大模型越来越聪明，却始终“记不住你”？原石科技用认知系统，要造一个长期代表“你”的AI层

原石科技 用认知系统解决知识工作者 AI 断层

大模型正在越来越擅长回答问题，但对于需要长期处理复杂信息的人而言，一个新的矛盾开始显现：AI 越来越聪明，却仍然很难持续、完整地理解同一个人。

一名产品经理可能已经与 AI 讨论过几十次产品方案，一名创业者可能在几个月里形成大量判断，一名研究者可能积累了数年的材料、笔记与研究脉络。但当一次新的 AI 交互开始，过去形成的经验、判断、人物关系和未解决问题，往往仍需要重新寻找、重新组织和重新解释。

与此同时，今天大多数 AI 对人的理解仍主要发生在数字交互界面中。用户输入一段文字、上传一份文档、提出一个问题，AI 才开始工作。但一个人真实经历的工作与生活，并不只存在于聊天窗口里。

早晨醒来时的睡眠与身体状态，通勤途中所处的位置与环境，工作时正在处理的文件和任务，会议中的参与者与讨论内容，以及过去数周围绕同一问题形成的判断——这些信息共同构成了一个人在某个时刻真实的上下文。

人类认知本身存在明显的资源约束。心理学家乔治·米勒（米勒数7±2）关于短时记忆容量的研究表明，人能够同时处理的信息数量有限；人类学家罗宾·邓巴（邓巴数150±50）关于稳定社会关系规模的研究，则从社会认知角度说明，人能够长期维持的复杂关系也存在边界。两者虽然研究对象不同，但共同指向一个事实：人的注意力、记忆和关系处理能力并不是无限的。

诺贝尔经济学奖得主、人工智能早期奠基者之一赫伯特·西蒙（Herbert A. Simon）提出“有限理性”理论。他认为，现实中的个体无法获得全部信息、穷尽所有方案并完成无限计算，因此决策者通常并非寻找绝对最优解，而是在有限信息、时间和认知能力条件下寻找“足够满意”的方案。

信息越多，并不必然意味着人的判断会变得更好。真正稀缺的不是信息本身，而是在有限认知资源下，持续保留重要经验、连接相关上下文，并在正确时间重新调用它们的能力。

原石科技正在尝试解决这种“个人上下文断层”。

团队开发的 Neural Stone 定位为个人认知系统（Personal Cognitive System），试图在通用智能与个人之间建立一个长期存在的个人认知层（Personal Cognitive Layer）：持续感知与理解用户当下的状态，连接过去真正相关的信息，发现跨时间的模式与变化，在合适的时机主动提供帮助，并将新形成的重要认知重新沉淀到长期系统中。

其目标并不是让 AI 保存一个人的所有信息，而是让 AI 从理解“用户这一次告诉了什么”，逐渐走向感知与理解一个长期、连续、处于真实世界中的人。

达利欧最新长文《2026，像极了1929》提出，随着越来越多可计算的脑力劳动被 AI 自动化，个人需要进一步提高利用 AI 增强自身认知和适应环境的能力。相比预测未来哪一种具体技能不会被替代，更重要的可能是持续提高认知能力，并利用 AI 放大个人能力。

AI缺少的，不只是记忆，而是一个连续的“你”

Neural Stone 首先瞄准的并不是“大模型不会回答问题”，而是人与 AI 长期协作过程中产生的两个断层。

第一个是时间断层。

人的想法、材料、会议、决定和经验发生在不同时间，也散落在不同工具中。真正的问题往往不是“文件找不到”，而是过去形成的理解无法在正确的时间重新参与今天的判断。

第二个则是现实断层。

大多数 AI 主要通过用户主动提供的信息理解用户。但真实的人同时生活在数字环境和物理环境中，并具有不断变化的身体状态。仅仅依靠一次对话，很难构成对一个人当下状态的完整理解。

Neural Stone 结合当前市场痛点：很多真实问题最初只是“哪里不对”“有点卡住”，尚未形成能够直接向 AI 提出的完整问题；过去的材料、会议、决定和经验难以在今天重新发挥作用；通用 AI 虽然具备较强的理解和生成能力，但对于一个人的判断方式、长期关系、反复出现的模式以及这个人正在如何变化，仍然缺少足够连续的个人上下文。

Neural Stone 因此没有将产品设计成传统意义上的知识库，也不准备重新训练一个参数规模更大的基础模型。

其当前核心是一条统一认知主链。

用户不需要先将问题组织完整。一段模糊的想法、一份文件、一次自然表达，甚至只是“这里好像有问题”，都可以成为系统感知与理解用户当前状态的起点。系统首先判断用户是在表达、判断、行动还是补充信息，再决定后续应该如何承接。

随后，系统通过长期认知资产、个人认知图谱、语义召回以及Cognitive Weaving等机制，将当前信息与过去相关的主题、材料、人物、决定和未闭合问题重新连接。

这里的关键并不是“记住更多”。

Neural Stone 试图解决的是：过去的什么信息，为什么在现在重新变得重要。

例如，一个产品经理正在重新讨论某项产品决策。传统检索系统可以找到三周前的一份PRD，而个人认知系统需要进一步理解：三周前形成的判断是什么，当时依据了哪些信息，今天出现了什么新的证据，以及这些变化是否足以修改原来的判断。

因此，项目的技术重点不是无限扩大记忆容量，而是让长期个人上下文真正参与每一次当前理解与判断。

在此基础上，Neural Stone 进一步尝试从“信息召回”进入“认知推进”：识别真正的卡点、关键分歧和判断标准，帮助用户形成更清楚的下一步；新的重要主题、决定、关系和模式则重新进入长期系统，已有理解也可以随着新的证据被修正。

由此形成一个持续循环：理解当下 → 连接过去 → 推进现在 → 写回长期 → 再参与未来。

这也是 Neural Stone 试图与传统笔记、知识库和通用 AI 建立的主要差异。前者主要依赖用户主动保存、整理和寻找信息；通用 AI 更擅长围绕当前任务进行回答、生成和分析；Neural Stone 希望增加的是长期个人上下文，使主题、决定、关系和模式能够随时间演化，并持续参与当前认知。

融合数字、物理和生理三个世界，理解真实发生的事情

长期记忆解决的是“过去的你”，Neural Stone 下一阶段要解决的问题，则是如何更加完整地感知与理解“现在的你”。

团队正在构建的长期产品框架，将一个人的上下文划分为三个相互关联的信息维度：数字世界、物理世界和生理世界。

数字世界包括邮件、文档、日历、聊天、知识库、代码、网页及其他应用中的信息和行为；随着未来可穿戴设备和传感能力的融合，将接入物理世界包括位置、人物、物体、环境、行为以及现实事件；打通与第三方设备数据，睡眠、运动、心率等身体状态也可能构成生理世界的一部分。

三个世界并不是三个相互独立的功能模块。它们描述的是同一个人、同一个时间、同一个事件的不同侧面。

以一次产品评审会议为例。

数字世界中可能存在正在讨论的PRD、过去的版本、相关邮件和此前形成的决策；物理世界包含会议所处场景、参与者以及现场发生的事件；部分身体状态也可能成为辅助理解用户当前状态的信号。

Neural Stone 需要做的并不是把三组数据分别展示给用户，真正需要回答的是：这些信息放在一起意味着什么？

如果会议正在重新讨论三周前已经形成过判断的问题，新的讨论是否出现了足以改变原结论的证据？某位参与者今天提出的观点是否与此前多次项目讨论中的模式有关？一个持续数周未闭合的问题，是否已经到了真正需要做决定的时间？

这意味着 Neural Stone 长期希望处理的基本单位，将不再只是Message、Note或Document，而逐渐扩展到一个人在现实中经历的事件与上下文（Event / Episode / Experience）。

这也是现实世界感知进入 Neural Stone 之后真正产生价值的地方。

系统知道“用户正在会议室”“心率发生变化”或者“正在打开某份文件”，本身并没有太大价值。真正的产品能力在于把这些信号转化为结构化Evidence，再与这个人的长期上下文进行连接，理解它为什么值得注意。

因此，Neural Stone 完整的能力链也将从当前的“理解—连接—推进—进化”，逐步扩展为：感知（Sense）→ 理解（Understand）→ 连接（Connect）→ 发现（Discover）→ 主动帮助（Assist）→ 持续进化（Evolve）。

现实世界感知，目前仍属于研究与后续建设方向。未来硬件可能通过Audio、IMU以及低分辨率语义视觉等方式获得现实环境信息，同时尽量避免长期保存没有价值的原始数据，而将重要变化转化为Evidence进入同一套认知系统。

Neural Stone 最终希望建立的并不是另一款独立 AI 硬件，而是现实世界进入个人认知系统的低摩擦感知入口。

Neural Stone 未来的Web、Mobile、AI Hardware以及不同数据来源，并不是几个独立产品，而是同一个 Personal Cognitive Layer 的不同入口。

与此同时，团队也在与神经形态计算相关团队开展研究与技术探索，将可持续学习、类脑记忆和长程推理作为重点研究方向。

这些问题与长期个人认知系统存在直接关系：如果一个系统需要在数年的时间尺度上持续接收新的个人经验，如何在不反复重新训练整个系统的情况下持续学习；如何决定什么值得长期记忆、什么应该逐渐淡化，以及旧认知如何被新证据修正；又如何让相隔较长时间的重要事件真正参与今天的推理，都是长期认知系统需要面对的问题。

团队将这部分工作定位为前沿研究，而不是已经完成产品化的能力。Neural Stone 现阶段的核心技术主线仍是统一Cognitive Runtime、长期个人上下文、Recall、Cognitive Weaving以及认知资产写回等能力。

从Web开始验证，逐步走向多端个人认知系统

Neural Stone 目前仍处于早期产品阶段。

Web端产品主流程与认知推进已经形成基础，Recall与长期资产、Cognitive Weaving与Graph相关能力正在持续生产化；Mobile端处于建设过程中，并计划与Web共享同一个Cognitive Runtime和长期个人上下文，而不是建立一套简化或独立的移动端系统。

下一阶段，团队计划进一步推进Observation、Pattern、Decision、Relationship和Cognitive Emergence等主动认知能力，使系统从“用户调用 AI”逐渐走向“AI 主动感知，系统在正确时间发现真正值得用户注意的事情”。

再之后，Mobile、跨设备认知连续性、AI Hardware和Physical Context将进一步扩展个人认知系统能够理解的上下文范围。

在目标用户上，Neural Stone 首先聚焦于高认知密度个人。

其中包括产品经理、工程师、研究者等知识工作者，也包括写作者、设计师和内容创作者，以及创业者、管理者等高决策密度人群。这些人的共同特征并非收入水平，而是长期处理复杂问题、信息密度较高、多个项目并行，并且过去形成的经验和判断对未来具有较高价值。

商业模式方面，项目现阶段规划以B2C个人订阅为核心，按照能力层级收费；后续Professional能力将面向专业个人和小型高认知团队，提供更强的数据接入、专业工作流与高级认知分析；认知硬件则属于更长期的商业化选择，主要面向已经形成长期使用价值的核心用户。未来也会基于相应技术的发展，适时推出 Cognitive Store 。

团队方面，联合创始人杜晓东拥有北京航空航天大学软件工程硕士背景及互联网创业经历，其此前创业项目U掌柜曾获得今日资本、峰尚资本、海尔资本投资；首席算法科学家RJ-Zhu为加州大学圣克鲁兹分校电气与计算机工程系博士，研究经历涉及神经形态计算等方向；首席算力架构师YS拥有西安交通大学及杜克大学机器人学相关教育背景，并具有大模型推理加速、模型量化和端侧AI部署经验。

随着基础模型继续提高推理、生成和多模态能力，原石科技押注的问题并不是如何再造一个更大的模型，而是：当通用智能越来越强之后，人与AI之间是否还需要一个长期代表“这个人”的认知层。

基础模型解决的是越来越强的通用智能，而 Neural Stone 试图解决的是如何让这些智能长期理解并服务于同一个人——不仅理解用户此刻说了什么，还能够连接他过去经历了什么、现在正在经历什么，以及这些经历正在如何改变未来的判断。

中国科学院自动化研究所研究员王飞跃在《人工智能的知识本源》提到。IoM（Internet of minds）智联网。在互联网、物联网之后，人类社会必将进入智联网时代，其核心是连接各类AI智能体、数字人与大模型。未来人类将通过数字人，借助智联网与AI智能体、大模型及他人进行交流，这一模式远比当下的脑机接口更强大、更高效，应用范围也更广泛。这也正是维纳（Norbert Wiener）当年开创的控制论与认知科学思想在智能时代的延伸与未来发展。