谷歌“TurboQuant”橫空出世：內存需求要崩？還是AI
在人工智能基礎設施持續擴張、存儲芯片供需緊張的背景下，一項來自谷歌的技術突破，正在引發資本市場對行業邏輯的重新評估。
近日，谷歌發佈名爲TurboQuant的內存壓縮算法，宣稱可在不損失模型精度的情況下，將大語言模型運行所需的內存佔用降低至少六倍，並在部分測試中實現約八倍性能提升。
這一技術直指當前AI計算中的核心瓶頸——高維向量帶來的“緩存佔用壓力”，通過改進向量量化方法，在壓縮數據體積的同時維持計算精度。
需求預期擾動引發股價回調
受該消息影響，全球存儲與內存產業鏈公司股價普遍承壓。包括美光科技(MU.O)、西部數據(WDC.O)以及閃迪(SNDK.O)等企業股價出現下跌，市場擔憂未來單位算力所需內存規模下降，從而削弱行業需求基礎。
這一反應並非孤立事件。過去一年，在生成式AI需求推動下，內存芯片價格持續上漲，行業甚至出現階段性供應緊張。 在此背景下，任何可能“提高效率、降低硬件需求”的技術突破，均容易觸發市場對需求拐點的敏感預期。
效率革命而非需求替代
從技術路徑看，TurboQuant屬於經典“向量量化”方法的迭代升級。其核心在於通過兩階段壓縮機制，在減少數據維度的同時消除量化誤差，從而實現“高壓縮率+零精度損失”的目標。
這一改進意味著，在相同硬件條件下，AI模型可以處理更長上下文或更大批量任務，本質上提升的是“單位算力產出效率”，而非直接替代硬件本身。
傑文斯悖論再度成爲解釋框架
圍繞該技術的產業影響，市場迅速形成分歧。一部分投資者擔憂，若單次任務所需內存下降，將直接壓縮硬件需求；但主流投行與部分分析師則引用“傑文斯悖論”提出相反判斷。
該理論認爲，技術效率提升往往不會減少資源消耗，反而可能因成本下降而刺激更大規模需求擴張。
在AI場景中，更低的算力成本意味著模型部署門檻降低、應用場景擴展，從而帶動總體計算與存儲需求進一步增長。
市場已有類似先例。此前中國低成本大模型方案曾引發“高端算力需求下降”的擔憂，但隨後行業需求反而加速擴張，驗證效率提升與需求增長之間的正反饋關係。
短期約束仍來自供給側
從基本面看，當前內存行業的核心矛盾仍在供給端。AI數據中心擴建、雲廠商資本開支上行，使得DRAM與NAND需求持續高位運行，供應緊張格局尚未明顯緩解。
因此，多數機構認爲，TurboQuant短期內難以改變行業供需結構，其影響更多體現在中長期效率曲線的重塑，而非立即削弱出貨量。
摩根士丹利分析師金尚勳（Shawn Kim）在報告中寫道，TurboQuant對超大規模雲服務提供商是利好，因爲其帶來了投資回報機會。他還補充稱，從長期來看，這項技術也可能有利於內存製造商，因爲“更低的每個token成本也可能帶來更高的產品採用需求”。
Ortus Advisors分析師安德魯·傑克遜（Andrew Jackson）在Smartkarma的一份報告中寫道，鑑於供應極度緊張，谷歌的這一進展“對需求的影響可能微乎其微”。
