一句话定义：乘积量化（Product AI 词典：Quantization">Quantization, PQ）是一种面向高维向量的压缩与近似距离计算方法：把一条高维向量切成若干段低维子向量，每段分别用少量聚类中心表示，从而用很少的字节存下原向量，并快速估算向量间距离。
展开讲清原理：假设一条 128 维浮点向量，用 float32 存要 512 字节。PQ 不整体存它，而是切成 16 段，每段 8 维。对每一段，先在海量训练向量上跑 k-means，得到比如 256 个聚类中心，这一组中心叫码本（codebook）。编码时，每个 8 维子向量去找最近的中心，记下中心编号。一个编号 0~255 只占 1 字节，16 段就是 16 字节。原来 512 字节压到 16 字节，约 32 倍。
打个生活化比方：搬家时把一整柜衣服按季节分袋，每袋只贴一个标签，而不是把每件衣服的细节都完整保留。查询时，把查询向量也切 16 段，预先算它到每段 256 个中心的距离，做成 16 张查找表；再对数据库里每条压缩码，把对应编号的查表值加起来，就是近似距离。查询侧保留原始向量、库侧只用码字，这种常见做法叫非对称距离计算（Asymmetric Distance Computation, ADC）。
和相邻概念的区别：
| 概念 | 做法 | 特点 |
|---|---|---|
| 标量量化（Scalar Quantization, SQ） | 每一维独立压低精度 | 简单，压缩率有限 |
| 乘积量化（PQ） | 一小段维度联合聚类 | 压缩更狠，能捕捉子空间相关性 |
| 局部敏感哈希（Locality-Sensitive Hashing, LSH） | 随机投影分桶 | 通常不学码本，靠哈希碰撞 |
| 倒排索引（Inverted File, IVF） | 先粗聚类缩小搜索范围 | 常与 PQ 组合成 IVF-PQ |
还有优化版如 OPQ 会先旋转向量让各段更均衡，残差量化（Residual Quantization, RQ）会多级修正误差。PQ 本身更偏压缩和距离估算，不是图索引那样的导航结构。
实际意义：对 AI 从业者，PQ 是向量数据库和近似最近邻（Approximate Nearest Neighbor, ANN）检索的省内存利器。十亿级 128 维向量若用 float32 存储，内存需求可达几百 GB；PQ 常能把它降到几十分之一。代价是召回率会下降，需要调子向量数、每段中心数，或用重排（rerank）拿少量候选回原始向量精算。对普通人，手机相册以图搜图、电商相似商品、推荐系统召回，背后可能都在用这类压缩，让海量向量检索变得可行。具体参数和实现细节，以官方文档和代码库为准。