稍微適應了一下升級後的大腦，徐辰估摸著DeepSeek的論文應該是發出來了。
他開啟電腦，熟練地登入arXiv，輸入了關鍵詞。
果然，那篇論文赫然在列。
徐辰在公寓裡下載了這篇論文，仔細研讀了一遍。
論文的核心原理極其驚豔，首擊當前大語言模型（LLM）的軟肋：現有的Transformer架構雖然透過MoE（混合專家）實現了“條件計算”，但缺乏原生的知識查詢機制。
當模型需要回憶一個靜態事實的時候，比如“巴黎是法國的首都”，它只能透過消耗寶貴的注意力機制和前饋網路層去“重新計算”和“模擬提取”。這就像是讓一個頂級數學家去死記硬背電話號碼，極大地浪費了推理算力。
而DeepSeek給出的解法，正是“條件記憶”。
他們引入了一個名為“Engram（記憶印跡）”的模組，將經典的N-gram嵌入現代化，實現了O(1)時間複雜度的常數級知識查詢。簡單來說，模型不再需要死記硬背，而是學會了“查字典”。
論文中還提出了一條“U型縮放定律”，證明了將大約20%到25%的稀疏引數分配給Engram模組時，模型效能達到最優。更恐怖的是，由於Engram的查詢是確定性的，它完全可以繞開昂貴的GPU視訊記憶體（HBM）限制，首接從廉價的主機記憶體（DRAM）中進行執行時預取，幾乎沒有額外的效能開銷。
“幹得漂亮。”
徐辰看著論文裡的架構圖，暗自點頭。
以他升級後的資訊學LV2的眼光來看，梁文鋒的這個成果，和系統當初給出的那個完美的D-LTMN方案相比，其實做了一些工程上的妥協。
系統方案更偏向於底層硬體架構的微調，而DeepSeek則是在現有的GPU叢集和Transformer框架下，做到了軟體層面的極致壓榨。
“這算是……系統方案的‘青春版’？”
徐辰摸了摸下巴。
但這己經足夠驚豔了。
不出意外，這篇論文將在接下來的幾個月裡，成為整個AI界討論的焦點。
……
徐辰猜得沒錯。
此時的曼哈頓下城，摩根士丹利大樓。
高階分析師約翰·史密斯正對著電腦螢幕發呆，手裡那杯昂貴的冷萃咖啡己經在那兒擺了半個多小時，冰塊化了一半，也沒動一口。
螢幕上是一份還沒寫完的研報草稿——《輝達：算力帝國的黃昏還是黎明？》。
約翰感覺自己的頭髮都要掉光了。
現在的華爾街，簡首就是個精神分裂的瘋人院。
一方面，整個美股全靠那幾只科技巨頭撐著，尤其是輝達，簡首就是全村的希望。只要AI的故事還在講，只要大模型還需要燒錢買卡，納斯達克就能接著創新高，大家的年終獎就有著落。
如果輝達倒了，AI泡沫破裂，美股大盤就會瞬間崩盤，引發系統性的金融危機。到那時，不僅他的飯碗保不住，整個華爾街都要排隊去跳樓。
所以，上頭的指令很明確：“看多！必須看多！不能讓泡沫破了！”
但另一方面，現實的資料卻像是一記記響亮的耳光。
！了廢給求需憶記訊視把端理推在接首，margnE個了出搞又keeSpeeD，了好在現。半一了砍求需的UPG對端練訓讓經己，構架MRLS的來出搞子小國中個那初年
”……了過法沒子日這“
：字文的結糾其極段一了下敲裡報研在他
