2026年1月12日，DeepSeek聯合北京大學在arXiv上釋出的《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》論文，以及同步開源的Engram（記憶痕跡）核心模組，堪稱大模型技術演進的一次關鍵轉向。這項被視作DeepSeek-V4“技術底牌”的創新，以“查—算分離”的全新機制，跳出了“引數越大、算力越足、模型越強”的傳統內卷路徑，為大模型突破效能瓶頸提供了更精巧的解決方案，更將引發AI產業鏈的價值重估與格局洗牌。
一、 傳統大模型的“低效痛點”：用計算模擬記憶，純屬“殺雞用牛刀”
要理解Engram的革命性，首先得看清傳統Transformer模型的核心缺陷。
在處理“莎士比亞的全名是甚麼”“珠穆朗瑪峰的高度是多少”這類確定性知識問題時，傳統大模型的操作堪稱“大材小用”：它不會像人類一樣直接調取記憶庫裡的答案，而是要啟動多層神經網路，透過複雜的矩陣運算、注意力機制層層推導，最終“拼湊”出結果。這種模式本質上是用“動態深度計算”去模擬“靜態知識檢索”，不僅耗時耗力，還造成了巨大的算力資源浪費。
打個比方，這就像讓一個數學家放下微積分研究，專門去背誦九九乘法表——不是做不到，而是完全沒必要，屬於典型的“能力錯配”。隨著大模型引數規模突破千億、萬億級別，這種“用計算代記憶”的模式，帶來的算力成本、部署門檻也水漲船高，成為制約大模型普惠化的關鍵瓶頸。
二、 Engram的核心邏輯：“查算分離”，讓專業的人做專業的事
Engram模組的誕生，正是為了根治上述痛點。它的核心設計哲學，是將大模型的任務拆分為“靜態知識檢索”和“動態推理計算”兩大分支，實現精準分工。
1. “查”：Engram模組負責的靜態記憶檢索
Engram本質上是一個可擴充套件、高效率的現代化查詢表，專門儲存那些確定性、固定化的知識——比如實體名稱、固定短語、歷史事實、公式定理等。它的最大優勢在於，能夠以O(1)的時間複雜度完成檢索，相當於“隨取隨用”。
當模型遇到“Alexander the Great”這個短語時，不需要再透過多層神經網路運算推導，而是直接從Engram的記憶庫中提取對應的語義向量；當使用者詢問“中國的首都是哪裡”時，Engram可以瞬間給出答案，無需模型“絞盡腦汁”計算。
這就像給大模型配備了一個“超級記憶隨身碟”，把那些不需要思考的“死知識”全部存進去，隨用隨取。
2. “算”：Transformer主幹負責的動態組合推理
在Engram接管了“死記硬背”的工作後，Transformer主幹網路終於可以“輕裝上陣”，專注於自己最擅長的事——複雜邏輯推理、創造性內容生成、上下文關聯分析等需要“動腦筋”的任務。
比如，當使用者要求“基於莎士比亞的生平，寫一篇關於人性的散文”時，Engram負責快速檢索莎士比亞的生平事蹟、代表作品等基礎資訊，而Transformer主幹則負責整合這些資訊，進行邏輯梳理、語言組織和創意表達；當使用者提出“設計一個基於區塊鏈的供應鏈管理方案”時，Engram提供區塊鏈相關的基礎概念和技術術語，Transformer主幹則負責方案的架構設計、流程規劃和可行性分析。
這種分工，就像給程式設計師配備了一個智慧IDE：IDE自動補全語法、呼叫函式，程式設計師則專注於核心演算法的設計——效率提升是顯而易見的。
3. 理論支撐：U型縮放定律，最佳化資源配比
論文中還提出了一個關鍵發現：神經計算（MoE）與靜態記憶（Engram）之間存在一種U型縮放定律。這一定律揭示了兩者之間的資源最佳化配比關係——不是一味增加某一方的資源投入，而是找到兩者的平衡點，才能實現效能最大化。
這就意味著，未來大模型的最佳化方向，不再是盲目堆引數、堆算力，而是透過調整“檢索”與“計算”的資源佔比，實現效率與效能的最優解。這為大模型的架構設計提供了明確的理論指導，堪稱是一次“方法論層面的革新”。
三、 實測效能：不止是知識檢索，推理能力也意外飛躍
Engram的價值，不是停留在理論層面的“紙上談兵”，而是在實測中展現出了效能與效率的雙重突破。在27B引數規模的對比實驗中，Engram模型在“等引數、等算力”的條件下，全面超越了傳統的MoE模型，甚至帶來了一些“意外之喜”。
1. 知識檢索能力顯著增強
這是最符合預期的提升。在MMLU、CMMLU等知識密集型任務中，Engram模型的準確率提升了3-4分。畢竟，專門的記憶檢索模組，就是為了解決知識問答的效率問題而生的，這一提升在意料之中。
2. 推理與程式碼數學能力“意外飛躍”
令人驚喜的是，Engram模型不僅在知識任務上表現出色，還在需要深層思考的任務中大放異彩：在BigBench Hard（BBH）推理任務上提升5.0分，在HumanEval程式碼生成任務上提升3.0分，在MATH數學任務上提升2.4分。
這背後的邏輯很簡單：Transformer主幹網路從繁瑣的知識記憶中解放出來後，算力資源被集中用於推理計算，自然能夠“更專注地解題”。就像一個學生不用再死記硬背公式，而是可以把精力放在理解公式的應用邏輯上，解題能力自然會提升。
3. 長上下文理解能力實現“質變”
在32K上下文長度的RULER基準測試中，多查詢“大海撈針”任務的準確率從84.2%躍升至97.0%，這是一個堪稱“質變”的提升。
傳統大模型在處理長上下文時，注意力機制很容易被大量冗餘資訊分散，導致關鍵資訊檢索效率低下。而Engram模組負責處理區域性的固定依賴關係，注意力機制得以解放，能夠更專注於全域性上下文的建模和關鍵資訊的抓取——這就像清理了電腦的記憶體，讓系統執行更加流暢。
四、 產業影響：打破硬體枷鎖，重塑AI產業鏈的價值版圖
Engram技術的顛覆性，遠不止於模型效能的提升，更在於它打破了大模型對高階GPU的“硬體枷鎖”，進而引發整個AI產業鏈的價值重估。
1. 硬體正規化革新：從“GPU視訊記憶體依賴”到“儲存算力協同”
傳統大模型的執行，高度依賴超大容量、超高頻寬的GPU視訊記憶體（HBM），這也是高階GPU價格居高不下的核心原因。而Engram的確定性定址方式，使得系統可以在計算進行時，提前從CPU記憶體（CPU DRAM）中預取所需資料，完美掩蓋了CPU記憶體讀取速度慢的缺陷。
實驗資料顯示，將一個千億引數的Engram詞表完全放置在CPU記憶體中，整體推理吞吐量的損耗小於3%。這意味著甚麼？
- 降低部署門檻：未來執行千億引數模型，可能只需要一張消費級顯示卡負責核心計算，再搭配廉價的大容量CPU記憶體條儲存知識——中小企業、科研機構甚至個人，都能以更低的成本部署大模型。
- 動態知識更新：無需重新訓練整個模型，只需在CPU記憶體中“外掛”新的Engram表，就能讓模型快速學習最新的法律條文、醫療資料、市場動態——這極大降低了垂直行業應用的維護成本，讓大模型的“迭代速度”跟上現實世界的變化。
- 超大規模模型成為可能：透過將“熱知識”（高頻使用）存放在GPU視訊記憶體、“溫知識”（中頻使用）存放在CPU記憶體、“冷知識”（低頻使用）存放在固態硬碟中，理論上可以外掛數萬億引數的超大知識庫，而成本卻遠低於傳統方案。
2. 產業鏈價值重估：誰被利空？誰將受益？
Engram技術的普及，將不可避免地引發AI產業鏈的“價值洗牌”，不同板塊的命運將出現分化。
（1） 偏利空板塊
- 高階GPU製造商：Engram降低了對超大容量HBM視訊記憶體的依賴，市場對頂級算力卡的需求增長可能放緩。不過，這也並非絕對的“利空”——傑文斯悖論告訴我們，成本降低會刺激需求增長，大模型部署門檻的下降，可能會帶來整體GPU市場規模的擴大，只是需求結構會從“高階旗艦”向“中低端普惠”轉移。
- 傳統MoE架構路徑依賴者：那些在純MoE路線上投入巨資研發，卻未能及時跟進“查算分離”架構的公司，可能會面臨技術路線的挑戰。Engram提供了一種更高效的稀疏化新維度，將倒逼整個行業轉向“架構創新”。
- 獨立向量資料庫與知識圖譜服務商：如果未來主流大模型都內建了Engram這樣的高效記憶系統，那麼對於外部結構化知識檢索服務的需求可能會減弱——畢竟，“內建功能”通常比“外接外掛”更便捷。
（2） 利好板塊
- AI推理與服務提供商：以DeepSeek自身、雲廠商為代表的服務商，能夠以更低的硬體成本提供效能更強、知識更新更快的模型服務，利潤率有望大幅提升，同時服務門檻的降低也會帶來更多客戶。
- CPU與記憶體產業鏈：對高容量、高頻寬的CPU DRAM需求將激增，這將直接利好儲存晶片製造商、記憶體模組廠商等相關產業鏈。同時，CPU在AI推理中的價值地位得到顯著提升，打破了GPU的“一家獨大”。
- 邊緣計算與物聯網：更低的部署成本，讓在汽車、手機、機器人等終端裝置上本地執行大引數、高智慧的模型成為可能，加速AI從“雲端”走向“終端”，推動邊緣計算和物聯網的智慧化升級。
- 垂直行業AI應用商：法律、醫療、金融等知識密集型行業，對模型的“知識更新速度”和“定製化成本”要求極高。Engram的動態知識更新能力，讓這些行業的AI定製化落地變得更加容易，有望催生一大批垂直領域的AI應用爆款。
- 開源AI生態：DeepSeek選擇將論文和程式碼完全開源，這將加速全球範圍內對“條件記憶”架構的探索與應用，吸引更多開發者參與到技術迭代中，繁榮整個開源AI工具鏈。
五、 賽道啟示：AI競賽下半場，拼的是“巧勁”而非“蠻力”
Engram技術的出現，標誌著大模型競賽的邏輯發生了根本性轉變——從**“規模擴張”的蠻力時代，轉向“架構創新”的巧勁時代**。
過去幾年，大模型賽道的競爭關鍵詞是“引數”“算力”“資料”：誰的引數更多，誰的算力更強，誰的資料更全，誰就能領先。這種“軍備競賽”式的發展模式，不僅推高了行業門檻，也導致了嚴重的資源浪費。
而Engram的創新告訴我們，大模型的未來，不在於“更大”，而在於“更聰明”——透過更精巧的架構設計，讓模型在更低的成本下，實現更高的效能。這對於缺乏高階GPU資源的科研機構、中小企業甚至國家而言，無疑是一個重大利好：它提供了一條“換道超車”的可能路徑——不用再盲目追逐頂級算力，而是可以透過架構創新，在AI競賽中佔據一席之地。
六、 總結：不止是技術創新，更是思維模式的革命
說到底，Engram的價值，不僅在於它提出了一種“查算分離”的技術方案，更在於它重塑了我們對大模型的認知邏輯。
它讓我們意識到，大模型的核心競爭力，不是“記憶知識的能力”，而是“運用知識的能力”；AI的未來，不是“模擬人類的記憶”，而是“解放人類的思考”。
從更長遠的視角看，Engram的“條件記憶”架構，或許只是大模型向通用人工智慧（AGI）邁進的一小步。但這一小步，卻邁出了AI從“堆砌算力”到“最佳化智慧”的一大步。未來，隨著“查算分離”理念的不斷深化，以及更多創新架構的湧現，大模型終將真正走進千家萬戶，成為普惠化的智慧工具。