2025年2月，一则来自美国AI公司Anthropic的指控，将中国三家大模型厂商DeepSeek、Kimi和MiniMax推上风口浪尖。Anthropic宣称，这三家企业通过虚假账户与代理服务，大规模调用其Claude模型接口获取输出结果，用于优化自身模型能力，并将其定义为“工业级‘蒸馏’攻击”。这一事件不仅引发了AI行业对技术伦理的讨论，更折射出国产大模型在资源约束下的生存困境与创新探索。
## 技术本质：当“偷师”成为行业潜规则
“蒸馏”在AI领域并非新概念，其本质是通过强模型的输出来训练弱模型，以低成本提升模型性能。全球AI开源社区HuggingFace亚太生态负责人王铁震将其形容为“公开的秘密”，而硅基流动联合创始人杨攀则以“学霸笔记”的比喻解释这一现象：当学霸公开笔记，学渣抄写后成绩提升，是否构成“窃取劳动果实”？这一争议的核心在于，技术边界的模糊性与商业契约的冲突。
从技术逻辑看，模型厂商的“蒸馏”行为更接近“数据合成”或“冷启动”。例如，DeepSeek在V3模型技术报告中提及的“冷启动数据”，虽未明确来源，但行业普遍默认通过调用其他模型输出结果补充训练数据是常态。这种做法的合理性在于，AI模型的训练依赖海量数据，而数据获取成本高昂，尤其是细分领域的高质量标注数据。以数学竞赛题为例，海外厂商可投入上亿美元邀请顶级科学家标注数据，而国产厂商因资金限制，难以承担如此高昂的成本。MiniMax被指控向Claude模型发送超1300万次请求，对应的API调用成本可能高达数亿元，而其招股书显示，2023年至2025年前9个月账面亏损超12亿美元，月均现金消耗约2790万美元。这种“偷师”行为，本质是资源约束下的生存策略。
## 资源困局：数据与算力的双重枷锁
国产大模型的发展速度，与算力、数据、算法紧密相关。在李轩看来，决定模型表现的核心因素并非技术，而是数据。海外厂商凭借雄厚资金，可对细分领域数据进行极致标注。例如，为提升数学竞赛能力，海外厂商会针对一道错题衍生出100道相似题目进行标注，确保模型实现无死角覆盖。而国内数据标注产业仍处发展阶段，高端标注人才稀缺，标注成本高昂。以IMO级别的数学题为例，国内能准确解答的专家数量有限，单条题目标注费用可能超过1万元，一套题目标注成本高达数千万元。这种差距导致国产厂商难以复制海外的极致标注模式。
算力是另一重隐性瓶颈。目前，国内大模型训练主要依赖英伟达GPU，但受美国出口管制影响，高端芯片获取难度极大。李轩描述，国产大模型面临“有钱也买不到卡”的困境：训练阶段算力不足会限制模型规模，推理阶段算力不足则影响用户体验。例如，MiniMax的月均现金消耗中，算力成本占比极高，而资金压力又进一步限制了其数据获取与模型迭代能力。这种“数据-算力-资金”的恶性循环，迫使国产厂商选择“蒸馏”作为突破口。
## 创新突围：垂直场景与基础研究的破局之路
面对资源约束，国产大模型厂商并非无计可施。李轩观察到，海外模型在中文理解和文化适配方面存在不足，这为国产模型提供了差异化竞争的机会。例如，股票杠杆交易平台在中文处理、政务服务、医疗健康等垂直场景，国产模型可基于本土化需求优化模型能力，形成细分领域优势。这种策略的合理性在于，通用型模型的训练成本高昂，而垂直场景的模型可通过聚焦特定需求，降低数据获取与标注成本，同时提升模型实用性。
基础研究投入是另一条突围路径。李轩提到，国内厂商正在加大在高效训练、小样本学习、多模态融合等领域的投入，并出现不少研究成果。例如，KimiK2在2025年7月宣布完全开源且允许商用，其架构与DeepSeekV3基本一致，但团队曾尝试多种变种设计，最终因继承DeepSeekV3的底层架构在loss指标上表现更优。这一案例表明，国产厂商并非缺乏创新能力，而是创新成本过高。自研新架构需投入大量资源进行实验验证，且失败风险极高，相比之下，借鉴成熟架构的性价比更高。而随着基础研究的积累，国产厂商可基于领先架构进行二次创新，推出更高效的新模型，加入全球竞争。
## 独立思考：技术博弈背后的行业生态重构
“蒸馏”争议的本质，是AI行业生态重构的缩影。海外厂商通过服务条款限制“蒸馏”行为，试图维护技术壁垒与商业利益；而国产厂商在资源约束下选择“偷师”，既是生存策略，也是技术普惠的探索。这种博弈的背后，是AI技术从“封闭创新”向“开放协作”的转变。
从行业视角看，完全禁止“蒸馏”并不现实。AI模型的训练依赖海量数据，而数据获取成本高昂，尤其是细分领域的高质量数据。若全球厂商均选择“闭门造车”，AI的进化或将陷入“近亲繁殖”的循环。因此，更合理的路径是建立行业规范，明确“蒸馏”的边界与伦理准则。例如，可要求厂商在调用其他模型输出结果时，注明数据来源并支付合理费用，或通过开源社区共享部分数据，降低中小厂商的研发成本。
## 情境化展望：国产大模型的未来图景
假设一家国产医疗大模型厂商，在训练阶段面临数据短缺问题。其可通过调用海外通用模型的输出结果，补充医疗领域的标注数据，同时结合本土化病例优化模型。在推理阶段，该模型可聚焦中文医疗咨询、疾病诊断等垂直场景，提供更精准的服务。随着基础研究的积累，该厂商可逐步减少对海外模型的依赖，开发出自研架构，提升模型性能与安全性。这一路径不仅符合国产大模型的发展逻辑，也为行业提供了可复制的突围样本。
AI技术的博弈，本质是资源、创新与伦理的平衡。国产大模型在资源约束下选择“蒸馏”，既是生存策略，也是技术普惠的探索。未来，随着垂直场景的深耕与基础研究的积累，国产厂商有望突破“数据-算力-资金”的恶性循环正规实盘配资，在全球AI竞争中占据一席之地。而行业规范的建立，将推动AI技术从“封闭创新”向“开放协作”转变，为人类社会创造更大价值。
