于一家尚处于产品早期且坚持端侧部署路线的AI公司而言，如此快速的商业化速度本身就是一个强烈的信号：市场愿意付费的，并非一次性的AI能力，而是长期积累的个人记忆。Memory并非一个未来的市场，而是一个已被验证的现实需求。
更重要的是，这还验证了Clipto团队的能力。当许多AI创业公司仍停留在模型能力验证或Demo阶段时，Clipto已率先完成了从底层模型、端侧基础设施、产品体验到商业化的完整闭环。这种跨越底层研发、产品设计和全球商业化的全面执行能力，本身就构成了团队最重要的竞争壁垒。
互联网的发展史，本质上是一部基础设施不断演进的历史。
在PC互联网时代，Google构建了信息检索的基础设施，建立了人类的公共记忆（Collective Memory），让人们能够“找到世界上的信息”；在移动互联网时代，Meta和微信构建了社交关系的基础设施，让人们能够“连接世界上的人”；而在AI时代，OpenAI解决了“如何推理”的问题，接下来面临的将不再是“世界知道什么”，而是“我自己经历了什么”，让人们能够“被AI真正理解”。
这正是下一代基础设施的机会所在。
Clipto致力于解决的，正是每个人的个人记忆（Personal Memory）。它并不创造新内容，而是持续理解、组织和连接用户过去积累的数字生活，使这些沉睡的数据成为Agent可长期调用的上下文。
因此，康洪文认为，未来AI应用的真正竞争，不在于模型能力或Agent的执行能力，而在于谁能率先建立起这层长期存在的Memory Layer。
“模型可以随时切换，Agent也可以重构，但用户长期积累的记忆一旦形成，迁移成本极高。”
“过去十年，AI公司争夺的是Intelligence；未来十年，真正不可替代、也最难迁移的，将是Memory。”
围绕Clipto的构想、端侧AI、记忆层，36氪近期与Clipto.AI创始人康洪文进行了深入交流。以下为部分观点的梳理：
36氪：Clipto为何选择从音视频搜索切入？
康洪文：主要出于两方面考虑。首先，文本和文件数据已有较好的解决方案，但音视频这类重度多模态数据一直服务不佳，且单位处理成本高昂；其次，音视频数据天然更常存在于端侧（体积大），这完美契合了我们端侧优先的场景。我们的种子用户即是那些拥有大量音视频数据、注重隐私且现有方案服务不足的人群。
36氪：Clipto的产品市场契合度（PMF）为何能快速形成？成功之处在哪里？
康洪文：“以终为始”，我们拥有宏大愿景，但同时也迫使自己尽快进行商业化验证。我们做了两项关键决策：第一，以App形态切入，最高效地将端侧AI能力交付给用户；未来，App也能灵活搭载在PC、手机、智能设备等任何终端硬件上。第二，从第一天起就面向全球市场。许多西方国家用户订阅付费习惯成熟，市场确定性高。我们选择将精力投入到高确定性的事务上。
36氪：行业对端侧AI最大的误解是什么？
康洪文：普遍认为“下一个Ollama就能搞定”。但我们真正做的是一整套Memory Layer。第一层是模型，围绕多模态理解，我们自研了十余个端侧AI模型，部分基于开源基础模型后训练，部分完全自主研发，实现专业级、多模态理解本身就是巨大技术挑战。第二层是基础设施，端侧和云端是截然不同的技术体系，从推理框架、算力调度到系统优化，都需要重新设计，确保多个模型在有限设备资源下长期稳定协同运行。第三层是记忆构建，模型能理解内容，但不会天然形成记忆。系统不仅需理解每个文件，更需持续建立跨文件、跨时间、跨来源的关联，将孤立数据组织成一个不断生长的个人记忆网络。真正困难的并非单一技术，而是将模型、基础设施和记忆构建长期协同成一套系统，这正是我们认为Memory Layer的技术门槛所在。
36氪：Clipto定义的“记忆”与模型记忆、Context有何区别？
康洪文：当前行业所说的“Memory”主要有两种。一种是模型记忆，本质上是参数中的统计性知识，适合学习公共知识、用户偏好和行为模式。另一种是Context，解决的是单次任务的短期上下文，帮助模型完成当前对话，但生命周期很短。Clipto关注的是第三种记忆，即用户长期积累的真实个人数据，包括视频、音频、图片、文档和会议记录。这些数据不是抽象概念，而是个人真实经历和工作的沉淀。例如，模型可能知道你最近在讨论产品定价，也关注欧美市场，这是统计性“记忆”。但它永远无法准确回答：“5月18日下午那场融资会议里，John对欧洲定价策略到底说了什么？”因为这些具体、可追溯的事实，不应编码进模型参数，而应作为个人记忆长期保存，并随时被AI精准调用。因此，我们认为模型负责学习公共知识，Memory Layer负责保存个人知识。
36氪：记忆层会被模型厂商吞噬吗？
康洪文：我认为不会。我一直相信，未来AI将逐渐形成新的分工。模型负责Intelligence，持续学习和编码公共知识；Memory Layer则负责保存和组织每个人独有的长期记忆。两者解决的问题完全不同。模型的价值源于规模化，服务所有用户；Memory Layer的价值在于个性化，需要持续理解、组织和管理每个人的数据。因此，模型厂商未必天然擅长做Memory Layer，正如Google擅长搜索，但并未天然解决个人记忆问题。我们更相信，未来Agent会不断变化，模型也会不断升级，但Memory Layer将成为长期存在的基础设施。
封面来源｜视觉中国
