ภาคการจัดเก็บข้อมูลอาจยังคงลดลงเนื่องจากอัลกอริธึม TurboQuant ของ Google ลดความต้องการหน่วยความจำ

iconKuCoinFlash
แชร์
Share IconShare IconShare IconShare IconShare IconShare IconCopy
AI summary iconสรุป

expand icon
การวิเคราะห์บนโซ่แสดงว่าภาคการจัดเก็บข้อมูลอาจเผชิญแรงกดดันเพิ่มเติม เนื่องจากอัลกอริทึม TurboQuant ของ Google ผ่านไลบรารี TurboVec ที่เปิดแหล่งโค้ด ลดความต้องการหน่วยความจำ นักวิจัยตลาด Financelot ระบุถึงการลดลงของราคาหุ้นหน่วยความจำและแนวโน้มข้อมูลบนโซ่ที่เป็นลบในสัปดาห์หน้า บางคนโต้แย้งว่าผลกระทบถูกประเมินสูงเกินไป โดยอ้างถึงข้ออ้างที่คล้ายกันในอดีต TurboVec ซึ่งเปิดตัวในปลายเดือนพฤษภาคม ลดการใช้หน่วยความจำได้สูงสุด 87% และทำงานได้อย่างมีประสิทธิภาพบน Mac แบบมาตรฐานและแพลตฟอร์ม ARM

BlockBeats รายงานว่า วันที่ 7 มิถุนายน นักวิเคราะห์ตลาด Financelot ระบุว่า ไลบรารีดัชนีเวกเตอร์แบบเปิดแหล่งรหัส TurboVec ที่เปิดตัวเมื่อเดือนที่แล้วกำลังเข้ามาท้าทายตลาดที่ต้องการหน่วยความจำสูง และผลกระทบของมันกำลังเริ่มปรากฏชัด โดยการตกหนักของหุ้นหน่วยความจำเมื่อวันศุกร์ถูกอ้างว่าเกิดจากเหตุนี้ Financelot กล่าวว่า “ลาก่อน Micron, SanDisk, Samsung, SK Hynix” และมีทัศนคติเชิงลบต่อประสิทธิภาพของภาคส่วนการจัดเก็บข้อมูลในสัปดาห์หน้า


อย่างไรก็ตาม ความเห็นจากชุมชนชี้ว่า TurboVec มีผลกระทบจำกัดต่อภาคหน่วยความจำ เมื่อมีการประกาศการปรับปรุงหน่วยความจำใหม่ใดๆ มักจะมีคนประกาศว่าอุตสาหกรรมเซมิคอนดักเตอร์ทั้งหมดล้มแล้ว


Google Research ได้เสนออัลกอริธึม TurboQuant ในเดือนมีนาคมปีนี้ และในปลายเดือนพฤษภาคม นักพัฒนาอิสระ Ryan Codrai ได้ดำเนินการแปลงเป็นไลบรารีดัชนีเวกเตอร์แบบเปิดแหล่งที่มาชื่อ TurboVec เครื่องมือนี้สามารถลดความต้องการหน่วยความจำของฐานข้อมูลเวกเตอร์ได้อย่างมาก (ตัวอย่างทั่วไป: ลดจาก 31GB เป็นประมาณ 4GB สำหรับเวกเตอร์ 10 ล้านตัวในรูปแบบ float32 ลดการใช้งานหน่วยความจำประมาณ 87% สูงสุดถึงการประหยัด 16 เท่า ขึ้นอยู่กับมิติและความกว้างของบิต) รองรับการทำงานแบบออฟไลน์เต็มรูปแบบ และทำงานอย่างมีประสิทธิภาพบน Mac ทั่วไป โดยมีความเร็วในการค้นหาเร็วกว่า FAISS IndexPQ/FastScan 12–20% บนแพลตฟอร์ม ARM และเปิดแหล่งที่มาอย่างสมบูรณ์ สามารถผสานรวมกับเฟรมเวิร์กเช่น LangChain และ LlamaIndex ได้ ซึ่งหมายความว่านักพัฒนาสามารถดำเนินการค้นหาเวกเตอร์แบบท้องถิ่นอย่างมีประสิทธิภาพบนฮาร์ดแวร์ผู้บริโภคทั่วไป โดยไม่ต้องพึ่งพาคลัสเตอร์ GPU ราคาแพงหรือบริการคลาวด์

แหล่งที่มา:แสดงต้นฉบับ
คำปฏิเสธความรับผิดชอบ: ข้อมูลในหน้านี้อาจได้รับจากบุคคลที่สาม และไม่จำเป็นต้องสะท้อนถึงมุมมองหรือความคิดเห็นของ KuCoin เนื้อหานี้จัดทำขึ้นเพื่อวัตถุประสงค์ในการให้ข้อมูลทั่วไปเท่านั้น โดยไม่มีการรับรองหรือการรับประกัน และจะไม่ถูกตีความว่าเป็นคำแนะนำทางการเงินหรือการลงทุน KuCoin จะไม่รับผิดชอบต่อความผิดพลาดหรือการละเว้นในเนื้อหา หรือผลลัพธ์ใดๆ ที่เกิดจากการใช้ข้อมูลนี้ การลงทุนในสินทรัพย์ดิจิทัลอาจมีความเสี่ยง โปรดประเมินความเสี่ยงของผลิตภัณฑ์และความเสี่ยงที่คุณยอมรับได้อย่างรอบคอบตามสถานการณ์ทางการเงินของคุณเอง โปรดดูข้อมูลเพิ่มเติมได้ที่ข้อกำหนดการใช้งานและเอกสารเปิดเผยข้อมูลความเสี่ยงของเรา