谷歌一夜塌房！干崩內(nèi)存股論文被曝抄襲，華人學(xué)者血淚控訴

新智元報(bào)道

編輯：好困 Aeneas

【新智元導(dǎo)讀】把閃存股一夜干崩的谷歌頂會(huì)論文，出大事了。TurboQuant的核心方法，兩年前就被一位華人學(xué)者做完、發(fā)完頂會(huì)、代碼全部開(kāi)源了。谷歌不僅沒(méi)正面提及，而且還惡意操縱實(shí)驗(yàn)數(shù)據(jù)把成果貶成「次優(yōu)」，即使收到郵件也拒不改正，這就是大科技公司赤裸裸的學(xué)術(shù)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(chǔ)巨頭美光和西部數(shù)據(jù)的股價(jià)干崩了。

Cloudflare CEO激動(dòng)地發(fā)推稱(chēng)：「這是谷歌的DeepSeek時(shí)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(shí)，谷歌居然火速塌房了。

3月27日晚上10點(diǎn)，一條推文打破了狂歡。

蘇黎世聯(lián)邦理工學(xué)院博士后，RaBitQ算法的第一作者高健揚(yáng)公開(kāi)表示：

TurboQuant論文在描述RaBitQ時(shí)存在嚴(yán)重問(wèn)題，包括不正確的技術(shù)聲明和誤導(dǎo)性的理論、實(shí)驗(yàn)對(duì)比——而這些問(wèn)題在投稿前就已向作者指出，對(duì)方承認(rèn)了，但選擇不修正。

翻譯過(guò)來(lái)就是，谷歌的這篇論文，不僅抄襲了他們的核心代碼，還強(qiáng)行拉踩！

具體來(lái)說(shuō)，TurboQuant在核心方法（隨機(jī)旋轉(zhuǎn)）上與高健揚(yáng)此前已發(fā)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(jié)果貶低為「次優(yōu)」。

而且，根據(jù)披露的郵件記錄，TurboQuant團(tuán)隊(duì)早在一年前就被私下告知了這些問(wèn)題，但從未修正。

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

文章發(fā)布幾小時(shí)后，各大平臺(tái)的評(píng)論區(qū)里，全是網(wǎng)友們對(duì)谷歌激動(dòng)地聲討。

對(duì)于RaBitQ，高健揚(yáng)已經(jīng)做了兩年研究，發(fā)表了兩篇頂會(huì)，而且代碼全部開(kāi)源。

然而現(xiàn)在，谷歌轉(zhuǎn)手就把他的成果「重新發(fā)明」了一遍，還榮登頂會(huì)，獲得全行業(yè)的稱(chēng)贊。

這簡(jiǎn)直就是利用大廠光環(huán)歪曲事實(shí)的學(xué)術(shù)霸權(quán)行為！

谷歌的吃相太難看了

這次學(xué)術(shù)爭(zhēng)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(nèi)存、省計(jì)算。此問(wèn)題可以追溯到香農(nóng)的信源編碼理論，是信息論里最經(jīng)典的問(wèn)題之一。

早在2024年5月，高健揚(yáng)團(tuán)隊(duì)就在arXiv上發(fā)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(duì)向量做一次隨機(jī)旋轉(zhuǎn)（Johnson-Lindenstrauss變換）。旋轉(zhuǎn)之后，向量每個(gè)坐標(biāo)的分布變得可預(yù)測(cè)，就可以用更高效的方式做量化。

雖然想法看起來(lái)很簡(jiǎn)潔，但背后的理論工作卻很扎實(shí)。

在24年9月，團(tuán)隊(duì)又發(fā)表了擴(kuò)展版論文，嚴(yán)格證明了這種方法達(dá)到了理論計(jì)算機(jī)頂級(jí)會(huì)議FOCS 2017給出的漸近最優(yōu)誤差界。

因此，高健揚(yáng)被邀請(qǐng)到FOCS的Workshop做報(bào)告。隨后，RaBitQ先后發(fā)表在數(shù)據(jù)庫(kù)領(lǐng)域頂會(huì)SIGMOD 2024和SIGMOD 2025上，代碼全部開(kāi)源。

誰(shuí)能想到，這居然給谷歌的研究者們提供了方便。

他們這次發(fā)表的TurboQuant，核心也是隨機(jī)旋轉(zhuǎn)+向量量化，這不就是RaBitQ在2024年5月就公開(kāi)發(fā)表的核心架構(gòu)嗎？

可以說(shuō)，谷歌，這就是在赤裸裸地抄襲！

谷歌這篇論文，已經(jīng)被稱(chēng)贊為「徹底改變AI格局」了

一封郵件，三個(gè)質(zhì)疑，全部「已讀不回」

有人問(wèn)，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(huì)發(fā)現(xiàn)，谷歌的行為，比這要嚴(yán)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(méi)看見(jiàn)。

谷歌在TurboQuant論文中，反復(fù)強(qiáng)調(diào)隨機(jī)旋轉(zhuǎn)是自己方法的關(guān)鍵步驟，但在描述RaBitQ時(shí)，只把它歸類(lèi)為「grid-based PQ」（基于網(wǎng)格的乘積量化），完全跳過(guò)了RaBitQ中同樣核心的隨機(jī)旋轉(zhuǎn)步驟。

因此在讀者看來(lái)，RaBitQ仿佛是一個(gè)跟TurboQuant毫無(wú)關(guān)系的舊方法一樣。

然而，谷歌真的不知道RaBitQ用了隨機(jī)旋轉(zhuǎn)嗎？絕不可能！

審稿過(guò)程中，Reviewer Autm問(wèn)了一個(gè)直球問(wèn)題：「隨機(jī)旋轉(zhuǎn)是你們論文首創(chuàng)的嗎？」

TurboQuant作者在rebuttal中白紙黑字地回復(fù)：

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

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

所以很顯然，谷歌承認(rèn)是RaBitQ先用了隨機(jī)旋轉(zhuǎn)，他們并不是首創(chuàng)，然而在論文正文里，他們卻對(duì)此只字不提。

這個(gè)雞賊的做法，不止一位審稿人注意到了。

比如給出10分滿(mǎn)分（strong accept）的Reviewer WFrV就直接明示了這一點(diǎn)，建議谷歌作者在論文終稿里承認(rèn)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(jī)投影。）

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

（我強(qiáng)烈建議作者在終稿中加入這些實(shí)驗(yàn)。）

結(jié)果，谷歌的終稿出來(lái)之后，不僅沒(méi)有加入討論，還把正文中對(duì)RaBitQ僅有的（還不完整的）描述，挪到了附錄里，這個(gè)做法簡(jiǎn)直要把人氣笑了。

2026年3月，高健揚(yáng)團(tuán)隊(duì)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(jī)旋轉(zhuǎn)和JL變換已經(jīng)是領(lǐng)域里的標(biāo)準(zhǔn)技術(shù)了，我們不可能引用每一個(gè)用到它們的方法。

簡(jiǎn)直讓人無(wú)語(yǔ)了。

第二，說(shuō)別人的理論是「次優(yōu)」，但證據(jù)呢？

TurboQuant論文中有這樣一句話(huà)：

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

翻譯過(guò)來(lái)：RaBitQ的理論保證是次優(yōu)的，很可能是因?yàn)榉治鎏植诹恕?/p>

然而真實(shí)情況是，RaBitQ擴(kuò)展版的Theorem 3.2已經(jīng)嚴(yán)格證明，其誤差界匹配FOCS 2017給出的漸近最優(yōu)界。

也正是因?yàn)檫@個(gè)事實(shí)，他們才被邀請(qǐng)到FOCS去做Workshop報(bào)告。

2025年5月，高健揚(yáng)團(tuán)隊(duì)通過(guò)郵件與TurboQuant二作Majid Daliri進(jìn)行了多輪詳細(xì)技術(shù)討論，逐條解釋了為什么RaBitQ的理論保證是最優(yōu)的。

Daliri在郵件中明確表示，已將討論內(nèi)容告知全體共同作者。

然而，實(shí)際上他們什么都沒(méi)做。

華人學(xué)者辛辛苦苦花了兩年證明的最優(yōu)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(shuō)自己跑得快。

TurboQuant論文報(bào)告RaBitQ的量化速度比TurboQuant慢了「數(shù)個(gè)數(shù)量級(jí)」。

然而這個(gè)計(jì)算方法，沒(méi)有任何公平可言。

Daliri在2025年5月的郵件中承認(rèn)了，他們測(cè)試RaBitQ時(shí)用的是自己翻譯的Python版本（而非官方開(kāi)源的高度優(yōu)化的C++實(shí)現(xiàn)），并且關(guān)閉了多線(xiàn)程，在單核CPU上跑。而TurboQuant用的則是英偉達(dá)的A100 GPU。

但問(wèn)題是，RaBitQ的官方代碼2024年5月就開(kāi)源了，默認(rèn)是多線(xiàn)程并行。

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

他知道官方實(shí)現(xiàn)有多快。但最終論文里用來(lái)做對(duì)比的，仍然是他自己翻譯的、運(yùn)行在單核CPU上的Python版本。

用Python單核CPU去跟A100 GPU對(duì)比，仿佛就是把對(duì)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(gè)數(shù)量級(jí)。

不僅如此，TurboQuant的論文還被發(fā)現(xiàn)漏洞百出！

3月26日，研究者Jonas Matthias Kübler在OpenReview上發(fā)布公開(kāi)評(píng)論，對(duì)TurboQuant的實(shí)驗(yàn)方法提出了多個(gè)具體質(zhì)疑：

• 速度對(duì)比的baseline是FP32精度，但現(xiàn)實(shí)中沒(méi)有框架會(huì)用32位存KV緩存，這讓「8倍加速」的說(shuō)法很不實(shí)在；

• 速度baseline在論文正文里寫(xiě)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?jǐn)?shù)，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(méi)有說(shuō)明做了什么改動(dòng)。

總之，如果回顧完整的時(shí)間線(xiàn)，就會(huì)發(fā)現(xiàn)，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(shù)千萬(wàn)人看到的敘事，是錯(cuò)的

現(xiàn)在，一邊是中國(guó)博士后，兩年研究，兩篇頂會(huì)，代碼全部開(kāi)源。另一邊是Google Research，一篇博客，數(shù)千萬(wàn)曝光，存儲(chǔ)股跌停。

如果沒(méi)有人糾正，RaBitQ就會(huì)被記錄為一個(gè)「次優(yōu)的、很慢的」老方法，TurboQuant就是「從零開(kāi)始、全面超越」的新突破。

歷史就是這么被改寫(xiě)的。

在Hacker News上，NeurIPS 2021論文DRIVE的作者也站出來(lái)了——同樣使用了隨機(jī)旋轉(zhuǎn)+偏差校正框架，同樣曾被Google邀請(qǐng)做內(nèi)部報(bào)告，同樣沒(méi)有被TurboQuant引用。

這不是一兩個(gè)人的遭遇。

錯(cuò)誤的學(xué)術(shù)敘事一旦廣泛傳播，糾正的成本會(huì)越來(lái)越高。

在數(shù)千萬(wàn)曝光面前，這個(gè)聲音很小。

但是，必須有人發(fā)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