文章核心观点 - DeepSeek通过创新的“Engram”模块和“条件记忆”机制，正在改变大语言模型的构建方式，其核心在于将存储与计算分离，从而减少对昂贵高带宽内存的依赖，转而利用性价比更高的普通系统内存，这代表了下一代AI发展的关键方向，即通过更聪明的混合架构而非单纯堆砌算力来提升效率[1] 技术架构创新：Engram模块与条件记忆 - 当前Transformer模型在记忆和调用简单静态事实时效率极低，处理如“伦敦在英国”的简单查询也需要经过多层注意力机制和前馈网络的昂贵计算，浪费GPU资源[3] - DeepSeek引入“条件记忆”原则和Engram模块，将静态模式存储与动态推理分离，将模型的“图书馆”或“字典”卸载到CPU或系统内存中，仅在需要时检索[3] - 这种设计为大语言模型解锁了新的效率水平，Engram是一种在不重载HBM的情况下高效“查找”基本信息的方法，从而释放HBM容量用于更复杂的推理任务[3] - 该架构直接解决了AI基础设施中最昂贵的HBM瓶颈，在现有硬件架构下提升效率，可减少昂贵的硬件升级需求[3] 硬件成本结构重塑：降低HBM依赖，放大DRAM价值 - Engram架构通过将静态存储与动态计算分离，最大限度地减少了对高速内存的需求，基础设施成本可能从昂贵的GPU向更具性价比的DRAM转移[5] - 一个1000亿参数的Engram模型，在FP16/BF16格式下每个参数2字节，意味着最低需要约200GB的系统DRAM[5] - 相比英伟达Vera Rubin系统每个CPU配备的1.5TB DRAM，DeepSeek的架构意味着每台系统对商品化DRAM的使用量将增加约13%[5] - 投资逻辑转向：计算适中但内存巨大的配置，可能比单纯的GPU扩展提供更高的“每美元性能”；内存的价值已延伸至计算之外[5] 中国AI的竞争态势：约束诱导的创新 - 尽管在先进算力、硬件获取和训练规模上受限，中国领先的AI模型在过去两年中迅速缩窄了与全球前沿模型的性能差距[6] - DeepSeek V3.2在标准化基准测试中表现优异：MMLU得分约为88.5%，编码能力约为72%，在推理和效率方面展现出强大竞争力[6] - 中国AI的发展转向算法效率、系统设计和部署实用主义，AI能力的下一次飞跃可能不是来自更多的GPU，而是来自学会在约束条件下思考[6] - 中国AI的进步可能越来越不取决于直接缩小硬件差距，而是取决于绕过硬件瓶颈的算法和系统级创新[7] 未来展望与市场影响 - 利用Engram内存架构，DeepSeek下一代模型V4在发布时将实现重大飞跃，特别是在编码和推理方面[7] - 该模型极有可能在消费级硬件上运行，消费级硬件可能就足够了，这意味着高水平AI推理的边际成本将进一步降低，使AI应用能更广泛部署[7] - 摩根士丹利重申了对中国内存和半导体设备本土化主题的看好[7] - 通过将内存与计算解耦，中国正在构建不仅更聪明而且结构更高效的大语言模型，其市场支出和采用势头表明上行空间可能被低估[7]