DeepSeek 新模型 NGram 架构解读与芯片产业链机会闭门会纪要

摘要： 本次会议重点解读 DeepSeek 推出的 NGram 模块及其混合架构，探讨其如何通过存储与计算分离的机制降低对高带宽内存（HBM）的依赖，从而在硬件资源受限的情况下提升大模型推理效率，并分析该趋势对国产 AI 芯片及半导体产业链的潜在影响。

行业主线：

1. 架构创新驱动效率：AI 计算的突破正从单纯的“堆 GPU”转向架构优化。NGram 通过条件内存机制将静态知识存储在成本较低的 CPU 主存（DRAM）中，显著降低了基础设施成本和硬件门槛。
2. 约束诱导创新：中国 AI 团队在算力受限环境下，通过稀疏混合专家（MoE）架构、长上下文注意力机制等系统级优化，实现了在参数量较少的情况下达到接近国际顶尖模型的表现。

关键变化与分歧：

1. 内存需求重心转移：推理能力的提升将更多依赖于对内存的高效利用而非单纯增加计算规模，预计基础设施投资重心将部分从 GPU 转向内存。
2. 竞争力逻辑变化：全球 AI 竞争正从单纯的算力竞赛转向算法效率与系统优化的竞赛，软件层面的效率提升可有效绕开硬件瓶颈。

受益方向与风险：

1. 受益方向：DRAM 厂商、主控芯片厂商、先进封装（2.5D/3D）供应商及国产半导体设备厂商。
2. 核心风险：下游需求（如汽车、工业自动化、物联网）不及预期导致芯片过剩，或国产替代研发进展缓慢。