Google представила TurboQuant, революционный алгоритм сжатия нескольких ячеек памяти для приложений искусственного интеллекта.

Исследователи из Google Research анонсировали новый алгоритм сжатия памяти для искусственного интеллекта под названием TurboQuant. Технология теперь получила название «Крысолов» в честь вымышленного стартапа из сериала «Силиконовая долина». Это сравнение не возникает на пустом месте. В культовом сериале HBO, транслировавшемся с 2014 по 2019 год, компания Pied Piper разработала революционный алгоритм сжатия данных.

TurboQuant от Google фокусируется на максимальном сжатии без потери качества, но применяется и к ключевому узкому месту в системах искусственного интеллекта — рабочей памяти.

Как описывают эту технологию эксперты Google Research, это новый способ уменьшить «рабочую память» ИИ (КВ-кэш), без потери производительности. В методе используется векторное квантование для устранения узких мест в кэше, что, по словам исследователей, позволит ИИ запоминать больше информации, занимая при этом меньше места и сохраняя точность.

Полные результаты работы будут представлены на конференции ICLR 2026 в апреле. TurboQuant основан на двух методах: алгоритме квантования PolarQuant и методе обучения и оптимизации QJL. Практическая польза от внедрения этой технологии может быть значительной. По данным Google, TurboQuant способен сократить объем рабочей памяти, необходимой для ИИ, как минимум в 6 раз во время «вывода» — этапа использования уже обученной модели. Это может значительно удешевить использование услуг искусственного интеллекта.

Некоторые представители отрасли, такие как генеральный директор Cloudflare Мэтью Принс, уже сравнивают этот прорыв с успехом китайской модели DeepSeek, которая достигла конкурентоспособных результатов при значительно меньших затратах на обучение.

Однако важно отметить, что TurboQuant все еще является лабораторной разработкой и еще не доступен для широкого использования. Более того, алгоритм решает проблему памяти только на этапе использования моделей ИИ, а не на этапе их обучения, для которого по-прежнему требуются огромные объемы оперативной памяти.

В этом году гонка за эффективность ИИ выходит на новый уровень. Если TurboQuant оправдает ожидания в реальных условиях, он может стать важным шагом на пути к демократизации мощных моделей искусственного интеллекта, сделав их использование более доступным. Однако, как и в случае с «Крысоловом» Кремниевой долины, путь от лабораторного прорыва к широкому внедрению часто сопряжен с неожиданными трудностями.