DeepSeek Engram conditional memory 重新定義企業級 AI 算力配置比例

算力浪費已成過去，AI 效率即將突飛猛進。DeepSeek最新發布的「Engram」技術研究，揭示了如何透過分離靜態檢索與動態推論，在顯著提升性能的同時，大幅降低 GPU 基礎設施的負擔。

DeepSeek Engram conditional memory 如何優化模型架構

目前的企業級 LLM 在檢索產品名稱或技術規格等靜態資訊時，仍需調動昂貴的 GPU 進行複雜推論。這種做法如同「用計算機背電話號碼」，既耗時又耗能。DeepSeek 創辦人梁文鋒（Liang Wenfeng）參與的研究提出了解決方案：Engram 模組。

Engram 引入了「conditional memory（條件式記憶體）」，讓模型具備「原生知識檢索」能力。它利用哈希函數在常數時間內完成檢索，並配合門控機制（Gating mechanism）確保檢索內容符合當前語境。這與儲存對話歷史的代理記憶體（Agentic memory）不同，它優化的是模型內部的語言模式處理。

掌握 75/25 黃金比例：推論與記憶的平衡

透過系統性實驗，研究團隊發現了 AI 架構的最佳比例：將 75% 的算力分配給動態推論，25% 分配給靜態檢索。在這一比例下，模型性能展現出翻天覆地的變化：

• 推論基準測試（Big-Bench Hard）準確度從 70% 提升至 74%
• 知識型測試（MMLU 等）準確度從 57% 提升至 61%

令人驚訝的是，這種架構對「推論」能力的提升甚至超過了知識檢索本身。這意味著減輕了模型「死記硬背」的負擔後，它能更專注於邏輯運算。

基礎設施成本的戰略轉移

對企業而言，Engram 最大的優勢在於它可以將龐大的知識庫（100B 參數級別）轉移到價格低廉的系統 RAM 中，而非昂貴的 GPU HBM。透過 PCIe 異步預取技術，吞吐量損失低於 3%，實現了事半功倍的效果。