Makalah Google yang mengguncang saham penyimpanan global memicu kontroversi akademik. Cendekiawan China menuduhnya sangat tidak akurat dan tidak mau mengakui kesalahan: menggunakan metode kami tetapi secara sengaja menghindari kemiripan.

记者|Yue Chupeng

26 Maret, sebuah makalah dari Google Research mengguncang pasar chip penyimpanan global, memicu raksasa-raksasa AS dan Korea dengan penguapan nilai pasar lebih dari 90 miliar dolar AS.

Makalah Google mengklaim bahwa algoritme baru bernama TurboQuant mampu mengompresi penggunaan memori cache KV dari model AI skala besar hingga 1/6 dari aslinya, tanpa mengorbankan akurasi.

Hanya satu hari kemudian, pascasarjana di ETH Zurich, Gao Jianyang, memposting di platform media sosial, secara langsung menunjuk bahwa makalah Google memiliki masalah akademis yang serius.

Gao Jianyang mengatakan bahwa Google menghindari kemiripan antara algoritme TurboQuant dan metode RaBitQ yang ia terbitkan saat menjalani program doktor di Nanyang Technological University (NTU) Singapura pada 2024, serta keliru mendeskripsikan hasil teoretis RaBitQ, dan bahkan dengan sengaja menciptakan lingkungan eksperimen yang tidak adil.

RaBitQ adalah algoritme kuantisasi vektor yang dapat memastikan keandalan pencarian tetap terjaga meskipun data vektor dikompresi pada tingkat yang sangat tinggi.

Gao Jianyang juga menyatakan bahwa tim TurboQuant Google “sadar salah tapi tidak memperbaiki.” Sebelum makalah Google diterbitkan secara resmi pada April 2025, ia sudah menyampaikan masalah-masalah tersebut melalui email, namun pihak Google tetap belum melakukan perbaikan menyeluruh dalam versi final setelah mengetahui.

Pada 29 Maret, reporter surat kabar “Economic Daily News” (NBD) mewawancarai penulis makalah RaBitQ, Gao Jianyang, dan Long Cheng.

RaBitQ merupakan pekerjaan utama Gao Jianyang selama menjalani program doktor di Nanyang Technological University Singapura, sedangkan Long Cheng adalah pembimbing doktoralnya.

Pada saat yang sama, reporter NBD juga mengirim email wawancara kepada Google, tetapi hingga naskah ini diterbitkan, belum menerima tanggapan. Menurut kabar, Google Research akan menampilkan makalah TurboQuant pada Konferensi Representasi Pembelajaran Internasional 2026 (ICLR 2026) yang dijadwalkan pada bulan April.

Gao Jianyang Gambar sumber: dokumen yang diberikan oleh narasumber

NBD: Kapan pertama kali kalian menyadari bahwa makalah TurboQuant Google memiliki masalah?

Gao Jianyang: Seawal Januari 2025, penulis kedua makalah TurboQuant, Majid Daliri, secara proaktif menghubungi kami, meminta bantuan untuk melakukan debugging pada versi Python yang ia terjemahkan berdasarkan kode C++ RaBitQ, serta menjelaskan langkah-langkah replikasi secara rinci dan informasi error. Ini menunjukkan bahwa tim TurboQuant memahami detail teknis RaBitQ dengan baik.

Setelah makalah TurboQuant dipublikasikan pada April 2025, kami memperhatikan bahwa deskripsi tentang RaBitQ dalam makalah tersebut terdapat banyak ketidaksesuaian yang serius—menggambarkan RaBitQ sebagai grid-based PQ (kuantisasi produk berbasis kisi), sepenuhnya mengabaikan langkah rotasi acak intinya, serta tanpa derivasi atau bukti apa pun mengkategorikan jaminan teoretis RaBitQ sebagai “suboptimal,” dan perbandingan eksperimen juga memiliki desain yang jelas tidak adil.

Respons pertama kami adalah kebingungan dan penyesalan: kemiripan TurboQuant dengan RaBitQ secara teknis dapat dibedakan dengan jelas, sementara pihak lain juga tampak memiliki pemahaman yang jauh melebihi pembaca pada umumnya. Dalam kondisi seperti ini, sulit untuk menjelaskan deskripsi yang sedemikian sistematis dan tidak benar hanya sebagai kelalaian.

NBD: Sebelum melakukan pernyataan publik, komunikasi seperti apa yang terjadi antara kedua tim?

Gao Jianyang: Kami melakukan beberapa putaran komunikasi, dengan rentang waktu lebih dari satu tahun.

Pada Mei 2025, melalui email kami melakukan diskusi teknis yang detail dengan Majid Daliri mengenai perbedaan kondisi eksperimen dan optimalitas hasil teoretis, serta secara rinci meluruskan salah tafsir tim TurboQuant satu per satu. Majid Daliri dengan tegas menyatakan bahwa hasil diskusi tersebut telah ia informasikan kepada seluruh rekan penulis bersama.

Namun, setelah kami meminta perbaikan atas kesalahan faktual dalam makalah tersebut, ia berhenti merespons.

Pada November 2025, kami menemukan bahwa TurboQuant telah mengajukan ICLR 2026 (Konferensi Representasi Pembelajaran Internasional 2026), dan isi yang keliru sama sekali tidak berubah. Kami kemudian menghubungi ICLR 2026 PC Chairs (ketua panitia konferensi), tetapi tidak mendapat respons.

Setelah pada Maret 2026 makalah tersebut dipromosikan secara besar-besaran melalui kanal resmi Google, kami kembali secara formal mengirim email kepada seluruh penulis.

Balasan yang kami terima adalah: penulis pertama Amir Zandieh berjanji untuk memperbaiki deskripsi teoretis dan kondisi eksperimen, tetapi secara tegas menolak untuk memperbaiki pembahasan kemiripan metodologi, dan menyatakan bahwa ia hanya akan melakukan perubahan setelah konferensi resmi ICLR 2026 selesai. Respons ini mengecewakan kami, namun tidak terlalu mengejutkan. Jelas pihak tersebut mengetahui letak masalahnya, tetapi memilih konsesi minimal.

NBD: Apa kemiripan paling penting antara TurboQuant dan RaBitQ?

Gao Jianyang: Kemiripan yang paling inti adalah bahwa keduanya menggunakan desain penting berupa penerapan rotasi acak pada vektor sebelum kuantisasi (Johnson-Lindenstrauss transform), dan memanfaatkan sifat statistik dari distribusi koordinat setelah rotasi untuk membangun estimator jarak.

Yang perlu diperhatikan adalah bahwa dalam balasan tinjauan penulis TurboQuant pada ICLR OpenReview (platform peninjauan makalah publik yang umum digunakan di kalangan akademis), penulis tersebut mendeskripsikan metodenya seperti ini: “Cara implementasi kami adalah, pertama menormalisasi vektor menggunakan norma L2-nya, kemudian menerapkan satu kali rotasi acak, untuk memastikan bahwa setiap komponen dari vektor tersebut setelah rotasi mengikuti distribusi Beta.” Ini sangat selaras dengan mekanisme inti RaBitQ, tetapi dalam bagian utama makalah, keterkaitan tersebut sama sekali tidak dijelaskan secara langsung.

Bisa dipahami dengan sebuah analogi: anggap seorang koki terlebih dahulu mempublikasikan resep lengkap sebuah hidangan; lalu koki lain merilis hidangan yang memakai langkah inti yang hampir sama, tetapi dalam pengenalan justru mendeskripsikan hidangan tersebut sebagai “hidangan lain dengan cara berbeda dan efek yang lebih buruk,” tanpa menyebut sedikit pun kaitan di antara keduanya.

Tanpa pengetahuan tersebut, pembaca secara alami tidak dapat mengambil penilaian yang adil.

Long Cheng Gambar sumber: dokumen yang diberikan oleh narasumber

NBD: Menurut standar akademis, bagaimana seharusnya menangani hubungan seperti ini?

Long Cheng: Standar akademis menuntut bahwa ketika suatu pekerjaan baru memiliki hubungan yang substantif secara metodologi dengan pekerjaan yang sudah ada, hubungan tersebut harus dikutip secara jelas dan dibahas secara positif, termasuk menjelaskan sejauh mana pekerjaan baru tersebut membuat kemajuan, serta bagian mana yang masih memakai kerangka yang sudah ada.

Poin ini sangat penting dalam kasus ini, karena salah satu reviewer ICLR juga secara independen menyoroti dalam pendapat tinjauannya bahwa “RaBitQ dan variasinya memiliki kemiripan dengan TurboQuant, yaitu keduanya menggunakan random projection,” serta secara tegas meminta diskusi dan perbandingan yang lebih memadai.

Bahkan reviewer pun memperhatikan kaitan ini, tetapi penulis makalah justru tidak menambahkan pembahasan dalam versi final; sebaliknya, deskripsi RaBitQ yang semula tidak lengkap di bagian utama dipindahkan ke lampiran. Cara penanganan ini bertentangan dengan tuntutan dasar standar akademis.

NBD: Mengapa memilih untuk mengungkap sekarang, bukan terus menyelesaikan secara internal melalui jalur akademis?

Long Cheng: Kami tidak melewati jalur akademis; melainkan memilih untuk mengungkap secara publik setelah jalur akademis pada dasarnya sudah selesai.

Kami menghubungi penulis makalah, ICLR PC Chairs (ketua panitia program), dan sudah mengajukan keluhan resmi dengan paket bukti lengkap kepada ICLR General Chairs (ketua konferensi) serta Code and Ethics Chairs (ketua kode dan etika). Selain itu, kami juga mempublikasikan komentar terbuka di platform ICLR OpenReview.

Namun, kami juga harus mengakui sebuah kenyataan: kami adalah tim riset kampus berskala kecil, sementara pihak lain adalah Google Research. Dari sisi sumber daya, pengaruh, dan daya tawar, hubungan keduanya memang tidak setara.

Makalah TurboQuant mencapai puluhan juta tampilan dalam waktu singkat terkait dengan media sosial, sesuatu yang tidak mungkin dimiliki oleh laboratorium universitas mana pun.

Dalam ketimpangan pola seperti itu, jika kami terus diam menunggu proses internal, narasi yang keliru hanya akan semakin cepat mengeras menjadi konsensus. Pernyataan publik adalah salah satu dari sedikit cara yang dapat ditempuh pihak yang lemah ketika respons dalam kanal formal terlambat, untuk menjaga fakta akademis dasar.

NBD: Jika masalah terkait tidak diperbaiki, dampak apa yang mungkin terjadi?

Long Cheng: Pertama, ia akan secara sistematis mendistorsi catatan sejarah akademis, membuat peneliti berikutnya salah menilai sumber evolusi metodologi, lalu membangun pekerjaan baru di atas dasar yang keliru.

Kedua, ia akan memukul mekanisme insentif riset original. Jika sebuah metode yang melalui penurunan teori yang ketat dan mencapai batas galat optimal asimtotik dapat “dibungkus ulang” lalu didorong ke publik dengan eksposur puluhan juta, sementara penulis aslinya tidak memperoleh pengakuan yang semestinya, maka kerusakan terhadap ekosistem akademis akan bersifat jangka panjang dan mendalam.

Ketiga, untuk bidang kuantisasi vektor yang saat ini sedang berkembang pesat dan sangat mendapat perhatian dari industri, penetapan metode yang tidak akurat akan langsung memengaruhi penilaian praktisi dan peneliti terhadap jalur teknis, sehingga menyebabkan pengalokasian sumber daya yang keliru.

NBD: Menurut kalian, apakah ini termasuk perbedaan akademis?

Long Cheng: Ini sudah melewati kategori perbedaan akademis. Perbedaan akademis biasanya terjadi ketika kedua pihak benar-benar memiliki perbedaan pemahaman mengenai konten teknis.

Namun, dalam kasus ini, tim TurboQuant memiliki catatan yang memadai tentang pemahamannya terhadap detail teknis RaBitQ; kami pada Mei 2025 sudah menjelaskan melalui email, satu per satu, optimalitas jaminan teoretis. Majid Daliri secara jelas menyatakan bahwa ia telah menginformasikan kepada semua penulis bersama; ketimpangan kondisi eksperimen juga diakui oleh penulis sendiri dalam email.

Dalam situasi seperti itu, kesalahan terkait tidak pernah diperbaiki sepanjang proses makalah tersebut—dari pengajuan, peninjauan, penerimaan, publikasi, hingga promosi skala besar. Kami tidak cenderung membuat penilaian secara ringan, tetapi kami yakin rangkaian tindakan ini sudah memiliki dasar fakta yang cukup agar komunitas akademis dan institusi terkait dapat menilai secara independen.

Gambar sumber: akun media sosial Gao Jianyang

NBD: Untuk institusi riset besar seperti Google Research, tanggung jawab mereka ada di mana?

Long Cheng: Dukungan dari institusi besar dengan sendirinya menimbulkan efek penggandaan. Sebuah makalah yang dipromosikan melalui kanal resmi Google memiliki kecepatan penyebaran dan cakupan yang tidak bisa dibandingkan dengan makalah akademis biasa.

Dalam skala seperti ini, setelah narasi keliru dalam makalah menyebar, biaya yang diperlukan untuk melakukan koreksi akan meningkat berkali lipat. Saya berpendapat bahwa institusi besar bertanggung jawab untuk memastikan bahwa deskripsi yang melibatkan pekerjaan orang lain telah melalui pengecekan fakta dasar sebelum dipromosikan secara besar-besaran ke publik, bukan menyerahkan tanggung jawab tersebut sepenuhnya kepada penilaian sejawat.

Pada saat yang sama, ketika peneliti eksternal mengajukan keberatan yang dapat dibuktikan, institusi besar juga harus memiliki mekanisme internal resmi untuk menangani hal tersebut, bukan tetap diam. Ini sekaligus merupakan tanggung jawab kepada komunitas akademis dan perlindungan atas kredibilitas mereka sendiri.

NBD: Apakah kalian akan mengambil tindakan lebih lanjut ke depannya?

Long Cheng: Ke depannya, kami berencana mempublikasikan laporan teknis rinci di arXiv, secara sistematis menyusun hubungan metodologis antara RaBitQ dan TurboQuant, serta menjelaskan secara teknis satu per satu untuk tiga pertanyaan tersebut, agar komunitas akademis dapat dijadikan rujukan.

Kami juga sedang mempertimbangkan untuk menyampaikan informasi melalui kanal lanjutan kepada institusi terkait seperti Google Research Escalation Council (Dewan Banding Penelitian Google). Tujuan kami selalu memastikan bahwa catatan akademis publik mencerminkan hubungan yang sesungguhnya di antara berbagai metode, bukan menciptakan pertentangan.

Berita besar dan analisis yang akurat, semuanya ada di aplikasi Sina Finance

责任编辑：Chang Fuqiang