Вопрос к AI · Почему команда Google отказалась исправить известные академические ошибки?

Корреспондент: Юэ Чупэн    Редактор: Гао Хань

26 марта статья исследовательского института Google (Google Research) потрясла мировой рынок чипов памяти для хранения данных и привела к испарению рыночной капитализации гигантов США и Южной Кореи более чем на 90 миллиардов долларов.

В статье Google утверждается, что новый алгоритм под названием TurboQuant способен сжать потребление памяти KV-кэша моделей ИИ до 1/6 от исходного уровня, не теряя точности.

Всего через один день после этого на социальной платформе постдокторант Швейцарской федеральной политехнической школы Гао Цзяньянь опубликовал сообщение, прямо указав на наличие серьезных академических проблем в статье Google.

Гао Цзяньянь отметил, что Google обошел вопрос о сходстве алгоритма TurboQuant с методом RaBitQ, который он опубликовал в период обучения в докторантуре в Nanyang Technological University (NTU) в Сингапуре в 2024 году, и при этом ошибочно описал теоретические результаты RaBitQ, а также намеренно создал несправедливую экспериментальную среду.

RaBitQ — это алгоритм векторного квантования, который позволяет сохранять надежность поиска даже при сильно высокой степени сжатия векторных данных.

Гао Цзяньянь также заявил, что команда TurboQuant от Google “не исправляет ошибку, даже осознав ее”. До того как статья Google была официально опубликована в апреле 2025 года, он уже указал на вышеуказанные проблемы, отправив письмо; однако после того, как Google узнала об этом, она все равно не провела полное исправление в окончательной версии.

29 марта корреспондент 《Ежедневных экономических новостей》 (далее — NBD) взял интервью у автора статьи RaBitQ Гао Цзяньянь и Лун Чэн.

RaBitQ — это основная работа Гао Цзяньянь во время его докторантуры в Nanyang Technological University в Сингапуре, а Лун Чэн — его научный руководитель.

При этом корреспондент 《Ежедневных экономических новостей》 также направил в Google письмо с запросом на интервью, но на момент сдачи материала ответа не получил. Как сообщается, исследовательский институт Google представит статью TurboQuant на Международной конференции по представлению обучения 2026 года (ICLR 2026), которая пройдет в апреле.

“Серьезно искажено, а после общения так и не исправлено”

Фото Гао Цзяньянь получено от респондента

**NBD: Когда вы впервые заметили, что в статье TurboQuant от Google есть проблемы? **

Гао Цзяньянь: Еще в январе 2025 года второй автор статьи TurboQuant, Majid Daliri, сам связался с нами, попросив помочь в отладке его собственной версии на Python, переведенной на базе кода RaBitQ C++, и описав подробные шаги воспроизведения и сообщения об ошибках. Это показывает, что у команды TurboQuant есть глубокое понимание технических деталей RaBitQ.

После публикации статьи TurboQuant в апреле 2025 года мы заметили, что в ней дано серьезно искаженное описание RaBitQ — RaBitQ описали как grid-based PQ (произведенческое квантование на основе сетки), полностью проигнорировав ее ключевой шаг со случайными поворотами, а также без каких-либо выводов или доказательств охарактеризовали теоретические гарантии RaBitQ как “неоптимальные”, при этом эксперименты сравнения были явно спроектированы несправедливо.

Наша первая реакция была растерянностью и сожалением: сходство TurboQuant и RaBitQ технически очевидно для понимания, а степень осведомленности другой стороны о RaBitQ намного превышает уровень обычного читателя; в такой ситуации столь системное искажение описания очень трудно объяснить небрежностью.

**NBD: До того, как прозвучали публичные заявления, какие коммуникации были между командами? **

**Гао Цзяньянь: **Мы провели несколько раундов общения, временной промежуток составил более года.

В мае 2025 года мы посредством электронной почты провели подробное техническое обсуждение различий экспериментальных условий и оптимальности теоретических результатов с Majid Daliri, по пунктам прояснили ошибочные трактовки со стороны команды TurboQuant, и Majid Daliri четко заявил, что результаты обсуждения доведены до всех соавторов.

Однако после того, как мы потребовали исправить фактические ошибки в статье, он перестал отвечать.

В ноябре 2025 года мы обнаружили, что TurboQuant уже подала ICLR 2026 (International Conference on Learning Representations 2026), и что ошибки остались без изменений; сразу после этого мы связались с ICLR 2026 PC Chairs (председателями программного комитета), но ответа не получили.

После того как в марте 2026 года статья прошла через большие официальные каналы Google и получила широкую промо-активацию, мы снова официально отправили письмо всем авторам.

Ответ был таким: первый автор Amir Zandieh пообещал исправить теоретическое описание и экспериментальные условия, но при этом четко отказался корректировать обсуждение методологического сходства и заявил, что готов делать изменения только после окончания официальной конференции ICLR 2026. Это заставило нас разочароваться, но и не стало неожиданностью. Очевидно, что другая сторона понимает, в чем проблема, но выбрала минимальные уступки.

“Ключевой механизм очень совпадает, но связь не объяснена; проблема была отмечена рецензентом”

**NBD: В чем самое ключевое сходство TurboQuant и RaBitQ? **

**Гао Цзяньянь: **Самое основное сходство в том, что в обоих случаях применяется один и тот же ключевой замысел — случайный поворот векторов перед квантованием (преобразование Джонсона–Линденштейна), а затем используются статистические свойства распределения координат после поворота для построения оценщика расстояний.

Важно отметить, что в ответах авторов статьи TurboQuant на рецензию в ICLR OpenReview (платформа, широко используемая научным сообществом для публичной оценки статей) авторы так описали свой метод: “Наше внедрение таково: сначала нормализуем векторы с помощью их L2-нормы, затем применяем один случайный поворот, чтобы гарантировать, что компоненты этих векторов в повернутом пространстве распределены по Beta distribution”. Это очень хорошо согласуется с ключевым механизмом RaBitQ, но в тексте статьи данная связь ни разу не объясняется прямо.

Можно понять это на метафоре: допустим, один повар первым опубликовал полный рецепт блюда; затем другой повар публикует блюдо, в котором используется почти тот же основной шаг, но в описании называет предыдущее “другим способом приготовления с худшим эффектом” и не упоминает вообще никакой связи между ними.

В отсутствие знания этой связи читатель естественным образом не сможет сделать справедливое суждение.

Фото Лун Чэна получено от респондента

**NBD: Согласно академическим нормам, как должна обрабатываться подобная связь? **

**Лун Чэн: **Академические нормы требуют, чтобы когда новая работа имеет существенную связь на уровне методологии с уже существующей работой, это нужно явно процитировать и обсудить позитивно, включая объяснение того, в каких аспектах новая работа сделала шаг вперед, а какие аспекты продолжили опираться на существующую основу.

В данном случае это особенно важно, потому что** один из рецензентов ICLR также независимо указал в своем отзыве: “RaBitQ и его варианты похожи на TurboQuant тем, что в обоих случаях используются случайные проекции”,** и при этом четко потребовал более подробного обсуждения и сравнения.

Даже рецензент обратил внимание на эту связь, но авторы статьи в окончательной версии не только не добавили обсуждение, а вместо этого перенесли исходно неполное описание RaBitQ из основного текста в приложение. Такое обращение противоречит базовым требованиям академических норм.

“Маленькой научной группе трудно соперничать с Google”

NBD: Почему вы выбрали публичное заявление сейчас, а не продолжили решать это в рамках академических каналов изнутри?

**Лун Чэн: **Мы не обходили академические каналы; просто мы выбрали публичность в тот момент, когда академические каналы уже практически исчерпаны.

Мы поочередно связывались с авторами статьи, ICLR PC Chairs (председателями программного комитета), а также подали формальную жалобу с полным пакетом доказательств в ICLR General Chairs (председателей конференции) и Code and Ethics Chairs (председателей по вопросам кода и этики), одновременно разместив публичный комментарий на платформе ICLR OpenReview.

Но нам также приходится признать реальность: мы — небольшая научная команда в вузе, а они — исследовательский институт Google. По ресурсам, влиянию и возможностям влиять на повестку стороны изначально несопоставимы.

Статья TurboQuant достигла десятков миллионов просмотров по релевантным материалам в социальных сетях за короткое время — такой охват не под силу любой лаборатории в университете.

При таком дисбалансе, если бы мы продолжали молчать и ждать, пока внутренние процессы развернутся, неверный нарратив только быстрее закрепился бы как общее мнение. Публичное выступление — один из немногих способов, с помощью которых слабая сторона может защитить базовые академические факты, когда официальные каналы реагируют медленно.

NBD: Если связанные проблемы не будут исправлены, какие последствия это может иметь?

**Лун Чэн: **Во-первых, это систематически исказит запись истории науки, заставив последующих исследователей ошибочно оценить источник эволюции методологии и, на неверной основе, построить новые работы.

Во-вторых, это ударит по мотивационному механизму для оригинальных исследований. Если работа, прошедшая строгие теоретические выводы и достигшая асимптотически оптимальной границы ошибок, может быть переупакована и выброшена в публичное пространство с десятками миллионов показов, при этом оригинальные авторы не получат заслуженного признания — это нанесет ущерб академической экосистеме, который будет долгосрочным и глубоким.

В-третьих, в области векторного квантования, которая сейчас быстро развивается и вызывает высокий интерес у индустрии, неверное присвоение методов напрямую влияет на то, как практики и исследователи оценивают технологические траектории, что ведет к ошибочному распределению ресурсов.

NBD: Вы считаете, что это относится к академическим разногласиям?

**Лун Чэн: **Это уже выходит за рамки академических разногласий. Академические разногласия обычно возникают, когда стороны действительно по-разному понимают техническое содержание.

Но в данном случае у команды TurboQuant есть достаточно надежных записей о том, что они понимают технические детали RaBitQ; мы в мае 2025 года по электронной почте по пунктам уточнили оптимальность теоретических гарантий; Majid Daliri ясно заявил, что он сообщил всем авторам результаты; а неравенство экспериментальных условий также было признано лично автором в письмах.

При таких обстоятельствах связанные ошибки так и не были исправлены на протяжении всего процесса — от подачи рукописи, через рецензирование, прием, публикацию и последующую широкую публичную промо-активацию. Мы не склонны сразу квалифицировать это однозначно, но считаем, что у этой цепочки действий уже достаточно фактической основы, чтобы академическое сообщество и соответствующие организации могли независимо вынести суждение.

Источник изображения: аккаунт Гао Цзяньянь в социальных сетях

“Планируем опубликовать технический отчет и продолжим добиваться решения через академические каналы”

NBD: Каковы, по-вашему, обязанности крупных исследовательских организаций вроде Google Research?

**Лун Чэн: **“Одобрение” со стороны крупных организаций само по себе создает эффект усиления. Когда статья продвигается через официальные каналы Google, ее скорость распространения и охват принципиально не сопоставимы с обычными академическими статьями.

При таком масштабе, если ошибочный нарратив в статье начнет распространяться, стоимость исправления возрастет в несколько раз. Я считаю, что у крупных организаций есть обязанность перед тем, как они начнут массово продвигать статью вовне, убедиться, что описания работ других людей в ней прошли как минимум базовую проверку фактов, а не полностью перекладывать эту ответственность на коллег при рецензировании.

Кроме того, когда внешние исследователи выдвигают обоснованные возражения, у крупных организаций также должен быть официальный внутренний механизм для их рассмотрения, а не сохранение молчания. Это является ответственностью перед научным сообществом и одновременно защитой их собственной репутации и доверия.

NBD: Какие дальнейшие действия вы предпримете?

**Лун Чэн: **Далее, мы планируем разместить подробный технический отчет на arXiv, системно разложив по полочкам связь между RaBitQ и TurboQuant на уровне методологии, и по каждому из трех вопросов дать технические пояснения, чтобы академическое сообщество могло ознакомиться и сделать выводы.

Мы также рассматриваем возможность обратиться через дополнительные каналы в соответствующие организации, такие как Google Research Escalation Council (совет по обжалованию исследовательских решений Google). Наша цель неизменно заключается в том, чтобы публичная академическая запись точно отражала реальную связь между методами, а не в том, чтобы создавать противостояние.