新智元报道

编辑：好困 Aeneas

【新智元导读】把闪存股一夜干崩的谷歌顶会论文，出大事了。TurboQuant的核心方法，两年前就被一位华人学者做完、发完顶会、代码全部开源了。谷歌不仅没正面提及，而且还恶意操纵实验数据把成果贬成「次优」，即使收到邮件也拒不改正，这就是大科技公司赤裸裸的学术霸凌！

就在刚刚，谷歌塌房了！

前几天，谷歌一篇即将在ICLR 2026亮相的新论文，直接把存储巨头美光和西部数据的股价干崩了。

Cloudflare CEO激动地发推称：「这是谷歌的DeepSeek时刻！」

就在AI圈沉浸在兴奋中，全世界都在为这篇论文欢呼之时，谷歌居然火速塌房了。

3月27日晚上10点，一条推文打破了狂欢。

苏黎世联邦理工学院博士后，RaBitQ算法的第一作者高健扬公开表示：

TurboQuant论文在描述RaBitQ时存在严重问题，包括不正确的技术声明和误导性的理论、实验对比——而这些问题在投稿前就已向作者指出，对方承认了，但选择不修正。

翻译过来就是，谷歌的这篇论文，不仅抄袭了他们的核心代码，还强行拉踩！

具体来说，TurboQuant在核心方法（随机旋转）上与高健扬此前已发表的RaBitQ高度相似，但谷歌不仅未在正文中客观探讨，还在明知故犯的情况下，将RaBitQ的理论结果贬低为「次优」。

而且，根据披露的邮件记录，TurboQuant团队早在一年前就被私下告知了这些问题，但从未修正。

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

文章发布几小时后，各大平台的评论区里，全是网友们对谷歌激动地声讨。

对于RaBitQ，高健扬已经做了两年研究，发表了两篇顶会，而且代码全部开源。

然而现在，谷歌转手就把他的成果「重新发明」了一遍，还荣登顶会，获得全行业的称赞。

这简直就是利用大厂光环歪曲事实的学术霸权行为！

谷歌的吃相太难看了

这次学术争端，核心思路集中在向量量化上。

向量量化，就是把高维空间里的向量「压小」，在尽量不丢失信息的前提下省内存、省计算。此问题可以追溯到香农的信源编码理论，是信息论里最经典的问题之一。

早在2024年5月，高健扬团队就在arXiv上发布了RaBitQ。

论文地址：https://arxiv.org/abs/2405.12497

他们的核心思路是：

在量化之前，先对向量做一次随机旋转（Johnson-Lindenstrauss变换）。旋转之后，向量每个坐标的分布变得可预测，就可以用更高效的方式做量化。

虽然想法看起来很简洁，但背后的理论工作却很扎实。

在24年9月，团队又发表了扩展版论文，严格证明了这种方法达到了理论计算机顶级会议FOCS 2017给出的渐近最优误差界。

因此，高健扬被邀请到FOCS的Workshop做报告。随后，RaBitQ先后发表在数据库领域顶会SIGMOD 2024和SIGMOD 2025上，代码全部开源。

谁能想到，这居然给谷歌的研究者们提供了方便。

他们这次发表的TurboQuant，核心也是随机旋转+向量量化，这不就是RaBitQ在2024年5月就公开发表的核心架构吗？

可以说，谷歌，这就是在赤裸裸地抄袭！

谷歌这篇论文，已经被称赞为「彻底改变AI格局」了

一封邮件，三个质疑，全部「已读不回」

有人问，是不是这次谷歌只是漏引了一篇论文？

了解事件详情后就会发现，谷歌的行为，比这要严重得多，恶劣得多！

第一，谷歌剽窃了他们的核心方法，却假装没看见。

谷歌在TurboQuant论文中，反复强调随机旋转是自己方法的关键步骤，但在描述RaBitQ时，只把它归类为「grid-based PQ」（基于网格的乘积量化），完全跳过了RaBitQ中同样核心的随机旋转步骤。

因此在读者看来，RaBitQ仿佛是一个跟TurboQuant毫无关系的旧方法一样。

然而，谷歌真的不知道RaBitQ用了随机旋转吗？绝不可能！

审稿过程中，Reviewer Autm问了一个直球问题：「随机旋转是你们论文首创的吗？」

TurboQuant作者在rebuttal中白纸黑字地回复：

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

（随机旋转的使用此前已有探索，参见Quarot、RabitQ、QJL等工作。）

所以很显然，谷歌承认是RaBitQ先用了随机旋转，他们并不是首创，然而在论文正文里，他们却对此只字不提。

这个鸡贼的做法，不止一位审稿人注意到了。

比如给出10分满分（strong accept）的Reviewer WFrV就直接明示了这一点，建议谷歌作者在论文终稿里承认RaBitQ的地位。

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

（RaBitQ及其变体与TurboQuant相似，都使用了随机投影。）

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

（我强烈建议作者在终稿中加入这些实验。）

结果，谷歌的终稿出来之后，不仅没有加入讨论，还把正文中对RaBitQ仅有的（还不完整的）描述，挪到了附录里，这个做法简直要把人气笑了。

2026年3月，高健扬团队正式致信TurboQuant全体作者要求纠正。

TurboQuant第一作者Amir Zandieh回了一句：

随机旋转和JL变换已经是领域里的标准技术了，意昂平台不可能引用每一个用到它们的方法。

简直让人无语了。

第二，说别人的理论是「次优」，但证据呢？

TurboQuant论文中有这样一句话：

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

翻译过来：RaBitQ的理论保证是次优的，很可能是因为分析太粗糙了。

然而真实情况是，RaBitQ扩展版的Theorem 3.2已经严格证明，其误差界匹配FOCS 2017给出的渐近最优界。

也正是因为这个事实，他们才被邀请到FOCS去做Workshop报告。

2025年5月，高健扬团队通过邮件与TurboQuant二作Majid Daliri进行了多轮详细技术讨论，逐条解释了为什么RaBitQ的理论保证是最优的。

Daliri在邮件中明确表示，已将讨论内容告知全体共同作者。

然而，实际上他们什么都没做。

华人学者辛辛苦苦花了两年证明的最优性定理，被人一句「suboptimal, likely due to loose analysis」就否定了。

第三，绑住别人的手，再说自己跑得快。

TurboQuant论文报告RaBitQ的量化速度比TurboQuant慢了「数个数量级」。

然而这个计算方法，没有任何公平可言。

Daliri在2025年5月的邮件中承认了，他们测试RaBitQ时用的是自己翻译的Python版本（而非官方开源的高度优化的C++实现），并且关闭了多线程，在单核CPU上跑。而TurboQuant用的则是英伟达的A100 GPU。

但问题是，RaBitQ的官方代码2024年5月就开源了，默认是多线程并行。

而且，Daliri在2025年1月的邮件中就已经表示自己成功跑通了RaBitQ的C++代码。

他知道官方实现有多快。但最终论文里用来做对比的，仍然是他自己翻译的、运行在单核CPU上的Python版本。

用Python单核CPU去跟A100 GPU对比，仿佛就是把对手的鞋带绑在一起，再跟他赛跑，最后在论文中得出：意昂平台快了好几个数量级。

不仅如此，TurboQuant的论文还被发现漏洞百出！

3月26日，研究者Jonas Matthias Kübler在OpenReview上发布公开评论，对TurboQuant的实验方法提出了多个具体质疑：

速度对比的baseline是FP32精度，但现实中没有框架会用32位存KV缓存，这让「8倍加速」的说法很不实在；

速度baseline在论文正文里写的是PyTorch einsum，到了博客里又变成了JAX；

更耐人寻味的是，Llama模型2.5bit配置的LongBench分数，从arXiv版本的49.44变成了ICLR版本的49.74，差距缩小了50%，但论文没有说明做了什么改动。

总之，如果回顾完整的时间线，就会发现，谷歌的论文作者根本不是粗心，不是疏忽，每一步都有人提醒，每一步都被选择性忽略了。

先把蛋糕吃完，再讨论蛋糕是不是你的。

数千万人看到的叙事，是错的

现在，一边是中国博士后，两年研究，两篇顶会，代码全部开源。另一边是Google Research，一篇博客，数千万曝光，存储股跌停。

如果没有人纠正，RaBitQ就会被记录为一个「次优的、很慢的」老方法，TurboQuant就是「从零开始、全面超越」的新突破。

历史就是这么被改写的。

在Hacker News上，NeurIPS 2021论文DRIVE的作者也站出来了——同样使用了随机旋转+偏差校正框架，同样曾被Google邀请做内部报告，同样没有被TurboQuant引用。

这不是一两个人的遭遇。

错误的学术叙事一旦广泛传播，纠正的成本会越来越高。

在数千万曝光面前，这个声音很小。

但是，必须有人发声。

参考资料：

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