一家曾嘗試記錄你一生的公司，最終以刪除一切告別市場。
2025 年年底，AI 記憶公司 Limitless 宣佈被 Meta 收購。該公司此前已獲得超過 3,300 萬美元投資，投資者包括山姆·奧特曼（Sam Altman）、a16Z、First Round Capital 和 NEA 等。
與此同時，該公司宣佈產品和服務下線：從 2025 年 12 月 19 日起，Rewind Mac 應用禁用所有屏幕和音頻錄製功能，而用於錄製對話的可穿戴硬件設備 Pendant 也停止服務，不再銷售產品（少數國家除外），並允許用戶導出或徹底刪除個人數據。
作爲一款能夠記錄並轉錄用戶所見所聞的軟件，Rewind 被稱爲用戶的“第二大腦”。在產品完成度高和用戶口碑不差前提下，它爲何沒有走向大衆化成功，而是以被收購、下線產品和應用的方式收場？
最近幾年，AI 記憶在產業和資本層面受到高度關注。但 Limitless 的案例不禁讓人思考：這家公司有哪些可總結的經驗？用戶真的願意爲 AI 記憶買單嗎？面對市場，AI 記憶準備好了嗎？DeepTech 與幾位來自學術界和產業界的專家共同討論了這些問題。
一家試圖記錄一切的公司，爲何選擇退場？
Limitless（之前名稱是 Rewind）成立於 2020 年。2022 年 11 月，該公司發佈了一款應用 Rewind，能夠記錄用戶在 macOS 上的所有操作，其初衷是讓用戶“隨時回顧之前的工作”。這款應用發佈的時間，甚至早於 OpenAI 正式發佈 ChatGPT。
簡單來理解這款應用，它會記錄用戶屏幕顯示的每條文字信息或揚聲器上的音頻信息，並允許用戶使用自然語言搜索和訪問相關歷史記錄。也就是說，用戶只需要在應用界面的搜索欄輸入一個詞或短語，即可返回到特定時間的操作頁面。
這種功能在一定程度上類似於“時光機”——回溯過去特定時間做了哪些具體的事情。長時記錄、可回溯的功能確實很有吸引力，當時這款產品發佈後很快吸引了大量關注，既包括公司高管、記者等工作場景的羣體，也包括注意缺陷與多動障礙（ADHD）、失智和阿爾茲海默病等患者羣體。
據公開資料，該公司採用壓縮技術，可在不顯著降低畫質的情況下“錄製並存儲數年的錄像”，其還利用 OCR 技術識別文本內容，並結合語音識別功能提供強大的搜索功能。
有開發者稱，“10GB 的錄像文件可壓縮成小於 3MB 的文件”。並且，這款應用在隱私保護方面也有所考慮：錄製內容僅存儲在 Mac 電腦本地，理論上來說公司不會觸及這些數據。
（來源：X）
在這款個人知識工具取得初步成功後，Rewind 正式更名爲 Limitless，公司戰略也從純軟件轉向軟硬一體，推出全天候記憶系統 Pendant。這是一款帶有麥克風的可穿戴設備，既可以作爲項鍊也可以別在衣領處，能持續錄製和轉錄用戶對話，售價 99 美元。
（來源：Limitless）
但這種“新意”沒能持續太久，從公司成立到被收購僅 5 年時間。據該公司公告，自 2025 年 12 月 5 日起，Limitless 服務在巴西、中國、歐盟、以色列、韓國、土耳其和英國停止服務。
Limitless 聯合創始人兼 CEO 丹·西羅克（Dan Siroker）在公告中提到，“我們將繼續爲現有 Pendant 用戶提供至少一年的支持，但我們不再向新客戶銷售 Pendant。您無需再支付訂閱費用，現有客戶可免費獲得無限流量套餐。”
對於現有客戶的數據，Limitless 也給出瞭解決方案：在發佈公告後的兩週內，客戶可基於特定工具選擇自行導出或刪除所有數據。
Meta 之所以收購 Limitless，與其近期的核心重心密切相關。目前，它的關注重點是 AR/AI 眼鏡，其近期願景是“將個人超級智能帶給每個人”，而打造功能強大的 AI 可穿戴設備，正是實現這一願景的關鍵所在。
當然，Meta 收購 Limitless 的動作是爲了讓後者支持其現有產品。據公開資料，Limitless 團隊已併入 Meta Reality Labs 的可穿戴設備部門，因此很大的可能性是，Meta 會將 Limitless 的技術集成到自身的 AI 可穿戴設備中，而不是直接使用後者的產品。
有用戶在社交平臺發帖稱：“Rewind 作爲本地存儲所有數據還挺不錯的，幫我簡化了一些合規性工作，現在我要刪除所有數據並卸載它。我也買了 Pendant，不過更多是出於對科技產品的好奇。我相信很多人會對它的停產感到失望。”
全記錄式記憶，是不是一條走偏的路線？
實際上，能夠讓大型科技公司收購，已經說明了 Limitless 技術的可行性，但它沒有獨立走下去不免讓人覺得有些可惜。Limitless 也暗示了這一選擇背後的“無奈”：隨着 OpenAI 和 Meta 等大型科技公司也開始做硬件，初創公司顯得有些力不從心。
這也引出一個更根本的問題：Limitless 退場，是市場問題，還是產品形態本身的問題？從某種程度上來看，它並不是被技術打敗，而是被“記憶形態的選擇”困住了。
英國布里斯托大學助理教授、Memories.ai 創始人沈俊瀟指出，實際上大多數人並沒有那麼多“回溯”的需求。無論是桌面端 Rewind 還是硬件產品 Pendant，都是高度完整地記錄與檢索個人信息和行爲，本質上是大而全的 AI 記憶助手。
“純搜索和純問答追溯過去是很酷的產品，但如果不能嵌入到用戶的工作流中，讓用戶長期付費會充滿挑戰，也就難形成顯著的投資回報率（ROI）。”沈俊瀟對 DeepTech 表示，與搜索得足夠準相比，AI 記憶更多價值沉澱是在後續的行動，而非停留在記憶功能本身。它能夠幫用戶更好地感知時間和創造新體驗，但這個產品的差異化是否足夠清晰？與 ChatGPT 等模型產品比，它的價值點有十倍甚至百倍差異的體現嗎？
AI 記憶在具體的場景中價值巨大，產品定位直接影響着產品價值的體現。目前，AI 記憶在會議、錄音、工作總結等明確場景中，已被用戶廣泛接受。但是，脫離場景的泛記憶產品很難成立。
以 Rewind 或 Pendant 爲例，可持續記錄是產品亮點之一，但隨着市場的其他產品也在慢慢加入這項功能，難以形成規模優勢。從應用場景來看，它們既不是專門做辦公場景也不是專門提升效率場景，用戶羣體相對小衆。
從用戶需求的角度看，一個關鍵的問題是：有多少人真的需要把所有東西全部記錄下來？
北京郵電大學副教授白婷指出，全記錄式記憶是用戶數據最原始的階段，冗餘、碎片化且會有較大的存儲和計算開銷，但未經過處理的全部記憶很難發揮價值。用戶可能並不太關注 AI 是否是部分記錄還是全部記錄，他們更看重的往往是自己的使用感受和隱私是否會被泄露，以及是否能夠從自身記憶中挖掘出隱藏、深度的知識和價值。
可以看到的是，兩位專家的判斷有一個共同點：AI 記憶的問題不在“能不能記住”，而在“記住之後能做什麼”。
沈俊瀟認爲，能不能幫用戶完成任務、產出結果，是決定 AI 產品價值的關鍵，記憶只是爲了讓行動更好。
以會議場景爲例，錄音筆產品的痛點之一是，用戶會經常忘記開關。如果產品能夠直接給到下一步的結果——去直接行動，幫用戶顯著提升效率纔是產品價值的體現，比如自動切片和總結等。
白婷認爲，AI 記憶以技術爲驅動力，最終還是以人爲本、服務於人的應用系統。成熟的 AI 記憶系統將推動智能體從靜態工具升級爲自適應的終身協作夥伴，開啓人機認知共生進化的全新階段。
總結來說，要加速推動記憶向“行動”演進，一是在智能體（Agent）中加入記憶，通過記憶實現顯著的產品差異化；二是精準切入合適的細分場景，服務特定的用戶羣體，體現 AI 記憶在工作中顯著提高效率。
AI 記憶，到底該走向何處？
即便找對了場景，另一個問題仍不容忽視：記憶真的越長越好嗎？
英偉達研究科學家李柏依認爲，真正高級的智能，靠的不是記住更多，而是記住得更少、但更對、更有用。
從工程現實的角度來看，AI 記憶並不等同於信息存儲。丘腦智能 CEO 張源指出，Limitless 的產品把 AI 記憶理解爲對個人信息和行爲的持續記錄，從這個角度來看範圍稍顯狹隘。AI 記憶應該以多模態的形式去記錄人與 AI 交互的內容、人類的偏好，例如將它接到物理 AI，讓具身智能體記住要做什麼，已經做了什麼，還沒有做什麼。
從這個層面來看，AI 記憶系統更接近基礎結構，其核心訴求是讓 AI 擁有連續的、演進的、對特定用戶的 Life Context。“這不是給已有的 Agent 加記憶增強功能，而是去重新定義 Agent 在時間維度上連續存在的方式。”她說。
當前大模型的長期記憶瓶頸不是“存不下”，而是“無法在正確時間，以正確的方式穩定使用”。Transformer 是一個函數逼近器，不是狀態機，長期信息只能被壓縮進參數或塞進上下文（context）窗口。
“隨着上下文變長，模型天然更信任近處 token。當前大模型缺乏一個同時滿足可寫、可尋址、可更新、可置信與推理強耦合的記憶模塊，而 Transformer 本身不具備這些性質。”李柏依對 DeepTech 解釋道。
張源進一步指出，記憶和推理的協同最大的核心矛盾在於：目前的記憶方案本質上是外部存儲的靜態讀取，而推理是模型計算產生的瞬時中間變量（Intermediate States）。由於缺乏反饋閉環，模型在長邏輯鏈推理時，這些中間變量（中間記憶）極易被後續信息的注意力權重干擾，導致邏輯斷裂。“要解決這一問題，記憶走向持續學習是一個我們內部很認可的路徑，也是我們正在做的事情。”
組織提煉記憶和設計檢索記憶方法，是很多現有記憶架構中重點設計的部分，也是記憶如何能發揮最大應用價值的核心關鍵。白婷認爲，AI 記憶作爲用戶感知和通用大模型的中間層，理想的狀態和應用場景和用戶偏好相關，是用戶行爲認知和應用認知的深度結合。
從記憶的形態來看，Limitless 的產品形態與模型內部存儲的“我學到了什麼”不同，它記錄的是“發生過什麼”。李柏依表示，這是一種事後記憶，而非工作記憶，更非思考中的記憶。相對而言，將它轉化爲模型記憶的原材料更具有前景。“長期 AI 記憶不應該只存在於模型裏，也不應該主要存在於單個 Agent 裏，而應該同時存在於系統層。模型、Agent、系統三者各自承擔完全不同、不可替代的記憶職責。模型負責如何思考，Agent 負責當前在幹什麼，系統負責過去發生過什麼。”
白婷指出，近半年以來，圍繞 AI 記憶系統架構（存儲、檢索、應用等）的研究與方法不斷湧現。AI 記憶是智能系統不可或缺的一部分，目前 AI 記憶的研究或應用處於摸索與行業適配的初級階段。
如果把視角從個別的公司拉伸到整個產業，會發現 AI 記憶正在分化出幾條不同路線：內嵌式（模型原生）、外掛式（RAG / 中間件）、架構式、結構式（知識圖譜）。
目前，基模廠商通過對話系統的優化，將跨會話記憶與偏好管理深度集成到產品流中，爲用戶提供一體化的記憶體驗，代表公司包括 OpenAI、Anthropic 和 Google 等。“但這相當於只在對話系統維護一套輕量記錄用戶狀態。一方面這可能會形成記憶孤島，另一方面個性化程度相對較弱。”張源對 DeepTech 表示。
向量檢索或檢索增強生成（RAG）記憶，是領域內較早期的做法。它的門檻相對較低，上手也較快，但現階段已難成爲獨立的創新壁壘。
以 Mem0、Supermemory 等公司爲代表的記憶中間件方案，同質化也比較嚴重。此外，還有以 Zep 爲代表，採用時序知識圖譜作爲記憶載體的技術路線，以及以 Letta 爲代表的虛擬內存管理 Agent 記憶系統的技術路線等。技術路徑還在慢慢收斂。
但無論技術形態如何變化，核心問題始終沒變：記憶如何真正提升行動效率？
沈俊瀟指出，AI 記憶能幫助把 50 分的產品提升到 55 分，但還達不到拉平到 100 分的程度。“我並不認爲 Agent 中間件或 AI 記憶會是獨立的產品，幾乎所有 Agent 最後都會選擇自己做記憶。”
白婷認爲，從長遠看，AI 記憶是人和智能系統交互的一種重要方式和入口，不僅是技術問題，更需要從更宏觀和頂層設計的角度來看待這一交互方式，比如倫理、隱私、價值觀等等。
AI 記憶的未來仍值得期待
記憶是 AI 世界和物理世界交互的錨點。正如張源所說，有了記憶 AI 才能更好地理解世界、理解與其交互的人類，進而構建對物理世界的認知，這也是下一個五年最重要的基礎設施機會之一。
隨着 AI 能做的事情越來越多，記憶會越來越重要。沈俊瀟指出，儘管當下 AI 記憶還不是體現價值差異化的影響因素，但將時間尺度放在 5 年到 10 年後，當 Agent 的行動能力逐漸趨同時，AI 記憶一定會成爲決定產品差異化的關鍵變量。
從 Limitless 的案例中我們可以看到的是，AI 記憶並非是一種“萬能解藥”，但這條路仍然值得期待。對 AI 應用來說，更重要的還是產品力：選對路、做得深，才能走得更長遠，而市場則需要給它們多一點耐心，畢竟數據飛輪的累積也需要窗口期。或許，真正的問題不是 AI 能否記住一切，而是我們希望它記住什麼。
參考資料：
1.https://www.limitless.ai/
2.https://9to5mac.com/2025/12/05/rewind-limitless-meta-acquisition/
3.https://x.com/dsiroker/status/1780350309727977713
4.https://news.ycombinator.com/item?id=46166356
5.https://insiderbits.com/tools/rewind-ai/
6.https://baijia.online/homepage/memory_survey.html
排版：劉雅坤
