2026年3月24日，谷歌 Research 高調發佈嘅TurboQuant（arXiv:2504.19874）演算法（實際上論文早喺近一年之前已發表），曾因「KV 快取記憶體壓縮至少6倍、注意力計算最高提速8倍、零精度損失、毋需訓練」而喺 AI 圈引爆，甚至令記憶體股（Micron、西部數據等）短期市值震盪數百億美元。但係喺3月27日晚，該論文迅速陷入嚴重學術爭議。RaBitQ 系列論文第一作者、蘇黎世聯邦理工學院（ETH Zurich）博士後高健揚（Jianyang Gao）喺 X 平台同知乎公開發文，指控 TurboQuant 喺描述 RaBitQ 時存在三大嚴重問題：避開方法相似性、誤導性嘅理論描述、以及實驗對比不公平。呢啲問題早喺2025年5月投稿前已透過電郵通知谷歌團隊，對方部分承認但未徹底修正。
高健揚已喺 ICLR 2026 OpenReview 平台發表正式公開評論，並向會議主席提交包含完整電郵證據嘅投訴，同時計劃喺 arXiv 發佈詳細技術報告。目前谷歌方面尚未公開回應，事件仍然發酵。
技術細節深入對比：RaBitQ vs TurboQuant——高度重疊嘅核心創新
RaBitQ（2024年發表，arXiv 系列論文如2405.12497 等，由高健揚與 Cheng Long 合作）係針對高維向量量化（尤其係 ANN 近似最近鄰搜索）嘅數據無關線上量化方法。其核心創新包括：
- 隨機正交旋轉（Random Orthogonal Rotation / JL 變換）：先對輸入向量施加隨機旋轉矩陣（基於 Johnson‑Lindenstrauss），令坐標分佈更均勻（喺高維下趨向 Beta 分佈），避免傳統量化喺「赤道」區域信息損失過大。
- 網格型量化（Grid‑based / Nearest Codeword）：旋轉後對每個坐標獨立量化（初始1比特/維，後擴展至 B 比特），透過預計算碼本實現。
- 理論保證：證明漸近最優（asymptotically optimal）誤差界，符合 FOCS’17 等信息論下界，特別適用於向量資料庫同搜索任務。
- 實驗：原論文重點係 CPU+SIMD 實現，強調低存儲開銷同召回率。
TurboQuant（谷歌團隊，核心作者 Amir Zandieh 等）則提出兩階段管道：PolarQuant（主壓縮）+ QJL（1比特殘差校正），同樣宣稱數據無關、線上適用、近最優失真率（MSE 同內積偏差均接近信息論下界，因子≈2.7）。
關鍵技術對比：
- 共同基礎：兩者均以隨機旋轉（JL 類變換）作為首要步驟，目的係誘導坐標服從可預測分佈（Beta/高斯），提升標量量化嘅效率。呢點係 RaBitQ 嘅核心創新之一，TurboQuant 論文雖然喺正文提到隨機旋轉係「其方法嘅關鍵步驟」，但喺描述 RaBitQ 時，淨係簡化為「grid‑based PQ」（網格型乘積量化），避開咗呢個核心方法論嘅聯繫。
- 量化機制差異：RaBitQ 採用旋轉後「網格/最近碼字」量化；TurboQuant 則進一步用極坐標變換（PolarQuant 階段）或者直接標量量化+殘差校正（QJL），以消除內積偏差。TurboQuant 聲稱咁樣達到「零存儲開銷」同更高精度，但批評者認為呢啲只係喺 RaBitQ 旋轉基礎上嘅「增量優化」，唔係全新範式。
- 理論表述：TurboQuant 論文稱 RaBitQ「theoretical guarantees suboptimal」（理論保證次優），但 RaBitQ 已證明其喺 MSE/內積上嘅漸近最優性。谷歌未提供充分反證。
- 實驗設置：TurboQuant 喺 Gemma/Llama 等模型上用 A100/H100 GPU 測試；RaBitQ 基準則被描述為「單核 CPU、無向量化」，索引時間慢數千倍。論文雖提及 RaBitQ「lacks GPU vectorization」，但冇做同硬件公平對比，導致「TurboQuant 遠優」嘅結論被指誤導。
高健揚總結：TurboQuant 唔係徹頭徹尾嘅代碼抄襲，但係「喺知情嘅前提下對 prior work 嘅表述唔完整、唔客觀」，令讀者難以識別 RaBitQ 嘅貢獻度。
電郵證據截圖與溝通時間線：從私下提醒到公開投訴
爭議最有力嘅證據來自多輪電郵記錄（已由高健揚團隊公開截圖，散佈喺 X、知乎同 OpenReview）：
- 2025年1月：TurboQuant 第二作者 Majid Daliri 主動聯絡 RaBitQ 團隊，請求協助調試 RaBitQ 代碼（雙方有技術交流記錄）。
- 2025年5月起：高健揚團隊多次電郵詳細指出 TurboQuant 初稿中嘅三大問題（方法描述、理論貶低、實驗不公）。Daliri 嘅回覆中明確承認部分錯誤，並表示已告知全部共同作者。
- 2025年後期至2026年3月：谷歌團隊承諾「會議結束後作小修」，但定稿只係將 RaBitQ 描述挪到附錄，未加入完整討論或修正理論/實驗表述。
- 2026年3月：高健揚團隊正式致信 TurboQuant 全體作者（包括第一作者 Amir Zandieh）。Zandieh 回覆承諾喺 ICLR 會後修正問題二（理論）同問題三（實驗），但拒絕討論技術相似性。
公開電郵截圖顯示，Daliri 曾喺電郵中寫道類似「多謝澄清，我哋會考慮修正」嘅內容，但最終並無落實。高健揚喺 X 發帖配圖（電郵時間戳、原文片段）清晰可見，強調「谷歌論文已達數千萬曝光，錯誤敘述正成為共識」。呢啲截圖已喺中文媒體（如新浪財經、網易）同 X 上廣泛傳播，成為事件核心證據。
影響與行業反思
- 學術界：ICLR 組委會可能介入調查，凸顯大廠論文審稿與引用規範問題。社群呼籲「prior art 必須客觀完整討論」。
- 資本市場：初期記憶體股暴跌源於「革命性」宣傳，爭議後波動加劇，提醒投資者需分清 hype 同可重現技術。
- 開發者視角：儘管有爭議，TurboQuant 嘅 PolarQuant+QJL 管道喺社群初步實現中仍顯示 KV 快取壓縮潛力（結合 llama.cpp 等）。但 RaBitQ 代碼已開源，開發者可直接驗證兩者差異。
- 更廣啟示：AI 演算法競賽中，資源不對等（大廠推廣 vs 獨立學者）易放大引用爭議。類似事件提醒全行業：創新必須建立喺尊重 prior work 嘅基礎，否則再強嘅數學證明都難掩表述瑕疵。
截至2026年3月28日，谷歌尚未正式回應。建議關注：
- 高健揚 X 帳號（@gaoj0017）及 OpenReview 評論。
- TurboQuant 原論文與 RaBitQ 系列論文直接對比。
- 未來 arXiv 技術報告。
呢個事件本質係學術規範 vs 推廣速度嘅碰撞，而唔係單純嘅「抄襲」標籤。佢再次證明：AI 領域技術迭代極快，但誠信仍係底線。無論最終結論點樣，RaBitQ 嘅貢獻已獲得更多關注，TurboQuant 嘅實際工程價值亦需由社群進一步復現驗證。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎關注我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多 AI 新聞請訪問：https://www.airosetta.com