Google端最新壓縮演算法 華爾街：存儲晶片用量更多
Google端出最新「TurboQuant」壓縮演算法，標榜僅需六分之一的記憶體數量，就能運作大型語言模型（LLM），且性能能提升八倍，市場憂心不利記憶體後市，引爆記憶體股龐大賣壓。惟華爾街分析師認為，該演算法不僅不會降低記憶體需求，反而會推升存儲晶片使用量。
分析師認為，Google這個新演算法未必會降低記憶體需求，因為根據傑文斯悖論（Jevons paradox），提高效率反而會推升需求。
傑文斯悖論是19世紀英國經濟學家針對煤炭產量提出的理論，指出技術效率愈高，需求會增加愈多，去年中國推出DeepSeek AI模型時，也有分析師引用這個理論。
也有分析師指出，TurboQuant問世將大幅降低單次查詢的服務成本，讓部分原本只能在雲端集群上運行的模型遷移至本地，有效降低AI規模化部署的門檻，這可能反而能進一步提振整體需求。
摩根大通交易團隊便認為，近期的記憶體使用量不受威脅，TurboQuant短期對運算與記憶體的影響為中性，卻是長多，但可能讓投資人獲利了結。
摩根士丹利證券也認為，TurboQuant有利超大型運端業者和大型語言模型（LLM），因為能提高投資報酬率。
就TurboQuant的運作邏輯，具軟體工程背景的專業人士分析，TurboQuant主要針對AI在回答問題時，能不用像過往運算方式般重複記憶大量資料，若以讀書方式來比喻，舊運算方式如同認真向學的乖寶寶，要將每一個知識點都記下來，並且不斷反覆回憶，加深印象。
而TurboQuant就像是聰明但喜歡偷懶的學生，透過重點整理，選擇性記憶關鍵知識點，再從大方向進行延伸思考，因此省去大量腦容量。
就實際運作來說，TurboQuant是藉由兩種數學方法，將資料進行規律化，模型就不需要死記硬背每一筆資料的特徵，而是可以透過固定的規律去尋找答案，而在規律化的過程中，勢必會產生誤差，此時再藉由另一個小小的演算法進行誤差校正，就能夠確保AI運算的結果依然準確。
專家指出，TurboQuant減少的只是緩存的用量，並且只針對回答過程中所產生的這些緩存，並不會影響到模型本身訓練的過程及結果，也就是說，模型依然需要存儲空間來存放過去訓練所得出的模型權重，同時也需要有足夠的空間進行新的訓練。
