AI 蒸馏之战:美国为何要封锁「蒸馏」,国产模型如何「青出于蓝」
序言:一个技术名词,如何点燃了一场战争
2026年2月24日,Anthropic 发布了一份指控,几小时内在 X 上获得超过 470 万次浏览。
指控的内容是:三家中国头部 AI 实验室——DeepSeek、月之暗面、MiniMax——发动了"工业级"的能力窃取行动。手法是用约 2.4 万个欺诈账户、约 1600 万次 Claude 查询,把 Claude 的能力"抽"出来训练自己的模型。Anthropic 把这套基础设施称为"hydra cluster"(九头蛇集群)——你封掉一个账户,立刻有另一个顶上,像神话里砍掉一个头长出两个的怪物。
这之前的 2 月 12 日,OpenAI 已经向美国国会"对华战略竞争特别委员会"递交备忘录,指控 DeepSeek 使用"隐藏的第三方路由器"绕过访问限制,蒸馏其模型。
而这一切的高潮,是 4 个月后的 6 月 12 日——美国商务部以国家安全为由,强制 Anthropic 全球下线了它最强的 Fable 5 / Mythos 5 模型,理由链条的源头,正是"防止蒸馏导致前沿能力外流"。
整场风暴的核心,是一个原本平平无奇、写在无数机器学习教科书里的中性技术名词:蒸馏(Distillation)。
它怎么就从一项标准技术,变成了中美 AI 战争的导火索?美国封锁的到底是什么?而国产模型的"青出于蓝",靠的真的是"偷"吗?这篇文章,把技术、法律、地缘三层逻辑一次讲清楚。
一、先搞懂:蒸馏到底是什么
抛开所有地缘政治,蒸馏(知识蒸馏,Knowledge Distillation)是一项历史悠久、完全合法的机器学习技术。
它的核心思路非常直观:让一个小模型,去模仿一个大模型的输出。
- 老师模型(Teacher):一个庞大、强大、但昂贵的模型。
- 学生模型(Student):一个小得多、便宜得多的模型。
训练时,不是让学生去硬啃原始数据,而是让它学习老师对问题的"回答方式"——不仅是最终答案,还包括老师对各个选项的概率分布(所谓"软标签")。这就好比学生不只抄了学霸的标准答案,还看到了学霸的解题思路和对每个选项的犹豫程度。
结果是:学生模型能用几分之一的参数量和成本,达到接近老师的能力。技术上常用温度参数(temperature)来控制老师输出分布的"软硬",配合 KL 散度等损失函数来对齐学生和老师的行为。
关键点来了:蒸馏本身是行业标准操作。前沿实验室routinely(常规地)蒸馏自己的大模型,做出小型、廉价的版本卖给客户——你用的很多"mini""flash""haiku"级别的小模型,背后都有蒸馏的影子。Anthropic 自己都承认:蒸馏是"广泛使用且合法的训练方法"。
那争议从何而来?
二、争议的核心:自己蒸自己 vs 蒸别人
矛盾的分水岭只有一条:你蒸的是自己的模型,还是别人的模型。
- 自蒸馏(合法无争议):OpenAI 蒸 OpenAI、Anthropic 蒸 Anthropic,把自家旗舰压缩成小模型。这是优化,人人都做。
- 跨厂商蒸馏(争议焦点):用竞争对手 API 返回的输出,来训练自己的模型。等于"花小钱买对手的 API,把对手几亿美元训出来的能力,低成本搬到自己模型里"。
DeepSeek 在这条路上是公开的代表。它开源的 R1-Distill-Qwen 系列,就是把 DeepSeek-R1 的推理能力蒸馏到 Qwen、Llama 等开源底座上——其中 32B 版本在多项基准上超过了 OpenAI 的 o1-mini,这是写在它公开技术报告里的。
美国厂商的愤怒正在于此:他们认为中国实验室通过跨厂商蒸馏,用极低的成本和时间,"抄近道"获得了本应耗费巨资和数年才能独立研发的前沿能力。OpenAI 称发现 DeepSeek 员工用隐藏的第三方路由器绕过 API 限制;Anthropic 则描述了那套"九头蛇集群"账户网络。
但请注意一个微妙之处:这究竟是"窃取",还是"违约"? 这正是下一节要拆的法律灰色地带。
三、法律层面:是"盗窃",还是"违反服务条款"
美国官方和厂商的叙事里,跨厂商蒸馏被定性为"IP 盗窃""模型萃取攻击(model extraction)"。但从法律技术层面看,事情没那么黑白分明。
第一,蒸馏违反的主要是合同,而非传统产权。 用某家 API 的输出去训练竞品模型,通常违反的是该厂商的服务条款(Terms of Service)——几乎所有大厂 ToS 都明文禁止"用我们的输出训练竞争模型"。但违反 ToS 是合同纠纷,与刑法意义上的"盗窃"不是一回事。有 arXiv 研究专门对比了 Anthropic、DeepSeek、Google、OpenAI、xAI 五家的 ToS,发现各家对普通用户和研究者的限制条款"宽严差异巨大"——这本身说明边界是模糊的、人为划定的。
第二,美国正在立法把它"入罪"。 正因为现有法律框架不好套,国会才在推进《Deterring American AI Model Theft Act of 2026》(H.R. 8283),试图把模型萃取攻击明确刑事化,并建立一份公开的"萃取攻击者名单"。换句话说——现在还没有一条成熟的法律能直接判定跨厂商蒸馏"违法",所以才要新立法。
第三,连出口管制的法律依据都被质疑。 6 月那道逼停 Fable 5 的命令,官方援引的是商务部《出口管理条例》(EAR) 中关于"军事情报最终用途"的条款,给了 Anthropic 不到 90 分钟合规。但 Gizmodo 等媒体报道,多位法律人士认为这一依据"越来越站不住脚",更像是仓促的行政操作而非扎实的法律行动。
所以,美国封锁"蒸馏"的逻辑链条,其实是建立在一个法律上尚未夯实、技术上本属合法的行为之上的。它真正的驱动力,不在法条里,而在地缘竞争里。
四、地缘层面:为什么是"国家安全"
要理解美国为何动用最重的出口管制武器,必须看 Anthropic 自己给出的那套"国家安全"叙事。它的逻辑是这样的:
- 美国前沿实验室在模型里内置了大量安全护栏——防止模型被用于制造生物武器、发动网络攻击等。
- 而通过非法蒸馏复制出来的模型,大概率剥离了这些护栏——学生只学到了能力,没学到约束。
- 这些"裸奔"的强能力模型若流入军事、情报、监控系统,或被开源出去,危险能力就会"无护栏扩散"。
- 因此,蒸馏被框定为"绕过出口管制的后门"——你管得住芯片和模型权重的出口,却管不住对手用 API 把能力"抽"走。
这套叙事把一个商业 IP 纠纷,成功升级成了"国家安全威胁"。Fable 5 之所以被盯上,公开报道还提到一个细节:亚马逊 CEO 向美国官员展示了研究,显示 Fable 5 能识别其网络安全软件的漏洞——能力越强,越被视为"双用途"风险。于是最强的模型,反而最先被关进笼子。
这里有一个深刻的悖论:美国越是用封锁来保护自己的领先,就越是把全球开发者推向开源和国产模型的怀抱。 当闭源 API 随时可能因为监管而消失,"可下载、可私有部署、不会被远程关停"的开源模型,反而成了更可靠的选择。封锁蒸馏,某种程度上加速了它本想遏制的那个结果。
关于 Fable 5 停服事件本身的完整复盘,以及它给中国大模型带来的窗口,可以看 当AI模型成为出口管制品:Claude 5停服事件。
五、技术反制:厂商如何"防蒸馏"
面对蒸馏,美国厂商不只靠政府和律师,也在技术上筑墙。主要手段有几类:
- 隐形分类器 / 行为检测:Fable 5 就被曝内置了"隐形分类器",会静默检测疑似蒸馏的请求(比如大量索取带完整推理链的高质量回答),并悄悄降级响应、切换到较弱的模型。这一度引发"秘密审查"争议。
- 账户与流量风控:识别"九头蛇集群"式的异常账户网络、第三方路由器、超常规的高质量查询模式,批量封禁。
- 输出水印与溯源:在模型输出里嵌入难以察觉的统计指纹,用于事后判定某个模型是否"喝过自己的奶"。
- 限制高价值输出:对完整思维链(chain-of-thought)等"最适合当蒸馏教材"的内容做访问限制。
但这些手段都有代价。隐形分类器误伤了大量正当研究者(南华早报曾报道"本意针对中国,却打到了 AI 研究者");水印可被洗稿式改写绕过;过度风控会损害正常用户体验。防蒸馏本质上是一场猫鼠游戏,且防守方往往两难——管太松防不住,管太严伤自己。
六、国产模型的"青出于蓝",靠的真是蒸馏吗
这是最值得厘清的一点。把国产模型的进步简单归因于"偷师蒸馏",既不准确,也低估了真实的技术含量。蒸馏或许是起点之一,但绝不是全部。真正支撑"青出于蓝"的,是多条并行的技术路线:
- 纯强化学习路线:DeepSeek 的 R1-Zero 完全不依赖监督微调(SFT),仅靠大规模强化学习就"自己涌现"出了强推理能力。这是原创性的训练范式,和蒸馏没有关系。
- 自蒸馏(Self-Distillation):让模型生成大量自己的输出,用简单标准(比如代码能否通过语法检查、能否正确执行)筛选出高质量样本,再用这些"自产高质量数据"回炉训练自己。整个过程不碰任何外部模型,却能稳定提升能力。这是 2026 年很热的方向。
- 合成数据(Synthetic Data):用模型批量生成、再经严格筛选的训练数据,绕开真实数据稀缺的瓶颈。Bespoke 等团队证明,用合成推理数据集能在极短时间内造出高质量训练材料。
- 多老师 / 数据集蒸馏:从多个模型、多个来源融合知识,而非依赖单一"老师"。
- 工程与效率创新:MoE 架构、训练框架优化、国产算力(如昇腾)适配——这些和"抄答案"毫无关系,是实打实的工程硬实力。
换句话说,即便完全堵死跨厂商蒸馏这条路,自蒸馏 + 强化学习 + 合成数据的组合,依然能让模型持续进步。这正是封锁逻辑的脆弱之处:你能管住 API,却管不住一个实验室用自己的模型、自己的数据、自己的算法把自己越练越强。 "青出于蓝"在今天,越来越多是靠原创方法,而非靠"喝别人的奶"。
想了解国产开源模型当前的真实能力梯队,可以看 2026开源大模型选型指南。
七、一个反转:指控本身也是双刃剑
值得一提的是,"蒸馏指控"作为一种武器,并不总是单向射出的。
2026 年就出现过一个乌龙:有人质疑 Anthropic 的 Claude Opus 4.8"蒸馏了阿里的 Qwen",证据是 Claude 在某些中文场景下出现了类似 Qwen 的身份认知。但后续分析认为,更可能的解释是训练数据污染、提示词脆弱性、甚至代理路由导致的"中文身份 bug",而非真的蒸馏。
这个小插曲说明两件事:
- 第一,当全行业都在用彼此的输出、互联网上又充斥着各家模型生成的内容时,"谁蒸了谁"的判定变得极其困难。 数据污染是普遍现象,"模型说自己是另一个模型"不能直接作为蒸馏证据。
- 第二,蒸馏指控可以反噬。 今天用它指控对手的厂商,明天也可能因为类似的"证据"被反将一军。在一个模型互相喂养的生态里,没有谁的双手是绝对干净的。
这也是为什么,把"蒸馏"简单地道德化为"窃取 vs 被窃取",是一种过于粗糙的叙事。
八、小结:技术中性,战争不中性
回到最初的问题。
蒸馏是什么? 一项中性、合法、行业通用的技术——让小模型学习大模型,用低成本逼近高能力。
美国为什么要封锁它? 因为跨厂商蒸馏让中国实验室得以低成本逼近美国的前沿能力,动摇了芯片和权重出口管制所要保护的"领先优势"。于是美国把一个本属合同纠纷的灰色行为,升级成了"国家安全威胁",动用出口管制这把重锤——尽管其法律依据并不牢固。
国产模型如何"青出于蓝"? 蒸馏或许曾是起点,但今天真正的引擎是纯强化学习、自蒸馏、合成数据和工程效率创新。即便堵死蒸馏,这些原创路线依然成立。
这场"蒸馏之战"的本质,是一项中性技术被卷入了不中性的地缘竞争。技术不会选边站,但使用技术的人和监管技术的国家会。对中文世界的开发者和企业来说,最务实的态度或许是:少被叙事带节奏,多看真实的技术与能力。 谁的模型在你的场景里好用、便宜、稳定、可控,比谁"蒸没蒸过谁"重要得多。
而历史大概率会证明那个老道理——真正的护城河,从来不是把别人挡在门外,而是自己跑得比谁都快。
⚠️ 免责声明:本文涉及的指控、数据、法律进展均来自公开报道与各方声明,部分指控尚未经独立核实或司法裁定,文中对争议方观点的呈现不代表本站立场。技术与政策均在快速演变,请以官方最新信息为准。
参考来源
- Anthropic, "Detecting and preventing distillation attacks". https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
- The Hacker News, "Anthropic Says Chinese AI Firms Used 16 Million Claude Queries to Copy Model". https://thehackernews.com/2026/02/anthropic-says-chinese-ai-firms-used-16.html
- Reuters / Economic Times, "OpenAI says China's DeepSeek trained its AI by distilling US models, memo shows". https://m.economictimes.com/tech/artificial-intelligence/openai-says-chinas-deepseek-trained-its-ai-by-distilling-us-models-memo-shows/articleshow/128282827.cms
- NYU RITS, "Anthropic Exposes Industrial-Scale Distillation Attacks by DeepSeek, Moonshot, and MiniMax". https://rits.shanghai.nyu.edu/ai/anthropic-exposes-industrial-scale-distillation-attacks-by-deepseek-moonshot-and-minimax/
- arXiv, "Regulatory gray areas of LLM Terms (ToS comparative analysis)". https://arxiv.org/abs/2601.08415
- The Innovation Attorney, "AI Model Theft Through Distillation Attacks (H.R. 8283)". https://theinnovationattorney.substack.com/p/ai-model-theftthrough-distillation
- Gizmodo, "Feds' Legal Basis for Ban on Anthropic's Most Powerful Models Looks Increasingly Shaky". https://gizmodo.com/feds-legal-basis-for-ban-on-anthropics-most-powerful-models-looks-increasingly-shaky-2000773192
- DeepSeek-R1 Technical Report (arXiv), "Incentivizing Reasoning Capability in LLMs via Reinforcement Learning". https://arxiv.org/html/2501.12948v1
- Hugging Face, "DeepSeek-R1-Distill-Qwen-32B". https://huggingface.co/XelotX/DeepSeek-R1-Distill-Qwen-32B
- alanhou.org, "Self-Distillation: Teaching LLMs to Code Better Using Only Their Own Outputs". https://alanhou.org/blog/arxiv-embarrassingly-simple-self-distillation-improves-code/
- Bespoke Labs, "The Unreasonable Effectiveness of Reasoning Distillation". https://www.bespokelabs.ai/blog/bespoke-stratos-the-unreasonable-effectiveness-of-reasoning-distillation
- Substack (Kilo Code), "Did Claude Opus 4.8 distill Alibaba's Qwen? Here's what the evidence says". https://open.substack.com/pub/kilocode/p/did-claude-opus-48-distill-alibabas
相关阅读:当AI模型成为出口管制品:Claude 5停服事件 | 2026开源大模型选型指南 | 不被卡脖子的AI工作流:防断供完整指南
延伸阅读:大模型推理框架选型2026 | LiteLLM深度调研:开源AI网关实战 | 企业AI Agent部署实战
推荐搭配装备
善其事,利其器。以下硬件能最大化你的AI体验👇
🔗 通过以上链接购买可支持本站持续运营 🙏