共计 1138 个字符，预计需要花费 3 分钟才能阅读完成。
谷歌研究院近日发布的全新极端压缩算法 TurboQuant,在宣称能大幅降低 AI 内存占用、提升推理速度后, 迅速引发业界关注。然而, 仅仅两天后, 这项备受瞩目的技术就陷入了一场学术争议的漩涡。
📌 事件背景:TurboQuant 的发布与高调宣传
3 月 25 日,谷歌研究院正式推出 TurboQuant 算法 , 并将其定位为一项有望“重塑 AI 运行效率”的突破性技术。根据官方介绍, 该算法主要针对大模型键值缓存(KV Cache) 的内存瓶颈问题, 声称能够将 AI 内存占用降低至原来的 1 /6, 同时使推理速度提升高达 8 倍。论文已被顶级会议 ICLR 2026 接收, 并在谷歌的大力推广下获得了数千万次的浏览量。
🔍 核心争议: 三大问题直指论文准确性
3 月 27 日晚,苏黎世联邦理工学院博士后、RaBitQ 算法的第一作者高健扬通过公开渠道对 TurboQuant 论文提出严厉质疑。他指出, 论文在描述其团队先前提出的 RaBitQ 算法时, 存在多个“严重问题”, 包括不正确的技术声明和误导性的对比。高健扬强调, 这些问题在论文投稿前就已向 TurboQuant 作者指出, 对方虽承认却选择不予修正。
具体而言, 争议主要集中在以下三个方面:
- 方法论相似性未予承认 :TurboQuant 避免承认其关键步骤(JL 变换) 与 RaBitQ 在方法论上的相似性。
- 无证据的“次优”论断: 在没有任何证据支持的情况下, 称 RaBitQ 的理论为“次优”。
- 不公平的实验设置: 实验对比存在明显不公——RaBitQ 的实验在单核 CPU 上运行, 而 TurboQuant 则使用了性能强大的 A100 GPU。
💡 未披露的关键信息
高健扬进一步指出了论文中未披露的几个重要事实:
- RaBitQ 算法已在理论层面证明了渐近最优性(达到 FOCS’17 的界限)。
- TurboQuant 实际上使用了与 RaBitQ 相同的随机旋转步骤, 但未在文中说明这一技术联系。
“在这样的传播规模下,未经修正的言论很快就会变成所谓的‘共识’。”高健扬在声明中表达了对错误信息可能被广泛接受的担忧。
📊 行业观察: 学术诚信与 AI 竞赛
此次争议不仅关乎单个算法的技术细节,更折射出 AI 领域激烈竞争下可能出现的学术规范问题。当一家科技巨头的高调宣传与独立研究者的严谨指控形成对比时, 业界需要思考:
- 在追求技术突破的同时, 如何确保学术对比的公平性与准确性?
- 企业研究机构在推广自身成果时, 应如何平衡宣传需求与学术诚信?
- 论文评审与接收过程中, 对于已知的争议问题应如何处理?
高健扬表示已就此事提交正式投诉,后续发展值得持续关注。无论结果如何, 这一事件都为 AI 学术界敲响了警钟——在技术飞速发展的时代, 维护研究环境的透明与公正, 或许与追求性能指标同等重要。
