新智元報道

編輯：好困 Aeneas

【新智元導讀】把閃存股一夜干崩的谷歌頂會論文，出大事了。TurboQuant的核心方法，兩年前就被一位華人學者做完、發完頂會、代碼全部開源了。谷歌不僅沒正面提及，而且還惡意操縱實驗數據把成果貶成「次優」，即使收到郵件也拒不改正，這就是大科技公司赤裸裸的學術霸凌！

就在剛剛，谷歌塌房了！

前幾天，谷歌一篇即將在ICLR 2026亮相的新論文，直接把存儲巨頭美光和西部數據的股價干崩了。

Cloudflare CEO激動地發推稱：「這是谷歌的DeepSeek時刻！」

就在AI圈沉浸在興奮中，全世界都在為這篇論文歡呼之時，谷歌居然火速塌房了。

3月27日晚上10點，一條推文打破了狂歡。

蘇黎世聯邦理工學院博士后，RaBitQ算法的第一作者高健揚公開表示：

TurboQuant論文在描述RaBitQ時存在嚴重問題，包括不正確的技術聲明和誤導性的理論、實驗對比——而這些問題在投稿前就已向作者指出，對方承認了，但選擇不修正。

翻譯過來就是，谷歌的這篇論文，不僅抄襲了他們的核心代碼，還強行拉踩！

具體來說，TurboQuant在核心方法（隨機旋轉）上與高健揚此前已發表的RaBitQ高度相似，但谷歌不僅未在正文中客觀探討，還在明知故犯的情況下，將RaBitQ的理論結果貶低為「次優」。

而且，根據披露的郵件記錄，TurboQuant團隊早在一年前就被私下告知了這些問題，但從未修正。

原文地址：https://zhuanlan.zhihu.com/p/2020969476166808284?wechatShare=1&s_r=0

文章發布幾小時后，各大平臺的評論區里，全是網友們對谷歌激動地聲討。

對于RaBitQ，高健揚已經做了兩年研究，發表了兩篇頂會，而且代碼全部開源。

然而現在，谷歌轉手就把他的成果「重新發明」了一遍，還榮登頂會，獲得全行業的稱贊。

這簡直就是利用大廠光環歪曲事實的學術霸權行為！

谷歌的吃相太難看了

這次學術爭端，核心思路集中在向量量化上。

向量量化，就是把高維空間里的向量「壓小」，在盡量不丟失信息的前提下省內存、省計算。此問題可以追溯到香農的信源編碼理論，是信息論里最經典的問題之一。

早在2024年5月，高健揚團隊就在arXiv上發布了RaBitQ。

論文地址：https://arxiv.org/abs/2405.12497

他們的核心思路是：

在量化之前，先對向量做一次隨機旋轉（Johnson-Lindenstrauss變換）。旋轉之后，向量每個坐標的分布變得可預測，就可以用更高效的方式做量化。

雖然想法看起來很簡潔，但背后的理論工作卻很扎實。

在24年9月，團隊又發表了擴展版論文，嚴格證明了這種方法達到了理論計算機頂級會議FOCS 2017給出的漸近最優誤差界。

因此，高健揚被邀請到FOCS的Workshop做報告。隨后，RaBitQ先后發表在數據庫領域頂會SIGMOD 2024和SIGMOD 2025上，代碼全部開源。

誰能想到，這居然給谷歌的研究者們提供了方便。

他們這次發表的TurboQuant，核心也是隨機旋轉+向量量化，這不就是RaBitQ在2024年5月就公開發表的核心架構嗎？

可以說，谷歌，這就是在赤裸裸地抄襲！

谷歌這篇論文，已經被稱贊為「徹底改變AI格局」了

一封郵件，三個質疑，全部「已讀不回」

有人問，是不是這次谷歌只是漏引了一篇論文？

了解事件詳情后就會發現，谷歌的行為，比這要嚴重得多，惡劣得多！

第一，谷歌剽竊了他們的核心方法，卻假裝沒看見。

谷歌在TurboQuant論文中，反復強調隨機旋轉是自己方法的關鍵步驟，但在描述RaBitQ時，只把它歸類為「grid-based PQ」（基于網格的乘積量化），完全跳過了RaBitQ中同樣核心的隨機旋轉步驟。

因此在讀者看來，RaBitQ仿佛是一個跟TurboQuant毫無關系的舊方法一樣。

然而，谷歌真的不知道RaBitQ用了隨機旋轉嗎？絕不可能！

審稿過程中，Reviewer Autm問了一個直球問題：「隨機旋轉是你們論文首創的嗎？」

TurboQuant作者在rebuttal中白紙黑字地回復：

The use of random rotation has been explored before (see references like Quarot, RabitQ, QJL, etc).

（隨機旋轉的使用此前已有探索，參見Quarot、RabitQ、QJL等工作。）

所以很顯然，谷歌承認是RaBitQ先用了隨機旋轉，他們并不是首創，然而在論文正文里，他們卻對此只字不提。

這個雞賊的做法，不止一位審稿人注意到了。

比如給出10分滿分（strong accept）的Reviewer WFrV就直接明示了這一點，建議谷歌作者在論文終稿里承認RaBitQ的地位。

RaBitQ and variants are similar to TurboQuant in that they all use random projection。

（RaBitQ及其變體與TurboQuant相似，都使用了隨機投影。）

I strongly encourage the authors to add these experiments in the final version of the paper.

（我強烈建議作者在終稿中加入這些實驗。）

結果，谷歌的終稿出來之后，不僅沒有加入討論，還把正文中對RaBitQ僅有的（還不完整的）描述，挪到了附錄里，這個做法簡直要把人氣笑了。

2026年3月，高健揚團隊正式致信TurboQuant全體作者要求糾正。

TurboQuant第一作者Amir Zandieh回了一句：

隨機旋轉和JL變換已經是領域里的標準技術了，我們不可能引用每一個用到它們的方法。

簡直讓人無語了。

第二，說別人的理論是「次優」，但證據呢？

TurboQuant論文中有這樣一句話：

While the paper's theoretical guarantees are suboptimal, likely due to loose analysis — as practical performance surpasses theoretical bounds.

翻譯過來：RaBitQ的理論保證是次優的，很可能是因為分析太粗糙了。

然而真實情況是，RaBitQ擴展版的Theorem 3.2已經嚴格證明，其誤差界匹配FOCS 2017給出的漸近最優界。

也正是因為這個事實，他們才被邀請到FOCS去做Workshop報告。

2025年5月，高健揚團隊通過郵件與TurboQuant二作Majid Daliri進行了多輪詳細技術討論，逐條解釋了為什么RaBitQ的理論保證是最優的。

Daliri在郵件中明確表示，已將討論內容告知全體共同作者。

然而，實際上他們什么都沒做。

華人學者辛辛苦苦花了兩年證明的最優性定理，被人一句「suboptimal, likely due to loose analysis」就否定了。

第三，綁住別人的手，再說自己跑得快。

TurboQuant論文報告RaBitQ的量化速度比TurboQuant慢了「數個數量級」。

然而這個計算方法，沒有任何公平可言。

Daliri在2025年5月的郵件中承認了，他們測試RaBitQ時用的是自己翻譯的Python版本（而非官方開源的高度優化的C++實現），并且關閉了多線程，在單核CPU上跑。而TurboQuant用的則是英偉達的A100 GPU。

但問題是，RaBitQ的官方代碼2024年5月就開源了，默認是多線程并行。

而且，Daliri在2025年1月的郵件中就已經表示自己成功跑通了RaBitQ的C++代碼。

他知道官方實現有多快。但最終論文里用來做對比的，仍然是他自己翻譯的、運行在單核CPU上的Python版本。

用Python單核CPU去跟A100 GPU對比，仿佛就是把對手的鞋帶綁在一起，再跟他賽跑，最后在論文中得出：我們快了好幾個數量級。

不僅如此，TurboQuant的論文還被發現漏洞百出！

3月26日，研究者Jonas Matthias Kübler在OpenReview上發布公開評論，對TurboQuant的實驗方法提出了多個具體質疑：

• 速度對比的baseline是FP32精度，但現實中沒有框架會用32位存KV緩存，這讓「8倍加速」的說法很不實在；

• 速度baseline在論文正文里寫的是PyTorch einsum，到了博客里又變成了JAX；

• 更耐人尋味的是，Llama模型2.5bit配置的LongBench分數，從arXiv版本的49.44變成了ICLR版本的49.74，差距縮小了50%，但論文沒有說明做了什么改動。

總之，如果回顧完整的時間線，就會發現，谷歌的論文作者根本不是粗心，不是疏忽，每一步都有人提醒，每一步都被選擇性忽略了。

先把蛋糕吃完，再討論蛋糕是不是你的。

數千萬人看到的敘事，是錯的

現在，一邊是中國博士后，兩年研究，兩篇頂會，代碼全部開源。另一邊是Google Research，一篇博客，數千萬曝光，存儲股跌停。

如果沒有人糾正，RaBitQ就會被記錄為一個「次優的、很慢的」老方法，TurboQuant就是「從零開始、全面超越」的新突破。

歷史就是這么被改寫的。

在Hacker News上，NeurIPS 2021論文DRIVE的作者也站出來了——同樣使用了隨機旋轉+偏差校正框架，同樣曾被Google邀請做內部報告，同樣沒有被TurboQuant引用。

這不是一兩個人的遭遇。

錯誤的學術敘事一旦廣泛傳播，糾正的成本會越來越高。

在數千萬曝光面前，這個聲音很小。

但是，必須有人發聲。

參考資料：

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

https://www.linkedin.com/feed/update/urn:li:activity:7443322114301956096/?originTrackingId=Vc0dkeibHUvsvZ4FSE0Tdw%3D%3D

https://zhuanlan.zhihu.com/p/2020969476166808284?utm_medium=social&utm_psn=2020975962079118879&utm_source=wechat_timeline&wechatShare=1&s_r=0

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