社区

2026年3月25日，也就是周二，Google Research发布了一项名为TurboQuant的AI记忆体压缩技术，宣称可将大型语言模型（LLM）的记忆体使用量降低至少6倍，同时维持模型准确性不受影响。消息公布后，记忆体类股，立马就在周三（也就是隔天3月26日）遭遇集体重挫。

$美光科技(MU)$ 连续第五个交易日走低， $西部数据(WDC)$ 和 $闪迪(SNDK)$ 也相继暴跌不少。这一跌势发生在整体科技股表现强劲的背景下，要知道当日标普500指数上涨了0.4%，纳斯达克综合指数也上涨0.8%，也就是特别凸显记忆体板块的异常弱势。

值得注意的是，美光此前公布的财报表现极为亮眼，营收达136.4亿美元，年增57%，非GAAP每股盈余4.78美元，超出预期21%。公司甚至给出更强劲的季度前瞻指引，预期营收187亿美元、EPS 8.42美元，毛利率将达68%。然而，即便基本面如此强劲，股价仍因Google技术消息而下跌，显示市场情绪已发生微妙转变。

此次市场反应的核心逻辑在于， $谷歌(GOOG)$ 的技术突破可能改变AI产业对硬体记忆体需求的成长轨迹。当软体演算法能够显著降低记忆体门槛时，市场开始重新评估记忆体厂商的长期成长动能与定价权。Google Research于2026年3月24日发布的官方博客中详细介绍了TurboQuant的技术架构。这项技术是一套无需重新训练或微调即可部署的压缩演算法组合，专门针对LLM的Key-Value（KV）快取进行优化。

据报道里看到的，这个TurboQuant是采用两阶段压缩流程，大概就下面这样：

第一阶段，是PolarQuant坐标转换。传统向量量化方法使用标准笛卡尔坐标（XYZ坐标系）编码向量，需要为每个数据块存储高精度的量化常数，产生额外的记忆体开销。PolarQuant将向量从笛卡尔坐标转换为极坐标系统，将每个向量分解为半径（代表数据强度）和角度（代表数据方向）两个维度。由于角度分布具有可预测性和集中性，该方法消除了传统量化器所需的昂贵逐块归一化步骤，实现零开销压缩。

第二阶段，是QJL误差校正，Quantized Johnson-Lindenstrauss（QJL）演算法将残余量化误差投影到低维空间，将每个值缩减为单一符号位（正或负）。这一步骤引入零记忆体开销，并通过将高精度查询向量与简化存储数据配对计算注意力分数，维持模型准确性。

根据Google Research在NVIDIA H100 GPU上的基准测试，TurboQuant展现出惊人的效率提升，特别是记忆体压缩率，KV快取可压缩至3位元（3-bit）精度，记忆体使用量减少至少6倍。

运算效能也是大大的加强了，4位元TurboQuant在计算注意力对数（attention logits）时，相比未压缩的32位元键值，效能提升高达8倍。

准确性维持的也不错，在LongBench、Needle In A Haystack、ZeroSCROLLS、RULER和L-Eval等长文本基准测试中，TurboQuant实现了零准确性损失，在"大海捞针"检索任务中达成完美下游表现。

此外，TurboQuant在向量搜寻Vector Search应用中也展现出色表现。在测试中，TurboQuant超越了Product Quantization（PQ）和RabbiQ等现有最佳方法，且无需大型码本或数据集特定调优。Google Research强调，TurboQuant的"数据无关"（data-oblivious）特性意味着它无需针对特定数据集进行校准，可直接部署于生产环境的推理系统和大型向量搜寻引擎中。这项技术的核心价值在于：

降低AI部署门槛：企业可在不升级昂贵硬体的情况下运行大型语言模型。

延长既有设备生命周期：现有GPU资源可支援更大的上下文视窗。

加速边缘AI发展：资源受限的终端设备（手机、IoT装置）可运行更复杂的AI模型。

记忆体股的重挫反映了市场对"需求高原化"（Demand Plateauing）的深层担忧。过去两年，AI产业被视为记忆体的"超级吃货"——每个AI服务器需要TB级别的HBM（高频宽记忆体）和DDR5 DRAM，推动记忆体价格飙升。然而，TurboQuant的出现让市场意识到，软体效率优化可能显著降低单位运算量的硬体需求。

Wells Fargo分析师在报告中指出，类似TurboQuant的技术可能导致美光高阶记忆体晶片的需求趋缓。这一担忧并非空穴来风：若AI模型可在压缩6倍记忆体的环境下维持相同效能，资料中心采购记忆体的总需求量可能面临向下修正。

更深层的产业结构性转变正在发生。AI算力竞争的焦点正从纯粹的"硬体规格竞赛"转向"软硬体协同优化"。这对纯记忆体厂商（如美光、Western Digital、Seagate）的定价权构成潜在压力。

过去，记忆体厂商受益于AI模型的"记忆体饥饿"特性——模型越大、上下文越长，所需的KV快取就越多。但TurboQuant等技术打破了这种线性关系，让软体优化成为记忆体需求的关键变数。当Google、OpenAI等AI巨头可以通过演算法创新降低硬体依赖时，记忆体厂商在产业链中的议价地位可能受到侵蚀。

此外，SK Hynix计划下半年在美国主要交易所上市的消息，也为美光带来竞争压力。分析师认为，SK Hynix的上市可能分流原本投向美光的投资资金，尽管这不影响美光的基本面业务。

尽管TurboQuant引发短期恐慌，但AI记忆体需求的长期展望仍存在多个支撑因素：

HBM需求依旧坚挺，TurboQuant主要针对的是LLM推理阶段的KV快取压缩，而非训练阶段的高频宽记忆体需求。目前最顶尖的AI训练仍极度依赖HBM——NVIDIA H100/H200 GPU、AMD MI300系列等加速器均需要大量HBM堆叠。美光的HBM产品已售罄至2026年，订单甚至延伸至2027年。短期内，这类高毛利产品的需求受演算法优化的冲击较小。

边缘AI（Edge AI）的爆发潜力，TurboQuant等技术对资源受限的终端设备尤为重要。随着压缩技术的进步，更多消费性电子装置（AI PC、AI手机、IoT设备）将具备运行复杂AI模型的能力。这可能带动记忆体总出货量（Total Addressable Market, TAM）的扩张，尽管单机记忆体容量可能下降，但整体装置基数将显著增长。

资料中心建设的持续动能，hyperscalers（微软、Google、Meta、亚马逊）的AI基础设施建设仍处于高峰期。根据IDC分析，2026年AI资料中心可能消耗全球约70%的高阶DRAM，这一结构性配置短期内难以逆转。即便单机记忆体效率提升，整体资料中心规模的扩张仍可能支撑记忆体需求。

记忆体产业的供给面同样存在支撑价格的因素：

产能配置的零和博弈，HBM与传统DRAM共享相同的晶圆产能。每生产一片HBM晶圆，就意味着减少三片DDR5晶圆的产出。SK Hynix、三星、美光三大厂商已将大量产能转向HBM生产，导致标准DRAM供给吃紧。这种产能配置的结构性转变，意味着即便AI推理记忆体需求因TurboQuant而减少，释放的产能也可能被HBM生产所吸收，而非流向消费性市场。

新产能投产的时间落差，新晶圆厂的建置需要数年时间。Micron的Idaho新厂预计2027年投产，New York新厂则要等到2028年；SK Hynix的Yongin厂也预计2027年完工。在2027-2028年新产能大规模释出之前，记忆体供给仍将维持紧张状态。

地缘政治风险溢价，中东局势紧张、美中科技战持续，为记忆体供应链增添不确定性。美光作为美国本土的记忆体大厂，虽可能受益于"友岸外包"趋势，但其全球供应链仍面临潜在的地缘政治风险。

对于我们这些普通的美股投资人而言，当前的记忆体股修正，提供了重新评估持仓结构的契机。在效率优化成为产业共识的背景下，拥有HBM技术领先优势和多元化产品组合的记忆体厂商，将比依赖单一标准DRAM产品的公司更具韧性。美光、SK Hynix、三星三大厂商的竞争格局，也将因软体技术的进步而进入新的动态平衡。

朋友们觉得呢？[鬼脸]

[财迷]$老虎证券(TIGR)$ [财迷]

@小虎活动  @小虎AV  @爱发红包的虎妞  @33_Tiger  @芝士虎 @Tiger_SG @话题虎