AI圈子烧了上千亿美金搞大模型，结果现在全行业卡在了一个比算力更要命的瓶颈上，你猜是什么？
大模型推理速度越来越快，代码越写越长，但一碰到需要连续决策的复杂任务就疯狂翻车，根本原因不是模型不够聪明，而是它们压根不记得自己几分钟前干过啥。这个被硅谷顶级实验室反复验证的认知断层，正在催生一套全新的AI基础设施范式，而它的核心组件，居然是一个比数据库还古老的编程概念。
人工智能的记忆基于情景Context记忆——记录过去发生的事情，而不仅仅是现在发生的事情。而情景记忆就是事件。
本文认为：内存将是人工智能的下一个架构变革：
- 上一次架构变革是GPU替代CPU：GPU 的胜出并非因为其性能优于 CPU，而是因为它能够更好地应对人工智能的实际工作负载；
- 内存领域也正在发生同样的变革，而事件正是与之相匹配的基本单元。
算力革命已经把CPU踹下神坛一次
计算机刚出来那会儿，所有程序都老老实实排队干活。CPU拿到一条指令，执行完再拿下一条，像工厂流水线一样按顺序推进。这种设计支配了整个行业几十年，操作系统、数据库、企业软件统统围着它转。那时候没人觉得有问题，因为所有软件本质上就是一堆顺序执行的步骤。
后来深度学习冒出来了。研究人员突然发现，神经网络干活的方式完全不是那么回事。它不搞顺序执行，而是疯狂做矩阵乘法，一层一层地算数值。这种运算有个特点，可以同时算几千几万个数字，跟CPU那种一个一个来的风格完全不搭。当时不少团队用CPU跑模型，训练一个像样的图像识别网络得花好几个月，基本没法用。
就在这时，有人想起显卡里那个叫GPU的东西。这玩意本来是为了打游戏画画面设计的，需要同时处理屏幕上几百万个像素的颜色亮度。结果一测试，发现它做矩阵运算的速度比CPU快几十倍。2012年那篇AlexNet论文直接炸了圈子，多伦多大学那三位研究者拿两张英伟达游戏显卡，在图像识别比赛上把第二名按在地上摩擦。从那一刻起，整个AI行业开始拆掉原来的算力架子，重新搭一套以GPU为中心的新架子。
不过别急着说CPU完蛋了。事实正好反过来，AI越火，CPU需求越大。你得用CPU调度任务、管理数据、处理网络请求，GPU只负责那堆矩阵计算。现在的大型模型训练集群里，CPU核心数量比几年前翻了十几倍。算力这件事从来不是谁取代谁，而是不同零件干自己最擅长的那摊活。
内存这事可能也要来一遍同样的剧情
既然AI需要的计算方式和传统软件不一样，那它需要的内存方式会不会也不一样？这个问题问出来，很多人第一反应是，内存不就是存东西吗，有啥不一样的？但仔细想想，传统软件对内存的要求特别简单，把当前状态存下来就行。银行账户余额是多少，快递现在在哪个站点，仓库里还剩几件货，这些都是状态。
存状态这个思路之所以管用，是因为传统软件的运行逻辑是死的。程序员提前把业务规则写死，用户什么操作对应什么反馈，全都定好了。数据库只要把当前情况记清楚，软件就能正常干活。这套模式服务了软件行业几十年，至今仍然非常高效。
但AI把这套逻辑推翻了：
大模型从回答问题往长时间自主操作的方向走的时候，光记住现在怎么样远远不够。
- 一个帮你写代码的Agent，需要回头看每一步修改记录，才知道哪个环节引入了Bug。
- 一个做安全分析的Agent，得回放好几个小时的监控数据，才能搞清楚攻击是怎么一点点渗透进来的。
- 一个做研究的Agent，可能之前忽略了某条信息，后来换了假设又重新翻出来看。
这些场景Context里，核心问题已经变成怎么重建行为，而不只是找回信息。
存状态像个快照，咔嚓一下把当前时刻的世界定住。你查账户余额用快照就够了，干净利落。但如果你想弄明白这个余额是怎么从月初的五千变成现在的三千，光看快照啥也看不出来。这时候需要的是另一种记录方式，把每一步操作、每一次判断、每一条反馈都按时间顺序记下来，像录像带一样可以倒回去重放。这就是事件。
事件这东西比你想的古老得多
事件在编程里压根不算新概念。从有软件那天起，就有事件。用户点了个按钮是事件，支付系统返回成功是事件，温度传感器上报数据是事件。传统软件处理事件的套路是，事件来了，执行业务逻辑，更新状态，然后忘掉事件本身。这种设计完全合理，因为软件已经知道自己未来会被问到哪些问题，存够当前状态就行了。
AI把这个假设给掀了。当Agent变得越来越自主，它工作的环境里，明天会被问到什么问题今天根本猜不到。没人能提前规定好一个AI程序员会遇到哪些Bug，也没人知道一个安全分析Agent需要回溯哪段时间的数据。这时候把过去发生的一切全记下来，比只记当前快照有用得多。
单个事件确实没多大意思。用户发了条消息，或者系统调了个API，单独看这条记录说明不了啥。但把成千上万条事件串起来，行为模式就浮现了。一个Agent在什么情况下会调用哪个工具，遇到错误怎么重试，人类给反馈后它调整了哪些策略，这些东西全都藏在事件流里。AI真正要记住的东西不是碎片信息，而是这种连续的行为轨迹。
这也能解释为什么AI行业到现在都说不清楚内存到底指什么：
过去几年冒出来的词一堆，提示词、内存层、上下文、Agent运行时、可观测性、回路，看着像在说不同的功能，其实都在折腾同一件事，怎么让AI系统把过去经历过的东西攒下来并且用得上。
最近上下文工程这个词越来越火，说白了就是把模型周围的信息环境Context设计好，让它不光能看到当前输入，还能翻自己的历史经验。
事件和状态压根不是敌人
每当新技术架构冒出来，行业里总有人急着喊谁要取代谁。但回头看历史，从来不是简单的替代关系。GPU没干掉CPU，只是接手了最适合自己干的那块活。事件和状态的关系也一样，两者解决的是不同层面的问题。
状态回答的是现在是什么，事件回答的是怎么变成这样的。一个电商系统同时需要这两种东西。用户下单后，库存状态要马上更新，不然别人下单就超卖了。同时系统也得记下来，谁在什么时间买了什么东西，用了什么优惠券，支付走的是哪个渠道，这些事件记录将来做数据分析、处理退货、优化推荐都得用。传统软件里这两件事都做，但事件基本用完就扔。AI来了之后，事件的保留价值突然被放大了。
一个拿到大模型API权限的Agent，能调用外部工具、读文档、写代码、发邮件、查数据库。它每做一步都产生事件。这些事件串起来构成整个任务的完整日志。如果这个Agent自己犯了个错，光看最终输出根本看不出来问题出在哪一步。有了完整的事件序列，开发人员可以回放整个过程，观察它在哪个决策点上跑偏了，然后针对性优化提示词或调整工具调用逻辑。
更重要的是，这种机制让AI系统具备了持续学习的能力。传统模型训练完就冻住了，之后的知识全靠重新训练或微调。但一个记录事件的Agent可以从自己的历史行为中提取模式，发现哪些策略在哪些场景下效果好，然后在下一次类似任务里自动调整。这已经不是简单的信息存储，而是经验的累积和复用。
新架子底下藏着旧零件
目前所有主流AI应用框架都在默默干同一件事，把事件作为核心数据模型。
LangChain这类工具把Agent的每次思考、每次工具调用、每次环境观察都当作可追溯的事件来处理。可观测性平台开始收集大模型运行时的完整轨迹，不光看输入输出，还看中间每一步的推理过程。
这种变化的推动力来自一个很实际的痛点：企业把AI集成到业务系统里之后，发现模型的黑盒特性让调试变得异常痛苦。一个客服Agent在某次对话中给了错误建议，运营人员想知道为什么。如果系统只记录了最终回复内容，根本没法分析。但如果有完整的事件流，就可以看到Agent在哪个环节误解了用户问题，调用了哪个不合适的知识库，最后生成了错误答案。这种追溯能力直接决定了AI系统能不能在真实业务场景里用起来。
金融、医疗、法律这些强监管领域对审计的要求更高。一个AI系统做出的决策，必须能说清楚依据是什么。事件记录提供了最自然的审计线索，每步操作都有时间戳、触发条件、执行结果，整个决策链条清晰可见。相比之下，光靠模型参数和输入输出，根本满足不了合规要求。
说到这里可能会觉得事件这东西太技术了，普通用户根本感知不到。确实，用户不关心系统背后用的是事件还是状态，只关心AI能不能靠得住。但恰恰是这种不关心，反过来说明底层架构的重要性。好的基础设施应该是隐形的，它把复杂性消化掉，让上层应用表现得更稳定、更可解释、更值得信任。
回到开头的那个问题，AI圈子花了几千亿把模型能力堆上来之后，发现真正卡脖子的已经不是算力，而是怎么让这些模型记住自己干过什么。
GPU解决了计算的并行化问题，现在事件正在解决记忆的时序化问题。
这两个底层架构的转变，拼在一起才构成了现代AI系统的完整地基。那个1984年苹果广告里砸屏幕的画面，放在今天看依然带劲，只不过这次要砸的可能是我们对内存这俩字的陈旧认知。
原文期刊 / 2026年7月15日 / The Modern AI Stack: Time to "Think Different"...Again / Kirk Dunn，AI基础设施领域技术作者，长期关注Agentic系统和上下文工程 / /