Un article de recherche a fait chuter les actions liées au stockage.
TechFlow SélectionTechFlow Sélection
Un article de recherche a fait chuter les actions liées au stockage.
Le champ de bataille principal de la course aux armements en IA passe progressivement d’un simple « empilement de puissance de calcul » à une « efficacité extrême ».
Dédié à des analyses Web3 approfondiesAuteur : TechFlow
Le 25 mars, les actions technologiques cotées aux États-Unis ont connu une hausse généralisée, et l’indice Nasdaq 100 a également progressé. Toutefois, une catégorie d’actions a subi une baisse contre-courant :
SanDisk a perdu 3,50 %, Micron 3,4 %, Seagate 2,59 % et Western Digital 1,63 %. L’ensemble du secteur du stockage a eu l’impression qu’on avait soudainement coupé le courant lors d’une fête.
L’auteur de ce « crime » est un article scientifique — ou, plus précisément, la promotion officielle par Google Research d’un tel article.
En quoi consiste réellement cet article ?
Pour comprendre ce qui se passe, il faut d’abord saisir un concept fondamental de l’infrastructure IA, rarement mis en lumière hors du milieu spécialisé : le KV Cache.
Lorsque vous entamez une conversation avec un grand modèle de langage (LLM), ce dernier ne repart pas systématiquement de zéro pour interpréter chaque nouvelle question. Il conserve l’intégralité du contexte conversationnel sous forme de paires « clé-valeur » (Key-Value Pair) en mémoire : c’est précisément ce que l’on appelle le KV Cache, soit la mémoire de travail à court terme du modèle.
Le problème réside dans le fait que la taille du KV Cache augmente proportionnellement à la longueur de la fenêtre de contexte. Lorsque celle-ci atteint l’échelle du million de tokens, la mémoire GPU consommée par le KV Cache peut même dépasser celle requise par les poids du modèle lui-même. Pour un cluster d’inférence servant simultanément un grand nombre d’utilisateurs, cela constitue un goulot d’étranglement très concret — et coûteux au quotidien — sur le plan de l’infrastructure.
La version initiale de cet article est apparue pour la première fois sur arXiv en avril 2025, et sa publication officielle est prévue à la conférence ICLR 2026. Google Research l’a baptisé TurboQuant : un algorithme de quantification sans perte capable de comprimer le KV Cache à seulement 3 bits, réduisant ainsi la consommation mémoire d’au moins un facteur 6, sans nécessiter aucun entraînement ni ajustement fin, et utilisable immédiatement « out-of-the-box ».
L’approche technique adoptée comporte deux étapes :
Étape 1 : PolarQuant. Plutôt que d’utiliser le système de coordonnées cartésiennes classique pour représenter les vecteurs, PolarQuant les transforme en coordonnées polaires — composées d’un « rayon » et d’un ensemble d’« angles » — simplifiant ainsi radicalement la complexité géométrique de l’espace à haute dimension, ce qui permet une quantification ultérieure avec un taux de distorsion nettement inférieur.
Étape 2 : QJL (Quantized Johnson-Lindenstrauss). Une fois la compression principale accomplie par PolarQuant, TurboQuant applique une transformation QJL à 1 bit afin de corriger sans biais les erreurs résiduelles, garantissant ainsi la précision des estimations de produit scalaire — critère essentiel au bon fonctionnement du mécanisme d’attention des modèles Transformer.
Les résultats sont probants : sur la benchmark LongBench, couvrant des tâches de question-réponse, de génération de code et de résumé, TurboQuant égale, voire dépasse, les performances actuelles du meilleur algorithme de référence, KIVI ; sur la tâche de recherche « aiguille dans une botte de foin », il atteint un taux de rappel parfait ; et sur les GPU NVIDIA H100, la version à 4 bits de TurboQuant accélère les opérations logiques d’attention jusqu’à un facteur 8.
Les méthodes de quantification traditionnelles souffrent d’un défaut structurel : chaque bloc de données compressé exige le stockage supplémentaire de « constantes de quantification » destinées à guider le processus de décompression. Ce surcoût en métadonnées peut atteindre 1 à 2 bits supplémentaires par valeur — insignifiant en apparence, mais s’accumulant à une vitesse désespérante dans des contextes comportant des millions de tokens. TurboQuant élimine totalement cette surcharge grâce à la rotation géométrique opérée par PolarQuant et à la correction résiduelle à 1 bit assurée par QJL.
Pourquoi les marchés paniquent-ils ?
La conclusion est d’une clarté frappante : un modèle nécessitant théoriquement huit GPU H100 pour traiter une fenêtre de contexte d’un million de tokens pourrait désormais n’en nécessiter que deux. Les fournisseurs de services d’inférence seraient ainsi capables de traiter simultanément six fois plus de requêtes à long contexte avec la même infrastructure matérielle.
Cela porte un coup direct au cœur de la narration centrale du secteur du stockage.
Au cours des deux dernières années, Seagate, Western Digital et Micron ont été portées au firmament par la vague spéculative liée à l’IA, pour une seule raison fondamentale : les grands modèles deviennent de plus en plus capables de « retenir » davantage d’informations, et la demande croissante en mémoire induite par des fenêtres de contexte toujours plus longues semble illimitée, entraînant une croissance explosive des besoins en stockage. Le cours de Seagate a grimpé de plus de 210 % en 2025, et ses capacités de production pour 2026 sont déjà entièrement réservées.
L’apparition de TurboQuant remet directement en cause le postulat sous-jacent à cette narration.
Andrew Rocha, analyste technologique chez Wells Fargo, formule l’analyse la plus directe : « À mesure que les fenêtres de contexte s’allongent, le volume de données stockées dans le KV Cache augmente de façon exponentielle, tirant la demande en mémoire vers le haut. TurboQuant s’attaque directement à cette courbe des coûts… Si cette méthode est largement adoptée, elle remettra fondamentalement en question la capacité mémoire réellement nécessaire. »
Rocha insiste toutefois sur une condition essentielle : SI.
Le point véritablement discutable
La réaction des marchés est-elle excessive ? La réponse est probablement : oui, dans une certaine mesure.
Premièrement, le chiffre de « 8× d’accélération » relève du titre accrocheur. Plusieurs analystes soulignent que ce facteur 8 est obtenu en comparant la nouvelle méthode à d’anciens systèmes non quantifiés en 32 bits, et non pas aux systèmes déjà optimisés couramment déployés aujourd’hui. Une amélioration réelle existe bien, mais elle n’est pas aussi spectaculaire que le laisse entendre le chiffre retenu.
Deuxièmement, l’article ne teste que des modèles de petite taille. Toutes les évaluations de TurboQuant utilisent des modèles dont le nombre de paramètres n’excède pas environ 8 milliards. Or, ce sont les modèles géants — de 70 milliards, voire de 400 milliards de paramètres — qui tiennent les fabricants de composants de stockage en haleine nuit et jour : leur KV Cache atteint alors des dimensions véritablement astronomiques. Les performances de TurboQuant à ces échelles restent, à ce jour, totalement inconnues.
Troisièmement, Google n’a publié aucun code officiel à ce jour. À l’heure actuelle, TurboQuant n’est intégré à aucun framework d’inférence majeur — ni vLLM, ni llama.cpp, ni Ollama. Ce sont des développeurs communautaires qui ont, à partir des équations mathématiques décrites dans l’article, réalisé des implémentations préliminaires. L’un d’eux précise explicitement que, si le module de correction d’erreur QJL n’est pas correctement implémenté, la sortie devient purement aléatoire.
Cela ne signifie toutefois pas que les inquiétudes des marchés soient infondées.
C’est ici que joue la « mémoire musculaire collective » laissée par l’épisode DeepSeek de 2025. Cet événement a enseigné à l’ensemble du marché une leçon brutale : une percée d’efficience au niveau algorithmique peut, en une seule nuit, bouleverser radicalement la narration associée à des équipements matériels coûteux. Depuis lors, toute avancée d’efficience provenant d’un laboratoire d’IA de premier plan déclenche automatiquement une réaction réflexe au sein du secteur matériel.
Par ailleurs, le signal provient cette fois de Google Research, non d’un laboratoire universitaire anonyme. Cette entreprise possède une capacité d’ingénierie suffisante pour transformer un article académique en outil industriel pleinement opérationnel, et elle est elle-même l’un des plus gros consommateurs mondiaux d’inférence IA. Dès lors que TurboQuant sera déployé en interne, la logique d’achat de serveurs pour Waymo, Gemini ou encore Google Search s’en trouvera discrètement modifiée.
Le scénario historique qui se répète
Il existe un débat classique, digne d’attention sérieuse : le paradoxe de Jevons.
Le XIXe siècle a vu l’économiste William Stanley Jevons observer que l’amélioration de l’efficacité des machines à vapeur n’a pas réduit, mais au contraire fortement accru, la consommation de charbon au Royaume-Uni — car cette amélioration ayant abaissé le coût d’utilisation, elle a stimulé une expansion massive des applications.
Les partisans de ce raisonnement affirment que, si Google permet à un modèle de tourner sur une carte graphique de 16 Go de mémoire, les développeurs n’en resteront pas là : ils utiliseront les ressources économisées pour faire tourner des modèles six fois plus complexes, traiter des jeux de données multimodaux plus volumineux, ou supporter des fenêtres de contexte plus longues encore. En fin de compte, l’efficacité logicielle libère des couches de besoins qui étaient auparavant inaccessibles en raison de leur coût prohibitif.
Mais cette contre-argumentation repose sur une hypothèse : le marché doit disposer d’un temps suffisant pour digérer cette innovation et se rééquilibrer. Pendant la période où TurboQuant passera de l’état d’article scientifique à celui d’outil industriel, puis d’outil industriel à standard sectoriel, la croissance de la demande matérielle sera-t-elle suffisamment rapide pour combler le « vide » laissé par les gains d’efficience ?
Nul ne connaît la réponse. Les marchés évaluent précisément cette incertitude.
La véritable signification de cet événement pour l’industrie IA
Plus important encore que les fluctuations des actions du secteur du stockage est la tendance profonde révélée par TurboQuant.
Le champ de bataille principal de la course aux armements IA se déplace progressivement de l’accumulation brute de puissance de calcul vers la recherche d’une efficacité extrême.
Si TurboQuant parvient à valider ses promesses de performance sur des modèles à très grande échelle, cela entraînera une transformation fondamentale : l’inférence à long contexte cessera d’être un luxe réservé aux laboratoires de pointe pour devenir la norme implicite de l’industrie.
Or, ce point culminant de la course à l’efficacité correspond précisément au domaine de prédilection de Google : des algorithmes de compression quasi-optimaux sur le plan mathématique, ancrés dans la poursuite des limites théoriques de la théorie de l’information de Shannon, plutôt que dans une accumulation brute d’ingénierie. Le taux théorique de distorsion de TurboQuant ne dépasse la borne inférieure donnée par la théorie de l’information que d’un facteur constant d’environ 2,7.
Cela signifie que de telles percées ne seront pas isolées. Elles marquent la maturité d’une filière entière de recherche.
Pour l’industrie du stockage, la question la plus lucide ne serait donc pas « cette innovation va-t-elle impacter la demande ? », mais bien : à mesure que la courbe des coûts de l’inférence IA continue d’être abaissée au niveau logiciel, quelle largeur peut encore avoir la « moât » matérielle ?
La réponse actuelle est la suivante : ce moât reste encore large, mais pas assez large pour ignorer totalement ce genre de signaux.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
深潮TechFlow
