O Google anunciou o TurboQuant, uma nova tecnologia capaz de reduzir em até seis vezes o consumo de memória de modelos de inteligência artificial sem comprometer a qualidade das respostas geradas. A revelação foi feita durante a ICLR 2026, uma das principais conferências globais de IA, realizada no Rio de Janeiro. O avanço chama atenção por atacar um dos maiores gargalos do setor: o custo elevado de memória e processamento necessário para manter sistemas generativos funcionando em larga escala.
O problema da memória tornou-se um dos maiores desafios da inteligência artificial nos últimos anos. À medida que modelos crescem em tamanho e capacidade, cresce também a demanda por infraestrutura para sustentá-los. Ferramentas como ChatGPT, da OpenAI, e o próprio Gemini, do Google, precisam armazenar grandes volumes de dados temporários enquanto produzem respostas, o que exige servidores robustos, placas de memória avançadas e consumo energético crescente.
Esse armazenamento temporário ocorre em uma estrutura chamada KV Cache, que funciona como a memória de trabalho da IA. É ela que permite ao modelo lembrar o que foi dito anteriormente durante uma conversa e construir respostas coerentes. Em diálogos curtos, o espaço ocupado é pequeno. Em interações longas ou tarefas complexas, porém, o consumo de memória se multiplica rapidamente.
Com plataformas de IA recebendo bilhões de solicitações diariamente, data centers inteiros precisam manter quantidades enormes de memória ativa ao mesmo tempo. Isso eleva custos financeiros, aumenta o consumo de energia, exige sistemas de refrigeração mais potentes e pressiona fabricantes de hardware a ampliar a produção.
O TurboQuant se baseia em uma técnica chamada quantização, que consiste em representar informações matemáticas com menos bits, mantendo a precisão essencial dos dados. O Google já utilizava quantização em seus sistemas, mas o processo era aplicado apenas uma vez, antes de o modelo entrar em operação. A novidade do TurboQuant é realizar essa compressão em tempo real, enquanto a IA processa informações e gera respostas.
Do ponto de vista técnico, a compressão em tempo real é considerada especialmente complexa, pois os dados precisam continuar precisos e atualizados mesmo após serem compactados. O Google afirma que o sistema consegue reduzir drasticamente o tamanho do KV Cache sem prejudicar a capacidade do modelo de interpretar contexto ou produzir respostas de alta qualidade.
A tecnologia combina duas técnicas específicas: PolarQuant e Quantized Johnson-Lindenstrauss, também conhecida como QJL. Os dados manipulados por modelos de IA são representados como vetores numéricos com direção e intensidade. O PolarQuant reorganiza esses vetores em um formato baseado em coordenadas polares, o que permite armazená-los de forma mais compacta sem perda relevante de informação. Em seguida, o QJL aplica ajustes matemáticos que corrigem possíveis distorções geradas durante a compressão.
Nos testes internos do Google, modelos populares como Llama 3.1-8B, da Meta, Gemma, do próprio Google, e sistemas da Mistral AI mantiveram desempenho muito próximo do original mesmo operando com muito menos memória. Os resultados indicam que a abordagem pode ser aplicada a diferentes arquiteturas de modelos sem necessidade de retrabalho significativo.
O anúncio provocou reações imediatas no mercado financeiro. Empresas ligadas ao setor de armazenamento e memória, como SanDisk, Western Digital e Seagate, registraram quedas após a revelação, já que a tecnologia pode reduzir parte da demanda futura por hardware de memória em larga escala. Matthew Prince, CEO da Cloudflare, descreveu o avanço como o DeepSeek do Google, em referência ao impacto causado pela startup chinesa DeepSeek ao lançar modelos eficientes com custos significativamente menores.
Apesar do entusiasmo, pesquisadores alertam que o TurboQuant ainda está em fase experimental e deve levar tempo até ser integrado a produtos comerciais em larga escala. Há também uma limitação importante: a tecnologia atua apenas durante a inferência, ou seja, no momento em que o modelo gera respostas para os usuários. O treinamento das IAs continua exigindo quantidades enormes de memória e processamento, podendo consumir até quatro vezes mais recursos do que a execução do sistema.
Especialistas apontam que a corrida da inteligência artificial pode estar entrando em uma nova fase. Em vez de buscar apenas modelos maiores e mais poderosos, as empresas passam a investir em formas mais eficientes de operar esses sistemas. Tecnologias de compressão inteligente como o TurboQuant podem se tornar tão relevantes quanto os próprios modelos de IA.
Se confirmada a eficácia em larga escala, a tecnologia pode tornar chatbots mais rápidos, permitir que assistentes pessoais rodem localmente em celulares e notebooks, reduzir custos de sistemas empresariais e abrir caminho para novas gerações de dispositivos inteligentes. O anúncio do Google sugere que a próxima grande disputa do setor não será apenas sobre quem cria o modelo mais poderoso, mas quem consegue fazê-lo funcionar de forma mais eficiente.
