剛剛，哈佛醫學院神經科學家 Gabriel Kreiman 正式推出了 Engramme，一個要給人類「完美且無限記憶」的 AI 產品。
Engramme 的邏輯在於一個核心轉變：資訊不需要你去找，它會在你需要的時候主動送達。
「Engramme 的願景，是賦予人類完美且無限的記憶。你的記憶會自動來找你，不再需要搜尋，也不再需要提示。
如果說 Google 解決的是「事實檢索」，那麼 Engramme 要解決的則是「個人記憶」，兩者根本不在同一個賽道。在架構層面，這也是一次全新的方向。
01
記憶，自動找上門
而 Engramme 的核心體驗，則可以用三個場景來說明。
打開一封郵件，和對方相關的記憶自動浮現；加入一場視訊會議，有用的背景資訊在對話進行中送到你面前；發出一則訊息，和這段關係有關的歷史記錄主動找到你。
不需要搜尋，不需要提示。
這是 Kreiman 在發布貼文裡重複了兩次的一句話。
「你，就是你的記憶。記憶塑造了你。每一張臉，每一個地方，每一段對話……但人類的記憶是脆弱的。儘管我們與遺忘抗爭了數千年，記憶仍不斷地從我們身邊溜走。
影片的最後，用了三個短句收尾：
一場危機化於無形。一個判決得以改寫。一條生命得以挽救。
這三個場景，已經不只是個人生产力工具的定位了。
02
記憶的暗物質
而 Kreiman 團隊在推出產品之前，先做了一件事：搞清楚人類究竟需要記住什麼。
他們在 2026 年 3 月發布了一篇研究，招募了 134 名年齡在 18 到 80 歲之間的參與者，讓他們在日常生活中記錄所有「曾經知道、現在想不起來」的問題。
最終，他們收集到了 1,940 條有效的個人記憶問題。
研究者把這些問題按 W 類型（What/When/Where/Who/How/Whether/Why）分類，結果中最顯眼的是：「What」問題占了將近 40%。
人們最常遺忘的，是那種「那個叫什麼來著」的問題，比「在哪裡」「是誰」要高出一截。
而在把問題拆得更細後，會發現一個反直覺的結論：人們最頻繁想不起來的，是自己剛剛做過的事。
最常見的問題類型是「近期行為」，排在後面的依次是聯絡方式、日程安排、東西放哪了、待辦事項、密碼……
至於為什麼「近期行為」會排第一呢？
研究者給出了兩種解釋：要麼是近期記憶衰減得最快，要麼是時間更久遠的事早已徹底消失在「暗物質」裡，連提問的機會都沒有了。
這個概念就是他們提出的「記憶的暗物質」。
就像宇宙中的暗物質，規模龐大、無處不在，卻極難直接觸及。大多數個人記憶，都是你無法自由回想、但只要稍有毒索就能認出的資訊。
你以為忘了，其實只是被壓進了深處。
研究還分析了不同活動場景下的記憶需求。「工作中」是觸發記憶問題最多的場景，占 19.8%；「規劃/整理」占 12.8%，「社交」占 11.0%。
而活動類型和記憶問題的匹配關係，有些出乎意料：
做飯時，想到配方問題的概率是平均水平的 13.7 倍。旅行時，想到位置問題的概率是平均水平的 11 倍。規劃時，對日程的疑問也是平均水平的 3 倍。
這些數字，也說明了一件事：記憶需求是有強烈情境性的，而不是均勻分佈在時間裡的。
而 Engramme 要做的，正是在正確的情境下送來正確的記憶。
03
Large Memory Models
Kreiman 在發布時提到，Engramme 構建了全新的 Large Memory Models（大記憶模型），專門用來解決遺忘問題。
這個命名是有意為之的，和 Large Language Models 形成呼應，但做的是完全不同的事。
產品連接的是用戶的「memorome」，也就是整個數位生活的總和：郵件、通話、會議、訊息、日程……所有這些沉澱下來的資訊，都成為系統可以調用的記憶基底。
現有的 AI 工具，包括絕大多數 RAG（檢索增強生成）系統，本質上都在做「搜尋」，你查它才給。Engramme 要做的是反過來：系統主動判斷「現在什麼資訊對你有用」，然後推送過來。
不是你問記憶，是記憶來找你。
這在技術實現上要比「搜尋」困難得多，因為它需要模型理解當前情境的語義，並在沒有明確請求的情況下判斷相關性。
04
十年研究的壁壘
Engramme 的研究積累，是他們和其他做「AI 記錄工具」的產品最根本的區別。
Kreiman 在哈佛醫學院和波士頓兒童醫院的神經科學研究已經超過十年，研究方向就是大腦如何編碼和提取記憶。
他和團隊發表過一系列高水平論文，每一篇都在為 Engramme 的產品邏輯打地基。
2022 年，Nature Neuroscience。
Kreiman 團隊發現了大腦中「記憶邊界」的神經機制，也就是大腦如何把連續的經歷切割成一段一段獨立的記憶事件。這解釋了為什麼人的記憶天然是片段式的，而不是連續錄影。
2022 年，Scientific Reports。
團隊建立了遺忘、回放（replay）與持續學習之間關係的理論基礎，分析了最優的遺忘速率和記憶回放機制如何共同決定記憶容量。
2023 年，ICLR。
研究了稀疏神經表徵如何把事件壓縮成記憶。大腦裡的神經元激活模式極度稀疏：只有極少數神經元處於活躍狀態，卻能編碼大量資訊，這種稀疏性正是記憶高效存儲的關鍵。
2024 年，Nature Human Behaviour。
論文題目直接回答了產品的核心問題：「大腦如何存儲和提取記憶？」。研究聚焦於稀疏神經表徵在持續學習中的作用，直接對應了機器學習裡長期懸而未決的「災難性遺忘」問題，也就是模型學了新東西就忘舊東西的頑疾。
2025 年，IEEE TNNLS。
把生物大腦的記憶回放機制用演算法實現出來。大腦在睡眠或休息時會重新激活白天的經歷，這種「回放」對記憶鞏固至關重要。團隊把這個原理用於持續學習演算法，讓機器也能擁有類似的鞏固機制。
2026 年 3 月，Nature Human Behaviour。
論文題目是：「機器能模仿人類嗎？」。
研究提出了一套新方法，可以直接比較人類和機器的輸出，結果發現：在視覺和語言任務上，最先進的 AI 已經能以令人意外的程度模擬人類的表現。
這篇論文是他們的信心來源之一：用 AI 來模擬人類記憶機制，在技術上是可行的。
05
創始團隊
這家公司最初不叫 Engramme，叫 Memorious。
2025 年 9 月，哈佛大學 IQSS（量化社會科學研究所）創業孵化器的一篇文章，介紹了這個項目，彼時的名字還是 Memorious，含義是「有記憶的」。
隨後團隊完成了品牌升級，改為更有神經科學意味的 Engramme。
Engram，是神經科學裡記憶痕跡的專有名詞，指記憶在大腦中留下的物理印記。
項目獲得了 Mayfield Fund 領投的 300 萬美元天使輪融資，Mayfield 是矽谷老牌 VC，投出過 Lyft、Marketo 等公司。
Gabriel Kreiman 是 CEO，也是學術出身的創始人。
他 1971 年生於阿根廷布宜諾斯艾利斯，在布宜諾斯艾利斯大學讀完物理化學本科後，去了加州理工學院，在神經科學界的傳奇人物 Christof Koch 門下讀博，Koch 是意識研究領域最重要的科學家之一。
2002 年拿到 PhD 之後，Kreiman 又去了 MIT，跟隨 Tomaso Poggio 做博士後，Poggio 是計算神經科學的奠基人之一，整個視覺皮層的計算建模領域都受到他的深刻影響。
此後 Kreiman 在哈佛醫學院和波士頓兒童醫院扎根，成為哈佛神經科學博士項目、腦科學中心和 MIT-Harvard 大腦、思維與機器中心（CBMM）的成員，拿過 NIH 院長新創新獎、NSF CAREER 獎和 McKnight Scholar 等榮譽。
Spandan Madan 是 CTO，他的背景也同樣非常扎實。
印度 IIT Delhi 本碩，然後去了哈佛計算機系讀博，導師之一就是 Kreiman，另一位是哈佛 SEAS 的 Hanspeter Pfister 教授。
2024 年剛剛拿到博士學位，博士論文研究的是「分布外泛化」，也就是 AI 模型在遇到訓練時沒見過的情況時為何會失效。他用獼猴的神經響應數據作為基準，發現主流深度網絡在分布外測試時性能會跌到約 20%，這個研究直接和 Engramme 要解決的「記憶在陌生情境下的召回」問題高度相關。
兩個人從同一個實驗室裡走出來，從做研究到做產品，也算是一脈相承了。
06
三十萬年的問題
Kreiman 給 Engramme 的發布，起了一個宏大的名字。
「這是三十萬年來的第一次，人類停止遺忘的那一刻。這就是記憶奇點。
三十萬年，大約是智人出現以來的時間。
遺忘，一直是人類認知的結構性缺陷：大腦會主動清理不常調用的的資訊，以維持運轉效率。這個機制幫助了人類在有限的神經資源下生存，但也讓我們在現代資訊過載的環境裡吃盡了苦頭。
醫生在會診時想不起三個月前某個病人說過的細節。律師在庭審中找不到某次談話的關鍵證詞。銷售在電話裡記不起客戶上次的核心訴求。
這些不是粗心，是人類記憶的物理限制。
用一句話概括了 Engramme 的定位，則是：查事實，用 Google；其他一切，用 Engramme。
Engramme 目前已開放 beta 版申請，網站是 engramme.com。
如果他們真的做到了，
那「記憶奇點」這四個字，
就是這三十萬年裡，第一個真正不會被遺忘的時刻。
◇ ◆ ◇
相關連結：
• Engramme 官網：https://www.engramme.com/
• 研究頁面：https://www.engramme.com/research
• 發布貼文：https://x.com/gkreiman/status/2042271382265053537
• 「人們需要記住什麼」研究：https://www.engramme.com/index/what-do-people-need-to-remember
• Nature HB 論文（2026）：https://www.engramme.com/index/can-machines-imitate-humans