BagusTech – Perkembangan kecerdasan buatan dalam beberapa tahun terakhir mendorong kebutuhan komputasi yang sangat besar. Model AI generatif, terutama Large Language Model (LLM), membutuhkan infrastruktur data center dengan GPU kuat dan kapasitas memori besar.
Di tengah kondisi tersebut, perusahaan teknologi seperti Google memperkenalkan teknologi baru bernama TurboQuant. Teknologi ini merupakan algoritma kompresi memori yang dirancang untuk meningkatkan efisiensi penggunaan memori pada sistem AI.
TurboQuant dikembangkan oleh tim Google Research dan dipresentasikan dalam konferensi riset AI ICLR 2026. Tujuan utamanya cukup jelas: mengurangi kebutuhan memori besar yang selama ini menjadi hambatan utama dalam menjalankan model AI modern.
Kemunculan teknologi ini langsung memicu diskusi di industri teknologi. Salah satu pertanyaan yang muncul adalah: apakah efisiensi memori seperti TurboQuant dapat menurunkan harga RAM di pasar?
Baca Juga
- Google Kenalkan TurboQuant, Teknologi Kompresi Memori AI
- ADI Perluas Produksi Chip Lewat Pabrik Baru Thailand
- Digital Edge Amankan US$665 Juta untuk Buat Data Center 500MW di Bekasi
Mengapa AI Membutuhkan RAM Sangat Besar
Untuk memahami dampaknya, penting melihat bagaimana AI modern menggunakan memori.
Model AI generatif tidak hanya menyimpan parameter model, tetapi juga menggunakan memori tambahan selama proses inferensi. Salah satu komponen paling berat adalah Key‑Value Cache (KV cache).
KV cache menyimpan representasi token yang telah diproses sebelumnya agar model tidak perlu menghitung ulang seluruh konteks setiap kali menghasilkan token baru.
Semakin panjang konteks percakapan, semakin besar pula memori yang dibutuhkan. Dalam skala data center, kebutuhan memori ini dapat mencapai ratusan gigabyte bahkan lebih untuk satu sistem.
Akibatnya, perusahaan yang menjalankan layanan AI harus menggunakan server dengan RAM besar atau GPU dengan memori berkecepatan tinggi seperti HBM.
Lonjakan kebutuhan ini membuat permintaan chip memori meningkat tajam dalam beberapa tahun terakhir.
Bagaimana TurboQuant Mengurangi Kebutuhan Memori
TurboQuant bekerja dengan cara mengompresi data vektor yang digunakan dalam sistem AI.
Google merancang algoritma ini dengan dua teknik utama:
- PolarQuant, metode yang mengubah representasi vektor agar lebih mudah dikompresi
- Quantized Johnson‑Lindenstrauss (QJL), teknik koreksi kesalahan untuk menjaga akurasi setelah kompresi
Dengan pendekatan tersebut, TurboQuant mampu menekan ukuran data yang digunakan oleh KV cache secara signifikan.
Dalam makalah penelitian yang dipublikasikan, tim peneliti Google menunjukkan bahwa teknik ini dapat menurunkan kebutuhan memori KV cache hingga beberapa kali lipat dibanding metode quantization konvensional.
Artinya, model AI dapat memproses konteks yang sama dengan memori yang jauh lebih kecil.
Reaksi Pasar Saham Industri Memori
Pengumuman TurboQuant langsung memicu reaksi cepat di pasar saham teknologi. Investor menilai teknologi kompresi ini berpotensi mengurangi kebutuhan memori dalam sistem AI berskala besar.
Beberapa saham produsen chip memori sempat mengalami tekanan setelah kabar tersebut muncul. Saham perusahaan seperti Micron, Samsung, dan SK Hynix dilaporkan melemah karena kekhawatiran bahwa efisiensi memori dari sisi software dapat menekan permintaan hardware dalam jangka panjang.
Kekhawatiran tersebut muncul karena TurboQuant diklaim mampu memangkas kebutuhan memori KV cache hingga beberapa kali lipat. Jika teknologi ini diadopsi secara luas oleh perusahaan AI dan operator data center, kebutuhan modul RAM berkapasitas besar berpotensi menurun.
Bagi investor, skenario tersebut berarti perusahaan cloud dan operator AI mungkin tidak perlu membeli memori sebanyak sebelumnya untuk menjalankan model yang sama.
Namun banyak analis menilai reaksi pasar tersebut lebih mencerminkan sentimen jangka pendek dibanding perubahan fundamental industri.
Beberapa laporan pasar teknologi dari media finansial seperti MarketWatch dan analis industri semikonduktor juga menyebut reaksi investor terhadap TurboQuant lebih bersifat spekulatif karena teknologi ini masih berada pada tahap riset dan belum diimplementasikan secara luas di pusat data AI.
Implementasi teknologi baru dalam skala besar biasanya membutuhkan waktu cukup lama sebelum benar‑benar memengaruhi permintaan hardware.
Selain itu, produsen memori saat ini juga menikmati lonjakan permintaan dari sektor AI, terutama untuk memori berkecepatan tinggi seperti HBM yang digunakan pada GPU AI modern.
Efisiensi Tidak Selalu Mengurangi Permintaan
Dalam sejarah teknologi, peningkatan efisiensi sering kali justru meningkatkan penggunaan teknologi itu sendiri.
Ketika biaya menjalankan AI menjadi lebih murah, lebih banyak perusahaan akan mengadopsi teknologi tersebut.
Hal ini berarti:
- lebih banyak layanan AI bermunculan
- lebih banyak data center dibangun
- lebih banyak model AI dijalankan
Akibatnya, permintaan total terhadap komputasi dan memori justru dapat meningkat.
Fenomena ini sering disebut sebagai Jevons Paradox, yaitu kondisi ketika efisiensi teknologi meningkatkan tingkat konsumsi secara keseluruhan.
TurboQuant Tidak Menghilangkan Kebutuhan RAM
Penting juga untuk memahami bahwa TurboQuant hanya mengoptimalkan sebagian penggunaan memori dalam AI.
Teknologi ini terutama bekerja pada tahap inference dan pada komponen KV cache.
Sementara itu, AI tetap membutuhkan memori besar untuk berbagai proses lain seperti:
- training model
- penyimpanan parameter model
- pengolahan dataset
- komputasi GPU
Dengan kata lain, TurboQuant membantu mengurangi tekanan memori, tetapi tidak sepenuhnya menghilangkan kebutuhan RAM besar dalam sistem AI modern.
TurboQuant menunjukkan bagaimana inovasi algoritma dapat meningkatkan efisiensi infrastruktur AI tanpa harus bergantung pada hardware yang semakin mahal.
Namun teknologi ini kemungkinan tidak akan langsung menurunkan harga RAM di pasar.
Sebaliknya, efisiensi yang dihasilkan justru dapat mempercepat adopsi AI secara global. Ketika lebih banyak perusahaan menggunakan AI, kebutuhan total terhadap komputasi dan memori tetap berpotensi meningkat.
Dengan demikian, TurboQuant mungkin mengubah cara memori digunakan dalam AI, tetapi belum tentu mengurangi permintaan RAM secara keseluruhan.
