谷歌TurboQuant论文遭先行算法作者逐条驳斥

据 1M AI News 监测，苏黎世联邦理工学院博士后高健扬发布公开信，指控谷歌 ICLR 2026 论文 TurboQuant 对其先行工作 RaBitQ 的描述存在三项严重问题。高健扬是 RaBitQ 的第一作者，该算法于 2024 年发表于数据库顶级会议 SIGMOD，核心方法是在量化前施加随机旋转（Johnson-Lindenstrauss 变换），并已严格证明达到渐近最优误差界，曾受邀在理论计算机顶级会议 FOCS 的 Workshop 上报告。

三项指控分别为：

1. 方法相似性回避：TurboQuant 的核心方法同样采用随机旋转，但论文将 RaBitQ 归类为「基于网格的 PQ」，系统性地省略了两者在方法上的直接关联。ICLR 审稿人曾独立指出两种方法都使用随机投影并要求补充讨论，TurboQuant 团队不仅未补充，反而将正文中对 RaBitQ 的描述移至附录
2. 理论结果失实：论文在无任何论据的情况下，将 RaBitQ 的理论保证定性为「次优」（suboptimal），归因于「分析较松」。RaBitQ 扩展版论文已证明其误差界达到 Alon-Klartag（FOCS 2017）给出的渐近最优界
3. 实验对比不公：TurboQuant 使用自行翻译的 Python 代码在单核 CPU 上测试 RaBitQ（关闭多线程），却用 NVIDIA A100 GPU 测试自身算法，导致 RaBitQ 速度被报告慢了数个数量级，且未在论文中披露这一设置

高健扬披露，TurboQuant 第二作者 Majid Daliri 于 2025 年 1 月主动联系 RaBitQ 团队请求协助调试其基于 RaBitQ C++ 代码翻译的 Python 版本，2025 年 5 月的邮件中亲自确认了实验条件的不公平设置，并表示已将 RaBitQ 团队的理论澄清告知全体共同作者。但此后 TurboQuant 论文在投稿、审稿、接收直至谷歌官方大规模推广的全过程中，上述问题始终未修正。

RaBitQ 团队已在 ICLR OpenReview 发布公开评论，并向 ICLR 大会主席和道德委员会提交正式投诉。TurboQuant 第一作者 Amir Zandieh 回复称愿修正第二和第三项问题，但拒绝补充方法相似性讨论，且仅同意在 ICLR 2026 会议结束后修正。第三方研究者 Jonas Matthias Kübler 也在 OpenReview 独立指出，论文与谷歌博客在速度基准（PyTorch vs JAX）和量化基线（FP32）上口径不一致。TurboQuant 此前经谷歌官方大规模宣传后，曾引发 Micron、Western Digital 等存储芯片股集体下跌。