लेखक: शेनचाओ टेकफ्लो
पिछले हफ्ते, एक शोध पत्र जिसमें दावा किया गया कि यह "AI के मेमोरी उपयोग को 1/6 तक कम कर देगा", ने माइक्रोन, सैनडिस्क आदि वैश्विक स्टोरेज चिप कंपनियों के 900 अरब डॉलर के बाजार मूल्य को नष्ट कर दिया।
हालांकि पेपर के प्रकाशन के केवल दो दिन बाद, एल्गोरिदम द्वारा “दबा दिए गए” प्रतिद्वंद्वी—ज़्यूरिख फेडरल प्रौद्योगिकी संस्थान के पोस्टडॉक्टोरल रिसर्चर गाओ जियानयांग ने एक दस हज़ार शब्दों का खुला पत्र जारी किया, जिसमें उन्होंने गूगल टीम पर आरोप लगाया कि उन्होंने प्रयोग में प्रतिद्वंद्वी का परीक्षण एकल-कोर CPU पर Python स्क्रिप्ट के साथ किया, जबकि अपना परीक्षण A100 GPU के साथ किया, और प्रकाशन से पहले समस्या के बारे में सूचित होने के बावजूद सुधार करने से इंकार कर दिया। ज़हुईज़ि पर पढ़ने की संख्या 40 लाख से अधिक हो गई, स्टैनफोर्ड NLP के आधिकारिक खाते ने पुनः प्रकाशित किया, और शैक्षणिक समुदाय और बाज़ार दोनों ही हिल गए।
(संदर्भ पढ़ें: एक पेपर ने स्टोरेज स्टॉक को नीचे धकेल दिया)
इस विवाद की मूल समस्या जटिल नहीं है: क्या गूगल द्वारा व्यापक रूप से प्रचारित एक AI शीर्ष सम्मेलन का पेपर, जिसने वैश्विक चिप सेक्टर में आतंकित बिक्री को जन्म दिया, एक पहले से प्रकाशित पूर्ववर्ती कार्य को व्यवस्थित रूप से विकृत किया है और जानबूझकर असमान परीक्षणों के माध्यम से एक झूठी प्रदर्शन लाभ की कहानी बनाई है?
TurboQuant ने क्या किया: AI के "कार्यालय के कागज" को मूल के छठवें हिस्से तक पतला कर दिया
बड़े भाषा मॉडल उत्तर उत्पन्न करते समय, पहले गणना किए गए विवरणों को दोबारा देखने के लिए लिखते समय पीछे मुड़ते हैं। ये मध्यवर्ती परिणाम अस्थायी रूप से GPU मेमोरी में संग्रहीत किए जाते हैं, जिसे उद्योग में 'KV Cache' (की-वैल्यू कैश) कहा जाता है। बातचीत जितनी लंबी होगी, यह 'कार्ड' उतना ही मोटा होगा, GPU मेमोरी का उपयोग और लागत भी बढ़ जाएगी।
गूगल रिसर्च टीम द्वारा विकसित टर्बोक्वांट एल्गोरिथम की मुख्य विशेषता यह है कि यह इस काले नोट को मूल के 1/6 तक संपीड़ित कर देता है, जबकि इसे शून्य सटीकता क्षति और अधिकतम 8 गुना तक निष्पादन गति में वृद्धि का दावा किया जाता है। यह पेपर 2025 के अप्रैल में पहली बार एकेडमिक प्रीप्रिंट प्लेटफॉर्म arXiv पर प्रकाशित हुआ, 2026 के जनवरी में AI के शीर्ष सम्मेलन ICLR 2026 द्वारा स्वीकृत किया गया, और 24 मार्च को गूगल के आधिकारिक ब्लॉग द्वारा पुनः प्रस्तुत किया गया।
टेक्निकल रूप से, टर्बोक्वांट का विचार इस प्रकार समझा जा सकता है: पहले एक गणितीय रूपांतरण का उपयोग करके अव्यवस्थित डेटा को एक समान प्रारूप में "धोया" जाता है, फिर पहले से गणना की गई आदर्श संपीड़न सारणी का उपयोग करके प्रत्येक डेटा को संपीड़ित किया जाता है, और अंत में एक 1-बिट सुधार तंत्र का उपयोग करके संपीड़न के कारण होने वाली गणना विचलन को सुधारा जाता है। समुदाय द्वारा स्वतंत्र रूप से किया गया कार्यान्वयन इसके संपीड़न प्रभाव की पुष्टि करता है, और गणितीय योगदान वास्तविक है।
विवाद यह नहीं है कि TurboQuant का उपयोग किया जा सकता है या नहीं, बल्कि यह है कि गूगल ने इसे "प्रतिद्वंद्वियों से कहीं अधिक" साबित करने के लिए क्या किया।
गाओ जियानयांग का खुला पत्र: तीन आरोप, हर एक मुख्य बिंदु पर निशाना साधता है
27 मार्च को रात 10 बजे, गाओ जियानयांग ने ज़हुहुई पर लंबा लेख प्रकाशित किया और ICLR के आधिकारिक समीक्षा प्लेटफॉर्म OpenReview पर आधिकारिक टिप्पणी जमा की। गाओ जियानयांग RaBitQ एल्गोरिथम के प्रथम लेखक हैं, जिसे 2024 में डेटाबेस क्षेत्र की शीर्ष सम्मेलन SIGMOD में प्रकाशित किया गया था, जो एक ही प्रकार की समस्या—उच्च आयामी सदिशों के कुशल संपीड़न—को हल करता है।
उसके आरोप तीन हैं, और प्रत्येक का समर्थन ईमेल रिकॉर्ड और समयरेखा द्वारा किया गया है।
आरोप 1: दूसरे की मूल विधि का उपयोग किया गया, पूरे लेख में उल्लेख नहीं किया गया।
टर्बोक्वांट और रेबिटक्यू के तकनीकी कोर में एक महत्वपूर्ण सामान्य चरण है: डेटा को संपीड़ित करने से पहले, डेटा पर एक «यादृच्छिक घूर्णन» किया जाता है। इस चरण का उद्देश्य अनियमित रूप से वितरित डेटा को भविष्यवाणीयोग्य समान वितरण में बदलना है, जिससे संपीड़न कठिनाई में काफी कमी आती है। यह दोनों एल्गोरिथम का सबसे महत्वपूर्ण और सबसे अधिक समान हिस्सा है।
टर्बोक्वांट के लेखक ने अपने समीक्षा उत्तर में यह मान लिया है, लेकिन पूरे पेपर में इस विधि और राबिटक्यू के बीच के संबंध को कभी सीधे नहीं बताया गया है। अधिक महत्वपूर्ण पृष्ठभूमि यह है: टर्बोक्वांट के दूसरे लेखक मजीद दालिरी ने जनवरी 2025 में गाओ जियानयांग टीम को संपर्क किया और उनसे राबिटक्यू के सोर्स कोड से बनाए गए अपने पायथन संस्करण को डीबग करने में मदद करने का अनुरोध किया। ईमेल में पुनर्निर्माण कदमों और त्रुटि संदेशों का विस्तृत विवरण दिया गया था—अर्थात, टर्बोक्वांट टीम को राबिटक्यू के तकनीकी विवरण का गहरा ज्ञान था।
ICLR के एक अज्ञात समीक्षक ने भी स्वतंत्र रूप से बताया कि दोनों ने समान तकनीक का उपयोग किया है, और पर्याप्त चर्चा की मांग की। हालाँकि, अंतिम संस्करण में, TurboQuant टीम ने न केवल चर्चा जोड़ने की कोशिश नहीं की, बल्कि मूल पाठ में RaBitQ के (पहले से ही अपूर्ण) वर्णन को अनुलग्नक में स्थानांतरित कर दिया।
दूसरा आरोप: बिना किसी सबूत के दूसरे के सिद्धांत को 'द्वितीय श्रेष्ठ' कहना।
TurboQuant के पेपर ने RaBitQ को सीधे ही "सैद्धांतिक रूप से उत्तम नहीं" (suboptimal) कहा है, क्योंकि RaBitQ का गणितीय विश्लेषण "उथला" है। हालाँकि, गाओ जियानयांग ने बताया कि RaBitQ के विस्तारित पेपर में इसकी संपीड़न त्रुटि को गणितीय रूप से उत्तम सीमा तक साबित कर दिया गया है—यह निष्कर्ष थ्योरेटिकल कंप्यूटर साइंस के शीर्ष सम्मेलन में प्रकाशित हुआ है।
2025 मई में, गाओ जियानयांग टीम ने रेबिटक्यू सिद्धांत की उत्तमता को कई ईमेलों के माध्यम से विस्तार से समझाया था। टर्बोक्वांट के दूसरे लेखक दालिरी ने पुष्टि की है कि उन्होंने सभी लेखकों को सूचित कर दिया है। हालाँकि, अंतिम शोध पत्र में अभी भी 'उप-उत्तम' वर्णन रखा गया है, और कोई भी प्रतिवाद तर्क प्रस्तुत नहीं किया गया है।
दावा 3: प्रयोगात्मक तुलना में «बायां हाथ बंधा हुआ, दायां हाथ चाकू लिए हुए»।
यह सम्पूर्ण लेख की सबसे अधिक प्रभावशाली बात है। गाओ जियांग ने बताया कि टर्बोक्वांट पेपर में गति तुलना प्रयोगों में दो अनुचित शर्तें जोड़ी गईं:
पहला, RaBitQ ऑफिशियल ने अनुकूलित C++ कोड (डिफ़ॉल्ट रूप से मल्टीथ्रेडेड समर्थन के साथ) प्रदान किया है, लेकिन TurboQuant टीम ने इसका उपयोग नहीं किया, बल्कि RaBitQ का परीक्षण अपने द्वारा अनुवादित Python संस्करण के साथ किया। दूसरा, RaBitQ का परीक्षण एकल कोर CPU के साथ किया गया था और मल्टीथ्रेडिंग बंद कर दी गई थी, जबकि TurboQuant ने NVIDIA A100 GPU का उपयोग किया।
इन दोनों शर्तों के मिलने से परिणाम यह होता है कि पाठक यह निष्कर्ष निकालता है कि 'RaBitQ, TurboQuant से कई क्रम के गुणकों से धीमा है', लेकिन यह नहीं जान पाता कि यह निष्कर्ष इस आधार पर है कि गूगल टीम ने अपने प्रतिद्वंद्वी को हाथ-पैर बांधकर दौड़ का आयोजन किया। पेपर में इन प्रयोगात्मक शर्तों के अंतर को पर्याप्त रूप से प्रकट नहीं किया गया है।
गूगल का प्रतिक्रिया: 'रैंडम रोटेशन एक सामान्य तकनीक है, और प्रत्येक लेख में इसका संदर्भ देना असंभव है'
गाओ जियानयांग के अनुसार, टर्बोक्वांट टीम ने 2026 मार्च में ईमेल के जवाब में कहा: "रैंडम रोटेशन और जॉनसन-लिंडेनस्ट्रास ट्रांसफॉर्मेशन का उपयोग क्षेत्र की मानक तकनीक है, हम प्रत्येक ऐसे पेपर का संदर्भ नहीं दे सकते जिनमें इन विधियों का उपयोग किया गया है।"
गाओ जियानयांग टीम का मानना है कि यह अवधारणा को बदलना है: सवाल यह नहीं है कि क्या सभी यादृच्छिक घूर्णन का उपयोग करने वाले पेपर्स का उल्लेख किया जाए, बल्कि यह है कि RaBitQ पहला कार्य है जिसने इस विधि को समान समस्या सेटिंग में वेक्टर संपीड़न के साथ जोड़ा और इसकी आदर्शता को साबित किया, इसलिए TurboQuant पेपर को दोनों के बीच संबंध को सही ढंग से वर्णित करना चाहिए।
स्टैनफोर्ड NLP समूह के आधिकारिक X खाते ने गाओ जियानयांग के बयान को रीट्वीट किया। गाओ जियानयांग टीम ने ICLR OpenReview प्लेटफॉर्म पर एक सार्वजनिक टिप्पणी प्रकाशित की है और ICLR कन्फ्रेंस के अध्यक्ष और नैतिक समिति को एक औपचारिक शिकायत भेजी है, और आगे arXiv पर विस्तृत तकनीकी रिपोर्ट प्रकाशित करेगी।
स्वतंत्र तकनीकी ब्लॉगर डैरियो सैल्वाटी ने विश्लेषण में एक तुलनात्मक उदासीन मूल्यांकन दिया: टर्बोक्वांट वास्तव में गणितीय विधि में योगदान देता है, लेकिन राबिटक्यू के साथ इसका संबंध पेपर में वर्णित से कहीं अधिक निकट है।
900 अरब डॉलर का बाजार मूल्य विलुप्त: पेपर विवाद के साथ-साथ बाजार में आतंक
यह शैक्षणिक विवाद बहुत सूक्ष्म समय पर हुआ। गूगल ने 24 मार्च को अपने आधिकारिक ब्लॉग के माध्यम से टर्बोक्वांट की घोषणा के बाद, वैश्विक स्टोरेज चिप सेक्टर पर भारी बिकवाली हुई। CNBC जैसी कई समाचार पत्रों के अनुसार, माइक्रोन टेक्नोलॉजीज ने छह लगातार ट्रेडिंग दिनों तक गिरावट दर्ज की, जिससे कुल मिलाकर 20% से अधिक की कमी हुई; सैनडिस्क का एक दिन में 11% का नुकसान हुआ; दक्षिण कोरिया की एसके हाइलेक्स लगभग 6% गिरी, सैमसंग इलेक्ट्रॉनिक्स लगभग 5% गिरा, और जापान की काइबा 6% तक गिरी। बाजार का डर सरल और सीधा था: सॉफ्टवेयर संपीड़न AI निष्कर्षण के लिए मेमोरी की मांग को 6 गुना कम कर सकता है, जिससे स्टोरेज चिप की मांग के भविष्य पर संरचनात्मक रूप से कटौती होगी।
मॉरगन स्टैनली विश्लेषक जोसेफ मूर ने 26 मार्च की एक रिपोर्ट में इस तर्क का खंडन किया और माइक्रोन और सैनडिस्क के लिए 'खरीदें' रेटिंग बनाए रखी। मूर ने बताया कि टर्बोक्वांट केवल KV कैश जैसे एक विशिष्ट प्रकार के कैश को संपीड़ित करता है, न कि समग्र मेमोरी उपयोग, और इसे 'सामान्य उत्पादकता में सुधार' के रूप में वर्गीकृत किया। वेल्स फार्गो विश्लेषक एंड्रयू रोचा ने भी जेवन्स पैराडॉक्स का हवाला देते हुए कहा कि कुशलता में सुधार से लागत में कमी होने के बाद AI के बड़े पैमाने पर प्रसार को प्रोत्साहित किया जा सकता है, जिससे अंततः मेमोरी की मांग बढ़ेगी।
पुराने शोध, नया पैकेजिंग: AI शोध से बाजार के कथन तक के प्रसार चेन का जोखिम
टेक ब्लॉगर बेन पौलाडियन के विश्लेषण के अनुसार, टर्बोक्वांट पेपर को अप्रैल 2025 में पहले ही प्रकाशित कर दिया गया था, यह एक नया अनुसंधान नहीं है। 24 मार्च को गूगल ने अपने आधिकारिक ब्लॉग के माध्यम से इसे पुनः पैकेज किया और प्रचार किया, लेकिन बाजार ने इसे एक नए क्रांतिकारी उपलब्धि के रूप में मूल्यांकन किया। इस "पुराना पेपर, नया प्रकाशन" की प्रचार रणनीति, जिसमें संभवतः पेपर में प्रयोगात्मक पूर्वाग्रह भी शामिल है, AI अनुसंधान के शैक्षणिक पेपर से बाजार की कहानी तक के संचरण श्रृंखला में समग्र जोखिम को दर्शाती है।
AI बुनियादी ढांचे के निवेशकों के लिए, जब कोई पेपर 'कई क्रमों' के प्रदर्शन में वृद्धि का दावा करता है, तो सबसे पहले यह पूछना आवश्यक है कि बेंचमार्क की तुलना की गई स्थितियाँ निष्पक्ष हैं।
गाओ जियानयांग टीम ने स्पष्ट रूप से घोषणा की है कि वे समस्या के औपचारिक समाधान को आगे बढ़ाएंगे। गूगल ने अभी तक प्रकाशित पत्र में उठाए गए आरोपों का कोई औपचारिक प्रतिक्रिया नहीं दिया है।