本期投资提示：
　　谷歌解决大模型KVCache的论文热议，或引发存储需求的疑虑。近期谷歌论文《TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate》（2025年4月发表，ICLR 2026年接收）和谷歌官网博客引发热议。
　　首先，我们找到原始论文，有较多新发现。1）新闻报道主要是参考了谷歌博客，参考原始论文偏少，而前者比后者激进。主要证据是PolarQuant内容、效果倍数、对照组的描述。2）若将TurboQuant的前序学术创新做一个追溯，即找到QJL、RaBitQ、KIVI、两种版本PolarQuant的论文，会发现TurboQuant或只是“常规的学术进展”，与新闻描述的“DeepSeek时刻”、“存储的重大变化”无关。3）假如TurboQuant真为“存储的重大变化”、“谷歌的DeepSeek时刻”，那么2024-2025年RaBitQ、KIVI、PolarQuant论文发布时，都曾是这种级别的突破。
　　其次，帮助一二级金融投资者理解TurboQuant。1）大致包括10步骤论述。其中，第第3部分的粗略版，和第6部分的精细版，是本篇的一大特点。前者基于MSE均方误差生成最优失真率的矢量量化器，快速但有误差。后者提供1位量化器应用于残差，得到无偏且低失真的内积量化器。两者较为互补。2）人大等版本PolarQuant的思路，类似于逻辑分类索引资料；谷歌等版本PolarQuant的思路，类似于层级精简资料；KIVI算法，类似于分行业和个股索引资料；RaBitQ算法，类似于二进制化归档资料（而二进制判断的内容，即各种特征标签，比如是否符合低PE，是否符合成长股，是否符合某个政策）。本文的TurboQuant算法，可类比为：复用了索引、层级精简、校准员。
　　再次，TurboQuant的利弊与比较。1）优点暂时不再赘述，折中了哪些呢？2）只压缩KV-Cache，未必压缩权重weight，未必压缩模型本体，不改变激活值。3）应不改变训练，只改变推理，而且是中低端推理无效（比如端侧芯片无效）。4）场景适配性或有局限。5）一个关键问题，精度回退问题。未必是2.5bit与16bit来比（宣称的提效6-8倍或4倍），而是2.5bit和4bit比，效果或许并不明显。论文中的KIVI对照是证据。
　　最后，延展问题和这篇的启发。1）谷歌这篇虽未必影响存储的需求。但真正值得关注的是：同样是大模型（KVCache）利好存储，但产业链不同环节的利益不统一，选取的方案差异化。2）AI的本源，可以从数学和数字通信上思考。此前KVCache的研究，主要以工程化为主，从信息论、数学极限推导都尚不充分。谷歌这篇从数字通信理论开始推导，是尝试努力创新的。正文列举了Attention注意力机制借鉴DSP理论。注意力机制，其实是20年前数字通信的优化思想（做各种数字滤波器）用在AI算法。
　　风险提示：前沿科技的研究，尤其学术论文的探索，一直伴随技术变化。而技术变化可能带来较大波动。尽管本文努力解释存储未必受到本篇论文影响，但此前存储领域涨幅较大，依然可能有交易风险。相关领域P/E倍数偏高，可能会有估值回归的风险