报告行业投资评级 * 本报告为针对DeepSeek公司“Engram”技术模型的专题分析，未对特定行业或公司给出投资评级 [1] 报告的核心观点 * DeepSeek与北京大学联合发布的Engram模型，通过“条件记忆”机制将静态知识检索与复杂计算分离，在等参数和等计算量约束下，相比传统模型实现了系统性性能提升，并验证了“存算分离”的可行性，为AI基础设施需求结构带来潜在变革 [1][2][6] 技术原理与性能优势 * Engram模型的核心是引入“条件记忆”机制，将大量静态、可复用的知识组织成可扩展的内生记忆表，通过哈希查表实现O(1)时间的快速检索，从而让主干网络的计算资源更专注于深层推理与上下文理解任务 [1][2] * 在总参数量和训练计算量固定的约束下，将约20%的传统参数容量替换为条件记忆模块，能在知识密集型与复杂推理任务上取得显著效果提升，模型性能呈现先升后降的“U形”变化趋势，存在明确的最优区间 [3] * 在等参数、等FLOPs条件下，Engram-27B模型相比MoE-27B基线在多个核心评测中实现系统性提升，包括MMLU提升+3.0、BBH提升+5.0、HumanEval提升+3.0、MATH提升+2.4 [1][7] * 该模型在长上下文任务中表现尤为突出，在多项RULER子任务上显著优于基线，其设计通过将局部重复细节交给记忆查找，释放了主干网络对全局信息整合与长链条推理的专注能力 [1][4] 效率与成本效益 * Engram模型具备优异的训练与计算效率，在长上下文扩展实验中，仅消耗约82%的基线预训练计算量（41k vs 50k）即在部分困惑度指标上达到相当水平，同时在RULER任务上取得更高准确率 [4] * 该模型的可扩展性设计使其记忆容量可以低成本放大，由于每次仅检索固定数量的记忆条目，扩大记忆表规模不会带来计算成本的线性增长，为模型能力提升提供了高效益的扩展路径 [3] * 工程层面，Engram验证了“存算分离”的可行性，支持将大规模参数表卸载至主机内存，即使将规模达100B的记忆参数表卸载，其带来的额外推理开销也可控制在3%以内 [1][6] 对AI基础设施的潜在影响 * Engram的技术路径可能使AI基础设施的“瓶颈位置”从GPU的高带宽内存进一步外溢到DRAM、互联技术和存储系统，推动硬件需求结构从单纯依赖GPU显存扩展，转向“GPU算力、大容量系统内存与高效互联技术”的协同配置 [6][8] * CPU的角色将从“配角”走向“记忆与数据通路的关键节点”，通过确定性检索机制预取主机内存中的数据，与GPU计算重叠以掩盖延迟，端到端验证显示，在NVIDIA H800上将100B参数的Engram层完全卸载至主机内存，吞吐损失控制在3%以内（例如4B密集模型从9031.62 tok/s降至8858.28 tok/s） [6] * 该技术可能在中短期内强化对DRAM的需求弹性，若推动更多AI系统采用DRAM承载大规模静态记忆，可能提升单服务器的DRAM配置量与内存通道价值，同时互联带宽与分层存储体系的重要性将显著提升 [8] 对中国AI产业的意义 * Engram技术为中国大模型产业在高端显存/算力受约束的情况下，提高“每单位硬件的产出”提供了可行路径，其性能增益并非完全依赖硬件资源堆砌，而是通过架构层面的效率优化实现 [7] * 该技术为效率驱动的技术追赶提供了更清晰的路径，并有利于加速技术的规模化落地与产业扩散，特别是在国内政企私有化部署及成本敏感场景中，能以更少的GPU显存需求实现相当性能，提升部署可行性与商业化速度 [7] * DeepSeek已在GitHub同步开源相关论文与代码，大幅降低了产业界的验证、复用与二次开发门槛 [1][7]