編輯｜澤南、楊文

沒想到這次大面積市場震蕩，還引出了學(xué)術(shù)大瓜。

本周五晚，谷歌的學(xué)術(shù)不端事件成為了 AI 圈的焦點。

來自蘇黎世聯(lián)邦理工學(xué)院（ETH Zurich）的博士后高健揚在知乎發(fā)布文章，表示 Google Research 論文「TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate」中，有關(guān)已有的 RaBitQ 向量量化算法的描述、理論結(jié)果對比、實驗對比均存在嚴(yán)重問題，且相關(guān)問題早在論文投稿前便已被明確指出，卻被作者方刻意忽視。

作為能夠干翻一片「主線」邏輯公司的 AI 研究，TurboQuant 在業(yè)界的含金量似乎毋庸置疑。然而誰能想到，這篇被谷歌推上神壇、擁有千萬級曝光量的 ICLR 頂會論文，其最核心的技術(shù)底座卻深陷「抄襲」疑云。

引發(fā)內(nèi)存股震蕩的 TurboQuant

谷歌的 TurboQuant 論文最近火出了 AI 研究領(lǐng)域，這篇被全球 AI 研究頂會 ICLR 2026 接收的論文介紹了一種壓縮算法，聲稱能夠?qū)⒋笳Z言模型的 KV 緩存內(nèi)存占用減少至少 6 倍，速度提升高達(dá) 8 倍，且精度零損失

TurboQuant 于 2025 年 4 月公開于預(yù)印版論文平臺 arXiv 上，2026 年 1 月被 ICLR 2026 接收，3 月 24 日經(jīng)谷歌研究博客介紹引發(fā)了巨量關(guān)注。

谷歌在 X 上的宣傳貼瀏覽量達(dá)到了上千萬。

在 AI 大模型的推理時，AI 每次生成一個新詞都需要「回顧」對話歷史（上下文），這部分內(nèi)容被存儲于 KV 緩存上。因此，KV 緩存占用的內(nèi)存往往會成為限制大模型速度和成本的最大瓶頸。TurboQuant 提出的極限無損壓縮方法效果驚人，由于能夠大幅降低運行大模型所需的硬件資源，它直接沖擊了市場對內(nèi)存芯片爆發(fā)式增長的預(yù)期。

在谷歌博客發(fā)布的當(dāng)天，美國內(nèi)存股集體暴跌，閃迪一度跌 6.5%，希捷科技跌超 5%，西部數(shù)據(jù)跌超 4%，美光科技跌 4%。市場一天蒸發(fā)的市值超過了 900 億美元

這項被谷歌大肆宣傳的技術(shù)到底是怎么做到的？簡單來說，它用一套精妙的方法解決了內(nèi)存消耗的死結(jié)。

TurboQuant 通過兩階段壓縮實現(xiàn)這一目標(biāo)：第一階段利用「隨機旋轉(zhuǎn)」和 PolarQuant 機制將高維向量映射到極坐標(biāo)，實現(xiàn)極限壓縮；第二階段利用 Quantized Johnson-Lindenstrauss (QJL) 變換，使用僅 1 bit 的空間來修正內(nèi)積計算的偏差。

然而，正是這部分技術(shù)，成為了引爆學(xué)術(shù)丑聞的導(dǎo)火索。

ETH Zurich 的高健揚博士列舉證據(jù)表示，這項被谷歌宣傳的「革命性」核心機制并非谷歌首創(chuàng)，其在兩年前就已經(jīng)被他的團(tuán)隊完整提出。

更令人氣憤的是，谷歌在其論文中刻意「回避」和「淡化」了先行技術(shù)。

RaBitQ 作者公開質(zhì)疑：

TurboQuant 的核心方法，兩年前就有

RaBitQ 系列論文于 2024 年發(fā)表，提出了一種高維向量量化方法，并從理論上證明其達(dá)到了理論計算機頂級會議論文給出的漸近最優(yōu)誤差界。

RaBitQ 和擴(kuò)展版分別發(fā)表于頂級會議 SIGMOD 2024 和 SIGMOD 2025。

RaBitQ 的核心思路之一，是在量化前對輸入向量施加隨機旋轉(zhuǎn)（random rotation / Johnson-Lindenstrauss 變換），利用旋轉(zhuǎn)后坐標(biāo)分布的性質(zhì)做向量量化，在理論上實現(xiàn)最優(yōu)誤差界。

而 TurboQuant 的方法核心同樣是在量化前對輸入向量施加隨機旋轉(zhuǎn)（Johnson-Lindenstrauss 變換），這一點，甚至是 TurboQuant 作者自己在 ICLR 審稿回復(fù)中親口描述的。

然而，TurboQuant 論文全程刻意回避了與 RaBitQ 在方法上的直接關(guān)聯(lián)，反而在正文中將 RaBitQ 描述為 grid-based PQ，并且在描述中忽略了 RaBitQ 中核心的 random rotation 步驟，有意模糊兩者之間的傳承關(guān)系。

TurboQuant 的第二作者 Majid Daliri 早在 2025 年 1 月便曾主動聯(lián)系高健揚，請求協(xié)助調(diào)試其自行用 Python 復(fù)現(xiàn)的 RaBitQ 代碼，這說明 TurboQuant 團(tuán)隊對 RaBitQ 的技術(shù)細(xì)節(jié)知之甚詳。

既然早已知曉并請教過原作者，為何在最終的論文中不進(jìn)行合理的引用和客觀對比？

高健揚團(tuán)隊在發(fā)現(xiàn)這些問題后本著學(xué)術(shù)嚴(yán)謹(jǐn)?shù)膽B(tài)度，從 2025 年 5 月起就通過郵件與 TurboQuant 團(tuán)隊進(jìn)行了多次私下溝通，并明確指出了其中的事實性錯誤。

然而 TurboQuant 團(tuán)隊以「隨機旋轉(zhuǎn)已成為領(lǐng)域標(biāo)準(zhǔn)技術(shù)，無法引用每一個使用它的方法」為由拒絕修正。隨后，這篇論文不僅被推上了 ICLR 2026，還成為了全球關(guān)注的焦點。

這樣的學(xué)術(shù)敘事如果不被糾正，就會逐漸成為共識。高健揚團(tuán)隊最終下場列出了幾項指控。

三項具體指控

高健揚在文章中列出了三項具體問題。

第一，系統(tǒng)性回避技術(shù)相似性。

TurboQuant 不僅未能正面討論兩者方法的結(jié)構(gòu)聯(lián)系，反而還將原本正文中對 RaBitQ 不完整描述移到了附錄中，這一舉動甚至發(fā)生在審稿人已明確指出「RaBitQ and variants are similar to TurboQuant in that they all use random projection」并要求充分討論之后。

TurboQuant 作者回復(fù)稱「隨機旋轉(zhuǎn)和 Johnson-Lindenstrauss 變換的使用已經(jīng)是該領(lǐng)域的標(biāo)準(zhǔn)技術(shù)，我們不可能引用每一篇使用了這些方法的論文」。

高健揚團(tuán)隊認(rèn)為這一回應(yīng)是在轉(zhuǎn)移矛盾：作為在相同問題設(shè)定下率先將隨機旋轉(zhuǎn)（Johnson-Lindenstrauss 變換）與向量量化結(jié)合、并建立最優(yōu)理論保證的具體先行工作，RaBitQ 應(yīng)當(dāng)在文中被準(zhǔn)確描述，其與 TurboQuant 方法的聯(lián)系應(yīng)當(dāng)充分討論。

第二，錯誤描述 RaBitQ 的理論結(jié)果。

TurboQuant 論文將 RaBitQ 的理論保證定性為「次優(yōu)（suboptimal）」，并歸因于「較粗糙的分析（loose analysis）」，卻未給出任何推導(dǎo)、對比或證據(jù)。

事實是在拓展版 RaBitQ 論文（arXiv:2409.09913）的 Theorem 3.2 中，已經(jīng)嚴(yán)格證明 RaBitQ 的誤差界達(dá)到了理論計算機頂級會議論文（Alon-Klartag, FOCS 2017）給出的漸近最優(yōu)誤差界。因為這一結(jié)果，高健揚團(tuán)隊被邀請至理論計算機科學(xué)頂級會議 FOCS 的 Workshop 進(jìn)行報告。

2025 年 5 月，高健揚團(tuán)隊與 TurboQuant 的第二作者 Majid Daliri 進(jìn)行了多輪詳細(xì)的郵件技術(shù)討論，逐條澄清了這一錯誤解讀，Majid Daliri 也明確表示已告知全體共同作者。然而這一錯誤定性在論文經(jīng)歷完整審稿、被接收乃至大規(guī)模宣發(fā)的全過程中，始終未被更正。

第三，刻意制造不公平的實驗條件。

TurboQuant 論文測試 RaBitQ 速度時，既未使用官方開源的 C++ 實現(xiàn)，轉(zhuǎn)而用了 Majid Daliri 自己翻譯的 Python 版本，又將 RaBitQ 限制在單核 CPU、關(guān)閉多線程的條件下運行，而 TurboQuant 自身則使用 NVIDIA A100 GPU 進(jìn)行測試。這兩層系統(tǒng)性的不公平條件均未在論文中明確披露。

Majid Daliri 本人在 2025 年 5 月的郵件中曾承認(rèn)了單核限制這一情況，但論文仍將由此得出的「RaBitQ 比 TurboQuant 慢數(shù)個數(shù)量級」的結(jié)論呈現(xiàn)給讀者，卻未附任何說明。

選擇公開發(fā)聲

高健揚表示，他們在 2025 年 11 月便發(fā)現(xiàn) TurboQuant 提交了 ICLR 2026，隨即聯(lián)系 ICLR Program Committee Chairs，但未獲任何回應(yīng)。

2026 年 1 月論文正式被接收后，谷歌開始通過官方渠道大規(guī)模推廣，相關(guān)內(nèi)容在社交媒體上的瀏覽量迅速達(dá)到數(shù)千萬次。

2026 年 3 月，高健揚團(tuán)隊再次正式致函 TurboQuant 全體作者，要求說明與更正。目前收到的回復(fù)來自第一作者 Amir Zandieh，承諾會在 ICLR 會議正式結(jié)束后修正問題二和問題三，但拒絕就技術(shù)相似性問題作出任何討論。

高健揚已在 ICLR OpenReview 平臺發(fā)布公開評論，并向 ICLR General Chairs、PC Chairs 及 Code and Ethics Chairs 提交了包含完整證據(jù)的正式投訴，同時表示將在 arXiv 發(fā)布關(guān)于 TurboQuant 和 RaBitQ 的詳細(xì)技術(shù)報告，并保留進(jìn)一步向相關(guān)機構(gòu)反映的選項。

他在文末寫道：「一篇論文被 Google 以數(shù)千萬曝光量推向公眾，在這種體量下，論文中錯誤的敘事不需要主動傳播，只需要不被糾正，就會自動成為共識。

目前，高健揚等人的主張得到了很多人的支持。

很多人表示，谷歌在 AI 研究上這樣的做法已經(jīng)不是第一次了。

或許谷歌與 ICLR 官方需要給出解釋。

參考內(nèi)容：

https://zhuanlan.zhihu.com/p/2020969476166808284

https://x.com/gaoj0017/status/2037532673812443214

https://openreview.net/forum?id=tO3ASKZlok

https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/