TurboQuant团队学术不端？谷歌回应了，但争议更大了
背景：TurboQuant引发的AI压缩技术热潮
- 谷歌研究院于近期发布了一篇关于大模型内存压缩技术的论文，提出名为TurboQuant的新算法，声称可以将KV缓存的内存占用压缩至原来的1/6。
- 这一成果迅速引发业界关注，被认为是缓解当前“AI存储荒”的潜在突破，导致美股多支存储类股票市值蒸发超过900亿美元。
- TurboQuant论文发布后，在3月25日被“Google Research”官方账号转发，关注度持续攀升。
指控内容：三大主要问题引发学术争议
- 系统性回避与RaBitQ的相似性：苏黎世联邦理工学院博士后高健扬指出，TurboQuant在方法设计上与RaBitQ高度相似，但论文中未充分提及RaBitQ的贡献。
- 错误描述RaBitQ的理论结果：论文中将RaBitQ的理论误差界错误地定性为“次优”、“较粗糙的分析”，而实际上RaBitQ已达到理论计算机科学顶级会议FOCS 2017提出的渐近最优误差界。
- 不公的实验环境：TurboQuant团队在测试RaBitQ时使用单核CPU并关闭多线程并行，而TurboQuant自身则使用英伟达A100 GPU进行测试，明显存在不公平比较的嫌疑。
谷歌的回应：澄清与回避并存
- 在沉默近一周后，TurboQuant团队于4月1日首次公开回应相关指控。
- 回应中承诺修正部分对RaBitQ理论结果的错误描述，并调整实验设置，但拒绝在论文中讨论TurboQuant与RaBitQ在核心技术上的相似性。
- 论文第一作者Amir Zandieh仅给出笼统答复，RaBitQ团队未获得更具体的解释或修正承诺。
- 高健扬认为，谷歌团队的回应是“转移矛盾”，并未正视核心问题，尤其是对RaBitQ作为先行工作的尊重与引用。
技术层面的争议焦点
- RaBitQ与TurboQuant在方法设计上具有显著的结构相似性：
- 两者均在量化前使用随机旋转（Johnson-Lindenstrauss变换）来简化数据结构。
- 这是论文中最核心、最具创新性的步骤，而TurboQuant团队未予充分说明与RaBitQ的关系。
- TurboQuant声称其使用QJL算法（基于Johnson-Lindenstrauss变换）仅需1比特即可消除量化误差，但RaBitQ团队指出其理论基础与RaBitQ高度相关。
- 社交平台上，有网友质疑TurboQuant的创新性，认为其更像是“将RaBitQ换了一种表达方式，在GPU上实现”，缺乏实质性突破。
时间线与沟通失败
- 2024年5月：RaBitQ论文首次发布，随后更新扩展版并开源代码，发表于顶级会议SIGMOD。
- 2025年1月：TurboQuant团队第二作者Majid Daliri请求RaBitQ团队协助调试Python实现。
- 2025年3月：TurboQuant论文发布，RaBitQ团队指出其中的错误描述与实验设置问题。
- 2025年4月1日：TurboQuant团队回应，承诺部分修改但拒绝讨论方法相似性。
- 2025年11月：TurboQuant论文提交至ICLR 2026，相关错误未被修正，ICLR方面也未回应RaBitQ团队的反馈。
社会与行业反应加剧
- 知乎上有网友指出，早在阅读TurboQuant论文时就已察觉其与RaBitQ的相似之处，认为其创新性不足。
- X平台用户批评TurboQuant团队在提交论文前已收到相关反馈却选择忽略，这反映出团队在学术伦理上的严重疏忽。
- 虽然论文被ICLR接收常被视为质量保障，但此次事件暴露出同行评审流程中可能存在盲点或疏漏，并不能完全确保技术论断的严谨性。
事件影响与未来走向
- 学术界信任危机：此次事件加剧了对大型科技公司主导AI研究的担忧，尤其是其对小型研究团队成果的引用与尊重问题。
- 行业震动持续：虽然TurboQuant论文的压缩效果引发市场震动，但其学术争议可能影响该技术的实际应用与推广。
- 谷歌AI声誉受损：此次事件可能削弱外界对谷歌AI研究透明度和原创性的信任，尤其是在其拒绝修改关键问题之后。
- RaBitQ团队表示将继续推动学术公正，并考虑通过学术期刊正式发表声明以澄清事实。
结语
谷歌TurboQuant论文的争议仍在持续，不仅关乎技术的原创性判断，也牵涉到AI研究生态中的公平性与学术伦理。在AI研究日益集中于少数科技巨头的背景下，如何确保学术成果的公开、公正与透明，成为整个社区亟需面对的问题。