（问题）现实生活中，人们对重要经历的回忆往往跨越多年：某次聚会的细节、一次旅行的片段，能够在需要时被迅速唤起；然而，当前视频理解系统在面对超长时序信息时普遍存在“记不住、找不到、用不好”的困境。研究团队指出，即便是最先进的多模态模型，在处理持续数小时乃至跨日跨月的视频内容时，也容易出现性能波动甚至明显下滑，难以支撑“伴随式”智能服务、长期照护、安防巡检、工业运维等对连续记忆与可追溯理解的需求。 （原因）研究认为，症结不在于简单的模型规模不足，而在于数据形态与现实时间结构的根本差异。传统视频数据多以连续拍摄为主，模型接收到的“观察时长”与现实中的“物理时间跨度”几乎一致：看10小时即对应现实10小时。但真实世界的记录更像“断续日志”——拍摄与空白交替存在，大量关键事件发生在未被记录的间隙，且概念与场景随时间显著变化。模型若仍以连续上下文的方式堆叠信息，容易触碰“工作记忆”上限，导致信息拥塞、摘要失真与检索迷航。研究团队将该现象概括为两类典型失效：一是“上下文饱和”，即输入增加并不带来稳定提升，反而引发输出波动；二是“全局定位崩溃”，即当时间轴从小时拉长到周、月尺度，系统难以在大跨度中准确定位目标事件，检索效率与准确率同步下降。 （影响）上述问题直接制约智能系统走向长期陪伴与复杂决策。一上，长时序理解不稳会削弱智能体真实环境中的可信度，导致“答非所问”“记忆错位”等风险；另一上，无法稀疏记录中建立清晰的时间索引与事件脉络，也将限制技术在医疗随访、老年照护、城市治理、生产安全等领域的落地效果。业内人士认为，若长期记忆能力无法突破，智能系统将难以从“短任务工具”升级为“可持续协作伙伴”。 （对策）针对这一挑战，研究团队提出面向“终身视频”的数据与方法体系。其一，构建MM-Lifelong数据集，覆盖181.1小时视频内容，时间尺度从一天延展到一个月，并刻意模拟真实生活中“拍一段、停一段”的记录方式，使“观察时长”与“物理时间跨度”显著拉开，从源头检验模型面对时间稀疏与概念漂移的能力。其二，在方法上提出递归式多模态智能体思路，不以无限扩展上下文为目标，而是通过分段观察、阶段性总结与动态记忆管理，将长视频拆解为可控单元，形成可更新的“记忆库”。研究强调，记忆系统需要具备“保留关键信息、淘汰冗余内容、按需回溯检索”的闭环能力，使模型在长跨度任务中保持稳定表现，并在需要时快速定位有关片段与线索。 （前景）多位研究者认为，面向“终身”场景的评测与架构将成为下一阶段视频理解的重要方向。随着可穿戴设备、家居摄像头与移动终端的普及，跨日跨月的碎片化多模态数据将不断增长，智能系统若能在保护隐私与合规使用前提下实现长期记忆与精准检索，将在个性化服务、健康管理、工业质检、应急处置诸上释放更大价值。，长期记忆也对数据安全、最小化采集、可解释与可控遗忘提出更高要求，未来技术路线或将更强调“可管理的记忆”而非“无限存储的记忆”，推动形成兼顾能力与治理的产业生态。
这项跨国合作研究标志着人工智能向拟人化认知迈出了重要一步。该突破不仅展示了科研机构的创新能力，也为全球人工智能发展提供了新思路。当技术能够像人类一样积累和调用长期记忆时，我们可能正站在智能进化的新起点上。