2026年3月24日谷歌Research高调发布的TurboQuant（arXiv:2504.19874）算法（事实上其论文已在近一年前发表），曾因“KV缓存内存压缩至少6倍、注意力计算最高提速8倍、零精度损失、无需训练”而引爆AI圈，甚至导致内存股（美光、西部数据等）短期市值震荡数百亿美元。然而，3月27日晚，该论文迅速陷入严重学术争议。RaBitQ系列论文第一作者、苏黎世联邦理工学院（ETH Zurich）博士后高健扬（Jianyang Gao）在X平台和知乎公开发文，指控TurboQuant在描述RaBitQ时存在三大严重问题：方法相似性回避、理论结果误导、实验对比不公。这些问题早在2025年5月投稿前就通过邮件告知谷歌团队，对方部分承认却未彻底修正。
高健扬已在ICLR 2026 OpenReview平台发布正式公开评论，并向会议主席提交包含完整邮件证据的投诉，同时计划在arXiv发布详细技术报告。目前谷歌方面尚未公开回应，事件仍在发酵。
技术细节深度对比：RaBitQ vs TurboQuant——高度重叠的核心创新
RaBitQ（2024年发表，arXiv系列论文如2405.12497等，由高健扬与Cheng Long合作）是针对高维向量量化（尤其是ANN近似最近邻搜索）的数据无关在线量化方法。其核心创新包括：
- 随机正交旋转（Random Orthogonal Rotation / JL变换）：先对输入向量施加随机旋转矩阵（基于Johnson‑Lindenstrauss），使坐标分布更均匀（高维下趋向Beta分布），避免传统量化在“赤道”区域信息损失过大。
- 网格型量化（Grid‑based / Nearest Codeword）：旋转后对每个坐标独立量化（初始1比特/维，后扩展至B比特），通过预计算码本实现。
- 理论保证：证明渐近最优（asymptotically optimal）误差界，符合FOCS’17等信息论下界，特别适用于向量数据库和搜索任务。
- 实验：原论文重点在CPU+SIMD实现，强调低存储开销和召回率。
TurboQuant（谷歌团队，核心作者Amir Zandieh等）则提出两阶段管道：PolarQuant（主压缩）+ QJL（1比特残差校正），同样宣称数据无关、在线适用、近最优失真率（MSE和内积偏差均接近信息论下界，因子≈2.7）。
关键技术对比：
- 共同基础：两者均以随机旋转（JL类变换）作为首要步骤，目的是诱导坐标服从可预测分布（Beta/高斯），提升标量量化的效率。这是RaBitQ的核心创新之一，TurboQuant论文虽在正文提及随机旋转是“其方法的关键步骤”，但在描述RaBitQ时，仅简化为“grid‑based PQ”（网格型乘积量化），回避了这一核心方法论联系。
- 量化机制差异：RaBitQ采用旋转后“网格/最近码字”量化；TurboQuant则进一步用极坐标变换（PolarQuant阶段）或直接标量量化+残差校正（QJL），以消除内积偏差。TurboQuant声称这实现了“零存储开销”和更高精度，但批评者认为这是在RaBitQ旋转基础上的“增量优化”，而非全新范式。
- 理论表述：TurboQuant论文称RaBitQ“theoretical guarantees suboptimal”（理论界次优），但RaBitQ已证明其在MSE/内积上的渐近最优性。谷歌未提供充分反证。
- 实验设置：TurboQuant在Gemma/Llama等模型上用A100/H100 GPU测试；RaBitQ基准则被描述为“单核CPU、无向量化”，索引时间慢数千倍。论文虽提及RaBitQ“lacks GPU vectorization”，但未做同硬件公平对比，导致“TurboQuant远优”的结论被指误导。
高健扬总结：TurboQuant不是彻头彻尾的代码抄袭，而是“在知情前提下对prior work的表述不完整、不客观”，导致读者难以认识到RaBitQ的贡献度。
邮件证据截图与沟通时间线：从私下提醒到公开投诉
争议最有力的证据来自多轮邮件记录（已由高健扬团队公开截图，散布于X、知乎和OpenReview）：
- 2025年1月：TurboQuant第二作者Majid Daliri主动联系RaBitQ团队，请求帮助调试RaBitQ代码（双方有技术交流记录）。
- 2025年5月起：高健扬团队多次邮件详细指出TurboQuant初稿中的三大问题（方法描述、理论贬低、实验不公）。Daliri回复中明确承认部分错误，并表示已告知全体共同作者。
- 2025年后期至2026年3月：谷歌团队承诺“会议结束后小修”，但终稿仅将RaBitQ描述挪至附录，未添加完整讨论或修正理论/实验表述。
- 2026年3月：高健扬团队正式致信TurboQuant全体作者（含第一作者Amir Zandieh）。Zandieh回复承诺ICLR会议后修正问题二（理论）和问题三（实验），但拒绝讨论技术相似性。
公开邮件截图显示，Daliri曾在邮件中写道类似“感谢澄清，我们会考虑修正”的内容，却未落实。高健扬在X发帖配图（邮件时间戳、原文片段）清晰可见，强调“谷歌论文已达数千万曝光，错误叙述正成为共识”。这些截图已在中文媒体（如新浪财经、网易）和X上广泛传播，成为事件核心证据。
影响与行业反思
- 学术界：ICLR组委会可能介入调查，凸显大厂论文审稿与引用规范问题。社区呼吁“prior art必须客观完整讨论”。
- 资本市场：初期内存股暴跌源于“革命性”宣传，争议后波动加剧，提醒投资者需区分 hype 与可复现技术。
- 开发者视角：尽管争议存在，TurboQuant的PolarQuant+QJL管道在社区初步实现中仍显示KV缓存压缩潜力（结合llama.cpp等）。但RaBitQ代码早已开源，开发者可直接验证两者差异。
- 更广启示：AI算法竞赛中，资源不对等（大厂推广 vs 独立学者）易放大引用争议。类似事件提醒全行业：创新必须建立在尊重prior work的基础上，否则再强的数学证明也难掩表述瑕疵。
截至2026年3月28日，谷歌尚未正式回应。建议关注：
- 高健扬X账号（@gaoj0017）及OpenReview评论。
- TurboQuant原论文与RaBitQ系列论文直接对比。
- 未来arXiv技术报告。
这一事件本质是学术规范 vs 推广速度的碰撞，而非单纯“抄袭”标签。它再次证明：AI领域技术迭代极快，但诚信仍是底线。无论最终结论如何，RaBitQ的贡献已得到更多关注，TurboQuant的实际工程价值也需社区进一步复现验证。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com