来源：智通财经APP
即梦、千问……国产头部AI公司推出的各种应用争奇斗艳，正成为近期的一道亮丽风景线。而现象级应用层出不穷，背后是国产大模型的日趋成熟。
近日，野村证券发布一份AI主题研报，聚焦DeepSeek即将发布的新一代旗舰大语言模型V4。野村认为，作为去年推出DS-V3/R1并搅动全球AI产业链的玩家，DeepSeek的全新技术布局不仅将推动中国AI产业链创新周期加速，更将通过技术创新，在算法与工程层面缩小中国与全球大模型产业的差距。
野村研报认为，DS-V4的技术突破将有效打破“芯片墙”与“内存墙”的桎梏，赋能本土算力硬件与AI应用双向发展，推动中国开源大模型生态走向成熟。
Part.01 核心底牌：mHC+Engram双技术
野村判断，DS-V4将深度融合DeepSeek近期发布的两篇重磅研究论文中的核心技术——mHC和Engram，这两项技术均针对当前大模型发展的核心瓶颈，从层间信息流动和存算协同两个维度实现创新，在提升模型性能的同时进一步降低训练与推理成本，代表了大模型产业从“规模竞争”向“架构与系统优化”的重要转向。
mHC：重构层间信息流动
当前基于transformer架构的大模型训练，高度依赖“残差连接”实现数百甚至数千层网络的信息传递，但这种简单的信息传递方式在模型层数指数级增长后，已成为训练效率与稳定性的核心瓶颈。
行业曾尝试通过“超连接”实现更复杂的层间通信，但却引发了信号放大、内存访问开销过大、训练失败率高等问题。
DeepSeek提出的mHC（流形约束超连接）机制，核心是在超连接的基础上增加严格的数学约束，通过打造多内部信息流，同时避免信号的放大或破坏。
其核心技术包括三方面：一是双随机矩阵约束，将残差连接矩阵限制为行和列均为1的非负矩阵，有效缓解梯度爆炸问题；二是通过Sinkhorn-Knopp算法将矩阵投影到双随机矩阵流形；三是保持恒等映射，确保深度信号传播的稳定性。
为将mHC理论落地，DeepSeek还在系统工程层面进行了多重优化：通过内核融合减少内核启动开销与内存访问，通过重计算缓解训练中的内存压力，通过流水线并行优化（DualPipe）解决mHC带来的通信延迟问题。
从实验效果来看，DeepSeek在DS-V3 27B参数模型上的测试显示，融入mHC的模型在多个基准测试中全面超越基线模型和普通超连接模型，其中推理类任务（GSM8K、MATH）提升尤为显著——GSM8K（8-shot）准确率从46.7%提升至53.8%，MATH（4-shot）准确率从22.0%提升至26.0%，BBH、DROP等自然语言理解任务的表现也实现5%-7%的提升。
Engram：解耦存算协同，打破大模型“内存墙”
如果说mHC解决的是训练效率问题，Engram（条件记忆模块）则聚焦于训练与推理的内存效率优化，核心是补充MoE架构的不足，通过解耦内存与计算，缓解大模型发展中的“内存墙”痛点，这也是针对中国AI产业硬件短板的关键技术创新。
当前大模型的任务包含两大核心类型：需要深度动态计算的组合推理，以及涉及大量静态文本模式的知识检索。但现有大模型主要依赖MoE等条件计算机制扩展容量，缺乏原生的知识检索机制，只能通过“计算模拟检索”，导致算力与内存的大量浪费，同时挤占了昂贵的高带宽内存（HBM）资源。
Engram作为一款部署在系统动态随机存取存储器（DRAM）中的专用稀疏内存表，本质是现代N元语法嵌入查找系统，能以O(1)的时间检索实体、固定表达式等静态知识，将Transformer底层网络从知识检索中解放，使其更聚焦于动态推理。
这款模块具有三大设计特征：部署在注意力机制和MoE之前，不改变现有Transformer架构的核心组件；仅在部分层部署，避免所有层重复建模静态模式；不修改分词器或嵌入/解嵌入接口，属于低侵入式结构增强模块。
在技术落地层面，Engram通过分词器压缩、多头哈希、上下文感知门控、多分支架构融合四大技术，解决了词汇效率、哈希冲突、一词多义等问题，并实现与MoE架构的高效协同。
而其最大的产业价值在于存算解耦的实际应用：训练阶段，通过模型并行将大尺度嵌入表分片到多个GPU，实现内存容量随加速器数量线性扩展；推理阶段，可将百亿参数的嵌入表完全卸载至更廉价的CPU DRAM，释放GPU的HBM资源用于高优先级计算，且推理吞吐量损失可控制在3%以内，几乎不影响模型性能。
野村研报指出，mHC和Engram的结合，将让DS-V4在保持高性能的同时进一步降低训练与推理成本，同时更适合医疗、法律、金融等知识密集型领域的行业大模型训练，为大模型的垂直场景落地奠定技术基础。此外，DS-V4还可能融入FP4精度计算、缓存优化等其他创新技术，进一步提升模型效率。
Part.02 产业影响：中国赛道迎核心赋能
野村研报对DS-V4的产业影响做出了全球化与本土化的差异化判断：这款模型不会像V3/R1那样对全球AI基础设施市场形成大幅冲击，但将成为推动全球大模型商业化的关键力量；而对于中国AI产业而言，DS-V4的技术创新将成为打破硬件瓶颈、加速产业链协同的核心推手，推动中国AI从算法到应用的全链路升级。
全球市场：加速商业化落地，缓解企业资本开支压力
当前全球头部云服务厂商正持续加码高阶算力，以追求通用人工智能（AGI）的发展目标，算力基础设施的投入逻辑已从“成本控制”转向“性能提升”，因此DS-V4的算力效率优化不会引发全球算力基建市场的大幅波动。
其核心价值在于推动全球大模型与AI应用的商业化变现进程：通过降低训练与推理成本，DS-V4将帮助全球大模型企业和AI应用玩家加速技术落地，缓解行业因持续高额算力投入带来的资本开支压力。
同时，DS-V4在编码、超长代码处理等领域的突破，将进一步推动AI与软件产业的融合，打破市场对“LLM扼杀软件”的担忧，反而让头部软件企业能借助大模型技术打造更强大的软件套件，实现价值增值。
中国市场：突破硬件瓶颈，赋能算力与应用双轮驱动
对于中国AI产业而言，DS-V4的技术创新是破解“芯片墙”与“内存墙”的关键抓手，从算力硬件和应用落地两个维度实现核心赋能，推动中国AI产业链的加速升级。
在算力硬件层面，mHC和Engram的技术创新将弥补本土硬件的短板，推动本土AI算力基础设施的规模化应用。
一方面，Engram的存算解耦机制能释放HBM资源，降低对高端海外芯片的依赖，推动本土服务器、光模块等硬件企业的投资周期加速。
野村研报重点看好紫光股份、光迅科技等企业；另一方面，mHC框架能实现更稳定的大模型训练过程，有效抵消本土AI芯片在大规模集群训练中失败率较高的性能短板，为摩尔线程、壁仞科技、天数智芯等本土AI芯片企业提供技术适配的机会，推动本土AI芯片的研发与商业化落地。
2025年底至2026年初，中国AI硬件企业迎来上市潮，摩尔线程、壁仞科技、天数智芯等先后登陆资本市场，长鑫存储、大普微等存储与主控芯片企业也推进IPO进程，本土硬件产业的成熟度持续提升，而DS-V4的技术创新将为这些企业提供更适配的软件算法环境，实现软硬件协同发展。
在应用落地层面，DS-V4将推动中国AI Agent从“对话工具”向“智能助手”的转型，加速AI应用的场景化落地。野村研报观察到，当前由中兴与字节跳动合作的Doubao AI手机、阿里Qwen APP已实现多步任务的自动化处理，代表着AI Agent的能力升级。
而DS-V4在编码、推理等领域的突破，将进一步催生更强大的多任务AI Agent，这类应用的大规模普及将提升token消耗与算力需求，形成“技术创新-应用升级-算力需求”的正向循环。
同时，AI应用的生态化发展趋势愈发明显，以阿里Qwen APP为例，其在2025年11月至2026年1月的三个月内，从基础对话功能快速拓展至视频生成、地图导航、支付宝支付、政务民生服务等400余项AI服务，实现与阿里生态的全面打通。
这种生态化的应用发展，将进一步推动AI技术从“单点应用”向“全场景渗透”，而DS-V4的技术创新将为这种渗透提供更坚实的模型基础。
野村研报指出，DS-V4的推出将推动中国AI应用的商业化周期加速，利好能借助大模型技术实现产品升级的头部软件企业，其中金山办公、金蝶国际被列为软件领域的核心推荐标的。
Part.03 行业趋势：中国开源生态迎黄金期
DeepSeek从V3/R1到V4的技术演进，折射出全球大模型产业的重要发展趋势：在预训练与后训练的缩放定律接近极限后，大模型的性能提升已从“参数堆砌”转向架构设计与系统优化，软硬件协同设计成为行业核心发展方向。
对于中国AI产业而言，这一趋势为中国实现全球化缩差提供了关键机遇：相较于海外在高端芯片等硬件领域的先发优势，中国在大模型的算法创新、工程优化与应用落地方面具备本土化优势，而DeepSeek等企业的技术探索，正推动中国在大模型架构与系统优化层面形成核心竞争力。
同时，开源大模型仍将是中国AI产业的主流发展方向。尽管2025年下半年全球开源大模型市场呈现碎片化特征，但DeepSeek的技术创新仍为中国开源生态提供了核心标杆，推动本土大模型企业从“跟跑”向“并跑”甚至“领跑”转型。随着DS-V4的推出，中国开源大模型的竞争将进一步从“规模与性能”转向“效率与场景落地”，而知识密集型的垂直领域（医疗、法律、金融）将成为下一个核心竞争赛道。
野村研报最后总结，DS-V4的推出将推动中国AI产业链进入新一轮的创新与商业化加速周期，从算力基建到应用落地的全链路都将迎来发展机遇；而全球大模型产业也将在效率优化的技术推动下，加速从“技术研发”向“商业变现”的转型，AI产业的价值创造将进入全新阶段。