Por que as Ações de Memória Despencaram Hoje: TurboQuant Acaba de Mudar o Jogo com o "Momento DeepSeek do Google"

Por que as Ações de Memória Despencaram Hoje: TurboQuant Acaba de Mudar o Jogo com o "Momento DeepSeek do Google"

Com as ações fechando solidamente em alta, apesar de algumas oscilações dolorosas durante o dia, um setor foi um notável atrasado: o mesmo setor que havia superado dramaticamente o S&P desde que os preços da memória dispararam em outubro passado: ações de memória, mais notavelmente MU e SNDK.

Em seu resumo do final do dia, o especialista em tecnologia do Goldman, Peter Callahan, escreveu que, embora não houvesse muita "angústia" real por aí, seus clientes reclamaram de muita "verificação de sanidade" sobre os fortes movimentos de queda nas ações de memória (MU / SNDK em baixa vs. OEMs em alta) e especialmente "a queda de 5 dias na MU, já que a Micron teve um desempenho inferior ao SOX em 20% em 5 dias, começando com o relatório de lucros explosivos da empresa; esse movimento é o maior período de desempenho inferior em 5 dias em relação aos Semis/SOX desde 2011.

O que causou o notável declínio de hoje, que em um momento viu as ações da Micron caírem mais de 6% e a Sandisk cair 9% antes de reduzir as perdas, com outros declinantes notáveis ​​incluindo Western Digital (-6,7%) e Seagate Technologies (-8,5%)?

A resposta foi o último anúncio do Google Research, que após o fechamento na quarta-feira revelou o TurboQuant, um algoritmo de compressão para modelos de linguagem grandes e mecanismos de busca vetorial, que encolhe um gargalo importante de inferência-memória: ele reduz a memória de um modelo de IA em 6 vezes, tornando-o 8 vezes mais rápido com o mesmo número de GPUs, tudo isso mantendo zero perda de precisão e "redefinindo a eficiência da IA".

Apresentando TurboQuant: Nosso novo algoritmo de compressão que reduz a memória do cache chave-valor do LLM em pelo menos 6x e oferece até 8x de aceleração, tudo com zero perda de precisão, redefinindo a eficiência da IA. Leia o blog para saber como ele atinge esses resultados: https://t.co/CDSQ8HpZoc pic.twitter.com/9SJeMqCMlN
— Google Research (@GoogleResearch) 24 de março de 2026
O artigo está programado para apresentação na ICLR 2026, mas a reação online foi imediata: o CEO da Cloudflare, Matthew Prince, chamou-o de "momento DeepSeek do Google".

Para ter certeza, o anúncio do @GoogleResearch gerou um engajamento massivo, com mais de 7,7 milhões de visualizações, sinalizando que a indústria estava faminta por uma solução para a crise de memória. Todos - exceto os produtores de memória - ficaram extasiados.

Em 24 horas após o lançamento, membros da comunidade começaram a portar o algoritmo para bibliotecas populares de IA locais como MLX para Apple Silicon e llama.cpp.

O analista técnico @Prince_Canuma compartilhou um dos benchmarks iniciais mais convincentes, implementando o TurboQuant em MLX para testar o modelo Qwen3.5-35B.

Em comprimentos de contexto variando de 8,5K a 64K tokens, ele relatou uma correspondência exata de 100% em todos os níveis de quantização, observando que o TurboQuant de 2,5 bits reduziu o cache KV em quase 5x sem perda de precisão. Essa validação do mundo real ecoou a pesquisa interna do Google, provando que os benefícios do algoritmo se traduzem perfeitamente para modelos de terceiros.

Acabei de implementar o TurboQuant do Google em MLX e os resultados são incríveis!
Agulha no palheiro usando Qwen3.5-35B-A3B em comprimentos de contexto de 8,5K, 32,7K e 64,2K:
→ 6/6 correspondência exata em cada nível de quantização
→ TurboQuant de 2,5 bits: cache KV 4,9x menor
→ TurboQuant de 3,5 bits: 3,8x… https://t.co/aLxRJIhB1D pic.twitter.com/drVrkL7Pw4
— Prince Canuma (@Prince_Canuma) 25 de março de 2026
Outros usuários focaram na democratização da IA de alto desempenho. @NoahEpstein_ forneceu uma análise em linguagem simples, argumentando que o TurboQuant reduz significativamente a lacuna entre a IA local gratuita e as assinaturas de nuvem caras.

Ele observou que os modelos executados localmente em hardware de consumidor como um Mac Mini "acabaram de ficar dramaticamente melhores", permitindo conversas de 100.000 tokens sem a degradação típica da qualidade.

Da mesma forma, @PrajwalTomar_ destacou os benefícios de segurança e velocidade de executar "modelos de IA insanos localmente gratuitamente", expressando "enorme respeito" pela decisão do Google de compartilhar a pesquisa em vez de mantê-la proprietária.

A implicação é clara: se o Google pode alcançar os mesmos resultados de inferência com um sexto do hardware, então a demanda por chips de memória entrará em colapso na proporção inversa - a mesma demanda voraz que até recentemente enviou os preços de DDR até 7 vezes mais altos em apenas 3 meses quando o gargalo de memória para IA se tornou aparente...

... e mais recentemente enviou os preços de NAND Flash com uso intensivo de inferência também disparando.

Se isso soa semelhante ao infame algoritmo Pied Piper do Silicon Valley, é porque é, menos a parte de masturbação:

O proeminente analista de criptomoedas Kaleo capturou o sentimento perfeitamente, tuitando: "Então o TurboQuant do Google é basicamente o Pied Piper e acabou de atingir um Weismann Score de 5,2." Esta referência à métrica de compressão do programa fictício demonstra o quão profundamente a comparação cultural ressoou. O comentarista de tecnologia Justin Trimble ecoou essa perspectiva, simplesmente afirmando: "TurboQuant é o novo Pied Piper."

Claro, isso é um pouco exagerado, mas a premissa está lá: pegar o hardware existente e alcançar um resultado de compressão muito melhor.

Uma rápida nota técnica sobre como o Turboquant alcança essa notável melhoria na eficiência por decodificação:

A eficiência da quantização é uma grande conquista por si só. Mas "zero perda de precisão" precisa de contexto. O TurboQuant visa o cache KV — o pedaço de memória da GPU que armazena tudo o que um modelo de linguagem precisa lembrar durante uma conversa.

À medida que as janelas de contexto crescem para milhões de tokens, esses caches incham para centenas de gigabytes por sessão. Esse é o gargalo real. Não o poder de computação, mas a memória bruta.

Métodos de compressão tradicionais tentam encolher esses caches arredondando os números para baixo — de floats de 32 bits para 16, para 8 para inteiros de 4 bits, por exemplo. Para entender melhor, pense em encolher uma imagem de 4K para full HD, para 720p e assim por diante. É fácil dizer que é a mesma imagem no geral, mas há mais detalhes na resolução 4K.

O problema: eles têm que armazenar "constantes de quantização" extras ao lado dos dados comprimidos para evitar que o modelo fique estúpido. Essas constantes adicionam 1 a 2 bits por valor, erodindo parcialmente os ganhos.

O TurboQuant afirma que elimina completamente essa sobrecarga.

Ele faz isso por meio de dois sub-algoritmos. O PolarQuant separa magnitude de direção em vetores, e o QJL (Quantized Johnson-Lindenstrauss) pega o pequeno erro residual restante e o reduz a um único bit de sinal, positivo ou negativo, sem constantes armazenadas.

O resultado, diz o Google, é um estimador matematicamente imparcial para os cálculos de atenção que impulsionam os modelos transformer.

Em benchmarks usando Gemma e Mistral, o TurboQuant igualou o desempenho de precisão total sob compressão 4x, incluindo precisão de recuperação perfeita em tarefas de agulha no palheiro de até 104.000 tokens.

Para contextualizar por que esses benchmarks são importantes, expandir o contexto utilizável de um modelo sem perda de qualidade tem sido um dos problemas mais difíceis na implantação de LLM.

Agora, os detalhes. "Zero perda de precisão" se aplica à compressão do cache KV durante a inferência — não aos pesos do modelo. Comprimir pesos é um problema completamente diferente e mais difícil. O TurboQuant não mexe com eles.

O que ele comprime é a memória temporária que armazena os cálculos de atenção em meio a sessões, que é mais tolerante porque esses dados podem teoricamente ser reconstruídos.

Há também a lacuna entre um benchmark limpo e um sistema de produção atendendo a bilhões de solicitações. O TurboQuant foi testado em modelos de código aberto — Gemma, Mistral, Llama — não na própria pilha Gemini do Google em escala.

A conclusão: ao contrário dos ganhos de eficiência do DeepSeek, que exigiram decisões arquitetônicas profundas incorporadas desde o início, o TurboQuant não requer retreinamento ou ajuste fino e alega sobrecarga de tempo de execução negligenciável. Em teoria, ele se integra diretamente aos pipelines de inferência existentes.

Essa é a parte que assustou o setor de hardware de memória — porque se funcionar em produção, todos os principais laboratórios de IA operarão de forma muito mais enxuta com as mesmas GPUs que já possuem. Ou, em termos de P&L, as empresas de IA — já profundamente negativas em fluxo de caixa — e que estão subitamente sangrando ainda mais margem de lucro (que não têm, mas assumem que têm) para os preços crescentes de RAM, encontraram uma maneira de software para exigir muito menos hardware — potencialmente até 6 vezes menos — e, assim, virar o jogo para os fabricantes de memória que estão gerando lucros massivos precisamente porque se recusam a produzir mais memória no que alguns chamariam de comportamento de cartel. Ao fazer isso, eles podem ter eliminado todo o gargalo físico de memória, cortesia do cartel de memória que magicamente não consegue encontrar nenhum novo suprimento até 2027 ou depois.

Mas espere, melhora: porque se o Google já encontrou um algoritmo de compressão que alcança melhorias de eficiência tão fenomenais, é praticamente certo que otimizações adicionais — e algoritmos concorrentes — certamente levarão a uma eficiência muito maior, reduzindo ainda mais a quantidade de hardware necessária.

E assim, de repente, a bolha de memória que foi construída sobre a suposição de que a demanda por DRAM e NAND persistirá no futuro, parece prestes a estourar, já que o software pode ter acabado de resolver um problema de hardware muito complicado.

De fato, o mergulho de hoje nas ações pode ter sido apenas o primeiro passo. A reação do mercado reflete a percepção de que, se os gigantes da IA puderem comprimir seus requisitos de memória em um fator de seis apenas por meio de software, a demanda insaciável por High Bandwidth Memory (HBM) pode ser moderada pela eficiência algorítmica.

À medida que avançamos em 2026, a chegada do TurboQuant sugere que a próxima era de progresso da IA será definida tanto pela elegância matemática quanto pela força bruta. Ao redefinir a eficiência por meio de compressão extrema, o Google está permitindo um "movimento de memória mais inteligente" para agentes multi-etapas e pipelines de recuperação densa. A indústria está mudando de um foco em "modelos maiores" para "melhor memória", uma mudança que pode reduzir os custos de serviço de IA globalmente.

Em última análise, o TurboQuant prova que o limite da IA não é apenas quantos transistores podemos colocar em um chip, mas quão elegantemente podemos traduzir a complexidade infinita da informação para o espaço finito de um bit digital. Para a empresa, isso é mais do que apenas um artigo de pesquisa; é um desbloqueio tático que transforma o hardware existente em um ativo significativamente mais poderoso.

O artigo do Google vai para a ICLR 2026. Até que seja lançado em produção, o título "zero perda" permanece no laboratório, mas o mercado não está esperando e a mera ameaça de que a demanda por memória possa cair em ordens de magnitude pode chocar todo o ecossistema. Nesse caso, compre puts no Kospi, que está cerca de 100% supervalorizado se o "benefício de memória" de suas duas ações principais, Samsung e SK Hynix, desaparecer. Pensando bem, venda a descoberto tudo de memória.

Para mais informações, consulte "Novo algoritmo TurboQuant do Google acelera a memória de IA em 8x, reduzindo custos em 50% ou mais"

Tyler Durden
Qua, 25/03/2026 - 21:45