4月1日，在沉默了近一周后，谷歌引發爭議的壓縮算法TurboQuant論文團隊終于回應了。然而，這一最新的“技術澄清”看起來仍未平息爭議，針對“核心技術相似性”的指控，谷歌辯稱隨機旋轉是標準技術，并認為實驗基準中的錯誤對事實“并不重要”。

在3月最后一周，這篇被谷歌官方博客高調宣傳的論文，曾以一己之力砸崩全球存儲芯片股，美光、SK海力士、三星電子等市值蒸發超900億美元。論文指出，TurboQuant 這種壓縮算法能夠將大語言模型的 KV 緩存內存占用減少至少 6 倍，速度提升高達 8 倍，且精度零損失。

華爾街的恐慌在于：如果軟件能把AI內存需求壓縮6倍，芯片硬件的增長邏輯就要重寫。

然而，反轉來得很快。3月27日，RaBitQ作者、蘇黎世聯邦理工學院博士后高健揚在知乎發布萬字長文，指控谷歌團隊存在系統性學術問題，輿論迅速轉向對谷歌學術不端的拷問。

業界普遍認為，RaBitQ率先提出了原創方法，TurboQuant在其基礎上進行了優化，卻未給予應有的引用與尊重，甚至作出了不公正的貶低。

4月1日，面對外界的指控，論文第二作者Majid Daliri終于出來，代表團隊在OpenReview平臺上發布了一份共四個點的“技術澄清”。

在核心技術新穎性方面，谷歌辯稱，TurboQuant的核心方法并非源自RaBitQ。因為“隨機旋轉是量化文獻中一種標準的、無處不在的技術”，早在RaBitQ出現前就被廣泛使用。TurboQuant的真正創新在于推導出了旋轉后的坐標分布。

但學術圈的規則是：如果某人是第一個把“輪子”用在“汽車”上，并造出了完整的車，后來的造車者引用并致謝是基本的學術禮儀。谷歌將前人成果輕描淡寫為行業常識，等于把先行者貢獻降級了。

其次，關于貶低RaBitQ理論為“次優”的指控，論文作者承認，是因為自己沒仔細看對方的附錄，漏了一個常數因子，才得出了草率的結論，“導致我們最初誠實地將該方法描述為次優”?，F在仔細研究了，發現RaBitQ確實是最優的，團隊正在更新TurboQuant手稿。

不過，一篇頂會論文，對同行核心理論的負面評價建立在“沒看清附錄”的基礎上，這一解釋的力度難免受到質疑。

在第三點，針對“把對手綁住手腳再賽跑”的指控，Majid Daliri直接指出，即使完全省略了與RaBitQ的運行時比較，該論文的科學影響和有效性也基本保持不變。因為TurboQuant的主要貢獻在于壓縮質量的權衡，而不是特定的加速。

此前高健揚在公開信中披露，谷歌團隊測試RaBitQ時使用單核CPU并關閉多線程，測試TurboQuant時則采用英偉達A100 GPU。盡管團隊宣稱速度對比并非核心，論文中卻仍將速度作為關鍵賣點之一。

最后，谷歌在回應中暗示對方“別有用心”，指出論文自2025年4月就在arXiv發布，對方有將近一年時間通過學術渠道提問題，卻等到論文獲得廣泛關注后才鬧大。

根據高健揚此前的回應，早在2025年5月雙方就通過郵件私下溝通，2025年11月還曾聯系ICLR組委會，但均未得到有效回應。直到谷歌通過官方渠道將論文推上千萬級曝光量的神壇，學術糾正才變得迫在眉睫。

在OpenReview上，有研究者評論，這是一個值得更多關注的嚴重問題?！翱吹綇氖聦嶋H基礎工作的人被忽視，而大型、有影響力的組織卻大肆宣傳自己的成果，這令人沮喪?！痹谶@一點上，感覺不像是科學，更像是一場與大廠的公關競賽。

同時，TurboQuant論文的審稿人也站出來表達態度，稱由于其理論分析和實驗結果，對這篇論文曾給予了很高的評價。

“然而我也明確指出，RaBitQ和TurboQuant都使用隨機旋轉，并要求TurboQuant的作者比較TurboQuant和RaBitQ之間的設計差異如何影響性能。”這位審稿人表示，正確的學術實踐是在論文中深入討論RaBitQ和TurboQuant之間的差異，但審稿時“驚訝地發現RaBitQ在主論文的實驗部分只提到過一次”。

不可否認，TurboQuant在技術層面具備商業潛力。一位人工智能碩士在知乎上分析稱，在大模型推理場景中，KV緩存內存占用直接決定單卡可同時處理的請求數量，是推理服務商最核心的經濟指標。同樣一張卡，并發量若提升6倍，每個請求的推理成本理論上可降至原來的六分之一。對于那些每天處理數十億次API調用的AI廠商而言，這將是一項巨大的降本利器，這也是此次股市震蕩的原因。

谷歌這一論文即將在4月底的機器學習頂級會議ICLR 2026上發表，但看起來團隊要先邁過這場學術爭議的門檻。風波最終會如何收場，仍有待觀察。