O setor de armazenamento pode continuar a queda à medida que o algoritmo TurboQuant do Google reduz a demanda por memória

iconKuCoinFlash
Compartilhar
Share IconShare IconShare IconShare IconShare IconShare IconCopy
AI summary iconResumo

expand icon
A análise on-chain mostra que o setor de armazenamento pode enfrentar mais pressão, pois o algoritmo TurboQuant do Google, por meio da biblioteca de código aberto TurboVec, reduz as necessidades de memória. O pesquisador de mercado Financelot observou a queda nos preços das ações de memória e uma perspectiva de dados on-chain de baixa para a próxima semana. Alguns argumentam que o impacto está superestimado, citando reivindicações semelhantes no passado. O TurboVec, lançado no final de maio, reduz o uso de memória em até 87% e funciona eficientemente em Macs padrão e plataformas ARM.

Mensagem do BlockBeats, em 7 de junho, o analista de mercado Financelot afirmou que a biblioteca de índice vetorial de código aberto TurboVec, divulgada no mês passado, está impactando o mercado de alta demanda de memória, e seu efeito está se tornando cada vez mais evidente, com a queda acentuada das ações de memória na sexta-feira atribuída a isso. Financelot afirmou: "Adeus Micron, SanDisk, Samsung, SK Hynix", e expressa visão negativa sobre o desempenho do setor de armazenamento na próxima semana.


No entanto, a opinião da comunidade aponta que o TurboVec tem impacto limitado no setor de memória; sempre que há um novo anúncio de otimização de memória, alguém sempre afirma que toda a indústria de semicondutores já morreu.


Em março deste ano, a Google Research apresentou o algoritmo quantizado TurboQuant, que foi implementado em maio como uma biblioteca aberta de índice vetorial chamada TurboVec pelo desenvolvedor independente Ryan Codrai. Essa ferramenta reduz drasticamente a necessidade de memória de bancos de dados vetoriais (exemplo típico: 10 milhões de vetores comprimidos de 31 GB em float32 para cerca de 4 GB, redução de cerca de 87% no uso de memória, com economia máxima de até 16 vezes, dependendo da dimensão e da largura de bits). Suporta execução totalmente offline e execução eficiente em Mac comuns, sendo 12–20% mais rápido em plataformas ARM em comparação com o FAISS IndexPQ/FastScan, além de ser totalmente aberto e integrável com frameworks como LangChain e LlamaIndex. Isso significa que desenvolvedores podem executar buscas vetoriais locais de forma eficiente em hardware consumidor comum, sem depender de clusters caros de GPU ou serviços em nuvem.

Aviso legal: as informações nesta página podem ter sido obtidas de terceiros e não refletem necessariamente os pontos de vista ou opiniões da KuCoin. Este conteúdo é fornecido apenas para fins informativos gerais, sem qualquer representação ou garantia de qualquer tipo, nem deve ser interpretado como aconselhamento financeiro ou de investimento. A KuCoin não é responsável por quaisquer erros ou omissões, ou por quaisquer resultados do uso destas informações. Os investimentos em ativos digitais podem ser arriscados. Avalie cuidadosamente os riscos de um produto e a sua tolerância ao risco com base nas suas próprias circunstâncias financeiras. Para mais informações, consulte nossos termos de uso e divulgação de risco.