梁文锋署名新论文：给大模型配本“字典”，计算、记忆分家后智商爆表，剧透DeepSeek V4？

这是一个关于AI底层逻辑重构的时刻。

长期以来，Transformer架构被困在一个昂贵的悖论中：我们用着最先进的GPU算力，去让AI模型“死记硬背”那些查字典就能知道的静态知识。

DeepSeek梁文锋团队与其北大合作者在今日凌晨发布的重磅论文《Conditional Memory via Scalable Lookup》，彻底打破了这一僵局。他们提出了一种全新的Engram（印迹）模块，在传统的“条件计算”（MoE）之外，开辟了第二条稀疏化战线——“条件记忆”。

这不只是一次技术修补，而是一场关于模型“脑容量”的供给侧改革。它证明了：当我们将“记忆”从“计算”中剥离，把该背的交给“字典”，把该算的交给大脑，AI的推理能力将迎来反直觉的爆发式增长。

DeepSeek计划在2月春节前后正式发布V4，而这一刻或许就是DeepSeek V4诞生的前夜。

序章：六层神经网络的“无用功”

故事的起点，源于DeepSeek团队对Transformer内部运作机制的一次“核磁共振”扫描。

在人工智能的黑盒子里，当大模型看到“Diana, Princess of Wales”（戴安娜，威尔士王妃）这个短语时，它的内部发生了一场令人费解且极其昂贵的“内耗”。

研究人员发现，为了识别这个固定的实体，模型竟然动用了整整6层网络：

•  

  第1-2层：模型还在琢磨“Wales”大概是一个国家；

   

•  

  第3层：它意识到这是欧洲的一个地理概念；

   

•  

  第4层：它开始拼凑出“Princess of Wales”似乎是一个头衔；

   

•  

  第5层：它联想到了“威尔士亲王的妻子”；

   

•  

  第6层：直到这里，它才终于确认，这是指那位著名的“戴安娜王妃”。