最近AI圈有两件大事：DeepSeek发布了颠覆性的模型架构论文，提出用“查表”替代“硬算”；智谱AI则推出了GLM-Image，一个擅长精准文字渲染和逻辑图表生成的图像模型。前者揭示了AI效率提升的新方向，后者则让复杂知识的可视化变得前所未有的简单。这两项技术进步，共同指向了一个AI发展的新范式。
智能速览
DeepSeek提出“Engram”机制，通过查算分离提升模型效率。
GLM-Image采用混合架构，能精准生成包含中文的复杂图表。
DeepSeek发现记忆与计算的最佳参数配比为75%:25%。
加入Engram机制后，模型的数学和代码能力意外暴涨。
GLM-Image是首个在国产昇腾芯片上完成全流程训练的SOTA模型。
精华内容
这两项技术看似独立，却都触及了AI发展的核心命题——效率与实用性。DeepSeek从算法底层探索思考与记忆的平衡，而GLM-Image则在应用层面实现了复杂认知任务的精准呈现。
DeepSeek的记忆术
当前主流的大模型（Transformer架构）存在一个根本缺陷：缺乏原生的查字典能力。当模型需要回答“水的化学式是什么”这类静态知识时，它并非直接调取，而是像一位天才一样从第一性原理开始“计算”，这造成了巨大的算力浪费。研究显示，模型识别“戴安娜王妃”需消耗6层网络深度。
DeepSeek提出的Engram机制旨在解决此问题。其核心是“查算分离”，给模型外挂一个巨大的N-gram嵌入表。当模型识别到特定实体时，不再需要复杂的神经网络推理，而是触发O(1)的查表操作，直接将预存的知识向量注入网络。这就像给爱因斯坦发了一本字典，让他从繁杂的计算中解放出来。
75%的黄金比例
那么，是否可以无限扩大“字典”容量，让模型纯靠记忆？答案是否定的。博尔赫斯小说中的富内斯因过目不忘而失去了思考能力，这揭示了完美记忆会扼杀抽象思考。
DeepSeek通过实验绘制出一条U型曲线，揭示了模型在固定参数预算下的最优分配策略。纯靠计算的MoE模型效果不佳，而纯靠记忆的Engram模型则逻辑能力下降。实验发现，约75%的参数分配给负责计算的MoE专家，25%左右分配给负责记忆的Engram表，才能达到最佳效果。这个“上帝配方”证明了记忆与计算必须在架构层面实现精妙平衡。
理科能力与硬件解耦
一个反直觉的发现是，加入Engram后，模型的理科能力大幅提升。在MATH（数学）、HumanEval（代码）等基准测试中，得分分别提升了2.4分和3.0分。这是因为“记忆外挂”让前几层网络从“名词解释”中解放出来，后续网络可以专注于更复杂的逻辑推理。Engram模型在第5层达到的思考深度，相当于普通模型第12层。
更关键的是，DeepSeek通过异步预取机制解决了硬件瓶颈。Engram的查表操作是确定性的，系统可以提前预测所需数据。因此，巨大的参数表可存于廉价的CPU内存，在GPU计算前一层时，数据已通过PCIe通道传输至显存。实验表明，即使外挂1000亿参数的字典，推理速度也仅慢不到3%。
精准的图文生成
如果说DeepSeek在探索AI的“智商”，那么GLM-Image则在打磨AI的“表达能力”。它专为“认知型生成”而生，能够理解复杂指令，并生成包含精确文字和逻辑关系的图表。
这得益于其“自回归+扩散解码器”的混合架构。9B的自回归模型如同产品经理，负责理解复杂需求、规划全局构图；7B的扩散解码器则像资深美工，负责细节渲染，尤其是AI以往最头疼的汉字。在CVTG-2K和LongText-Bench等专业评测中，GLM-Image取得了开源模型第一的成绩，意味着生成海报、PPT配图或科普长图时，再也不用担心AI画出的文字是“鬼画符”。
开源落地的意义
DeepSeek和GLM-Image的共同点在于，它们都是国产开源力量的杰出代表。GLM-Image更是首个在国产昇腾芯片上完成全流程训练的SOTA模型，证明了国产芯片在底层算力上的潜力。
开源的价值远不止于此。对于企业而言，本地部署GLM-Image能确保内部数据不出云端，保障安全。对于需要大规模生成内容的应用场景，自建服务器跑开源模型，长期成本远低于调用API。更重要的是，开源权重提供了定制化的自由，可以微调出专属风格和字体库，这是闭源模型无法给予的。在AI发展的浪潮中，开源不仅是技术选择，更是一种推动创新普惠的生态策略。
DeepSeek的“作弊术”和GLM-Image的“认知生成”，共同勾勒出AI进化的新路径：不再盲目堆砌算力，而是追求效率与实用性的精妙结合。它们展示了国产AI在算法创新和工程落地上的双重突破。当AI学会取舍，懂得何时记忆、何时计算，真正的智能时代或许才刚刚拉开序幕。未来的AI，会走向何方？
