Dengan cara ini, sistem dapat menyimpan lebih banyak data dalam ruang memori yang jauh lebih kecil.
Google tidak berhenti di situ. Para peneliti menggabungkan dua pendekatan utama dalam TurboQuant, yakni PolarQuant dan Quantization-aware Joint Learning (QJL).
Polar Quant mengubah cara representasi data agar penyimpanan menjadi lebih efisien, sementara QJL melatih model AI agar dapat menyesuaikan diri dengan data terkompresi.
Pendekatan ganda ini membuat model tetap menjaga akurasi meski bekerja dengan data yang lebih padat.
Hasilnya, TurboQuant menghemat penggunaan memori hingga enam kali lipat dibandingkan metode konvensional.
Efisiensi tersebut membuka peluang besar bagi industri, terutama di tengah kenaikan harga RAM yang signifikan dalam beberapa waktu terakhir.
Tingginya permintaan dari sektor AI membuat produsen memori lebih memprioritaskan pasokan untuk pusat data berskala besar atau hyperscaler. Akibatnya, pasokan untuk pasar konsumen seperti PC dan laptop menjadi terbatas.
