A cada trimestre, você assiste ao mesmo ciclo: empresas de IA anunciam modelos maiores, ações de chips de memória sobem, investidores da Samsung e SK Hynix estouram champanhe. Mais parâmetros significam mais RAM. Mais RAM significa mais receita. A escada rolante só vai numa direção.

Ninguém se dá ao trabalho de fazer a pergunta incômoda: e se os modelos não precisarem de toda essa memória?

Google solta uma bomba matemática

Em 25 de março de 2026, o Google Research publicou o TurboQuant — um algoritmo de compressão que reduz o uso de memória de LLMs em 6x e entrega até 8x de aceleração em GPUs Nvidia H100. O detalhe: zero perda de precisão. No dia seguinte, ações de chips de memória despencaram em três continentes.

Aqui vai o que aconteceu tecnicamente, porque é elegante.

LLMs — large language models, os cérebros de IA por trás do ChatGPT, Claude e Gemini — têm um componente chamado KV cache (key-value cache). Pense nele como a memória de curto prazo do modelo: tudo que ele mantém na cabeça durante uma conversa. Quanto mais longa a conversa, maior o cache, mais gorda a conta da GPU.

O TurboQuant ataca esse cache com um truque chamado PolarQuant. Normalmente, dados são armazenados como pontos numa grade — tipo endereços num mapa da cidade. O PolarQuant converte esses pontos para coordenadas polares — pense em direções de bússola: um ângulo mais a distância do centro. Essa transformação torna os padrões de dados previsíveis o suficiente para comprimir de 32 bits para apenas 3 bits por valor. Sem retreino. Sem fine-tuning (ensinar truques novos ao modelo com dados customizados). Sem calibração. Você só aplica.

Uma segunda etapa chamada QJL captura erros residuais projetando-os num espaço matemático mais simples e reduzindo cada valor a um único bit de sinal — mais ou menos um. Um corretor de erros imparcial ao custo de um bit extra. Matematicamente limpo.

A internet imediatamente chamou de compressão middle-out do Pied Piper na vida real — da série Silicon Valley da HBO. Pela primeira vez, o meme estava correto.

Wall Street percebe

Em 26 de março, o mercado de ações respondeu com a sutileza de um gato derrubando coisas da prateleira. SK Hynix caiu 6,2%. Samsung quase 5%. A japonesa Kioxia perdeu 6%. Nos EUA, Micron recuou 3,4% e SanDisk 3,5%. O KOSPI — principal índice da bolsa da Coreia do Sul — caiu mais de 3%, com semicondutores liderando a queda.

Pra ser justo, essas ações tinham subido 200–300% no ano anterior, então a realização de lucros amplificou o estrago. Mas o gatilho foi inconfundível.

O balde de água fria

Antes de você sair vendendo tudo que tem chip: o TurboQuant é um paper de pesquisa com caminho para a ICLR 2026 — uma das maiores conferências de IA — em abril. Não é um produto pronto. Ele comprime especificamente o KV cache — não os pesos completos do modelo, não workloads de treinamento. O Morgan Stanley argumenta que ele permite aos sistemas lidar com conversas 4–8x mais longas no mesmo hardware, o que significa mais implantações, não menos chips. Analistas da Lynx Equity Strategies dizem que a demanda por memória sobrevive nos próximos três a cinco anos independentemente.

O caso dos otimistas não morreu. Só ficou mais nuançado.

O que isso muda

Pra qualquer um rodando inferência de LLM — inferência significa usar um modelo treinado para gerar respostas — de desenvolvedores solo pagando por token a hyperscalers queimando frotas de GPU, isso sinaliza que os custos de servir estão caindo. Quando técnicas do nível do TurboQuant chegarem aos engines de inferência padrão (o software que roda modelos de IA em produção), a economia muda pra toda aplicação de IA.

O anúncio mais impactante do Google neste mês não foi um modelo maior ou um produto mais chamativo. Foi um paper de matemática que fez modelos existentes ficarem menores. A aposta trilionária em hardware presumia que o software ia continuar burro pra sempre.

O software acabou de ficar mais esperto.