Google tengah mengembangkan teknologi baru bernama TurboQuant, sebuah algoritma kompresi memori berbasis kecerdasan buatan (AI) yang ditujukan untuk meningkatkan efisiensi penggunaan memori pada sistem AI. Di tengah lonjakan harga RAM yang dipicu kebutuhan komputasi AI, pendekatan ini dinilai berpotensi mengurangi tekanan pasar dengan cara menekan kebutuhan memori, bukan menambah pasokan.
TurboQuant dikembangkan oleh Google Research dengan fokus pada efisiensi memori saat proses inferensi, yakni ketika model AI dijalankan untuk menghasilkan output. Teknologi ini menargetkan salah satu kendala utama AI modern, yaitu keterbatasan “working memory”, terutama pada komponen KV cache—memori sementara yang dipakai model untuk memproses dan mempertahankan konteks data.
Secara konsep, TurboQuant bertumpu pada teknik vector quantization, yaitu metode menyederhanakan representasi data numerik berbentuk vektor agar lebih ringkas tanpa menghilangkan informasi penting. Dengan kompresi ini, data dapat disimpan jauh lebih hemat, sambil tetap menjaga akurasi model.
Dalam implementasinya, TurboQuant mengandalkan dua metode utama: PolarQuant dan Quantization-aware Joint Learning (QJL). PolarQuant berfungsi mengubah cara data direpresentasikan agar lebih efisien saat disimpan di memori tanpa mengorbankan kualitas komputasi. Sementara QJL melatih model agar “sadar” bahwa data yang diproses akan dikompresi, sehingga model dapat beradaptasi dan tetap menghasilkan keluaran yang akurat meski bekerja dengan data yang telah dipadatkan.
Dengan kombinasi kedua teknik tersebut, peneliti mengklaim TurboQuant mampu menghemat penggunaan memori hingga enam kali lipat dibanding metode konvensional. Efisiensi ini berarti model AI dapat menangani lebih banyak konteks dalam ruang memori yang lebih kecil sekaligus mengurangi hambatan kinerja akibat keterbatasan memori.
Pengembangan TurboQuant muncul ketika harga memori, terutama DDR5, mengalami kenaikan tajam akibat permintaan tinggi dari industri AI. Produsen memori disebut lebih memprioritaskan pasokan untuk pusat data skala besar (hyperscaler), sehingga ketersediaan untuk pasar konsumen seperti PC dan laptop menjadi lebih terbatas. Kondisi tersebut turut mendorong harga RAM di pasar global meningkat hingga empat sampai lima kali lipat dibanding periode sebelumnya, meski di beberapa wilayah seperti China sempat terjadi penurunan pada akhir April dan pergerakan harga masih fluktuatif.
Dalam konteks ini, TurboQuant menawarkan pendekatan berbeda: menekan kebutuhan RAM agar beban permintaan dapat berkurang. Jika AI dapat berjalan dengan memori yang lebih kecil, tekanan terhadap permintaan RAM berpotensi menurun dan pada akhirnya bisa membantu menstabilkan harga.
Meski demikian, TurboQuant masih berada pada tahap riset dan belum digunakan secara luas di industri. Selain itu, teknologi ini hanya menyasar efisiensi pada fase inferensi, bukan pelatihan model AI yang umumnya menjadi tahap paling boros sumber daya. Artinya, TurboQuant dinilai belum dapat sepenuhnya menyelesaikan persoalan kelangkaan dan mahalnya RAM dalam ekosistem AI.
Walau belum dirilis secara komersial, kemunculan TurboQuant disebut mulai memengaruhi psikologi pasar. Di China, distributor memori yang sebelumnya menimbun stok ketika harga tinggi dilaporkan mulai melepas persediaan atau melakukan “cuci gudang” setelah pengumuman teknologi tersebut. Kekhawatiran mereka terkait potensi turunnya permintaan dari hyperscaler jika kompresi memori seperti TurboQuant benar-benar diadopsi secara luas, yang dapat memicu penurunan harga.
Langkah pelepasan stok itu disebut ikut berkontribusi pada penurunan harga RAM di beberapa wilayah, meski belum merata secara global. Fenomena ini menunjukkan bahwa inovasi pada efisiensi memori dapat memengaruhi dinamika pasar komponen teknologi bahkan sejak tahap awal pengembangan.
Jika kelak diimplementasikan secara luas, TurboQuant berpotensi menekan biaya operasional AI dan membuka peluang pengembangan sistem yang lebih hemat sumber daya. Namun untuk saat ini, efektivitas dan dampaknya masih bergantung pada kelanjutan riset serta tingkat adopsi di industri.
