野村证券一份研报前瞻了DeepSeek V4模型，其核心在于融合mHC与Engram两大技术。这不仅是算法层面的创新，更旨在通过技术手段突破“芯片墙”与“内存墙”的桎梏，为降低大模型训练与推理成本、推动商业化落地提供了新的解决思路。
智能速览
DeepSeek V4将通过mHC和Engram技术突破算力瓶颈。
mHC技术重构信息流，显著提升模型在数学推理上的准确率。
Engram模块实现存算解耦，降低对GPU高带宽内存的依赖。
两项技术结合有望在保持高性能的同时，大幅降低模型成本。
此举将推动中国开源大模型生态成熟，并加速AI商业化进程。
精华内容
DeepSeek V4的技术突破并非空谈，其核心的mHC与Engram技术已经通过实验数据验证了有效性，并具体指明了如何打破现有硬件限制。
mHC：稳定训练
DeepSeek V4计划引入的mHC（流形约束超连接）技术，旨在解决深层Transformer模型训练不稳定的根本问题。该技术通过双随机矩阵等数学手段，重构了模型层间的信息流动方式，有效稳定了训练过程。
在实际测试中，这项技术带来了显著的性能提升。基于一个27B参数规模的模型，融入mHC后，其在GSM8K数学推理基准测试中的准确率从46.7%提升至53.8%，在更具挑战性的MATH基准测试中，准确率也从22.0%提升至26.0%，证明了其在提升模型逻辑与数学能力方面的有效性。
Engram：解耦内存
另一项核心技术Engram（条件记忆模块）则聚焦于解决“内存墙”问题。它是一个部署在DRAM中的稀疏内存表，其核心创新在于将静态知识的检索任务从高成本的GPU高带宽内存（HBM）中剥离出来。
在模型推理阶段，Engram允许将规模高达百亿级别的参数嵌入表卸载至成本更低的CPU DRAM中。根据测试，这种存算解耦机制带来的吞吐量损失被控制在3%以内，几乎不影响性能，却大幅降低了对显存的依赖。
融合与产业影响
mHC与Engram的结合，将成为DeepSeek V4的核心竞争力。这种融合使得模型在追求更高性能的同时，能够有效控制训练与推理的成本，尤其适合医疗、法律、金融等需要海量知识储备的知识密集型领域进行行业大模型训练。
从产业层面看，这一技术路径将有效降低对高端海外芯片的依赖，Engram的存算解耦机制让本土算力硬件有了更多用武之地，而mHC框架则能弥补本土AI芯片在大规模集群训练中的性能短板，从而推动中国AI产业链的软硬件协同发展。
DeepSeek V4的技术路径展现了通过算法与工程创新弥补硬件差距的可行性。这不仅为本土AI产业带来新的发展机遇，也让市场期待其在具体商业化应用中的实际表现。这种技术驱动的突破，能否真正重塑AI产业的竞争格局？
