在算力资源受限的背景下，如何突破GPU内存限制成为关键难题。一项名为Engram的新技术通过优化模型的信息检索方式，不仅提升了性能，还为复杂推理保留了计算空间，为AI模型的低成本高效发展提供了新思路。
智能速览
DeepSeek发布新论文，提出名为Engram的条件记忆技术。
该技术旨在解决GPU高带宽内存（HBM）容量有限的核心瓶颈。
通过解耦计算与存储，模型可高效查找信息，节省算力用于高级推理。
实测显示，该技术在270亿参数模型上提升了关键基准测试表现。
该方法被认为将像MoE技术一样，成为下一代稀疏模型的重要组成部分。
精华内容
这项技术的核心在于用巧妙的算法设计，绕开了昂贵的硬件升级，为AI模型的规模化发展开辟了新路径。
GPU内存瓶颈
扩大AI模型规模时，GPU高带宽内存（HBM）容量有限是一个关键瓶颈。这是当前中国AI硬件与美国差距最大的领域之一，国内存储芯片技术与国际领军者相比仍有数年落后。现有大型语言模型通过计算检索基础信息的方式，消耗大量算力，浪费了可用于更高层次推理的“序列深度”，限制了模型在长上下文处理等复杂任务上的表现。
Engram技术解耦
DeepSeek与北京大学研究人员提出的Engram技术，核心是将模型的计算与存储进行“解耦”。通过构建一个名为“条件记忆”的模块，模型可以更高效地“查找”而非“计算”基础信息。这种方式不仅提升了处理长输入文本的效率，更重要的是，它为模型执行计算需求更高的复杂推理任务保留了大量宝贵的计算容量，从而实现整体性能的提升。
实测效果显著
研究人员在一个拥有270亿个参数的模型中验证了Engram技术。结果显示，该技术使模型在主要行业基准测试中的表现提升了几个百分点。开源开发者平台Hugging Face的研究工程师也对此技术表示称赞，称其在推理和训练时得到了硬件验证。DeepSeek团队认为，条件记忆将成为下一代稀疏模型中不可或缺的建模原语，其影响力可比肩此前他们开发的“混合专家”技术。
成本效率优势
此次技术突破延续了DeepSeek一贯追求成本效率的风格。去年初发布的DeepSeek-R1模型，仅用两个月、550万美元的成本就完成了训练，效果却足以匹敌美国顶尖AI模型。微软总裁布拉德·史密斯也公开承认，中国低成本的开源模型正帮助AI在全球南方国家加速普及，这让中国在开源AI模型的全球市场份额方面超越了美国。
Engram技术展现了通过算法创新弥补硬件差距的可能性。随着外界对DeepSeek新模型的期待升温，这种以效率为核心的发展路径，或将重塑全球AI领域的竞争格局。
关键评论
梁文锋及其团队的技术实力获得了网友的高度认可。
通过算法优化而非硬件堆叠来突破算力限制，被认为是极具特色且高效的路径。
有观点认为，该技术通过构建记忆模块，能有效解决AI模型胡说八道的问题，并支持专业数据库的搭建。
相较于其他公司的资本运作，DeepSeek专注于基础算法研究的态度受到部分用户的称赞。
