關鍵數字：KV 快取記憶體降低 6 倍、H100 GPU 上執行效能提升最高 8 倍。Google 研究院近期於官方部落格正式發表新型壓縮演算法「TurboQuant」，由研究科學家 Amir Zandieh 與副總裁暨 Google 研究員 Vahab Mirrokni 共同撰文說明。這項技術的核心目標，是以極致壓縮重新定義大型語言模型（LLM）的 AI 效率，並預計於 ICLR 2026 正式發表。消息一出，美系外資摩根士丹利（大摩）隨即以「另一個 DeepSeek 時刻」來描述其潛在影響力，認為此技術有望顛覆現有 AI 部署的成本曲線。
📊 技術背景：KV 快取瓶頸為何難以突破？
KV 快取（Key-Value Cache）是大型語言模型推論階段的核心機制，可視為一種高速「數位速查表」，以簡單標籤儲存常用資訊，使電腦能即時存取，而不需反覆搜尋龐大且緩慢的資料庫。然而，隨著模型規模持續擴大，高維向量（High-dimensional vectors）所消耗的記憶體也急遽增加，KV 快取因此成為制約 AI 系統效能的關鍵瓶頸。
傳統解法是採用「向量量化」（Vector quantization）縮減高維向量大小，理論上可加速向量搜尋並降低記憶體成本。然而，傳統向量量化技術存在一個根本矛盾：每個壓縮後的小區塊仍需存取額外的量化參數，導致每個數值反而增加 1 至 2 個 bit，抵銷了原本的壓縮效益。這也是 Google 研究團隊決定從根本重新設計演算法的主要動機。
TurboQuant 核心架構：兩階段壓縮流程
TurboQuant 的壓縮流程分為兩個關鍵步驟，分別對應兩項底層技術：PolarQuant 與 Quantized Johnson-Lindenstrauss（QJL）。
步驟一：高品質壓縮（PolarQuant 方法）
TurboQuant 首先透過 PolarQuant 技術對資料向量進行隨機旋轉，以簡化資料的幾何結構。PolarQuant 的核心創新在於將向量從傳統的 X、Y、Z 標準座標系統，轉換為「極座標」（Polar coordinates）表示方式。以直觀的比喻說明：傳統方法描述「向東走 3 個街區、向北走 4 個街區」，而 PolarQuant 則描述為「以 37 度角走總共 5 個街區」，以半徑（代表核心資料強度）與角度（代表資料方向或語意）兩種資訊取代原有的多維座標。
這種極座標模式具有高度集中且可預測的特性，使模型不再需要執行昂貴的資料標準化（normalization）步驟。更重要的是，當資料被映射至固定且可預測的圓形網格時，邊界是已知的，不像傳統方形網格那樣邊界持續變動，從而消除了傳統方法必然承擔的記憶體額外負擔。
步驟二：消除隱藏誤差（QJL 演算法）
完成第一階段壓縮後，TurboQuant 使用極少的剩餘位元（僅 1 bit），對第一階段殘留的微小誤差套用 QJL 演算法進行修正。QJL 採用一種名為 Johnson-Lindenstrauss Transform 的數學方法，能將每個向量數值簡化為單一符號位元（+1 或 -1），建立高速的資料「速記形式」，且不需要額外記憶體負擔。此外，QJL 使用特殊估算器（estimator），在高精度查詢與低精度資料之間取得平衡，確保模型仍能精確計算注意力分數（attention score）——即判斷哪些輸入資訊重要、哪些可忽略的核心機制。
實驗驗證：多項基準測試數據全面解析
Google 使用開源大型語言模型 Gemma 與 Mistral，在多個標準長上下文基準測試上進行嚴謹評估，涵蓋 LongBench、Needle In A Haystack、ZeroSCROLLS、RULER 及 L-Eval 等測試集。
實驗結果顯示，TurboQuant 在「點積失真」（dot product distortion）與「召回率」（recall）兩項關鍵指標上均達到最佳表現。在長上下文「大海撈針」任務中，TurboQuant 在所有基準測試中均達到完美的下游任務表現，同時將 KV 記憶體大小降低至少 6 倍以上，且 PolarQuant 在此任務中幾乎無精度損失。
在執行效率方面，Google 的測試結果同樣亮眼：在 H100 GPU 加速器上，4 位元 TurboQuant 相較於 32 位元未量化鍵值，效能提升最高可達 8 倍。Google 同時確認，TurboQuant 可在無需訓練或微調的情況下，將 KV 鍵值快取量化至僅 3 位元，且不犧牲模型準確度，執行時幾乎不產生額外負擔。此外，與目前最先進方法 PQ 及 RabbiQ 的比較測試也顯示，TurboQuant 在高維向量搜尋任務中持續維持更優異的召回率，驗證其穩健性與效率。
大摩的判斷：為何稱之為「另一個 DeepSeek 時刻」？
摩根士丹利（大摩）在分析報告中指出，目前 AI 服務擴展的最大瓶頸正是 KV 快取問題。若模型能在顯著降低記憶體需求的情況下維持效能，每次查詢的服務成本將可大幅下降，進而提升 AI 部署的整體獲利能力。
大摩進一步區分短期與長期影響。短期而言，TurboQuant 主要針對推論階段的 KV 快取進行壓縮，對模型權重（GPU/TPU 上的 HBM 使用量）與訓練工作負載並無直接影響，但可讓相同硬體支援 4 至 8 倍更長的上下文，或在不耗盡記憶體的情況下處理更大的批次大小（batch size）。這代表的是「效率提升」，即增加每顆 GPU 的吞吐量，而非整體記憶體或硬體需求降低 6 倍。
長期而言，大摩預測將出現「Jevons Paradox」（傑文斯悖論）效應——效率提升反而推動總需求增加。從這個角度審視，TurboQuant 與其說是漸進式的技術優化，不如說是從根本上「改變 AI 部署的成本曲線」，這也正是大摩以「另一個 DeepSeek 時刻」來定位這項技術的原因。
TurboQuant 的應用前景
Google 表示，TurboQuant 的應用範疇不僅限於解決 LLM 的 KV 快取瓶頸，預期將延伸至更多場景。尤其是在極低記憶體使用量、幾乎為零的前處理時間，以及最先進準確度的條件下，建立並查詢大規模向量索引，有助於 Google 語意搜尋系統變得更快速且更高效率。值得注意的是，NVIDIA 亦已於論文中公開其 KV 快取壓縮技術 KVTC，顯示業界主要玩家正同步投入這一關鍵技術領域，外界也期待隨著更多企業投入，進一步促使 AI 推論成本持續下降。
常見問題解答
TurboQuant 是什麼技術？
TurboQuant 是 Google 研究院開發的新型壓縮演算法，預計於 ICLR 2026 正式發表。其核心功能是在不損失模型準確度的前提下，大幅壓縮大型語言模型的 KV 快取記憶體占用，同時提升向量搜尋效率。技術上由 PolarQuant（高品質壓縮）與 QJL（誤差消除）兩個核心組件構成。
TurboQuant 能帶來多大的效能提升？
根據 Google 的實驗數據，TurboQuant 可將 KV 快取記憶體大小降低至少 6 倍以上，同時在 H100 GPU 上的執行效能相較於 32 位元未量化鍵值最高提升 8 倍，且在多個標準基準測試中均達到完美的下游任務表現。
為何大摩稱 TurboQuant 為「另一個 DeepSeek 時刻」？
摩根士丹利認為，TurboQuant 能在不增加硬體的情況下大幅提升 GPU 吞吐量，顯著降低每次 AI 查詢的服務成本。長期來看，依據「傑文斯悖論」效應，效率提升將推動 AI 總需求進一步增加，因此這項技術被視為改變 AI 部署成本曲線的關鍵突破，而非單純的漸進式優化。
TurboQuant 與 PolarQuant、QJL 的關係為何？
PolarQuant 與 QJL（Quantized Johnson-Lindenstrauss）是 TurboQuant 的兩項核心組件技術。PolarQuant 負責第一階段的高品質壓縮，將向量轉換為極座標表示以消除記憶體額外負擔；QJL 則負責第二階段的誤差修正，以僅 1 bit 的極低成本消除壓縮偏差，提升注意力分數的準確性。三者合稱 TurboQuant 技術體系，其中 PolarQuant 預計於 AISTATS 2026 發表。
