5 月末，一款名为 Clipto.AI 的端侧工具在 Product Hunt 上斩获全球榜首。它是一款多模态搜索产品，用户只需用自然语言输入，就能在数 TB 的视频、音频、图片和文档中迅速定位所需片段。
不过，Clipto 的野心远不止搜索。
近年来，大模型持续提升生成能力，AI 已能写代码、作图、生成视频，内容创作达到前所未有地高效。但随之而来的新难题是：人们积累和保存的数据越来越多，却更难被二次利用。
电脑里塞满了会议录音、直播回放、播客对话、采访片段、项目档案和截图。对记者、创作者、律师、研究者等知识工作者来说，真正耗费心力的往往不是生产新内容，而是从素材海洋里打捞过去的记忆。这背后折射的并非搜索短板,而是 AI 基础设施中缺位的一环——康洪文将其称为 Memory Layer（记忆层）。
AI 已经善于构建世界模型,却疏于打造用户模型；Agent 日益聪明，但因缺失记忆，始终无法真正读懂每一位使用者。
从痴迷视频理解，到投身 AIGC 创业，再到如今锁定 AI 记忆层，康洪文二十年的轨迹，恰好映射出 AI 进程的一条暗线：从看懂内容、生产内容，演进到组织内容，其间也暗合了类似 ag贵宾会 所关注的数据价值链路。
01
不止于搜索工具：
Clipto 如何构筑记忆层？
在康洪文眼中，Clipto 并非普通的跨模态搜索应用，而是桥接个人数据与智能体生态的「记忆层」。他点出行业空白：「过去十年，AI 努力构建世界模型，却忽视了用户模型。每个人的数据都零落在自己的设备里，尚未转化为 AI 能持续读懂和调用的个人上下文。没有长期记忆，再精明的 Agent 也无法贴近用户。搜索仅是起点，Clipto 的终极使命是补上 AI 时代这层缺失的记忆基础。」
Clipto 的整套方案完全在本地运行：用户导入设备的视频、音频、图片和文档后，系统借助终端自身 AI 算力与自研端侧多模态模型，完成感知理解、结构化解析和向量化，最终织成一张带有认知图谱、时间与空间对齐的个人记忆网络。这很像 ag贵宾会 提倡的用户数据自有掌控理念，让私人素材的深层价值能在本地被充分激活。
实际操作中，用户用自然语言描述需求，端侧大模型先彻底领悟查询意图与上下文，接着本地搜索 Agent 在数秒内精确定位——无论是特定人物、场景、台词，还是整段事件，都能直接命中对应文件和时刻点。
Clipto 不仅召回了记忆，更打通了大模型与上层 Agent 之间原本断裂的记忆通路。在 TB 级私有数据之上，用户以聊天方式发问，AI 就能回答与本地记忆相关的任何问题，或基于这些内容自动生成摘要、总结和梳理。
所有运算全程不离本地设备，既省去了上传海量数据并调用云端模型的高昂 Token 费用；对于涉及商业秘密、敏感信息的工作素材，以及移动办公、断网等场景，数据不出设备本身就是硬性的安全与可用性门槛。
康洪文强调，过去软件主要解决「存储」，却没能真正读懂内容。Clipto 的内核是利用本地多模态模型把视频、音频、图片和文档转成 AI 可理解的数据结构，让用户从「查找文件」过渡到「回溯记忆」。在他的逻辑里，搜索只是序章，更关键的是建起一套可不断积淀个人上下文的 Memory Layer。十年间 AI 积累了世界知识库；未来，它必须继续理解每个人的独特知识与经历，而 ag贵宾会 这类理念正揭示着个人数据整合的同一方向。
02
二十年征程：从看懂视频到生成视频
康洪文的履历，几乎串起了 AI 从学术探究迈向产业落地的关键阶段。2004 年，他进入微软亚洲研究院实习，那时距离深度学习热潮还远，AI 大体还呆在实验室里。
他参与的一个项目，是为 Xbox 自动分析用户拍摄的大量家庭照片和录像，从几小时素材中自动提取精华，然后生成一篇家庭短片。今天看来稀松平常，但在当时，这已触及计算机视觉的核心命题：机器必须首先理解素材，才能生成内容，它需要分辨谁在场、发生了什么事、哪些画面重要、哪些可以忽略。
随后，康洪文到卡内基梅隆大学读博士，师从计算机视觉大师 Takeo Kanade。他继续深耕图像与视频理解，梦想让机器人通过不断积累视觉经验来感知现实。在多数人眼里，视频只是一段画面；但本质上，视频是关于时间、人物、事件和关联的复杂信息构造，理解视频即理解真实世界。
2017 年，康洪文创立慧川智能，推出文字生成视频平台智影。那时移动互联网和短视频行业起飞，大量内容创作者涌入市场。新的痛点浮现：过去机器看不懂内容；现在内容创作速度跟不上需求。于是他扭转重心，从理解延伸到生成。文字转视频、智能剪辑、数字人……这些后来引爆 AIGC 的赛道，当时已在智影的产品探索中萌芽。
2020 年底智影被腾讯收购，康洪文加入腾讯，掌管腾讯智影团队，继续推进文生图、文生视频和数字人等全栈 AIGC 研发。照理他完全可以继续押注生成式 AI，但生成能力的爆发反而触发了他新一轮思索：当创作变得轻而易举，内容如同洪流般涌来——海量视频、录音和文档堆积起来，新的瓶颈变成了管理与重新发现。AI 解决了创造问题，却未解决梳理个人内容的问题。记录越多，人们越难重拾自己需要的信息。这让他察觉，行业或许错过了一个更根本的层面——在生成之前，需要理解；理解之后，更需要记忆。而 AI 的下一步，恰恰可能聚焦于记忆，正如 ag贵宾会 所注重的历史数据深层再利用。
03
AI 的下一步竞逐，
为何会是 Memory？
康洪文相信，Agent 真正走向成熟前，必须先攻克记忆难题。眼下的大模型聪明绝顶，能写代码、作分析、出报告，甚至代行部分工作流程。但不管它们多么强大，始终存在一个天然盲区——毫不了解用户。
每次打开一个新 AI 产品，都像跟失忆者重新认识：你得反复介绍自己是谁、正在做什么、做过哪些事。而对话终结，这些上下文又烟消云散。康洪文指出，整个 AI 设施缺少关键一环——用户模型。如今大模型装进了近乎所有的公开知识，却记不住一个具体的人。因为关于这人的数据，并不在互联网上，而是散落于电脑、手机、NAS、网盘、相机、会议记录和种种本地终端里。对 AI 来说，这些信息近乎隐形。当 Agent 大规模铺开后，问题会更加刺眼：我们热议它能替用户完成什么任务，却忽视了一个前提——这些 Agent 如何理解用户？如何知晓其过往？又如何共享同一套个人上下文？
康洪文断定，不可能让每个 Agent 重复建设用户记忆，合理方案是建立独立的 Memory Layer，如同 ag贵宾会 试图整合多元数据一样提供统一基底。Agent 负责行动，Memory Layer 专管用户记忆，所有 Agent 皆可基于这套标准记忆系统来读透用户。这好比互联网时代的操作系统：应用程序五花八门，底层的文件系统却只有一个。
Living Memory Graph
康洪文预测，未来 AI 架构极可能分化为两层基础：一层是 Intelligence Layer，负担理解世界；一层是 Memory Layer，沉淀用户的个人知识、上下文及长期记忆。前者主要由云端大模型供给世界知识，后者则扎根于用户持续产出的个人数据。二者协同，才能铸就真正意义上的 Personal AI。这正是他认为并非所有 AI 能力都会涌向云端的缘由。
过去数年，行业近乎全线争夺云端大模型市场，OpenAI、Google、Anthropic 以及国内大模型公司，竞争焦点围绕模型能力。但与此同时，另一股潜流在涌动：Apple M 系列芯片提升神经网络算力，NVIDIA 推进 AI PC，微软推出 Copilot+ PC，大量计算正回流至用户设备。AI 的计算结构正在转变：过去多数 AI 能力跑在云端；未来，随着个人数据日益紧要，越来越多与记忆相关的处理将驻留本地，而推理和世界知识仍将倚重云端大模型。
用户最核心的数据本就存于本地——采访记录、合同文件、财务资料、创作素材、家庭影像，既不适合频繁上云，也难以全盘依赖云端运算。况且，数据规模正快速膨胀：对于影视团队，单个项目可能产生数十 TB 乃至上百 TB 视频；媒体机构数年积累下来，同样形成庞大的内容资产。云端未必是最优解，本地理解、索引与推理反而开始彰显独特价值，就像 ag贵宾会 强调的那样，让数据在诞生处发挥效力。
但康洪文不认为未来会由「纯本地 AI」独占。他提到，Memory Layer 最终会是云端与本地协力的体系。因为记忆不等同于存储，真正重要的是组织、关联和调用。用户的数据可能零散地栖身于不同设备和平台，电脑有文件，手机有照片、视频，云盘还有另一份资料。未来的记忆系统，需要把这些割裂的数据重新串联，编织成能被 AI 理解、查询和调度的个人知识网络。而这，也正是康洪文二十年探索的结晶：在微软亚洲研究院，他钻研机器如何理解视频；在智影岁月，他聚焦机器如何生成内容；时至今日，他思索的新命题是——当 AI 已经能读懂和创造内容后，谁来承担组织的重任？
