编译 | 刘煜
编辑 | 陈骏达
芯东西4月14日消息，4月12日，据英国《金融时报》报道，多位分析人士称，谷歌3月25日发布的可提升内存利用效率的TurboQuant算法，非但不会削弱存储芯片需求，反而将进一步推高市场对存储芯片的整体需求。
上个月，谷歌发布TurboQuant算法相关博文后，三星与SK海力士股价一度大幅跳水，引发了资本市场对存储芯片的焦虑。
4月7日，三星电子公布的第一季度业绩指引称，该公司第一季度利润预计将超过去年全年总和，合并营业利润约为57.2万亿韩元（约合人民币2652.75亿元），同比增长超755%。这份盈利预期推动三星股价逼近历史高点，也一定程度上平息了近两周因TurboQuant引发的市场焦虑。
▲图为三星电子的股价走势图（图源：英国《金融时报》）
TurboQuant是在AI交互时长增加以及用户数量攀升的背景下诞生的。
当前，市场对更长上下文、更低成本的AI服务需求持续提升，AI服务面临的存储成本压力持续加大，而大模型在长上下文推理时会产生大量重复计算，键值缓存（KV Cache）正是通过复用历史计算结果降低这类开销。但缓存本身会占用内存资源，于是AI产业链对KV缓存优化技术的需求急剧增长。
而TurboQuant能够压缩键值缓存，即压缩ChatGPT、Claude等模型用于保存对话上下文的短期存储单元，并在需要时对其进行重构，这个过程中几乎不会造成明显的精度损失。
TurboQuant底层算法模块PolarQuant和QJL的核心研究者、谷歌研究院的客座研究员韩仁洙（Insu Han）称，该算法“有望成为实现此前难以完成的高难度任务的基础，例如在有限存储资源下处理更长的上下文且不损失精度，或是在小型设备上部署高性能AI”。
谷歌称，TurboQuant能够降低单token成本，即AI系统处理每单位数据所需的算力与存储开销。其研究人员称，该方法可将存储占用最多削减至原来的六分之一。
但谷歌发布TurboQuant算法相关博文后，随即引发了市场围绕高带宽内存（HBM）未来需求的激烈且持续的争论。
韩仁洙称：“我们从未想到，一项源于‘如何更完美地压缩数据’这一学术问题的技术，竟会引发如此巨大的社会与经济连锁反应。”
部分投资者认为存储芯片的繁荣将走向破灭，另一些人则认为TurboQuant影响甚微。
有乐观观点指出，若该技术确实能降低AI成本，只会催生更多AI应用需求，进而带动更多芯片需求。
韩国的研究型综合大学首尔成均馆大学教授权锡俊称：“TurboQuant有望将LLM的运行成本降低四至八成。乍看之下，这似乎会冲击HBM的需求。”但他补充道：“推理成本大幅下降，会解锁此前因成本过高而无法落地的算力任务”，例如实时编码助手以及多AI Agent并行运行等场景，“最终将推动整体算力需求上升，而非下降”。
半导体分析机构SemiAnalysis的王磊说道：“市场很大程度上误解了TurboQuant。我们始终认为，随着AI模型迭代与技术创新，无论是训练还是推理环节，存储需求都将持续增长。”他还称，AI服务商为锁定供应正越来越多地签订长期合约，这将缓冲韩国芯片厂商可能面临的冲击。
此外，王磊补充道：“受AI需求持续、快速增长驱动，存储芯片行业的周期性正在减弱，如今合约定价的重要性已超过现货定价。”
未来资产证券分析师金英建在研报中用“似曾相识”类比了谷歌此前推出的容器编排技术Kubernetes。该技术可在单台服务器上运行多个应用，大幅提升硬件利用效率。
那是在2010年代末，Kubernetes开始普及，由于该技术能提高服务器效率，市场担忧企业用更少资源即可实现同等业务效果，进而导致服务器与存储需求下滑。但后续事实证明，实际情况与市场预期恰恰相反，成本下降催生了更广泛的应用落地。
目前，TurboQuant仍停留在博客论文阶段。待4月下旬其在巴西举办的国际学习表征会议（ICLR）正式发布，且开放对外测试后，其实际影响才能显现。该技术最终能否成功，取决于大型科技企业能否规模化落地应用。
结语：TurboQuant搅动短期估值，训练刚需驱动HBM长期成长与TurboQuant提升存储效率却可能带动更大存储芯片需求的逻辑相似，1865年，经济学家威廉・斯坦利・杰文斯在其著作《煤炭问题》中曾指出：詹姆斯・瓦特改良的高效率蒸汽机并未减少煤炭消耗，反而让煤炭动力在更多场景具备经济可行性，最终大幅推高了煤炭的整体使用量。
当前行业对TurboQuant争论的核心，本质或是HBM的需求结构将如何被重新调整。
着眼存储芯片市场，短期来看，推理环节的HBM使用效率显著提升，单颗GPU可支持更长上下文，引发市场对存储芯片估值的阶段性重估。长期来看，训练环节仍需高精度HBM支撑千亿乃至万亿参数模型训练。
以TurboQuant为代表的压缩技术主要影响推理场景，并不会改变训练侧对高端HBM的核心需求，反而可能推动存储架构向训练侧重容量与带宽、推理侧重高效利用的方向分化。
不过，TurboQuant等技术红利能否真正转化为AI效率提升，关键或取决于大型科技企业能否将其规模化落地应用，以及与Chiplet先进封装、CXL内存互联等技术是否能协同融合。
翔云优配提示：文章来自网络，不代表本站观点。
