DeepSeek V4表明下一场AI竞赛的焦点是效率

DeepSeek V4是DeepSeek备受期待的更新版本，恰逢竞争激烈之际——OpenAI的GPT 5.5与Anthropic的Opus 4.7相继推出。AI模型竞赛显然已进入新阶段。作为开源工具的坚定支持者，DeepSeek以其高性价比而非庞大规模令开发者印象深刻。

此次预览版本包含两款混合专家模型，均支持百万token上下文窗口：DeepSeek-V4-Pro，总参数量1.6万亿，激活参数490亿；DeepSeek-V4-Flash，总参数量2840亿，激活参数130亿。

长上下文代理、编程助手、研究工具和企业副驾驶均面临同一瓶颈：每个新生成的token都可能需要回溯不断增长的文档、代码、工具调用和中间推理历史。DeepSeek的技术报告证明，其V4模型通过架构压缩来解决这一问题，而非单纯要求用户为更多算力买单。

核心创新：压缩记忆而不损失推理能力

DeepSeek V4最重要的架构变化是一种混合注意力设计，将压缩稀疏注意力（CSA）与重度压缩注意力（HCA）相结合。这意味着模型不再以同样高昂的方式存储和扫描每个历史token。CSA对键值条目进行分组压缩，再筛选最相关的压缩块；HCA则压缩力度更强，允许在更短的记忆流上进行密集注意力计算。

这一点至关重要，因为注意力机制是长上下文AI的主要成本驱动因素之一。随着上下文长度增加，传统注意力在计算和内存方面的开销也随之急剧上升。DeepSeek的混合注意力设计将长上下文视为记忆层次结构的工程问题——部分信息需要细粒度的局部注意力，部分则可以压缩。通过结合这两种模式，V4将百万token上下文转化为更具实用性的能力。今年早些时候，DeepSeek研究人员发表了一篇论文，提出了Engram——一种条件记忆模块，通过结构性地将静态知识检索与动态计算分离，提升推理效率。

为何这将推动更多AI创新

更低的推理成本改变了参与实验的门槛。当长上下文推理变得更廉价，更多开发者便能构建可读取完整代码库、分析长篇法律记录、比较多文档财务申报，或在扩展工具使用会话中运行的代理。这将设计空间拓展至聊天机器人提示之外。

对初创企业而言，DeepSeek V4降低了尝试雄心勃勃应用的成本；对企业而言，它使大上下文工作流更具可行性；对开源开发者而言，它提供了一套技术配方：结合MoE稀疏性、长上下文压缩、低精度推理、自定义内核以及针对代理任务的后训练。

硬件信号：AI模型正在告诉芯片该走向何方

DeepSeek V4同样引人注目，因为其技术报告对硬件设计提出了明确建议。团队认为，未来硬件应优化计算与通信的比率，而非盲目提升带宽。

路透社亦报道，DeepSeek V4已适配华为昇腾芯片运行，华为表示其基于昇腾950的超节点集群完全支持V4系列。这使V4成为更宏观硬件叙事的一部分。AI竞赛正从模型权重转向全栈协同设计，模型、内核、内存系统、互联与芯片共同演进。

更低廉的智能扩大市场

DeepSeek V4最重要的影响或许在于经济层面。当长上下文推理成本下降，那些曾经看似过于昂贵的AI应用场景便变得更加可行。全代码库代理、长周期研究助手、文档密集型法律工作流、金融尽职调查工具、科学文献综述系统以及企业知识代理，都将从更低廉的内存和推理成本中获益。

这意味着DeepSeek V4重新定义了AI竞赛格局。若DeepSeek能以更低的内存和算力需求提供强大的开放模型，闭源领导者将面临更大压力，需为高额定价自证其值；开源竞争者也将承压，需追平V4的效率技术。