谷歌TurboQuant敘事反轉？海外專家：可能引爆新一輪存儲熱潮

芯東西（公眾號：aichip001）
編譯 劉煜
編輯 陳駿達

芯東西4月14日消息，4月12日，據英國《金融時報》報道，多位分析人士稱，谷歌3月25日發布的可提升內存利用效率的TurboQuant算法，非但不會削弱存儲芯片需求，反而將進一步推高市場對存儲芯片的整體需求。

上個月，谷歌發布TurboQuant算法相關博文后，三星與SK海力士股價一度大幅跳水，引發了資本市場對存儲芯片的焦慮。

4月7日，三星電子公布的第一季度業績指引稱，該公司第一季度利潤預計將超過去年全年總和，合并營業利潤約為57.2萬億韓元（約合人民幣2652.75億元），同比增長超755%。這份盈利預期推動三星股價逼近歷史高點，也一定程度上平息了近兩周因TurboQuant引發的市場焦慮。

▲圖為三星電子的股價走勢圖（圖源：英國《金融時報》）

TurboQuant是在AI交互時長增加以及用戶數量攀升的背景下誕生的。

當前，市場對更長上下文、更低成本的AI服務需求持續提升，AI服務面臨的存儲成本壓力持續加大，而大模型在長上下文推理時會產生大量重復計算，鍵值緩存（KV Cache）正是通過復用歷史計算結果降低這類開銷。但緩存本身會占用內存資源，于是AI產業鏈對KV緩存優化技術的需求急劇增長。

而TurboQuant能夠壓縮鍵值緩存，即壓縮ChatGPT、Claude等模型用于保存對話上下文的短期存儲單元，并在需要時對其進行重構，這個過程中幾乎不會造成明顯的精度損失。

TurboQuant底層算法模塊PolarQuant和QJL的核心研究者、谷歌研究院的客座研究員韓仁洙（Insu Han）稱，該算法“有望成為實現此前難以完成的高難度任務的基礎，例如在有限存儲資源下處理更長的上下文且不損失精度，或是在小型設備上部署高性能AI”。

谷歌稱，TurboQuant能夠降低單token成本，即AI系統處理每單位數據所需的算力與存儲開銷。其研究人員稱，該方法可將存儲占用最多削減至原來的六分之一。

但谷歌發布TurboQuant算法相關博文后，隨即引發了市場圍繞高帶寬內存（HBM）未來需求的激烈且持續的爭論。

韓仁洙稱：“我們從未想到，一項源于‘如何更完美地壓縮數據’這一學術問題的技術，竟會引發如此巨大的社會與經濟連鎖反應。”

部分投資者認為存儲芯片的繁榮將走向破滅，另一些人則認為TurboQuant影響甚微。

有樂觀觀點指出，若該技術確實能降低AI成本，只會催生更多AI應用需求，進而帶動更多芯片需求。

韓國的研究型綜合大學首爾成均館大學教授權錫俊稱：“TurboQuant有望將LLM的運行成本降低四至八成。乍看之下，這似乎會沖擊HBM的需求。”但他補充道：“推理成本大幅下降，會解鎖此前因成本過高而無法落地的算力任務”，例如實時編碼助手以及多AI Agent并行運行等場景，“最終將推動整體算力需求上升，而非下降”。

半導體分析機構SemiAnalysis的王磊說道：“市場很大程度上誤解了TurboQuant。我們始終認為，隨著AI模型迭代與技術創新，無論是訓練還是推理環節，存儲需求都將持續增長。”他還稱，AI服務商為鎖定供應正越來越多地簽訂長期合約，這將緩沖韓國芯片廠商可能面臨的沖擊。

此外，王磊補充道：“受AI需求持續、快速增長驅動，存儲芯片行業的周期性正在減弱，如今合約定價的重要性已超過現貨定價。”

未來資產證券分析師金英建在研報中用“似曾相識”類比了谷歌此前推出的容器編排技術Kubernetes。該技術可在單臺服務器上運行多個應用，大幅提升硬件利用效率。

那是在2010年代末，Kubernetes開始普及，由于該技術能提高服務器效率，市場擔憂企業用更少資源即可實現同等業務效果，進而導致服務器與存儲需求下滑。但后續事實證明，實際情況與市場預期恰恰相反，成本下降催生了更廣泛的應用落地。

目前，TurboQuant仍停留在博客論文階段。待4月下旬其在巴西舉辦的國際學習表征會議（ICLR）正式發布，且開放對外測試后，其實際影響才能顯現。該技術最終能否成功，取決于大型科技企業能否規模化落地應用。

結語：TurboQuant攪動短期估值，訓練剛需驅動HBM長期成長

與TurboQuant提升存儲效率卻可能帶動更大存儲芯片需求的邏輯相似，1865年，經濟學家威廉?斯坦利?杰文斯在其著作《煤炭問題》中曾指出：詹姆斯?瓦特改良的高效率蒸汽機并未減少煤炭消耗，反而讓煤炭動力在更多場景具備經濟可行性，最終大幅推高了煤炭的整體使用量。

當前行業對TurboQuant爭論的核心，本質或是HBM的需求結構將如何被重新調整。

著眼存儲芯片市場，短期來看，推理環節的HBM使用效率顯著提升，單顆GPU可支持更長上下文，引發市場對存儲芯片估值的階段性重估。長期來看，訓練環節仍需高精度HBM支撐千億乃至萬億參數模型訓練。

以TurboQuant為代表的壓縮技術主要影響推理場景，并不會改變訓練側對高端HBM的核心需求，反而可能推動存儲架構向訓練側重容量與帶寬、推理側重高效利用的方向分化。

不過，TurboQuant等技術紅利能否真正轉化為AI效率提升，關鍵或取決于大型科技企業能否將其規模化落地應用，以及與Chiplet先進封裝、CXL內存互聯等技術是否能協同融合。