【新智元導讀】把快閃記憶體股一夜幹崩的谷歌頂會論文，出大事了論文。TurboQuant的核心方法，兩年前就被一位華人學者做完、發完頂會、程式碼全部開源了。谷歌不僅沒正面提及，而且還惡意操縱實驗資料把成果貶成「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！
就在剛剛論文，谷歌塌房了！
Cloudflare CEO激動地發推稱：「這是谷歌的DeepSeek時刻論文！」
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論文。
3月27日晚上10點，一條推文打破了狂歡論文。
蘇黎世聯邦理工學院博士後論文，RaBitQ演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，包括不正確的技術宣告和誤導性的理論、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，但選擇不修正論文。
展開全文
翻譯過來就是論文，谷歌的這篇論文，不僅抄襲了他們的核心程式碼，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」論文。
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，但從未修正論文。
文章釋出幾小時後，各大平臺的評論區裡，全是網友們對谷歌激動地聲討論文。
對於RaBitQ，高健揚已經做了兩年研究，發表了兩篇頂會，而且程式碼全部開源論文。
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，獲得全行業的稱讚論文。
這簡直就是利用大廠光環歪曲事實的學術霸權行為論文！
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論文。
向量量化，就是把高維空間裡的向量「壓小」，在儘量不丟失資訊的前提下省記憶體、省計算論文。此問題可以追溯到夏農的信源編碼理論，是資訊理論裡最經典的問題之一。
早在2024年5月，高健揚團隊就在arXiv上釋出了RaBitQ論文。
論文地址：
他們的核心思路是論文：
在量化之前，先對向量做一次隨機旋轉（Johnson-Lindenstrauss變換）論文。旋轉之後，向量每個座標的分佈變得可預測，就可以用更高效的方式做量化。
雖然想法看起來很簡潔，但背後的理論工作卻很紮實論文。
在24年9月，團隊又發表了擴充套件版論文，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論文。
因此，高健揚被邀請到FOCS的Workshop做報告論文。隨後，RaBitQ先後發表在資料庫領域頂會SIGMOD 2024和SIGMOD 2025上，程式碼全部開源。
誰能想到，這居然給谷歌的研究者們提供了方便論文。
他們這次發表的TurboQuant論文，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？
可以說論文，谷歌，這就是在赤裸裸地抄襲！
谷歌這篇論文，已經被稱讚為「徹底改變AI格局」了
一封郵件，三個質疑，全部「已讀不回」
有人問論文，是不是這次谷歌只是漏引了一篇論文？
瞭解事件詳情後就會發現論文，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，卻假裝沒看見論文。
谷歌在TurboQuant論文中，反覆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」（基於網格的乘積量化），完全跳過了RaBitQ中同樣核心的隨機旋轉步驟論文。
因此在讀者看來，RaBitQ彷彿是一個跟TurboQuant毫無關係的舊方法一樣論文。
然而論文，谷歌真的不知道RaBitQ用了隨機旋轉嗎？絕不可能！
審稿過程中論文，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中白紙黑字地回覆論文：
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等工作論文。）
所以很顯然，谷歌承認是RaBitQ先用了隨機旋轉，他們並不是首創，然而在論文正文裡，他們卻對此隻字不提論文。
這個雞賊的做法，不止一位審稿人注意到了論文。
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裡承認RaBitQ的地位論文。
RaBitQ and variants are similar to TurboQuant in that they all use random projection論文。
（RaBitQ及其變體與TurboQuant相似，都使用了隨機投影論文。）
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論文。）
結果，谷歌的終稿出來之後，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，挪到了附錄裡，這個做法簡直要把人氣笑了論文。
2026年3月，高健揚團隊正式致信TurboQuant全體作者要求糾正論文。
TurboQuant第一作者Amir Zandieh回了一句論文：
隨機旋轉和JL變換已經是領域裡的標準技術了，我們不可能引用每一個用到它們的方法論文。
簡直讓人無語了論文。
第二論文，說別人的理論是「次優」，但證據呢？
TurboQuant論文中有這樣一句話論文：
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論文。
然而真實情況是，RaBitQ擴充套件版的Theorem 3.2已經嚴格證明，其誤差界匹配FOCS 2017給出的漸近最優界論文。
也正是因為這個事實，他們才被邀請到FOCS去做Workshop報告論文。
2025年5月，高健揚團隊透過郵件與TurboQuant二作Majid Daliri進行了多輪詳細技術討論，逐條解釋了為什麼RaBitQ的理論保證是最優的論文。
Daliri在郵件中明確表示，已將討論內容告知全體共同作者論文。
然而，實際上他們什麼都沒做論文。
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」就否定了論文。
第三，綁住別人的手，再說自己跑得快論文。
TurboQuant論文報告RaBitQ的量化速度比TurboQuant慢了「數個數量級」論文。
然而這個計算方法，沒有任何公平可言論文。
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最佳化的C++實現），並且關閉了多執行緒，在單核CPU上跑論文。而TurboQuant用的則是英偉達的A100 GPU。
但問題是，RaBitQ的官方程式碼2024年5月就開源了，預設是多執行緒並行論文。
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++程式碼論文。
他知道官方實現有多快論文。但最終論文裡用來做對比的，仍然是他自己翻譯的、執行在單核CPU上的Python版本。
用Python單核CPU去跟A100 GPU對比，彷彿就是把對手的鞋帶綁在一起，再跟他賽跑，最後在論文中得出：我們快了好幾個數量級論文。
不僅如此，TurboQuant的論文還被發現漏洞百出！
3月26日論文，研究者Jonas Matthias Kübler在OpenReview上釋出公開評論，對TurboQuant的實驗方法提出了多個具體質疑：
速度對比的baseline是FP32精度論文，但現實中沒有框架會用32位存KV快取，這讓「8倍加速」的說法很不實在；
速度baseline在論文正文裡寫的是PyTorch einsum論文，到了部落格裡又變成了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麼改動論文。
速度對比的baseline是FP32精度論文，但現實中沒有框架會用32位存KV快取，這讓「8倍加速」的說法很不實在；
速度baseline在論文正文裡寫的是PyTorch einsum論文，到了部落格裡又變成了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麼改動論文。
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論文。
先把蛋糕吃完，再討論蛋糕是不是你的論文。
數千萬人看到的敘事，是錯的
現在，一邊是中國博士後，兩年研究，兩篇頂會，程式碼全部開源論文。另一邊是Google Research，一篇部落格，數千萬曝光，儲存股跌停。
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」的新突破論文。
歷史就是這麼被改寫的論文。
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引用論文。
這不是一兩個人的遭遇論文。
錯誤的學術敘事一旦廣泛傳播，糾正的成本會越來越高論文。
在數千萬曝光面前，這個聲音很小論文。
但是，必須有人發聲論文。
參考資料論文：
