DeepSeek 正在改寫 AI 的擴展法則：下一代 AI 的決勝點不再是單純堆砌更大的 GPU 集羣，而是通過更聰明的混合架構，用性價比更高的 DRAM 置換稀缺的 HBM 資源。
據追風交易台消息，摩根士丹利 1 月 21 日發佈的最新研報顯示，DeepSeek 正在通過一種名為 “Engram” 的創新模塊，改變大語言模型的構建方式。其核心突破在於將存儲與計算分離，通過引入 “條件記憶”（Conditional Memory）機制，大幅減少了對昂貴且緊缺的高帶寬內存（HBM）的需求，轉而利用成本更低的普通系統內存（DRAM）來處理複雜的推理任務。
大摩分析師 Shawn Kim 及其團隊認為，DeepSeek 展示瞭如何 “少花錢多辦事”（Doing More With Less）的哲學。這種將存儲與計算分離的技術路徑，不僅緩解了中國面臨的 AI 算力約束，更向市場證明了高效的混合架構才是 AI 的下一個前沿。
這一被大摩重點關注的架構，源自 DeepSeek 創始人梁文鋒團隊與北大合作者在 1 月 13 日發佈的重磅論文《Conditional Memory via Scalable Lookup》。在這篇論文中，團隊首次提出了 “Engram”（印跡）模塊。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/01fc47f2-6706-4ee7-9030-b4761c1ba67c.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="775" height="652" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/01fc47f2-6706-4ee7-9030-b4761c1ba67c.png"/>
<h2 style="text-align: left">告別暴力計算：Engram 模塊與 “條件記憶”</h2>
摩根士丹利在報告中指出，當前的 Transformer 模型在記憶和調用簡單靜態事實時效率極低。例如，處理 “倫敦在英國” 這樣一個簡單查詢，在傳統模型中需要經過多層注意力機制和前饋網絡的昂貴計算才能重構。這種方式浪費了寶貴的 GPU 計算資源。
DeepSeek 的解決方案是引入 “條件記憶”（Conditional Memory）原則，即 Engram 模塊。
這一架構的核心在於將靜態模式存儲與動態推理分離。DeepSeek 不再將所有信息一次性加載到昂貴的 HBM 中，而是將模型的 “圖書館” 或 “字典”（靜態知識）卸載到 CPU 或系統內存（DRAM）中，僅在需要時進行檢索。
大摩分析師在報告中強調：“DeepSeek 將 ‘條件記憶’ 與計算分離，為大語言模型（LLM）解鎖了新的效率水平。Engram 是一種在不通過重載 HBM 的情況下，高效 ‘查找’ 基本信息的方法，從而釋放容量用於更復雜的推理任務。”
這種設計直接解決了當前 AI 基礎設施中最昂貴的瓶頸——HBM。通過減少對 HBM 的佔用，DeepSeek 證明了在現有 GPU 和系統內存架構下提升效率，可以有效減少昂貴的硬件升級需求。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a261b804-5c36-4c2b-b702-858771c1d8a6.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="637" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a261b804-5c36-4c2b-b702-858771c1d8a6.png"/>
<h2 style="text-align: left">基礎設施經濟學：降低 HBM 依賴，放大 DRAM 價值</h2>
這一技術變革最直接的影響在於硬件成本結構的重塑。摩根士丹利指出，Engram 架構通過將靜態模式存儲與動態計算分離，最大限度地減少了對高速內存（HBM）的需求。這意味着，基礎設施的成本可能會從昂貴的 GPU 向更具性價比的內存（DRAM）轉移。
報告詳細拆解了這一數據影響：“雖然論文沒有明確説明，但一個 1000 億參數（100B）的 Engram（假設 FP16/BF16 下每個參數 2 字節）意味着最低需要約 200GB 的系統 DRAM。”
相比之下，英偉達的 Vera Rubin 系統每個 CPU 已經配備了 1.5TB 的 DRAM。分析師計算得出，DeepSeek 的架構意味着 “每台系統對商品化 DRAM 的使用量將增加約 13%”。
這一轉變的投資邏輯非常清晰：
<ol>
<li>
成本結構轉移： 基礎設施成本可能從 GPU 向內存轉移。
</li>
<li>
性價比為王： 計算適中但內存巨大的配置，可能比單純的 GPU 擴展提供更高的 “每美元性能”。
</li>
<li>
內存價值重估： 推理能力的提升超過了知識獲取的增益，表明內存的價值已延伸至計算之外。
</li>
</ol>
<h2 style="text-align: left">“受限誘發的創新”：中國 AI 的突圍之路</h2>
摩根士丹利的數據顯示，儘管在先進算力、硬件獲取和訓練規模上受到限制，中國領先的 AI 模型在過去兩年中迅速縮窄了與全球前沿模型（如 ChatGPT 5.2）的性能差距。DeepSeek V3.2 在標準化基準測試中表現優異，其 MMLU 得分約為 88.5%，編碼能力（SWE-Bench）約為 72%，在推理和效率方面展現出強大競爭力。
報告將這種現象歸結為 “約束誘導的創新”（constraint-induced innovation）。中國 AI 的發展不再單純依賴參數的暴力增長，而是轉向算法效率、系統設計和部署實用主義。摩根士丹利指出：“DeepSeek 正在證明，AI 能力的下一次飛躍可能不是來自更多的 GPU，而是來自學會如何在約束條件下思考。”
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/aff5f06d-9e11-43c8-9d17-8a944d192651.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="236" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/aff5f06d-9e11-43c8-9d17-8a944d192651.png"/>
大摩分析師指出：“從戰略上講，這表明中國 AI 的進步可能越來越不取決於直接縮小硬件差距，而是取決於繞過硬件瓶頸的算法和系統級創新。”
<h2 style="text-align: left">展望未來：消費級顯卡也能跑大模型？</h2>
報告對 DeepSeek 的下一代模型 V4 給出了極具吸引力的預測。大摩預計，利用 Engram 內存架構，V4 在發佈時將實現重大飛躍，特別是在編碼和推理方面。
更令市場關注的是其對硬件門檻的降低。大摩在報告中寫道：“與其前身一樣，該模型極有可能在消費級硬件上運行，消費級硬件（如 RTX 5090）可能就足夠了。”
這意味着高水平 AI 推理的邊際成本將進一步降低，使得 AI 應用能夠更廣泛地部署，而無需完全依賴昂貴的數據中心級 GPU 集羣。
基於上述技術趨勢，摩根士丹利重申了對中國內存和半導體設備本土化主題的看好。
報告明確指出：“通過將內存與計算解耦，中國正在構建不僅更聰明而且結構更高效的 LLM。” 儘管中國 AI 市場的規模仍只是美國的一小部分，但其支出和採用勢頭表明上行空間可能被低估。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/26236e3a-f80f-4ff0-a073-792c634f2179.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="973" height="530" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/26236e3a-f80f-4ff0-a073-792c634f2179.png"/>
~~~~~~~~~~~~~~~~~~~~~~~~
以上精彩內容來自追風交易台。
更詳細的解讀，包括實時解讀、一線研究等內容，請加入【追風交易台▪年度會員】

深度求索

DeepSeek 正以 “少花錢多辦事” 的哲學改寫 AI 擴展法則。摩根士丹利認為，DeepSeek 獨創的 Engram 架構通過 “條件記憶” 將計算與存儲分離，用高性價比 DRAM 置換稀缺 HBM 資源。這不僅重塑了普通存儲的價值，更證明了 AI 下一階段的制勝點不再是暴力堆砌 GPU，而是高效的混合架構。

大摩眼中的 DeepSeek：以存代算、以少勝多！