美华头条7月8日综合报道 近日，美国硅谷、华盛顿政策圈和中国AI产业界围绕人工智能模型能力来源出现新一轮争议。Anthropic、OpenAI等美国人工智能公司指称，部分中国AI企业可能通过大规模调用美国闭源模型输出，训练自身模型，并以较低成本缩小与美国前沿模型之间的差距。事件结果是，“模型蒸馏”这一原本常见的机器学习方法，正被推到知识产权保护、国家安全审查、商业竞争和全球AI定价体系的交叉点上。

此次争议涉及的主要机构包括美国AI公司Anthropic、OpenAI，以及中国AI企业和实验室DeepSeek、Moonshot、MiniMax、阿里巴巴通义千问等。美国企业方面认为，部分中国公司通过异常账号、自动化调用或第三方路由访问美国模型，可能违反服务条款，并把美国模型的输出转化为自身产品能力。相关中国企业并未对所有指控作出统一公开回应，部分行业人士则认为，中国模型的快速进步不能简单归结为复制，也与工程优化、开源生态、成本控制和本地市场需求有关。

所谓“模型蒸馏”，是指用能力更强的大模型生成大量回答，再利用这些回答训练较小、成本更低或更便于部署的新模型。该方法在AI行业内部并不罕见，企业常用它降低运行成本、提升响应速度，并把大型模型能力转化为商业场景中更实用的版本。争议焦点并不是蒸馏技术本身，而是竞争对手是否未经授权、大规模获取闭源模型输出，并将其用于商业化训练。

Anthropic此前公开称，该公司发现DeepSeek、Moonshot和MiniMax等中国AI实验室存在大规模提取Claude模型能力的行为。随后，Anthropic又在致美国国会相关议员的信件中称，阿里巴巴相关运营方涉嫌在4月22日至6月5日期间，通过近2.5万个账号与Claude产生超过2880万次交互。Anthropic认为，这类行为可能帮助竞争者以较低成本接近其先进模型能力。阿里巴巴方面未公开承认相关指控，相关说法目前仍属于Anthropic方面的主张。

OpenAI也曾向美国国会议员表达类似担忧，称DeepSeek等中国AI公司试图复制美国领先模型能力，并将相关输出用于自身训练。美国部分政策人士认为，前沿AI模型已经不只是普通商业产品，而是涉及经济竞争、网络安全、军事应用和产业标准的关键技术资产。如果模型能力可以被低成本提取，美国企业在算力、人才、安全测试和长期研发上的投入回报可能受到削弱。

支持加强限制的人士认为，前沿模型建设需要巨额投入。大型模型训练不仅依赖高端芯片、数据中心和能源，也需要算法工程、安全评估、内容过滤、红队测试和持续维护。如果竞争者通过批量调用输出快速追赶，原创研发企业的商业收益和继续投入基础研究的动力可能下降。更深层的担忧是，经过蒸馏得到的模型未必保留原模型的安全限制，可能在网络攻击、自动化欺诈、虚假信息生成、敏感数据分析等场景中带来风险。

不过，反对意见同样明显。批评者认为，美国AI企业在发展过程中也大量使用互联网文本、图书、论文、新闻、代码和图像等内容训练模型，许多创作者和版权方并未获得明确授权或补偿。在这种背景下，美国公司指责其他企业“复制”其模型能力，容易引发标准不一致的质疑。若AI行业要建立知识产权规则，就不能只保护大型模型公司的输出结果，也应同时回应训练数据来源、版权授权和内容创作者权益问题。

技术层面，模型输出一旦对外提供服务，就很难完全防止被收集和再利用。企业可以通过账号审查、异常流量识别、访问频率限制、地区限制和安全监测提高门槛，但很难从根本上阻断所有能力迁移。正常企业测试、模型对比、学术研究和安全评估，也可能涉及大量调用。如果监管规则过于宽泛，可能影响合法使用和正常竞争。

法律层面，“模型蒸馏”的边界仍不清晰。违反平台服务条款并不必然等同于侵犯版权或盗取商业秘密；但如果存在虚假账号、规避访问限制、自动化批量调用或绕过安全机制等行为，则可能引发合同违约、不正当竞争、商业秘密或反规避方面的争议。与此同时，美国围绕AI训练数据的版权诉讼仍在推进，法院和监管机构尚未为整个行业确立统一标准。

这场争议的产业背景，是中国AI模型正在以更低价格和更灵活部署方式进入全球市场。DeepSeek、阿里巴巴通义千问、Moonshot的Kimi、智谱AI等模型，在代码生成、长文本处理、客服自动化、企业知识库、数据分析和低成本推理场景中持续扩大影响。对企业客户而言，选择AI模型并不只看技术排行榜，还要考虑价格、稳定性、部署方式、数据合规、本地化支持和长期使用成本。

部分企业用户更关注实际应用价值。并非所有业务都需要最昂贵的顶级闭源模型，如果低价模型或开源模型能够完成多数日常任务，企业自然会考虑转向成本更低的方案。这种趋势可能压缩美国AI公司的定价空间，也可能改变目前由少数大型闭源模型主导的市场结构。对消费者和中小企业而言，竞争增加可能带来更低价格和更多选择；对前沿模型研发企业而言，如何保护投入、维持收入和防止能力外流，将成为更紧迫的问题。

中国AI产业的支持者则认为，中国模型的进步不能简单归因于蒸馏。近年来，中国实验室在开源模型、推理效率、长上下文处理、混合专家架构、低成本训练和本地化应用方面持续投入。将中国模型的追赶全部解释为不当复制，可能低估中国AI团队的工程能力和市场迭代速度，也可能使技术竞争被过度政治化。

与此同时，中国方面也开始更加重视先进AI模型的安全管理。近期有消息显示，中国相关部门正在研究是否限制最先进国产AI模型的海外访问，并讨论将AI技术泄露或盗用纳入更严格的安全监管框架。这表明，先进AI模型正被中美双方同时视为关键技术资产。未来，围绕模型访问、数据流动、跨境服务、开源许可和高性能模型输出的监管可能进一步加强。

从更深层看，AI竞争正在从“谁训练出更强模型”，转向“谁能控制模型输出、访问规则、使用成本和商业生态”。传统软件可以通过源代码、专利和许可证进行保护，但大模型的核心价值体现在参数、训练过程、输出行为、安全调校和商业服务能力中。如何界定“学习”“借鉴”“蒸馏”“复制”和“盗用”，将直接影响未来全球AI产业的运行方式。

目前，相关指控仍未形成司法或监管层面的最终结论。可以确定的是，围绕AI模型输出、训练数据来源、跨境访问规则和低成本竞争的争议，已经成为中美人工智能竞争中的新变量。未来，真正影响全球AI格局的，可能不只是哪个国家拥有最强模型，而是谁能在保护创新、降低使用成本、维护公平竞争和建立可信规则之间找到平衡。