谷歌TurboQuant论文争议持续:官方“技术澄清”未能平息学术风波

谷歌“技术澄清”未能平息学术风波

在引发全球市场广泛关注与质疑近一周后,谷歌TurboQuant压缩算法论文团队于4月1日发布了最新的“技术澄清”。然而,这份声明似乎并未能有效化解围绕其论文的诸多争议,尤其是关于核心技术相似性的指控。谷歌方面辩称,随机旋转是量化领域内的标准技术,并轻描淡写地表示实验基准中的错误对论文实质性结论“并不重要”。

此前,这篇由谷歌官方博客高调推广的论文,在三月最后一周曾导致全球存储芯片市场剧烈动荡。美光、SK海力士、三星电子等巨头的市值一度蒸发超过900亿美元。论文声称,TurboQuant算法能将大语言模型(LLM)的KV缓存内存占用降低至少六倍,同时将处理速度提升高达八倍,且不损失任何精度,这一突破性成果震惊了业界。

华尔街之所以恐慌,正是因为如果软件层面的优化能将AI内存需求大幅压缩六倍,那么原有的芯片硬件增长逻辑将面临颠覆性重写。

争议爆发:核心技术归属与学术诚信

然而,事态迅速反转。3月27日,RaBitQ算法的作者、苏黎世联邦理工学院博士后高健扬在知乎平台发布了一篇详尽长文,公开指控谷歌团队存在一系列系统性学术问题。这立即引发了公众舆论对谷歌学术诚信的强烈质疑。

业界普遍观点认为,RaBitQ率先提出了这一领域的原创方法,而TurboQuant则是在其基础上进行优化。然而,谷歌的论文不仅未能给予RaBitQ应有的引用和尊重,反而对其成果进行了不公正的贬低。

在各方指控压力下,论文第二作者Majid Daliri于4月1日代表谷歌团队,在OpenReview平台上发布了一份包含四点内容的“技术澄清”。

谷歌回应一:核心技术新颖性

针对核心技术新颖性的质疑,谷歌辩称TurboQuant的核心方法并非直接源自RaBitQ。他们指出,“随机旋转”作为一种量化技术,在相关文献中属于标准且普遍存在的手段,早在RaBitQ问世前就已广泛应用。谷歌强调,TurboQuant的真正创新之处在于其成功推导出了旋转后的坐标分布。

然而,学术界的普遍共识是,如果某项技术(如同“轮子”)首次被创造性地应用于一个完整系统(如“汽车”)并取得突破,后来的研究者在借鉴时理应进行引用和致谢,这属于基本的学术规范。谷歌将前人的重要贡献轻描淡写为“行业常识”,无疑是对先行者成果的降级。

谷歌回应二:贬低RaBitQ为“次优”

在回应关于贬低RaBitQ理论为“次优”的指控时,论文作者承认,此前的草率结论是由于未能仔细审阅RaBitQ论文的附录,遗漏了一个关键的常数因子。他们表示,这一疏忽“导致我们最初诚实地将该方法描述为次优”。经过更细致的研究,谷歌团队已确认RaBitQ确实是最优方案,并正在着手更新TurboQuant的论文手稿。

然而,一篇即将发表在顶级会议的论文,其对同行核心理论的负面评价竟是建立在“没看清附录”的理由之上,这种解释的充分性和可信度无疑受到了广泛质疑。

谷歌回应三:不公平的基准测试

针对“在不公平条件下与竞争对手赛跑”的指控,Majid Daliri回应称,即使完全不考虑与RaBitQ的运行时比较,TurboQuant论文的科学影响和有效性也不会受到根本性影响。他强调,TurboQuant的核心贡献在于其在压缩质量上的权衡优化,而非特定场景下的速度提升。

此前,高健扬在其公开信中披露,谷歌团队在测试RaBitQ时,采用了单核CPU且关闭了多线程,而测试TurboQuant时却使用了高性能的英伟达A100 GPU。尽管谷歌团队如今声称速度对比并非论文核心,但其原始论文中仍将速度提升作为一项重要的宣传卖点。

谷歌回应四:质疑对方动机

在澄清的最后一点,谷歌在回应中暗示对方“别有用心”,指出TurboQuant论文早在2025年4月便已在arXiv平台发布。谷歌认为,对方有将近一年的时间可以通过正常的学术渠道提出问题,却选择等到论文获得广泛关注后才将其公之于众。

然而,高健扬此前的回应则表明,早在2025年5月,双方已通过邮件进行私下沟通;同年11月,他也曾联系ICLR组委会反映问题,但均未获得有效回应。他指出,直到谷歌通过官方渠道将论文推向千万级曝光量的“神坛”,学术纠正的必要性才变得异常迫切。

学术界反响与审稿人态度

在OpenReview平台上,有研究者评论称,这无疑是一个亟需更多关注的严重问题。他们指出,“看到那些从事实际基础工作的研究者被忽视,而大型、有影响力的机构却大肆宣传自己的成果,这令人沮丧。”这种现象,与其说是一场科学探讨,不如说更像是一场大型科技公司间的公关较量。

值得注意的是,TurboQuant论文的审稿人也公开表达了其立场。他表示,鉴于论文出色的理论分析和实验结果,他曾给予了高度评价。

然而,该审稿人也明确指出:“我曾要求TurboQuant的作者,鉴于RaBitQ和TurboQuant均采用了随机旋转技术,务必深入比较两者在设计上的差异如何影响性能。”他强调,正确的学术实践应是在主论文中详尽讨论两种方法的异同。但令他“惊讶”的是,在审稿时发现RaBitQ在主论文的实验部分仅被提及过一次。

技术潜力与未来展望

尽管争议缠身,但TurboQuant在技术层面所展现的商业潜力不容忽视。一位人工智能硕士在知乎上分析指出,在大模型推理场景中,KV缓存的内存占用直接决定了单张显卡能同时处理的请求数量,这对于推理服务商而言是最核心的经济指标。如果并发量能提升六倍,理论上每个请求的推理成本将降至原来的六分之一。对于每天处理数十亿次API调用的AI厂商来说,这无疑是一项巨大的成本节约利器,这也是引发此次股市震荡的根本原因。

谷歌的这篇论文原定于4月底在机器学习顶级会议ICLR 2026上发表,但目前看来,其团队必须首先跨越这场激烈的学术争议。这场风波最终将如何收场,业界仍在密切关注。

上一篇 2026/04/03 21:46
下一篇 2026/04/03 21:47

相关推荐