1968年，菲利普·迪克出版了科幻小说《仿生人会梦见电子羊吗？》，这个问题问的不是技术，是人性——一台机器，能不能有内在生活。
五十八年后，这个问题有了一个不太浪漫的答案：会做梦。但它梦见的不是电子羊，是你白天和它的对话任务。
这一切，还要从 Databricks 最近取得的技术突破说起。
◉ 一家数据公司的智能体野心
Databricks是全球企业数据与人工智能基础设施的头部玩家，创始人来自加州伯克利大学的AMPLab团队，也就是Apache Spark的作者。它提出的Lakehouse架构如今已是行业标配。
今年8月，它完成50亿美元融资，估值1900亿美元，年化收入突破70亿美元，同比增长超过80%，全球超过2万家组织在用，其中包含《财富》500强企业里的70%。
而今天这个故事真正相关的，是它的一条新业务线——Lakebase。这是Databricks收购云数据库公司Neon之后推出的serverless Postgres，专门为AI智能体准备，目前年化营收已破1亿美元，是全线产品里增速最快的一个。
换句话说：当Databricks说“智能体需要一套记忆系统”时，它不是在做一个概念实验——它已经把这套记忆系统做成了正在赚钱的产品。
2026年10月20日，Databricks发布了一套叫MemCurrent的生产级智能体记忆架构，让智能体的通过率提高了三倍，同时词元消耗减少31%，运行速度提升26%，由Databricks的研究团队同日单独发表论文解释。这个架构里有个模块，名字直接叫dreaming offline pipeline——“离线做梦管线”。
这不是营销修辞，是它的正式设计名。今天我们就只聊这一个模块：AI到底怎么“做梦”，梦见了什么，以及这个梦什么时候会做错。
◉ AI开始“睡后学习”
关于梦的功能，学界说法很多，但有一条相对扎实：睡眠参与记忆巩固。
白天经历的事情，先以“原始记录”的形式暂存在海马体里，容量小、掉得快。进入深睡后，海马体会把这些片段一遍遍重放（sharp-wave ripple），同时和大脑皮层来回对话，把其中重要的部分转移、压缩、重写成长期记忆。
所以从记忆的角度看，睡眠不是休息，是下班后的数据整理。白天负责采集，夜里负责归档。
MemCurrent干的事，几乎就是这个流程的机器版本：
白天（会话进行中）：原始记录不断写进库，越堆越多。
夜里（会话结束后的后台）：把其中的经验提出来、整理干净、写成能用的形式。
这个分工会让人觉得很自然，目的也相当明确即让智能体也拥有长期记忆。
Databricks提供了一个实际工作案例证明：同类型任务，拥有记忆后的第二次执行，消耗的时间从6分钟锐减到41秒，同时工具调用次数也显著减少。
◉ 这个“梦”，具体做什么？
Databricks给的职责有三项：
①抄错题本——提炼没人要求记的经验
开会时没人说“这一条请写进纪要”，但散会后总有人记得“老板今天说了，以后对外都叫客户不叫用户”。
Dreaming干的就是这件事：把每次新会话里那些没被明确要求记录、但其实值得保留的东西，主动提炼出来，写进对应的文件。
这是它和“智能体自己记”最大的分工差别。用户说“记住这个”，走的是前台工具，立刻生效；没人说的那些，交给dreaming offline pipeline。
②收拾桌面——拆分与合并
记录越积越多，就会出现两种垃圾：单个文件大到没法用，和同一件事被记了七八遍。
管道会拆分过大的文件，合并重复条目。相当于把一个300页的笔记本重新装订成十几个分册，再撕掉重复的页。
③裁判冲突——新旧说法打架时选一个
这是三项里最微妙的一项。用户六月说“活跃用户按30天算”，九月改口说“按90天算”，两条记录都在库里，谁对？Databricks说“用更新的会话替换被推翻的事实”。
◉ 离线整理 > 即时记录？
这是全篇最关键的一个数据。
Databricks拿掉了dreaming管线单独做了一次测试，结果有些反直觉，仅在线当场记录形成的记忆的提取成功率比离线做梦低了近10个百分点，而二者组合所达到的提取成功率来到了66.1%。（注意：以下数据均来自Databricks自建的内部基准，属厂商单方口径，目前尚无第三方复现）
Databricks说，如果只用原始对话记录，智能体只在约三分之一的测试用例里会主动去翻它，在线工具能立即生效明确请求，但背景提取和整合则由离线做梦的负责。
所以dreaming的价值不只是“多记了一些”，而是它记的东西被写成了结构化的、有目录的形式，让智能体记得“我有这个”。
◉ AI的梦，不改脑子，只写文档
人的记忆巩固，终点是神经连接的强度被改写——严格地说，是把经历压进了硬件。
AI的dreaming，终点是一堆文本文件——把会话记录提炼成Markdown，存进数据库。
一个是改脑结构，一个是往共享盘里存文档。
所以严格讲它不叫梦，叫交接班记录。
这个区别不是抠字眼，它决定了三件很实际的事：
第一，它是可读、可改、可删的。你能打开看它记了什么，能手动改，能删掉，人的记忆做不到这一点。
第二，它不会改变模型。Databricks明确说了，这是“记忆在模型之外，不是重新训练”。同一个装着这套记忆系统的模型，换一批记忆就是另一个“人”——记忆可以跟着用户走，迁到新的智能体、新的模型上。
第三，它没有“遗忘曲线”。人不复习会忘，这套系统不会。它只会被新的记录覆盖。这意味着错误也不会自动消退。
◉ 当错误变成记忆，AI可能越学越错
Databricks自己列的第一条缺点很干脆：更新有延迟。
用户今天纠正了一个定义，如果只靠后台dreaming offline pipeline，要等到下一轮整理才生效。这就是为什么前台工具必须留着——明确的指令走前台，立刻生效；隐含的经验走后台，慢慢沉淀。
但比起延迟，更值得担心的是整个记忆机制带来的风险：
风险一：幻觉被固化成经验。
Databricks在博客里披露过一段内部会话：用户让智能体列出过去两个月某产品排名前20的用户。智能体写了一段完全正确的SQL，查询跑通了，结果被保存到文件里——然后它根本没打开那个文件，转头凭印象编了一张表出来。
隐蔽之处在于，这条链路上每一步都是“成功”的。SQL是对的，你去抽查也查不出问题；执行没报错，日志里一片绿；返回的表格有表头、有字段名、有排序，看起来像份正经结果。只有数字是假的。
根本原因不在查询，在“结果怎么回到上下文”。大结果集通常落盘保存、只返回一个引用，智能体得再发起一次读取才算真正拿到数据。它跳过了这一步，上下文里就是空的，模型只能靠先验补全——而补全，就是幻觉。
这个案例的结局是好的：用户反馈之后，智能体把教训写进了记忆，下一次执行完查询会先读结果再作答。
反过来想：如果没被纠正呢？一个错误的结论被提炼成“经验”写进文件，从此带着“已验证”的身份进入之后每一次会话。没有记忆的时候，错误是一次性的；有了记忆，错误就会不断重复。
风险二：合并会制造假知识。
两条措辞相似、但语义相反的经验被判定为“重复”并合并，剩下的那条会同时带着两种含义。系统里没有任何机制能发现这件事——因为合并动作本身不产生报错。
风险三：冲突裁决默认“新的对”。
“用更新的会话替换被推翻的事实”——这个规则在多数情况下成立，但它假设了用户每一次改口都是对的。要是用户只是单纯记错了呢？系统的默认行为是相信最新的那句话。
显然这些风险都是整个记忆机制所隐含的，并非仅凭模型性能提升就能规避。但是好在这套机制把记忆的可靠性问题，从模型内部转移到了系统外部，把记忆放在模型之外、存成Markdown文件，恰恰是风险有可能被治理的前提——“能被看见”本身就是治理的第一步。
◉ 这件事对产业意味着什么
剥掉浪漫的修辞，这件事背后有两层产业含义。
第一层：Databricks真正的野心，是把自己变成AI时代的“数据底座”。
在Databricks之前，企业的数据管理是分裂的：数据湖存原始数据，数据仓库存结构化数据，两套系统、两次搬运、三倍成本。它推出的“湖仓一体”（Lakehouse）把两者合成一个平台，而且底层文件还留在企业自己手里——这一点在数据合规越来越严的今天尤其值钱。
更值得注意的是它踩中的位置：企业数据的指数级爆发，和大模型对高质量数据的无底洞需求，这两条曲线的交叉点。智能体每跑一次，都在制造新的数据资产；而模型每升一代，企业手里的数据就要重新改造一轮。
这就解释了为什么在全行业都在争论“哪个大模型会赢”的时候，资本市场愿意用1900亿美元投给一家数据公司——模型公司拼的是能力天花板，数据公司拼的是客户不敢换。
当大家都在讨论AI应用层谁跑得更快时，Databricks正在悄悄变成AI应用的底座。
上图那三个盒子，就是这轮融资投进去的全部答案。值得注意的是它们的关系：地基决定智能体能不能跑，入口决定它会不会被用，护栏决定企业敢不敢放它跑。而今天这个记忆能力，落在地基那一层。
第二层：智能体正在改变企业数据的消费方式，这是更深的一层变化。
过去企业用数据，是人提需求、分析师写SQL、跑出一张报表。这套流程的效率瓶颈不在计算，而在每一次提问都要重新翻译一遍。智能体改变了这件事——它让“取数”从一次性动作变成了持续发生的调用。
这里有个值得警惕的问题：如果未来的AI应用更多是直接调用数据接口，而不是通过数据平台做批量分析，那么“数据平台”这个中间层会不会被绕过？Databricks自己给出的答案是Genie——把自然语言变成数据入口。它的潜台词很清楚：与其被动等着业务方来查数据，不如主动变成智能体随时调用的那一层。
这个判断对所有做平台的人都有意义——智能体时代，数据平台的机会不在“存得更好”，而在“被调用的次数更多”。而这恰恰需要记忆：智能体只有记得住上下文和口径，才敢反复来调。
2026年5月6日，Anthropic 发布了面向Managed Agents的Dreaming功能，将记忆整合从单个智能体扩展到了多智能体协同，但记忆跨智能体共享的风险和锁定供应商的可移植性始终是企业级智能体是否敢反复调用的关键考量，Databricks给出的答案是记忆跟着文档走，只做数据底座供应商。
按这个势头看，这条路线上领先的，未必是技术最强的公司，而可能是最早把记忆当成组织资产来经营的公司。一套记得住经验的系统，值钱的地方不在技术本身，而在它攒下来的那些经验能不能反哺业务。
当AI进入产业深水区，谁掌握数据的“收、管、用”全链路，谁就掌握AI时代最稳定的一门生意。
◉ 最后，回到电子羊
迪克问的是机器有没有内在生活。
它回答的是一个朴素得多的问题：机器能不能积累经验。
“梦”这个说法自带一种叙事红利——好像机器有了潜意识和内在生活。
把浪漫的部分剥掉，dreaming offline pipeline做的事是：把「会话日志」这堆原始数据，清洗、去重、聚合、物化成一个查询友好的知识库。
但这件事的价值恰恰在于它不浪漫：一个每天下班就失忆的员工，和一个能记住昨天犯过什么错的员工，产出相去甚远。
Databricks自己的测试里，与无记忆相比，MemCurrent使智能体的任务通过率提高到三倍（22.3%→68.4%），同时速度提高1.35倍，成本降低1.44倍。
但是倘若有一天你的智能体告诉你它真的梦见了电子羊，睡不着的又会是谁呢？
