DeepSeek-Engram：重新定义大模型的记忆方式

2026年1月2日，DeepSeek在GitHub上开源了引人注目的新作Engram，这项研究正在重新定义我们对大模型认知能力的理解。

从“刷题式学习”到“有记忆的学习”

传统大模型的学习方式令人联想到一个天赋异禀却方法原始的学生：不背课本、不记公式，纯粹依靠海量刷题来形成“手感”。这种学习模式导致模型在处理简单事实查询（如“巴黎是哪个国家的首都”）时，也需要动用与解决复杂推理问题相同的计算资源。

DeepSeek-Engram的突破在于让大模型真正拥有了记忆能力。论文开宗明义地指出，语言任务实际上包含两种截然不同的工作：

组合推理：需要理解、推导和灵活变通的能力

 知识检索：提取已固定的信息，如人名、地名、习惯用法等

Engram的本质：内置记忆结构而非外挂知识库

与普遍误解不同，Engram并非简单地为模型添加外部知识库。它是在模型内部构建了一个专门用于存储固定知识的记忆结构，这与人类学习时先背诵基础知识再进行分析推理的过程高度相似。

这种设计解决了长期存在的效率问题：模型不再需要将宝贵的推理算力浪费在基础事实的回忆上，而是可以像人类一样，在需要时自动从记忆中调取相关信息。

技术实现的双重优势

1. 能力提升

Engram让大模型告别了用“理科方法”硬学“文科知识”的尴尬局面。现在：

 文科知识记忆变得更准确可靠

  理科推理可以更专注于真正的逻辑推导

  整体性能因专业化分工而显著提升

2. 工程优化

DeepSeek采用了巧妙的工程实现方案：将记忆内容存储在更廉价、容量更大的CPU内存中，仅在需要时快速调入GPU显存。这种设计既降低了成本，又保证了效率，实现了“记忆丰满，推理轻快”的理想状态。

与MoE技术的完美结合

Engram与混合专家模型（MoE）形成了天然的互补关系。实验显示，70-80%的参数分配给专家系统，20-30%用于记忆功能时，模型达到了最佳的性能平衡。这种分配比例恰如其分地模拟了人类学习中记忆与推理的合理配比。

展望未来

以DeepSeek-V3为基础进行的Engram研究已展现出令人鼓舞的结果。可以预见，从零开始集成Engram能力的DeepSeek-V4将带来更多惊喜。这不仅是技术上的进步，更是大模型向更高效、更类人认知方式迈进的重要里程碑。

这项研究预示着大模型发展的新方向：从单纯追求规模扩张，转向更智能、更高效的认知架构设计。Engram或许正是通往真正智能的关键一步。