Google(GOOGL.US) 發布新 AI 記憶體壓縮技術「TurboQuant」，引發業界與股市關注。然而，蘇黎世聯邦理工學院博士後高健揚指出，TurboQuant 論文存在方法相似性回避、理論結果錯誤及不公平實驗問題，而這些問題在投稿前已告知 Google 團隊卻未修正。
Google 聲稱「TurboQuant」能在不犧牲模型精準度的情況下，將生成式 AI 推理階段最消耗資源的「KV Cache」空間需求縮減至原本的 1/6，並讓計算速度提升 8 倍。
該技術一出，引發業界對記憶體需求可能斷崖式下降的擔憂，美光科技 (MU.US) 、SanDisk (SNDKV.US) 、威騰電子 (WDC.US) 等記憶體相關美股應聲下跌。
然而，就在周五（27 日），蘇黎世聯邦理工學院博士後、RaBitQ 系列論文第一作者高健揚公開發布澄清信，指出 TurboQuant 論文存在三大嚴重問題，包括：系統性回避方法相似性、錯誤描述 RaBitQ 理論結果，及刻意創造不公平的對比實驗環境。
高健揚表示，這些問題在論文投稿前已透過郵件告知 TurboQuant 團隊，對方明知卻未修正。
RaBitQ 是高健揚於 2024 年發表的高維向量量化方法，其核心創新之一是在量化前對輸入向量施加隨機旋轉，並從理論上證明其達到頂級電腦科學會議提出的漸近最優誤差界。
高健揚指出，Google 研究團隊於 2026 年 1 月提交的論文《TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate》對已有的 RaBitQ 向量量化方法的描述、理論對比與實驗對比都存在明顯問題。
他強調，這些問題在投稿前，自己已透過郵件明確指出錯誤，TurboQuant 團隊也知情，但選擇未進行修正，而此次公開澄清，是因為錯誤的學術敘事一旦廣泛流傳，後續糾正將更加困難。
TurboQuant 論文問題一：系統性地迴避 TurboQuant 方法與已有 RaBitQ 方法的相似性
高健揚指出，RaBitQ 與 TurboQuant 在方法上有直接關聯，皆在量化前使用隨機旋轉（Johnson-Lindenstrauss 變換），但 TurboQuant 論文中未正面承認這一關聯。
事實上，2025 年 1 月，TurboQuant 的第二作者 Majid Daliri 曾聯繫 RaBitQ 團隊，請求協助調試 Python 版本的 RaBitQ 程式碼，可見 TurboQuant 團隊充分了解 RaBitQ 細節。
儘管 ICLR 審稿人指出兩者使用隨機投影技術相似，TurboQuant 最終仍未在正文中充分討論 RaBitQ，而是將其不完整描述移至附錄。
TurboQuant 論文問題二：錯誤描述 RaBitQ 的理論結果
TurboQuant 論文聲稱 RaBitQ 的理論保證「次優」，但未提供任何論據。
高健揚指出，他們在拓展版 RaBitQ 論文的 Theorem 3.2 中，已經嚴格證明 RaBitQ 的誤差界達到了理論電腦頂級會議論文給出的漸近最優誤差界。
2025 年 5 月，RaBitQ 團隊曾透過郵件多輪澄清，TurboQuant 第二作者確認已通知全體作者，但論文最終仍保留錯誤描述。
TurboQuant 論文問題三：刻意創造不公平的實驗環境
TurboQuant 論文在對比實驗中，使用單核 CPU 且關閉多線程測試 RaBitQ，而 TurboQuant 則使用 A100 GPU 測試，導致 RaBitQ 速度被嚴重低估。
高健揚指出，這兩點都未在論文中充分披露，使讀者誤以為 RaBitQ 比 TurboQuant 慢數個數量級，卻無從知道這個結論建立在刻意創造的「不公平」實驗條件之上。
高健揚表示，他們已在 ICLR OpenReview 平台發表公開評論，並向 ICLR General Chairs、PC Chairs 及倫理委員會提交正式投訴。
接下來，RaBitQ 團隊將在 arXiv 發布詳細技術報告，並考慮向相關機構進一步反映。
高健揚強調，此舉目的是確保學術紀錄準確反映各方法之間的真實關係，並呼籲業界注意 TurboQuant 論文背後的問題。
(美股為即時串流報價； OTC市場股票除外，資料延遲最少15分鐘。)新聞來源 (不包括新聞圖片): 鉅亨網