摩根士丹利研报解读：中国AI的破局之道——以效率制胜，而非盲目求大
2
核心创新：DeepSeek的Engram模块，破解计算资源困境
DeepSeek最新推出的Engram模块，核心逻辑是将存储与计算解耦，通过"条件记忆"（Conditional Memory）机制，为大语言模型带来效率革新。
传统Transformer模型在处理静态事实（如"伦敦位于英国"）时，需调用多层注意力机制和前馈网络进行复杂计算，造成GPU资源浪费。而Engram模块将静态记忆与动态推理分离，把模型的存储信息"库"卸载到通用DRAM（系统内存）中，GPU仅保留核心LLM，仅在需要时通过O(1)时间复杂度的查找机制调取静态信息，无需持续占用高昂的HBM（高带宽内存）。
这一创新带来三大核心价值：
1.缓解HBM依赖：对于HBM获取受限的中国市场，可减少对昂贵内存硬件的压力，无需升级HBM即可提升模型性能；
2.提升资源利用率：让现有GPU和系统内存架构发挥更大价值，在相同计算资源和参数规模下实现更高精度；
3.优化长文本处理：Engram负责处理局部固定模式，让注意力机制有更多"带宽"关注全局上下文，显著提升长文本检索与推理能力。
从技术原理来看，Engram通过哈希最近的令牌上下文（如2-3个令牌后缀），检索少量嵌入向量并通过门控机制与模型隐藏状态融合。这种结构支持内存容量随多GPU线性扩展，推理过程中还能实现异步预取，进一步提升效率。
关键数据：中国AI模型性能与资源效率双突破
中国主流AI模型与ChatGPT5.2性能对标
数据显示，中国头部AI模型在MMLU、GPQA等标准化基准测试中已接近ChatGPT5.2水平，部分模型在编码等细分场景甚至实现反超，而这一切是在计算成本仅为全球前沿模型几分之一的前提下达成的。
存储方案对比：Engram的效率优势
行业启示：中国AI的"约束驱动创新"之路
报告强调，过去两年中国AI模型在先进计算、硬件获取和训练规模均受限制的背景下，并未依赖暴力参数增长，而是通过四大效率创新实现弯道超车：
1.稀疏混合专家（MoE）架构；
2.训练与推理流程的极致优化；
3.长上下文注意力机制；
4.面向推理和编码任务的精准数据筛选。
这种"约束驱动创新"正在塑造更具韧性的中国AI生态——未来的AI竞争，不再是GPU集群规模的比拼，而是解决核心问题的效率之争。通过将部分模型增长从昂贵的神经计算转移到廉价、可扩展的嵌入内存（可卸载至CPU或系统内存），中国AI正在降低高端智能的边际成本，减少对无限制计算增长的依赖。
对于市场而言，这一趋势意味着AI产业的成本结构可能发生转变：基础设施支出将从GPU向内存倾斜，具备成本优势的内存和半导体本地化企业有望持续受益。
未来展望：DeepSeekV4值得期待
研报预测，DeepSeek下一代大语言模型V4将搭载Engram内存架构，在编码和推理能力上实现重大飞跃。与前代产品类似，
从长期来看，中国AI的发展路径正在证明：技术创新并非必须依赖顶级硬件，通过算法优化和系统设计创新，同样可以实现性能突破。这种以效率为核心的发展模式，不仅能规避硬件限制，更能构建可持续、可规模化的AI生态，为全球AI发展提供新的思路。
个人洞察：理性看待AI发展的"质"与"量"
在AI行业狂奔的这几年，"越大越好"的思维定式曾主导市场，但DeepSeek的实践让我们看到另一种可能——高效比庞大更有价值。对于企业而言，与其盲目追求参数规模和硬件投入，不如聚焦核心技术优化，找到适合自身的差异化路径；对于投资者来说，AI产业的投资机会正从单纯的硬件堆砌，转向算法创新、效率优化和供应链本地化等细分领域。
中国AI的发展历程也印证了一个朴素的道理：真正的创新往往诞生于约束之中。当外部环境倒逼行业跳出舒适区，反而能催生出更具生命力的技术方案和商业模式。未来，那些能在有限资源下实现效率最大化的企业，大概率会成为行业的长期赢家。
信息来源与风险提示
• 信息来源：摩根士丹利2
• 风险提示：本文章仅为研报内容翻译与解读，不构成任何投资建议。AI行业技术迭代速度快，存在技术路线变更风险；半导体供应链受全球产业环境影响较大，可能面临政策调整、产能波动等不确定性；市场竞争加剧可能导致企业盈利不及预期。投资者应结合自身风险承受能力，谨慎决策。
