谷歌迎來“DeepSeek時刻”！TurboQuant引爆AI圈、全球開發者瘋狂復現：6倍無損壓縮，內存股集體暴跌

整理 | 華衛

即使你對生成式 AI 模型的內部運作了解不多，也大概率知道它們極其吃內存。正因如此，如今想買一根普通內存條都免不了被狠狠加價。

最近，谷歌研究院發布了 TurboQuant 壓縮算法，能夠在提升運行速度并保持準確性不變的前提下，降低大語言模型（LLM）的內存占用。如果 TurboQuant 成功落地，可將 AI 運行時的 “工作內存”，也就是鍵值緩存（KV cache）壓縮至少 6 倍，并在 H100 顯卡上實現最高 8 倍的速度提升，從而大幅降低 AI 運行成本。

Cloudflare 的 CEO Matthew Prince 等人甚至稱，這是谷歌的 “DeepSeek 時刻”。此前，中國 AI 模型 DeepSeek 實現這樣的效率飛躍：該模型在性能保持競爭力的情況下，訓練成本僅為對手的零頭，且使用的芯片性能較差。

而 TurboQuant 最關鍵的亮點是：精度零損失。無需微調，無需訓練數據。直接接入任意 Transformer 模型，即可讓鍵值緩存壓縮至原體積的一小部分，同時輸出結果完全一致。如果這一效果能在實際生產環境中成立，將一夜之間改變長上下文推理的成本格局。

此外，TurboQuant 發布短短數小時內，內存類股票應聲下跌：美光科技跌 3%，西部數據跌 4.7%，閃迪跌 5.7%。原因是投資者開始重新估算，AI 行業未來實際需要的物理內存可能會大幅減少。

極致無損壓縮 AI 效率，

還革新了向量檢索

在博客中，谷歌研究院將這項技術描述為一種在不影響性能的前提下縮減 AI 運行內存的全新方法。研究人員表示，該壓縮技術采用一種矢量量化方式，解決 AI 處理中的緩存瓶頸問題，本質上能讓 AI 在占用更少空間、保持精度的同時記住更多信息。

TurboQuant 的優化目標是縮減鍵值緩存的體積，谷歌將其比作一張 “數字備忘單”，用于存儲關鍵信息，避免重復計算。這張備忘單必不可少，因為正如我們常說的，大語言模型本身并不 “懂” 任何東西，它們只是通過向量模擬出理解的效果，向量會映射分詞后文本的語義信息。兩個向量相近，就代表它們在概念上相似。高維向量可能包含成百上千個嵌入維度，能夠描述圖像像素、大型數據集等復雜信息，但同時也會占用大量內存，讓鍵值緩存體積暴漲，成為性能瓶頸。

為了讓模型更小、更高效，開發者通常會使用量化技術以更低精度運行模型，缺點則是生成效果會變差，分詞預測的質量下降。而谷歌的早期測試結果顯示，使用 TurboQuant 后，部分場景下性能提升 8 倍、內存占用減少 6 倍，且精度毫無損失。

谷歌表示，他們在 Gemma 和 Mistral 兩款開源模型上，用一系列長上下文基準測試了這套新壓縮算法。結果顯示，TurboQuant 在所有測試中下游任務表現完美，同時將鍵值緩存內存占用降低 6 倍。該算法無需額外訓練，就能將緩存量化至僅 3 比特，可直接應用于現有模型。在英偉達 H100 加速器上，使用 4 比特 TurboQuant 計算注意力分數，速度比 32 比特未量化鍵值快 8 倍。

不過值得注意的是，TurboQuant 目前尚未大規模部署，現階段仍只是實驗室層面的突破。如果正式落地，TurboQuant 有望降低 AI 模型的運行成本，減少內存消耗。研發這類技術的公司也可能利用釋放出的內存運行更復雜的模型。未來大概率會兩種方向并存，而移動端 AI 受益可能最為明顯。受限于手機硬件條件，TurboQuant 這類壓縮技術可以在不上傳數據至云端的前提下，提升本地 AI 的生成質量。

除大語言模型推理外，TurboQuant 也適用于向量檢索場景，在檢索增強生成（RAG）與相似度搜索中，高維向量同樣面臨內存壓力。使用 TurboQuant 后，索引構建時間幾乎降至零（1536 維向量僅需 0.0013 秒，而乘積量化需 239.75 秒）；在 GloVe 數據集上的召回率也優于乘積量化與 RabbiQ 基準模型。

技術邏輯大公開：

應用到 AI 模型只需兩步

將 TurboQuant 應用到 AI 模型分為兩個階段，背后是兩項關鍵技術：量化方法 PolarQuant 以及名為 QJL 的訓練與優化方法。

為實現高質量壓縮，谷歌設計了一套名為 PolarQuant 的系統，以一種截然不同的思路解決內存開銷問題。AI 模型中的向量通常采用標準 XYZ 坐標編碼，而 PolarQuant 會將向量轉換為笛卡爾坐標系下的極坐標。在這個環形網格中，向量被簡化為兩項信息：半徑（核心數據強度）和方向（數據的語義含義）。

谷歌用一個很形象的現實例子來解釋：傳統編碼就像是 “向東走 3 個街區，再向北走 4 個街區”；而用極坐標則可以簡化為 “沿 37 度方向走 5 個街區”。這樣不僅占用空間更少，還省去了系統開銷巨大的數據歸一化步驟。PolarQuant 承擔了主要的壓縮工作，盡管效果顯著，但會產生殘留誤差。

第二步則用于修復瑕疵。對此，谷歌提出用量化約翰遜 - 林登斯特勞斯變換（QJL）進行平滑處理，在壓縮復雜高維數據的同時，保留數據點之間關鍵的距離與關聯信息。該技術會為模型添加一層 1 比特誤差校正層，將每個向量壓縮至單個比特（+1 或 - 1），本質上構建了一套高速簡寫形式，且不會產生任何內存開銷。同時為保證精度，QJL 采用一種特殊估算器，對高精度查詢與低精度簡化數據進行合理平衡，使模型能夠精準計算注意力分數，這也是神經網絡判斷數據重要性的核心機制。

二者組合起來的效果就是，PolarQuant 實現極致壓縮，QJL 以近乎可忽略的成本修正誤差。據悉，谷歌計劃在下個月的 ICLR 2026 會議上展示他們的研究成果，并展示這兩種優化方法。

代碼未公布，

開發者單靠論文復現可用版

盡管谷歌尚未發布任何官方代碼或集成庫，獨立開發者們已經僅憑論文就開始構建可運行的實現版本。

有開發者在 PyTorch 中自定義了 Triton 內核，在 RTX 4090 顯卡上對 Gemma 3 4B 模型進行測試，結果顯示：在 2 比特精度下，模型輸出與未壓縮基準版逐字符完全一致。僅用 2 比特存儲每個數值，量化后的模型就能與全精度版本實現逐字節完全相同的回復，這表明 TurboQuant 的理論保證在較小模型上切實有效。

另有開發者通過 MLX 框架在蘋果芯片上運行 35B 參數模型并搭載 TurboQuant，在各量化等級下的 “大海撈針” 測試中均取得 6 項滿分。在 llama.cpp 社區，已有三名開發者著手開發 C 語言與 CUDA 版本，其中一人表示 18 項測試全部通過，壓縮比也與論文數據完全吻合。

一項研究論文在官方發布前就以如此速度被廣泛復現，實屬罕見。覆蓋 Triton、MLX、llama.cpp 等平臺的實現案例，既體現了 TurboQuant 數學設計的清晰性，也反映出 KV 緩存優化作為部署瓶頸的迫切需求。

不過，復現該算法并非易事。一名早期開發者表示，QJL 誤差校正模塊很難準確實現，簡單粗暴的實現方式只會輸出亂碼。如果不能正確實現 QJL 對內積估算的偏差校正，量化誤差會不斷累積，導致輸出結果完全不可用。目前谷歌仍未發布 TurboQuant 官方代碼，vLLM、llama.cpp、Ollama 等主流推理框架也均未集成該技術。

內存股全跌了，

英偉達也在推同款算法

市場反應十分迅速。內存類股票紛紛下跌，美光科技股價下跌 3%，西部數據下跌 4.7%，閃迪下跌 5.7%。A 股市場存儲芯片股也集體下挫，其中，兆易創新、佰維存儲、恒爍股份跌超 5%，江波龍、朗科科技、北京君正、太極實業、中電港跌超 4%，普冉股份、同有科技、萬潤科技、科翔股份、精智達、云漢芯城、聯蕓科技跌超 3%。

而在多位分析師看來，這種波動有些反應過度。富國銀行分析師 Andrew Rocha 指出，TurboQuant 直接沖擊了 AI 系統的內存成本曲線。他表示，如果該技術被廣泛采用，很快就會引發一個問題：整個行業實際需要的內存容量究竟有多大。但 Rocha 與其他分析師也同時提醒，AI 內存的需求整體依然強勁，而且壓縮算法已存在多年，并未從根本上改變硬件采購規模。

不過，市場的擔憂并非毫無根據。AI 基礎設施支出正以驚人速度增長：僅 Meta 一家，近期就與 Nebius 達成協議，投入高達 270 億美元用于專屬算力；谷歌、微軟、亞馬遜也共同計劃在 2026 年前投入數千億美元用于數據中心資本支出。一項能將內存需求降低 6 倍的技術，并不會讓支出同步減少 6 倍，因為內存只是數據中心成本的一部分。但它會改變成本結構比例，而在如此大規模的投入下，即便只是小幅效率提升，帶來的影響也會快速放大。

TurboQuant 并非唯一一篇將在 ICLR 2026 發表的 KV 緩存壓縮方法。據了解，英偉達推出的 KVTC 可實現 20 倍壓縮，且精度損失不到 1 個百分點。該算法在 15 億至 700 億參數的模型上完成了測試，覆蓋范圍比 TurboQuant 約 80 億參數上限的基準測試更廣。KVTC 采用了截然不同的底層思路，使用基于主成分分析（PCA）的去相關方法與熵編碼，部分思路借鑒自 JPEG 壓縮。與 TurboQuant 與數據無關的設計不同，KVTC 需要針對每個模型執行一次性校準步驟，離線計算 PCA 對齊矩陣。作為回報，它在 8000 token 的長提示詞下，可將首 token 延遲最高降低 8 倍：在 H100 上從約 3 秒縮短至 380 毫秒。

英偉達研究員 Adrian Lancucki 表示，“高效的 KV 緩存管理正變得至關重要，閑置緩存必須迅速從 GPU 顯存移出，為其他用戶騰出空間，并在對話恢復時快速加載。這些基礎設施成本如今已體現在商用定價中，例如‘提示詞緩存’，并會收取額外費用。”

兩種相互競爭的壓縮標準在同一場會議同期亮相，標志著 KV 緩存優化正從純研究課題，逐漸成熟為生產級基礎設施層。

https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

https://winbuzzer.com/2026/03/26/googles-turboquant-reduces-ai-llm-cache-memory-xcxwbn/

https://thenextweb.com/news/google-turboquant-ai-compression-memory-stocks

聲明：本文為 AI 前線整理，不代表平臺觀點，未經許可禁止轉載。

會議推薦

OpenClaw 出圈，“養蝦”潮狂熱，開年 Agentic AI 這把火燒得不可謂不旺。在這一熱潮下，自托管 Agent 形態迅速普及：多入口對話、持久記憶、Skills 工具鏈帶來強大生產力。但這背后也暴露了工程化落地的真實難題——權限邊界與隔離運行、Skills 供應鏈安全、可觀測與可追溯、記憶分層與跨場景污染、以及如何把 Agent 納入團隊研發 / 運維流程并形成穩定收益。

針對這一系列挑戰，在 4 月 16-18 日即將舉辦的 QCon 北京站上，我們特別策劃了「OpenClaw 生態實踐」專題，將聚焦一線實踐與踩坑復盤，分享企業如何構建私有 Skills、制定安全護欄、搭建審計與回放機制、建立質量 / 效率指標體系，最終把自托管 Agent 從可用的 Demo 升級為可靠的生產系統。

今日薦文

你也「在看」嗎？