Google 发表 TurboQuant 新算法：能压缩 AI 存储需求 6 倍，存储股集体下挫

Google 发布无需训练的 TurboQuant 压缩算法，声称可将 AI 记忆体需求压缩至少 6 倍；消息一出，记忆体股集体跳水，但分析师有不同看法。
（前情提要：Google 预计在 2029 年完成后量子密码迁移，比政府目标提前六年，加密产业须跟上）
（背景补充：华尔街日报：川普拟任祖克柏、黄仁勋、艾里森进 PCAST，打造「美国 AI 国家队」）

一个新算法，让记忆体类股全线崩跌？Google Research 于 25 日正式发布 TurboQuant 压缩算法，声称能将大型语言模型（LLM）的 KV 快取量化至仅 3 位元，且完全不损失模型准确度、记忆体使用量至少压缩 6 倍。

消息传出后，记忆体巨头美光（Micron）25 日盘中一度大跌 6.1%，终场收 382.09 美元，创三周来收盘新低。另一方面 Sandisk 跌3.5%、希捷跌 2.59%、威腾电子跌 1.63%，记忆体族群全面崩溃。

亚洲市场今日同步承压，三星电子开盘重挫 3.6%，SK海力士跌 4.5%。投资人的逻辑直截了当：若 AI 模型不再需要那么多记忆体，近期靠元件短缺撑起的强大定价权，恐怕将就此动摇。

TurboQuant 技术解析：两阶段消除误差，速度快8倍

KV快取（Key-Value Cache）是 LLM 能「记住」已处理资料的核心机制，储存了先前运算过的注意力资料，让模型在生成每个 token 时不需重复计算。但随着上下文视窗持续扩大，KV 快取已成为记忆体的重大瓶颈。

TurboQuant 针对的正是这个痛点。Google 指出，传统向量量化方法在记忆体中会产生每个数值约 1 到 2 位元的额外开销，而 TurboQuant 透过两阶段流程彻底消除这项负担：

第一阶段，采用 PolarQuant 方法对资料向量进行旋转，实现高品质压缩

第二阶段，再以 Quantized Johnson-Lindenstrauss 算法消除残余误差

在辉达 H100 GPU 的基准测试中，4 位元的 TurboQuant 在计算注意力度量值时，效能较未量化的 32 位元键提升 8 倍，KV 快取记忆体占用压缩至少 6 倍。

更关键的是，这套算法无需任何训练或微调，执行时额外开销极低，适合直接部署于正式推论环境与大规模向量搜索系统。官方表示相关论文将于 4 月「ICLR 2026」大会正式发表。

杰文斯悖论：记忆体需求反而可能更多？

不过，并非所有人都认同「记忆体末日」的叙事。

部分分析师搬出了杰文斯悖论：当技术进步降低资源使用成本，资源反而因为更容易取得而推升整体需求。支持者认为，TurboQuant 若真能大幅降低 AI 推论门槛，将加速 AI 模型普及化，最终反而带动更大规模的记忆体需求，而非削减。

Lynx Equity Strategies 分析师在报告中更直接指出：「Google 所详述的方法，在未来 3 到 5 年内几乎不会减少对记忆体和快闪记忆体的需求，因为供应依然极度受限。」因而该机构维持美光 700 美元目标价。