Maaari pang magpatuloy ang pagbaba ng Storage Sector dahil sa pagbawas ng demand sa memorya ng TurboQuant Algorithm ng Google

iconKuCoinFlash
I-share
Share IconShare IconShare IconShare IconShare IconShare IconCopy
AI summary iconSummary

expand icon
Ipinapakita ng on-chain analysis na maaaring harapin ng sektor ng pag-iimbak ng higit pang presyon dahil sa Google's TurboQuant algorithm, sa pamamagitan ng open-source na TurboVec library, na nagbabawas sa pangangailangan sa memorya. Tinitiyak ng market researcher na Financelot ang pagbaba ng mga presyo ng memorya at ang bearish na pananaw sa on-chain data para sa darating na linggo. May ilan na nagsasabing overstate ang epekto, na binanggit ang mga nakaraang katulad na alegasyon. Ang TurboVec, na ipinakilala noong huling Mayo, ay nagbabawas ng paggamit sa memorya hanggang 87% at gumagana nang epektibo sa karaniwang Mac at ARM platforms.

BlockBeats na mensahe, noong Hunyo 7, sinabi ng market researcher na Financelot na ang open-source vector index library na TurboVec, na ipinakilala noong nakaraang buwan, ay nagpapakita ng epekto sa merkado na may mataas na pangangailangan sa memorya, at ang pagbaba ng mga stock ng memorya noong Biyernes ay isinasabing dulot nito. Sinabi ni Financelot, "Paalam na sa Micron, SanDisk, Samsung, at SK Hynix," at may bearish na pananaw siya sa performance ng storage sector sa susunod na linggo.


Gayunpaman, ang mga komentaryo ng komunidad ay nagpapahiwatig na may limitadong epekto ang TurboVec sa sector ng memorya, at lagi may mga tao na nagpapahayag na namatay na ang buong semiconductor industry tuwing may bagong pagpapabuti sa memorya.


Noong Marso ng taong ito, ang Google Research ay naglunsad ng TurboQuant, isang quantitative algorithm, at noong huling bahagi ng Mayo, isinagawa nina Ryan Codrai, isang independiyenteng developer, bilang isang open-source vector indexing library na TurboVec. Ang kasangkapan na ito ay maaaring bawasan nang malaki ang pangangailangan sa memorya ng vector database (karaniwang halimbawa: 10 milyong vector ay na-compress mula sa 31GB ng float32 patungo sa halos 4GB, na nagbawas ng halos 87% sa paggamit ng memorya, at maaaring makapag-save ng hanggang 16 beses, depende sa dimensyon at bit width). Suportado nito ang ganap na offline na pagpapatakbo at maaaring magtrabaho nang epektibo sa karaniwang Mac, at mas mabilis ang paghahanap sa ARM platform nang 12–20% kumpara sa FAISS IndexPQ/FastScan, at ganap na open-source, na maaaring i-integrate gamit ang mga framework tulad ng LangChain at LlamaIndex. Ibig sabihin nito na ang mga developer ay maaaring magpatakbo nang epektibo ng lokal na vector search sa karaniwang consumer-grade hardware, nang hindi kailangang umasa sa mahal na GPU cluster o cloud services.

Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito. Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.