جوجل تصدر مرة أخرى "توضيح تقني"، مما أدى إلى إثارة جدل حول ورقة بحثية تسببت في انهيار أسهم التخزين العالمية

هل يمكن للتوضيح التقني لـ AI · TurboQuant أن يهدئ الجدل الأكاديمي؟

في 1 أبريل، بعد صمت استمر لأسبوع تقريبًا، رد فريق ورقة بحثية حول خوارزمية الضغط المثيرة للجدل من جوجل أخيرًا. ومع ذلك، فإن هذا “التوضيح التقني” الأخير لا يبدو أنه يهدئ الجدل، حيث أدانت الاتهامات بـ"تشابه التقنية الأساسية"، وادعت جوجل أن التدوير العشوائي هو تقنية قياسية، وأن الأخطاء في معايير التجربة “ليست مهمة” للحقائق.

في الأسبوع الأخير من مارس، كانت الورقة التي تروج لها مدونة جوجل الرسمية بشكل كبير، قد أدت إلى انهيار أسهم شركات شرائح التخزين العالمية، حيث تراجعت قيمة ميموري مثل ميمو، SK هاليك، سامسونج إلكترونيكس بأكثر من 90 مليار دولار. أشارت الورقة إلى أن خوارزمية الضغط TurboQuant يمكنها تقليل استهلاك ذاكرة التخزين المؤقت لـ KV لنماذج اللغة الكبيرة بمقدار 6 مرات على الأقل، وزيادة السرعة حتى 8 أضعاف، مع عدم فقدان الدقة.

هلع وول ستريت يكمن في: إذا كانت البرمجيات يمكنها ضغط متطلبات ذاكرة AI بمقدار 6 مرات، فإن منطق نمو الشرائح والأجهزة يجب أن يُعاد كتابته.

لكن، جاءت الردود بسرعة. في 27 مارس، نشر مؤلف RaBitQ، الباحث ماكس جيان يانغ من المعهد الفدرالي السويسري للتكنولوجيا في زيورخ، مقالًا طويلًا على Zhihu يتهم فريق جوجل بوجود مشاكل منهجية في الأبحاث، وتحول الرأي بسرعة إلى تساؤلات حول عدم أمانة جوجل العلمية.

يعتقد الصناعة عمومًا أن RaBitQ هو من قدم الأسلوب الأصلي، وأن TurboQuant قام بتحسينه، لكنه لم يُنسب إليه بشكل مناسب، بل وُصف بشكل غير عادل بأنه أدنى.

في 1 أبريل، ردًا على الاتهامات الخارجية، خرج المؤلف الثاني للورقة، ماجد داليري، وأصدر على منصة OpenReview توضيحًا تقنيًا مكونًا من أربع نقاط باسم الفريق.

فيما يخص أصالة التقنية الجديدة، ادعت جوجل أن الأسلوب الأساسي لـ TurboQuant ليس من ابتكار RaBitQ. لأن “التدوير العشوائي هو تقنية قياسية وشائعة في أدبيات التكميم”، وكانت مستخدمة على نطاق واسع قبل ظهور RaBitQ. الابتكار الحقيقي في TurboQuant هو استنتاج توزيع الإحداثيات بعد التدوير.

لكن قواعد الأوساط الأكاديمية تقول: إذا كان شخص ما هو الأول الذي يستخدم “عجلة” في “سيارة” ويصنع سيارة كاملة، فإن الإشارة إليه بالشكر هو أدب أكاديمي أساسي. وتجاهل جوجل إنجازات السابقين باعتبارها معرفة عامة، كأنه يقلل من مساهمات الرائدين.

ثانيًا، بشأن الاتهام بأن الورقة وصفت نظرية RaBitQ بأنها “ثانوية”، اعترف مؤلفو الورقة أن السبب هو أنهم لم يطلعوا جيدًا على الملحق، ونسوا عامل ثابت، مما أدى إلى استنتاجات متسرعة، “وجعلنا نعتبر أن الطريقة ثانوية بصدق في البداية”. بعد الدراسة الدقيقة، تبين أن RaBitQ هو بالفعل الحل الأمثل، والفريق يعمل الآن على تحديث مسودة TurboQuant.

لكن، أن تكون ورقة مؤتمر رفيع المستوى قد بنيت على تفسير أن النظرية الأساسية غير مثالية استنادًا إلى “عدم الاطلاع على الملحق” يثير بعض الشكوك حول مدى قوة هذا التفسير.

أما النقطة الثالثة، حول اتهام “تقييد خصم المنافسين وإعادة السباق”، فقد أشار ماجد داليري مباشرة إلى أنه حتى لو تم استبعاد مقارنة الأداء مع RaBitQ أثناء التشغيل، فإن الأثر العلمي وفعالية الورقة تظل تقريبًا كما هي. لأن المساهمة الأساسية لـ TurboQuant تتعلق بموازنة جودة الضغط، وليس بالتسريع المحدد.

وفي السابق، كشف جيان يانغ في رسالة مفتوحة أن فريق جوجل اختبر RaBitQ باستخدام وحدة CPU واحدة وإيقاف تعدد الخيوط، بينما استخدموا بطاقة GPU من نوع NVIDIA A100 عند اختبار TurboQuant. رغم أن الفريق زعم أن السرعة ليست جوهرية، إلا أن الورقة لا تزال تضع السرعة كواحدة من نقاط البيع الرئيسية.

وأخيرًا، أشارت جوجل في ردها إلى أن الطرف الآخر “نوايا خبيثة”، مشيرة إلى أن الورقة نُشرت على arXiv منذ أبريل 2025، وأن الطرف الآخر كان لديه ما يقرب من عام لطرح الأسئلة عبر القنوات الأكاديمية، لكنه انتظر حتى حظيت الورقة باهتمام واسع ليبدأ الضجة.

وفقًا لرد جيان يانغ السابق، فإن الطرفين تواصلا عبر البريد الإلكتروني بشكل خاص في مايو 2025، وتواصلوا مع لجنة ICLR في نوفمبر 2025، لكن لم يتلقوا ردًا فعالًا. حتى أن جوجل نشرت الورقة عبر قنوات رسمية، مما أدى إلى تصعيد الجدل الأكاديمي.

على منصة OpenReview، علق باحثون بأن الأمر يمثل مشكلة خطيرة تستحق مزيدًا من الاهتمام. “رؤية أن الأشخاص الذين يعملون على أساسيات حقيقية يُتجاهلون، والمنظمات الكبيرة والمؤثرة تروج لإنجازاتها بشكل مفرط، أمر محبط.” في هذا السياق، لا يبدو الأمر علميًا بحتًا، بل أشبه بمنافسة علاقات عامة مع الشركات الكبرى.

وفي الوقت ذاته، عبّر مراجعو ورقة TurboQuant عن موقفهم، مؤكدين أن تحليلاتهم النظرية ونتائج تجاربهم كانت عالية التقييم.

“لكنني أوضحت أيضًا أن RaBitQ و TurboQuant يستخدمان التدوير العشوائي، وطلبت من مؤلفي TurboQuant مقارنة كيف تؤثر الاختلافات في التصميم بينهما على الأداء.” قال المراجع إن الممارسة العلمية الصحيحة تتطلب من الورقة مناقشة الفروق بين RaBitQ و TurboQuant بشكل معمق، لكن “فوجئت أن RaBitQ ذُكر مرة واحدة فقط في قسم التجارب في الورقة الرئيسية”.

لا شك أن TurboQuant يمتلك إمكانات تجارية على المستوى التقني. وفقًا لمحلل ماجستير في الذكاء الاصطناعي على Zhihu، في سيناريوهات استدلال النماذج الكبيرة، فإن استهلاك ذاكرة KV يؤثر مباشرة على عدد الطلبات التي يمكن معالجتها على بطاقة واحدة، وهو مؤشر اقتصادي رئيسي لمقدمي خدمات الاستدلال. رفع التوازي بمقدار 6 أضعاف على نفس البطاقة يمكن أن يخفض تكلفة الاستدلال لكل طلب إلى سدسها، وهو أمر مهم لشركات الذكاء الاصطناعي التي تتعامل مع مليارات الطلبات يوميًا، وهو سبب اضطراب السوق.

سيُعرض ورقة جوجل في مؤتمر ICLR 2026 الرائد في التعلم الآلي في نهاية أبريل، لكن يبدو أن الفريق بحاجة أولاً لتجاوز هذه الأزمة الأكاديمية. كيف ستنتهي هذه الأزمة لا يزال غير واضح.