精選解讀｜Memories.ai 與視覺記憶層：當 AI 穿戴裝置與機器人開始記得看過什麼，競爭焦點就不再只是看懂畫面

企業級 AI Agent 的關鍵門檻，已從模型能力轉向隔離、權限、審計與可回復機制

· AI 基礎設施,精選解讀,AI 落地應用,AI 機器人
InfoAI | 視覺記憶層正成為穿戴式裝置與機器人的新競爭點。本文從 Memories.ai 切入，說明 Physical AI 的瓶頸為何正從看懂畫面轉向長時間召回，並拆解這個能力層對製造巡檢、物流倉儲、醫療照護等場景的含意，以及企業在採購時必須先釐清的資料留存、裝置端運算、調閱權限與刪除機制。

視覺記憶，不是看懂，而是能不能被追問。

在工廠巡檢、物流倉儲、醫療照護或零售門市裡，許多工作流程真正困難的地方，往往不是系統有沒有看到眼前畫面，而是幾小時後、幾天後，當主管回頭追問某個異常事件時，系統能不能把當時那段畫面連同前後脈絡一起找回來。Memories.ai 正是把這個問題直接命名為「visual memory layer」，也就是替穿戴式裝置與機器人建立一層可召回、可推理的視覺記憶層。依照 TechCrunch 的描述，這家公司正在打造 large visual memory model，能對影片形式的記錄進行索引與檢索，目標場景是 Physical AI。

關鍵解讀：

・Memories.ai 想做的，不只是影片分析，而是把連續影像轉成可搜尋、可召回、可進一步推理的視覺記憶層。

・對 AI 眼鏡與機器人來說，下一個能力瓶頸很可能不是辨識單張畫面的準確率，而是跨時間回想與脈絡召回。這是根據穿戴式裝置與 Physical AI 的實際使用情境所做的產業推論。

・一旦視覺記憶層成形，企業採購與治理要問的問題，就會從「能不能看懂」升級成「記多久、誰能調閱、在哪裡運算、能不能刪除」。

01｜真正的競爭不是看見畫面，而是事後能不能把脈絡找回來

視覺記憶層不是把監視器影片存下來而已。它真正要做的，是建立一個能對影片記憶進行索引與檢索的大型視覺記憶模型。Memories.ai 將 LVMM 2.0 定位為讓 AI 系統首次具備裝置端視覺記憶的能力，並強調可在高通（Qualcomm）處理器上原生執行，讓使用者能直接在裝置端快速搜尋與分析影像時刻，同時把資料留在本地端。

這代表它能處理的不是單一模型輸出，而是一整個能力鏈條：畫面如何被編碼、如何建立索引、如何在之後被重新查找，以及查找到之後如何回答新的問題。也因此，視覺記憶層比較像是一種中介層，而不只是單一功能。

過去企業在導入生成式 AI 時，通常會把嵌入、檢索與向量資料庫視為必要堆疊；現在 Memories.ai 想證明的是，連續影像世界也可能出現一套對應的記憶堆疊。差別只在於，它服務的對象不再是 PDF、文件與知識庫，而是穿戴式眼鏡、攝影機與機器人一路看過的現場。

02｜視覺記憶層要補的，不是錄影功能，而是影像世界的檢索中介層

這題值得重視，不是因為市場突然發明一個新名詞，而是因為 Physical AI 的限制確實正在浮現。輝達在 2026 年 1 月介紹 Cosmos Reason 2 時，把它定位為能幫助機器人與 AI agents 更準確地看見、理解並在實體世界互動的 reasoning VLM；到了 GTC 2026，輝達又把 Vision AI、NVIDIA Metropolis 與 Cosmos Reason 2 納入官方更新重點，並提到在影片摘要場景中可獲得更高效能。

但「看懂」與「記住」是兩個不同層次。即時辨識處理的是現在眼前有什麼，長時間記憶處理的則是未來某個時間點，系統能不能因應新的問題，把過去不同時刻的片段重新組織成答案。這件事在文字世界裡已經比較熟悉，因為聊天機器人會記住對話脈絡與使用者偏好；但在影像世界裡，資料密度更高、時序更長，而且許多關鍵資訊在當下並不會被標記成重要事件。換句話說，真正困難的地方不只是理解，而是延後召回。Memories.ai 把這件事當成產品核心，本身就說明產業已開始替瓶頸重新命名。

03｜Physical AI 的瓶頸開始換位：從即時理解走向延後召回

聊天機器人主要處理的是文件、訊息與網頁，但視覺世界不是這樣。穿戴式裝置與機器人面對的，是持續流動、尚未整理過的現場。Meta 在 2024 年 9 月替 Ray-Ban Meta 眼鏡加入的新 AI 功能，其實已經透露出這條路線的需求雛形。官方公告明確提到，這些功能包括幫使用者記住停車位置、即時翻譯，以及更多互動式 AI 能力。市場對穿戴式 AI 的期待，已經不再只是「眼前看到了什麼」，而是「之後還能不能接續這段經驗」。

若從產業結構來看，這更像是一個「終端入口尚未完全成熟，但上游能力已開始卡位」的訊號。終端入口目前仍主要掌握在大型平台與裝置商手中，例如 Meta 的眼鏡生態，或未來其他穿戴式裝置與機器人平台。至於晶片、訓練與開發工具鏈，則高度集中在輝達與處理器合作夥伴手中。Memories.ai 這類公司想佔的位置，不是通用模型本身，也不是消費型入口，而是在裝置、模型與現場資料之間，補上一層可被召回的視覺記憶。這一層未必最後一定會由獨立新創掌握，但它正在被市場明確化。

04｜穿戴裝置與機器人會先需要它，因為它們面對的是尚未整理的現場

視覺記憶會先在穿戴式裝置與機器人身上變得重要，因為它們面對的不是文件，而是不斷流動、無法事先整理的現場。

外媒提到 Memories.ai 已使用輝達工具；Memories.ai 官方則宣佈與高通合作，目標是在 2026 年起讓 LVMM 2.0 原生跑在高通處理器上，主打讓使用者與企業能在裝置端安全、快速地搜尋與分析視覺內容。

這裡透露出一個很實際的產業邏輯：如果視覺記憶一定得全數放上雲端處理，延遲、成本、頻寬與隱私問題就會一起浮現；但如果能在裝置端或邊緣端完成更多索引與召回，記憶能力才比較有機會進入日常工作流程。也因此，這個題目已不只是模型問題，而是晶片、系統架構與資料治理被一起拉進來。

輝達在 GTC 2026 強調 Vision AI 與 Cosmos Reason 2，高通則出現在裝置端落地的脈絡裡。這並不等於 Memories.ai 已被兩大平台正式定義為核心夥伴，但至少說明，它切入的問題，正好對應目前算力平台與裝置端 AI 的共同方向。

05｜輝達與高通同時入場，說明這題已從概念展示走向部署現實

到目前為止，關於 Memories.ai 的大量資訊，主要仍來自公司官方與 TechCrunch 的報導。外界確實可以確認它已有 LVMM、LVMM 2.0 與高通合作，也能確認它把自己定位成視覺記憶層；但第三方可驗證的大規模商業案例，公開資訊仍然有限。

此外，很多企業今天真正需要的，也許不是高階的視覺記憶層，而是先把現有的錄影、標記、異常偵測與搜尋流程做穩。若現場連鏡頭佈建、權限管理、事件標籤都還沒有標準化，現在就談視覺記憶層，可能仍然太早。

這也是為什麼現在不應把 Memories.ai 當成已被完全驗證的贏家，而是把它視為一個有代表性的訊號：市場正在把問題從「影像辨識」重新界定為「影像記憶」。這個命名轉變本身，就值得持續觀察。

06｜現在還不能把它當成定局，但市場已開始重命名問題

現在更合理的判斷，不是急著把它視為成熟答案，而是先把它當成產業開始重新定義問題的一個訊號。

第一種是製造、物流與巡檢。當一位維修工程師戴著 AI 眼鏡走過設備區，真正高價值的功能，不是當場辨識出零件名稱，而是下午追查異常時，系統能不能回憶起早上哪一台機器曾出現異音、當時周邊是否有其他作業干擾、操作順序又是否異常。

第二種是醫療照護、客服或門市輔助。當主管需要回頭檢視某段互動過程時，能否用權限可控的方式迅速調出畫面，會直接影響訓練、稽核與責任歸屬。這些應用還需要大量驗證，但它們已經明確對應到視覺記憶層的價值主張。

因此，企業現在就可以先用一個簡單的三個問題框架來看這類方案。

第一個問題：你的需求是即時辨識，還是事後召回？若只是當下警示，未必需要視覺記憶層；若要跨班次、跨事件追查，記憶與索引能力就會開始變得重要。

第二個問題：資料必須上雲，還是能留在裝置端或邊緣端？這會直接影響資安、頻寬與總持有成本。

第三個問題：誰能調閱、保存多久、如何刪除？若這三件事沒有事先定義，再好的展示也不適合直接進入正式流程。Memories.ai 官方把「資料留在本地端」當成主張之一，正好反映這類採購問題早已不是附屬條件，而是核心條件。

對 CIO、資安、法遵與採購部門來說，至少還要再補看四個檢核點。其一，召回準確度要如何驗證，不能只看成功展示。其二，裝置端執行時的延遲、耗電與硬體限制。其三，是否支援權限分層、稽核記錄與刪除機制。其四，是否會被單一晶片、單一模型或單一供應商格式綁住。這些問題目前不是 Memories.ai 一家公司的特例，而是所有「會記得比你更多」的 AI 系統都必須面對的治理現實。

07｜接下來真正要看的，不是故事大小，而是商用與治理指標是否成形

接下來真正決定這個類別能否成立的，不是概念有多新，而是商用條件與治理條件能不能被逐一驗證。

第一，Memories.ai 的產品定位與市場位置，目前主要仍由官方資料與外媒的報導支撐，第三方可獨立驗證的企業案例仍然有限。第二，外媒提到它瞄準穿戴式裝置與機器人場景，但還不能因此推論它已經拿下具名大型客戶。第三，視覺記憶層是否真的會變成新的必要中介層，接下來還要看兩件事：大平台會選擇自建、投資還是收購，以及裝置端部署能否在成本與耗能上進入可商用範圍。這些條件目前都還在形成中。

接下來更值得持續觀察的，是三個指標。第一，是否出現具名終端裝置、企業客戶或量產合作。第二，裝置端執行是否真的能在延遲、耗電與成本之間，達到可商用的水準。第三，企業與監管文件裡，是否開始明確出現「視覺記憶保存」「召回權限」「刪除機制」這類新條款。若這三件事一起出現，就表示這不再只是單一新創的敘事，而是整個類別開始從概念走向現實。

總結｜視覺記憶層不是新名詞包裝，而是 Physical AI 能否進入正式流程的分水嶺

AI 產業正在替 Physical AI 補上一塊過去較少被單獨命名的能力缺口，也就是長時間視覺記憶。過去大家更關心模型能不能看懂、能不能推理、能不能即時回答；現在像 Memories.ai 這樣的公司，正在提醒市場，若系統不能把過去看過的畫面轉成可召回、可追問、可重組的經驗，那很多穿戴式裝置與機器人應用都會停留在展示層，而不是工作流程層。

未來企業未必只會比較哪個裝置鏡頭更好、哪個多模態模型更強，而會開始比較誰更能處理連續影像、誰更能在裝置端保留資料、誰能在低延遲前提下完成召回、誰又能把記憶能力放進可治理的架構。

接下來值得我們關注的是：未來 12 到 18 個月內，是否會有具名終端產品把視覺記憶從展示變成標準功能。另外，當你的 AI 系統開始記得比員工更多的現場片段時，你有沒有先定義誰能看、誰能刪、誰要負責。

FAQ:

Q1｜Memories.ai 到底是在做新的 AI 眼鏡，還是在做底層技術？

Memories.ai 目前較準確的定位，是在做視覺記憶層相關的底層技術，而不是以消費型 AI 眼鏡品牌自居。依據 TechCrunch 與官方資料，它的核心是 Large Visual Memory Model（LVMM）與 LVMM 2.0，目標是替穿戴式裝置、機器人與其他 Physical AI 系統提供可搜尋、可召回的視覺記憶能力。

依據在於，TechCrunch 將其描述為 building the visual memory layer for wearables and robotics；官方則把產品重點放在 on-device visual memory 與 Qualcomm 處理器合作。限制在於，這不代表它未來不會推出更完整的終端產品，但就目前公開資訊來看，它更像是在卡位技術堆疊中的中介層。對企業的意義是，評估這家公司時，不該把它當成一般硬體品牌，而應該看它是否能補上你現有 AI 眼鏡、攝影機或機器人的「記憶能力缺口」。

Q2｜視覺記憶層和一般影片搜尋、監視器回放，有什麼不同？

視覺記憶層的重點，不只是把影像存起來，而是讓系統之後能依照新的問題，把過去片段重新找出來並回答。一般監視器回放通常是依時間軸回看；一般影片搜尋也常依既有標籤、事件或關鍵字查找。Memories.ai 所描繪的 visual memory layer，則更接近讓 AI 把連續影像先做結構化處理，再在後續用新的查詢條件去召回與重組內容。

這個差異的依據，來自官方對 LVMM 2.0「search and analyze visual moments」的描述，以及 TechCrunch 對 indexing 與 retrieval 的說法。限制在於，目前公開資料仍以產品敘事為主，外界還看不到大量第三方企業案例，因此不能把它直接理解成所有場景都已經成熟可用。實務上，台灣企業若在工廠巡檢、門市稽核或照護流程裡考慮這類能力，真正該問的是：你要的是單純錄影查找，還是能因為新的問題重新推理過去發生過什麼。

Q3｜為什麼視覺記憶層現在才開始被重視，而不是前幾年就已經成熟？

因為裝置端 AI、Vision AI 與 Physical AI 近一年才開始比較明確地走向可部署階段，市場才有空間把「記憶」獨立成一個能力層。輝達在 2026 年 1 月與 GTC 2026 的官方資料裡，持續把 Cosmos Reason 2、Vision AI、影片摘要與 Physical AI 放在核心敘事中；Meta 則在 2024 年已替 Ray-Ban Meta 眼鏡加入記住停車位置等功能。這些訊號都說明，市場對視覺系統的期待正從「看見」走向「持續互動與回想」。

限制在於，這仍然是形成中的方向，不代表商業模式與技術架構都已經定型。現在比較合理的理解方式是，終端裝置算力提升、裝置端部署需求升高，加上視覺資料量快速增加，讓這個題目終於有機會被單獨提出。對決策者的意義是，現在不必急著把所有場景都導入，但應開始建立判斷標準，尤其是資料留在本地端的可行性、延遲與耗電是否可接受，以及權限與刪除機制是否明確。

Q4｜Memories.ai 已經證明自己是視覺記憶賽道的領先者了嗎？

目前還不能這樣下定論。可以確認的是，TechCrunch 已報導其產品方向，官方也已發表 LVMM 2.0 並宣佈與 Qualcomm 合作；但公開可見的第三方企業落地案例仍有限，因此較安全的說法是，它是一家很早就把「視覺記憶層」講清楚、並開始往部署推進的新創，而不是已被市場完全證明的勝出者。

依據在於，目前可直接核實的多數資訊，仍來自媒體報導與公司官方。限制很清楚：尚未看到大量具名企業用戶、標準化採購條款或完整量產案例。對投資人與企業來說，這代表現在比較適合把它視為一個前瞻訊號，而不是直接當成市場標準答案。行動上，比起急著判斷誰贏，更值得看的是未來一年內有沒有具名終端產品、企業流程或治理框架開始圍繞這類能力成形。

Q5｜如果台灣企業要評估這類視覺記憶方案，第一步該看什麼？

第一步不是看 demo 多炫，而是先分清楚你的場景到底需要即時辨識，還是需要事後召回。若是工廠巡檢、醫療照護、物流稽核、門市訓練這類流程，常常會有「事後追問當時發生什麼」的需求，那麼視覺記憶能力就可能比單純辨識更重要。若只是要當場警示或辨識異常，則未必需要把系統升級到記憶層。這是最關鍵的分界。

接著要看三件事：資料是上雲還是留在裝置端、誰能調閱與保存多久、召回準確度怎麼驗證。Memories.ai 官方把 keep data local 與 on-device 執行當成主張之一，正好說明這些問題不是附帶條件，而是核心採購條件。限制在於，不同部門會有不同答案，CIO 看的會是系統整合與頻寬，法遵看的會是刪除與權限，採購看的則是供應商鎖定。實務上最好的做法，不是直接買最大方案，而是先挑一個高價值、低爭議的流程做試點，再用稽核條件驗證能否擴大。

Q6｜視覺記憶層最大的風險是什麼？是隱私，還是技術還不成熟？

兩者都是，而且彼此會互相放大。技術面最大的風險，是系統可能召回不準、誤把不同片段串在一起，或在裝置端執行時碰到延遲、耗電與成本限制。治理面最大的風險，則是企業在系統開始「記得比員工更多」之前，沒有先定義誰能看、保存多久、如何刪除。官方強調 on-device 與 keep data local，確實有助降低部分風險，但這不等於治理問題自然消失。

限制在於，目前這些風險還很難用統一數字量化，因為公開案例不夠多。對企業最務實的做法，不是等到市場完全成熟才開始想，而是在 PoC 階段就把稽核、權限、刪除機制一起放進設計。對台灣的工廠、醫療單位、連鎖門市或客服中心來說，真正該防的不是「有沒有這種技術」，而是技術先進場了，治理還沒準備好。

參考資料：

閱讀推薦：

文/ 睿客

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

Section image

JUDGEMENT

We help you make better judgement about AI.

不是更快知道 AI 新聞，而是更早做出你能承擔後果的判斷。

InfoAI 存在的目的
是把 AI 的變化，轉換成可被理解、可被評估、可被行動的判斷框架。

上一篇下一篇
Cookie的使用
我們使用cookie來改善瀏覽體驗、保證安全性和資料收集。一旦點擊接受，就表示你接受這些用於廣告和分析的cookie。你可以隨時更改你的cookie設定。 了解更多
全部接受
設定
全部拒絕
Cookie 設定
必要的Cookies
這些cookies支援安全性、網路管理和可訪問性等核心功能。這些cookies無法關閉。
分析性Cookies
這些cookies幫助我們更了解訪客與我們網站的互動情況，並幫助我們發現錯誤。
偏好的Cookies
這些cookies允許網站記住你的選擇，以提升功能性與個人化。
儲存