美東時間3月24日，谷歌研究院（Google Research）發(fā)布了一項名為TurboQuant的免訓(xùn)練（training-free）AI內(nèi)存壓縮算法。
官方技術(shù)文件顯示，該算法能夠在不損失模型精度的前提下，將大語言模型推理階段的鍵值緩存（KV Cache）內(nèi)存占用縮減至少6倍，并在特定基準(zhǔn)測試中相較32位未量化模型實現(xiàn)最高8倍的性能提升。這項極度壓縮技術(shù)，直接改變了大型AI模型在顯存資源調(diào)配上的技術(shù)預(yù)期。
技術(shù)發(fā)布的連鎖反應(yīng)迅速傳導(dǎo)至資本市場。周三美股交易時段，存儲芯片板塊出現(xiàn)整體下挫，閃迪一度大跌6.5%，美光科技跌幅約4%，希捷科技跌超5%。
市場情緒的短期波動主要源于單一維度的推演：若底層算法能將上下文內(nèi)存需求大幅縮減，現(xiàn)階段價格高昂且供不應(yīng)求的高帶寬內(nèi)存（HBM）及企業(yè)級存儲芯片的長期出貨量預(yù)期可能會面臨修正。
TurboQuant的核心突破在于解決了傳統(tǒng)向量量化過程中伴隨的內(nèi)存額外開銷問題。傳統(tǒng)方案為了保證精度，往往需要為每個數(shù)據(jù)塊額外存儲全精度的量化常數(shù)。該算法采取了兩階段處理架構(gòu)：
首先，利用PolarQuant技術(shù)進行主體壓縮。該方法放棄了傳統(tǒng)的笛卡爾坐標(biāo)系，將數(shù)據(jù)向量轉(zhuǎn)換為極坐標(biāo)，把數(shù)據(jù)分離為代表強度的半徑和代表方向的角度。這種幾何結(jié)構(gòu)的簡化徹底消除了傳統(tǒng)方法的額外內(nèi)存開銷。
隨后，引入量化約翰遜-林登施特勞斯（QJL）算法作為數(shù)學(xué)誤差校正層。TurboQuant使用極低位寬（僅1 bit）對第一階段留下的微小誤差套用QJL算法，消除偏差以確保最終注意力分?jǐn)?shù)的精準(zhǔn)。
測試數(shù)據(jù)顯示，在此機制下，TurboQuant能夠?qū)V緩存壓縮至3.5比特甚至3比特，在“大海撈針”（Needle In A Haystack）等長文本基準(zhǔn)測試中，依然保持了100%的檢索召回率。同時，其“數(shù)據(jù)無感知”（data-oblivious）特性使其無需進行特定的預(yù)處理或微調(diào)即可直接部署。
在評估該算法的實際商業(yè)穿透力時，需剝離理論數(shù)據(jù)的極限值。一方面，谷歌聲稱的“最高8倍性能提升”是建立在與未量化的32位（32-bit）基礎(chǔ)數(shù)據(jù)相對比的前提下。而在當(dāng)前實際的推理產(chǎn)業(yè)環(huán)境中，16位乃至8位、4位量化已廣泛普及，生產(chǎn)環(huán)境中的絕對效率躍升幅度將低于官方的基準(zhǔn)對比數(shù)據(jù)。
另一方面，算法的作用域具有嚴(yán)格限定。TurboQuant僅針對推理階段的KV緩存生效，它有效緩解了超長上下文帶來的顯存線性增長問題，但并不壓縮模型權(quán)重（Model Weights）本身的物理顯存占用。這意味著，該算法能讓同等顯存容量的GPU支撐更長的上下文對話或更高的并發(fā)吞吐量，但依然無法改變部署千億參數(shù)大模型時對底層硬件容量的基本門檻。
從行業(yè)視角來看，單次查詢的內(nèi)存開銷與推理成本大幅下降，使得邊緣側(cè)設(shè)備或消費級顯卡能夠承載此前僅限云端運行的長文本任務(wù)。這種軟件優(yōu)化對硬件依賴的對沖，重新定義了AI應(yīng)用落地的成本曲線。
從宏觀算力供需關(guān)系推演，這也可能引發(fā)典型的“杰文斯悖論”（Jevons Paradox）：
資源利用效率的提升，反而會因使用成本的降低而激發(fā)更龐大的長尾應(yīng)用需求。
TurboQuant降低了長文本推理的存儲門檻，可能刺激AI多模態(tài)應(yīng)用在企業(yè)端和消費端的規(guī)?；侀_。系統(tǒng)并發(fā)量的急劇上升，最終帶來的全球算力基礎(chǔ)設(shè)施與存儲需求總量，未必會呈現(xiàn)單邊縮減。（本文首發(fā)鈦媒體APP，作者 | 硅谷Tech_news，編輯 | 焦燕）
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論