大摩研报引爆AI圈！DeepSeek以存代算，改写AI算力扩张游戏规则

DeepSeek正以技术创新改写AI行业的扩展逻辑，不再依赖GPU集群的暴力堆砌，转而通过更高效的混合架构实现成本与性能的平衡。摩根士丹利1月21日发布研报指出，该公司推出的“Engram”创新模块，通过“条件记忆”机制将存储与计算分离，大幅降低了对高带宽内存（HBM）的依赖，改用成本更低的普通系统内存（DRAM）处理推理任务，践行“少花钱多办事”的技术路径。

这一架构源自DeepSeek创始人梁文锋团队与北大合作者在1月13日发布的论文《Conditional Memory via Scalable Lookup》。传统Transformer模型处理静态事实查询时，需经过多层计算重构信息，造成GPU资源浪费。Engram模块的核心在于将静态知识存储与动态推理解耦，把模型的静态知识“字典”卸载至CPU或DRAM中，仅在需要时进行检索，从而释放HBM容量用于复杂推理任务。摩根士丹利在研报中强调：“DeepSeek将‘条件记忆’与计算分离，为大语言模型（LLM）解锁了新的效率水平。Engram是一种在不通过重载HBM的情况下，高效‘查找’基本信息的方法，从而释放容量用于更复杂的推理任务。”

这一技术变革直接重塑了AI基础设施的成本结构。研报指出，Engram架构最大限度减少了对HBM的需求，推动基础设施成本从高价位GPU向高性价比DRAM转移。以1000亿参数的Engram模型为例，FP16/BF16精度下最低需200GB系统DRAM，对比英伟达Vera Rubin系统单CPU配备的1.5TB DRAM，DeepSeek架构将使单台系统DRAM使用量提升约13%。

摩根士丹利认为，DeepSeek的技术路径不仅缓解了中国AI算力约束，更证明高效混合架构是AI的下一个发展前沿。过去两年间，中国领先AI模型不断缩窄与全球前沿模型的性能差距，DeepSeek V3.2在MMLU基准测试中得分约88.5%，编码能力SWE-Bench达到72%，展现出强劲竞争力。这一成果属于“约束诱导的创新”，中国AI发展已从参数堆叠转向算法效率、系统设计与实用主义并行的路径。

研报同时对DeepSeek下一代模型V4做出预测，认为其将依托Engram架构在编码和推理性能上实现突破，且有望在消费级硬件上运行，进一步降低AI推理的边际成本，推动AI应用更广泛落地。摩根士丹利重申看好中国内存与半导体设备本土化主题，指出通过内存与计算解耦，中国正构建更高效的大语言模型，市场上行空间或被低估。

市场有风险，投资需谨慎。本文为AI基于第三方数据生成，仅供参考，不构成个人投资建议。