这是一个关于AI底层逻辑重构的时刻。

长期以来，Transformer架构被困在一个昂贵的悖论中：我们用着最先进的GPU算力，去让AI模型“死记硬背”那些查字典就能知道的静态知识。

DeepSeek梁文锋团队与其北大合作者在今日凌晨发布的重磅论文《Conditional Memory via Scalable Lookup》，彻底打破了这一僵局。他们提出了一种全新的Engram（印迹）模块，在传统的“条件计算”（MoE）之外，开辟了第二条稀疏化战线——“条件记忆”。

这不只是一次技术修补，而是一场关于模型“脑容量”的供给侧改革。它证明了：当我们将“记忆”从“计算”中剥离，把该背的交给“字典”，把该算的交给大脑，AI的推理能力将迎来反直觉的爆发式增长。

DeepSeek计划在2月春节前后正式发布V4，而这一刻或许就是DeepSeek V4诞生的前夜。

序章：六层神经网络的“无用功”

故事的起点，源于DeepSeek团队对Transformer内部运作机制的一次“核磁共振”扫描。

在人工智能的黑盒子里，当大模型看到“Diana, Princess of Wales”（戴安娜，威尔士王妃）这个短语时，它的内部发生了一场令人费解且极其昂贵的“内耗”。

研究人员发现，为了识别这个固定的实体，模型竟然动用了整整6层网络：

第1-2层：模型还在琢磨“Wales”大概是一个国家；

第3层：它意识到这是欧洲的一个地理概念；

第4层：它开始拼凑出“Princess of Wales”似乎是一个头衔；

第5层：它联想到了“威尔士亲王的妻子”；

第6层：直到这里，它才终于确认，这是指那位著名的“戴安娜王妃”。

在一位追求极致效率的架构师眼中，这简直是算力的暴殄天物。

“戴安娜王妃”是一个客观存在的、静态的实体，它不会因为上下文的变化而改变其本质。为了提取这个本来查字典就能知道的事实，Transformer竟然动用了整整6层深度的昂贵矩阵运算去“重建”这个概念。

这就像是一个绝世天才，在去解决微积分难题之前，每次都得先花半小时默写一遍九九乘法表。 这种“隐式记忆”的机制，迫使模型将宝贵的参数容量和网络深度，浪费在了简单的模式匹配上。

DeepSeek在这篇长达33页的论文中，提出了一个直击灵魂的拷问：为什么不直接给大模型配一本可以随查随用的“超级字典”？

第一章：架构重塑——Engram模块的暴力美学

为了解决这个问题，DeepSeek提出了一种名为“Engram（条件记忆）”的全新模块。

如果说MoE（混合专家模型）是把“大脑”分成了不同的区域，让不同的专家负责不同的思考（条件计算）；那么Engram就是给大脑外挂了一个巨大的“海马体”，专门负责存储静态知识（条件记忆）。

1. 复活“N-gram”：从古老智慧中寻找答案

Engram的核心灵感，竟然来自于NLP（自然语言处理）领域的“上古神器”——N-gram。在深度学习统治世界之前，我们就是靠统计“N个词同时出现的概率”来理解语言的。

DeepSeek将这一经典概念进行了现代化的魔改：

传统的Transformer：知识分散在神经元的权重（Weights）里，提取知识需要经过复杂的线性层计算，复杂度高。

Engram模块：它是一个巨大的、可扩展的嵌入表（Embedding Table）。当模型读到“张仲景”或者“四大发明”这种固定搭配（N-gram）时，不需要动用大脑皮层去推理，直接通过哈希索引，在内存表中“查”出对应的向量。

这一过程的时间复杂度是O(1)——这意味着无论知识库膨胀到多大（哪怕是1000亿参数），查找速度几乎不变，且极快。

2. 三大技术护城河

既然查表这么好，为什么以前没人做？因为有三个拦路虎：存储爆炸、多义词冲突、参数分配。DeepSeek给出了教科书级的解决方案：

A. 词表压缩：极致的去重

世界上的词组组合是天文数字。DeepSeek首先做了一步“无损压缩”。在分词器（Tokenizer）层面，它将语义相同但写法不同的词进行了归一化。
例如，“Apple”（首字母大写）和“apple”（小写）在语义上通常指同一个东西。通过映射归并，有效词表直接缩小了23%。这不仅节省了空间，更让知识的密度大幅提升。

B. 多头哈希：解决“哈希冲突”

不可能把所有N-gram都存下来。Engram使用了“多头哈希（Multi-Head Hashing）”技术。通过多个哈希函数，将无限的N-gram映射到有限的内存槽位中。虽然会有哈希冲突（即两个不同的词被映射到了同一个位置），但通过“多头”设计，模型可以从多个候选结果中拼凑出正确的信息，极大地提高了鲁棒性。

C. 上下文门控：给记忆配个“裁判”

这是最精妙的一笔。查表是死的，语言是活的。
比如“苹果”这个词。在“吃苹果”的语境下，它指水果；在“苹果发布会”的语境下，它指科技公司。直接查表可能会引入噪声。

DeepSeek设计了一个“上下文感知门控”（Context-aware Gating）。

Query（查询）：当前上下文的隐藏状态（Hidden State）。

Key/Value（键值）：查表得到的静态向量。

这个门控就像一个裁判。如果查出来的“静态知识”和当前的“上下文”不搭，裁判就会把权重压低（Gate值趋向0），让模型忽略这个噪声；如果完美契合（比如“伤寒杂病论”后跟着“张仲景”），裁判就会把大门打开（Gate值趋向1），直接把知识注入模型。

第二章：黄金比例——发现AI模型的“U型曲线”

架构设计好了，接下来的问题是：怎么分家产？

假设我们显卡里的显存是有限的，总参数预算也是固定的。我们应该把多少参数分配给MoE的“专家”（负责计算），多少参数分配给Engram的“字典”（负责记忆）？

这是一个典型的资源配置博弈。DeepSeek团队进行了一场大规模的消融实验，扫描了从0%到100%的分配比例，结果画出了一条完美的“U型Scaling Law曲线”。

这张图揭示了AI模型设计的底层规律：

左侧极端（纯Engram）：如果把参数全给字典，Loss很高。因为模型变成了“书呆子”，光有死记硬背，没有逻辑推理能力。

右侧极端（纯MoE）：如果把参数全给专家，Loss也很高。因为专家们被迫把精力都花在背书（记忆静态知识）上，没空干正事。

黄金分割点（ρ ≈ 75%-80%）：当我们将约20%-25%的稀疏参数预算分给Engram，剩下的给MoE时，模型的验证集Loss降到了最低点。

这是一个极具指导意义的发现：对于几百亿参数的大模型来说，单纯堆砌计算单元（MoE专家）已经是边际效应递减了，必须引入专门的静态记忆模块来实现“存算平衡”。

第三章：反直觉的爆发——为什么“查字典”能提高“数学成绩”？

如果Engram仅仅是让模型“记性更好”，这篇论文的分量还不足以震动社区。毕竟，RAG（检索增强生成）也能解决知识问题。

真正让业界感到震撼的，是实验结果中那些意料之外的收益。

DeepSeek构建了三个对比模型，严格控制激活参数量（3.8B）和训练数据量（262B tokens）完全一致：

Dense-4B：传统的稠密模型。

MoE-27B：纯MoE模型（72个专家）。

Engram-27B：混合模型（55个专家 + 5.7B Engram参数）。

结果令人大跌眼镜：

1. 意料之中：知识类任务霸榜

在MMLU（综合知识）上，Engram模型提升了3.4分；在CMMLU（中文知识）上，提升了4.0分。这很好理解，外挂了字典，常识自然更好了，幻觉更少了。

2. 意料之外：逻辑、代码、数学全面暴涨

按理说，“查字典”和“做数学题”没关系。但在BBH（综合推理）上，Engram-27B竟然比同参数的纯MoE基线提升了整整5.0分！

MATH（数学）：提升2.4分。

Humaneval（代码生成）：提升3.0分。

ARC-Challenge（复杂推理）：提升3.7分。

3. 深度解析：有效深度（Effective Depth）理论

为什么？一个“死记硬背”的模块，为什么能提高智商？

DeepSeek团队利用LogitLens和“CKA（中心核对齐）”技术，对模型内部进行了“解剖”。他们发现了一个惊人的现象：

还记得开头的“戴安娜王妃”吗？
在纯MoE模型中，前几层网络都在忙着“拼凑概念”。
而在Engram模型中，由于第2层就插入了Engram模块，静态知识的检索在极早的阶段就完成了。

这意味着，原本用于“死记硬背”的前几层网络被解放了！

这相当于给模型“虚增”了深度。 那些被释放出来的网络层和注意力头（Attention Heads），不再需要处理琐碎的局部依赖（比如识别“张仲景”是谁），从而可以全神贯注地投入到更复杂的全局推理、长程逻辑构建和代码逻辑生成中去。

Engram的本质，不是“替代”推理，而是通过“分流”杂活，让大脑专注于更高维度的思考。

第四章：工程奇迹——打破英伟达的“显存霸权”

对于华尔街的投资者和算力中心的运维者来说，这篇论文最性感的地方不在于Score，而在于Cost（成本）。

在AI时代，最昂贵的资源不是算力（FLOPs），而是显存（HBM）。英伟达H100之所以贵，很大程度上是因为那稀缺的HBM3e内存。

而Engram带来了一个颠覆性的特性：彻底的存算分离。

1. MoE的痛点：显存吞噬者

传统的MoE模型，其路由机制（Routing）是动态的。模型必须先算出当前Token的特征，算完这一层，才知道下一层该找哪个专家。这意味着，所有的专家模型必须时刻在昂贵的GPU显存里待命，随叫随到。

2. Engram的突破：确定的预知

Engram的查表逻辑是确定性的。
只要输入的文本确定了（比如“A New Axis of Sparsity”），那么它对应的N-gram索引就确定了。我们根本不需要等模型算完前一层，在Token进入模型的那一瞬间，我们就知道它需要查哪张表的哪一行。

3. CPU的逆袭：把大模型塞进内存条

这一特性带来了巨大的工程红利：

卸载（Offload）：我们可以把几百亿、甚至上千亿参数的Engram词表，直接扔到便宜、量大、易扩展的“CPU内存（DRAM）”里，甚至放在NVMe SSD上。

预取（Prefetching）：在GPU拼命计算前一层Transformer的时候，CPU利用PCIe通道，异步地把下一层需要的记忆数据“预取”出来，推送到GPU。

掩盖延迟，并行处理。

DeepSeek实测数据显示：即使挂载了100B（千亿）参数的Engram表到CPU内存，相比于纯GPU推理，吞吐量的下降不到3%。

这是一个让所有因为买不到HBM而焦虑的人狂喜的结论。这意味着，未来的大模型，“记忆容量”可以低成本地无限扩张，而不必被英伟达的显存卡脖子。

第五章：长文本的胜利——NIAH测试的跃升

除了通用推理，Engram在长文本（Long Context）领域的表现同样证明了“分工”的价值。

在长文本处理中，注意力机制（Attention）的窗口是有限的。如果注意力被大量的局部信息（如固定短语）占据，它处理全局信息的能力就会下降。

Engram接管了局部依赖后，Attention机制终于可以抬头看路了。

在严格的RULER基准测试中，Engram-27B的表现令人咋舌：

Multi-Query NIAH（多重针大海捞针）：从MoE基线的84.2分，直接飙升至97.0分。

Variable Tracking（变量追踪）：从77.0分提升至89.0分。

这说明，当我们将“局部记忆”外包给Engram后，Transformer原本的注意力机制就能更高效地捕捉几万字文档中的“草蛇灰线”。

尾声：DeepSeek V4的拼图已现

把以上所有信息串联起来，我们已经隐约看到了DeepSeek下一代模型——DeepSeek V4的雏形。

华尔街见闻写道，报道称DeepSeek计划在2月（春节前后）正式发布V4。回顾DeepSeek的节奏：从2024年1月的R1，到年底击败GPT-5基准的V3.2，再到即将登场的V4，每一步都踩准了技术迭代的脉搏。

如果说R1展示了“推理”的深度，V3展示了“MoE”的效率，那么即将到来的V4，可能通过引入Engram技术，将解决记忆与计算的耦合，实现“电子脑（计算）”与“外部记忆（Engram）”的完美共生。

DeepSeek V2：引入MLA（多头潜在注意力），压缩KV Cache，解决推理显存瓶颈。

DeepSeek V3：优化“MoE（混合专家）”与无损负载均衡，解决训练稳定性与计算成本。

DeepSeek V4（推测）：引入Engram（条件记忆），解决记忆与计算的耦合，实现“电子脑（计算）”与“外部记忆（Engram）”的完美共生。

这不是一次简单的版本迭代，这是对Transformer架构底层缺陷的一次系统性手术。在DeepSeek V3已经凭借极其低廉的API价格和强大的性能席卷全球之后，V4如果集成了Engram技术，将带来更可怕的竞争力：它将拥有更大的知识库（低成本内存扩展）、更强的逻辑推理（网络深度解放）以及更低的推理成本（存算分离）。

更重要的是，报道提到V4在数据模式理解上的改进，“避免了以往模型在长时间训练下性能衰退的情况”。这与Engram将静态知识固化、减少动态网络负担的特性不谋而合——它让模型更稳定，更不容易“遗忘”或“精神错乱”。

在论文的最后，DeepSeek团队自信地写道：

“We envision conditional memory as an indispensable modeling primitive for next-generation sparse models.”
（我们预想，条件记忆将成为下一代稀疏模型不可或缺的建模原语。）

春节前夕的这篇论文，不仅是DeepSeek的技术秀，更是向全行业发出的信号：单纯“卷算力”、“堆参数”的蛮荒时代结束了，架构创新的红利期才刚刚开始。而在这场定义下一代AI标准的竞赛中，中国大模型不仅没有掉队，甚至正在重新定义比赛规则。

2026，中国商业航天的“诺曼底时刻”刚刚过去；而AI领域的“存算分家”时刻，或许正是现在。

论文地址：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf

开源地址：https://github.com/deepseek-ai/Engram