ChatGPT ya recuerda tus conversaciones. Gemini recuerda tus preferencias. Grok guarda contexto entre chats. Pero toda esa memoria es de texto. Lo que describes, lo que escribes, lo que preguntas. Cuando la IA necesita recordar lo que vio, el problema es completamente distinto.
Eso es exactamente lo que Memories.ai está construyendo. Y lo anunció esta semana en GTC 2026 junto con una colaboración con NVIDIA.
¿Qué hace Memories.ai y de dónde viene?
Shawn Shen y Ben Zhou construyeron el sistema de IA detrás de las gafas Ray-Ban de Meta. Mientras trabajaban en eso, se dieron cuenta de un problema fundamental: las gafas podían grabar video, pero no podían recordar lo que habían grabado de forma útil. ¿De qué sirve grabar si después no puedes buscar ni recuperar ese contexto?
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀Buscaron si alguien estaba resolviendo ese problema. Nadie lo hacía. Así que se fueron de Meta y fundaron Memories.ai en 2024.
La empresa ha levantado $16 millones hasta ahora: un seed de $8M en julio de 2025 y una extensión de otros $8M. Susa Ventures lideró la ronda, con participación de Seedcamp, Fusion Fund y Crane Venture Partners.
Por qué la memoria visual es más difícil que la textual
La memoria de texto tiene una ventaja estructural: el texto ya está indexado. Buscar “qué me dijiste sobre el presupuesto” es un problema de recuperación semántica sobre tokens que ya están organizados. Hay décadas de infraestructura para eso.
El video es completamente diferente. Un minuto de video a resolución normal genera gigabytes de datos no estructurados. Indexarlo de forma que sea recuperable — “¿dónde puse mis llaves?” o “¿cómo se llamaba la persona que conocí en la conferencia del martes?” — requiere convertir secuencias visuales continuas en representaciones que se puedan buscar, comparar y recuperar semánticamente.
Memories.ai lanzó su Large Visual Memory Model (LVMM) en julio de 2025. En GTC, anunció la segunda generación del modelo y una colaboración con NVIDIA: el LVMM usa Cosmos-Reason 2 (el modelo de visión-lenguaje con razonamiento de NVIDIA) y NVIDIA Metropolis para búsqueda y summarización de video.
También hay colaboración con Qualcomm para correr el modelo en procesadores móviles — fundamental para wearables con batería limitada.
Por qué importa: la capa de memoria del mundo físico
Los robots que opera el robot de la TUM para encontrar objetos tienen un problema similar: necesitan recordar dónde estaban las cosas, qué cambió en el entorno, qué observaron en el turno anterior. La memoria de texto no sirve para eso.
Los wearables de próxima generación — desde las gafas Ray-Ban hasta hipotéticos dispositivos de salud que monitorean tu entorno constantemente — van a generar streams de video continuos. Sin una capa de memoria visual eficiente, esos datos son basura. Con ella, se vuelven contexto accionable.
Memories.ai está apostando a que esa infraestructura de memoria visual va a ser tan fundamental para la IA del mundo físico como las bases de datos vectoriales lo fueron para los chatbots. La startup no quiere vender el hardware ni las apps finales. Quiere ser la capa de memoria sobre la que otros construyan.
Es una posición de infraestructura — difícil de construir, difícil de reemplazar si funciona bien. El riesgo es que NVIDIA, Meta, Apple o Google decidan construir esa capa internamente. La oportunidad es que la complejidad del problema los mantenga comprando en vez de construir durante los próximos años.
