仲春：知识蒸馏是否违法？从企业竞争纠纷到中美AI规则博弈

据Reuters报道，美方近期指称中国企业的Kimi K3模型是从Anthropic先进的Fable 5模型蒸馏而来，并将相关问题与非法取得先进芯片、开放权重模型扩散风险以及潜在制裁措施联系起来，这一争议甚至可能影响原计划于9月举行的中美AI对话。 此前，自DeepSeek以较低成本推出高性能模型并引发全球关注以来，美国科技企业和政策圈即围绕其是否通过调用、学习或蒸馏美国模型输出获得能力展开讨论；OpenAI就曾表示DeepSeek等中国企业正利用蒸馏方式复制美国领先模型能力。

所谓知识蒸馏，即利用能力较强模型的输出、判断或中间知识，训练或改进一个规模较小、成本较低或者更适合特定场景部署的模型。作为技术方法，知识蒸馏并不天然具有违法性。它既可能用于模型压缩、边缘部署、教育科研和企业内部模型优化，也可能被用于规避商业API限制、复制竞争模型能力，甚至绕开出口管制和技术封锁。

普通企业之间发生的知识蒸馏争议可表现为合同、商业秘密、著作权或反不正当竞争问题；同时，在中美人工智能竞争背景下，知识蒸馏与开放权重模型、先进芯片、云算力、模型能力出口和国家安全联系，未来会成为技术管制和地缘竞争的话语工具。

一、知识蒸馏作为技术行为的具体评价

讨论知识蒸馏，首先要避免将技术概念直接等同于法律上合法抑或非法的结论。蒸馏只是描述模型训练或能力迁移的一类方法，并不能自动说明行为合法或违法。法律评价仍应落脚于行为的具体事实。一般来说，知识蒸馏至少可以区分为以下几类情形。

第一，使用自有模型、自有数据或者依法取得的数据进行蒸馏。这种情形通常属于正常的技术研发和模型优化。例如，一个企业使用自身大模型生成合成数据，再训练一个更小的行业模型；或者高校、科研机构在开放许可范围内使用开源模型进行实验和教学。这类行为原则上不应被轻易污名化。

第二，依据开源许可证或开放权重模型进行蒸馏。开放权重模型本身允许开发者下载、部署、修改或再训练，但不同许可证对商业使用、再分发、模型输出使用和衍生模型披露设置了不同规则。行为是否合法，关键要看是否遵守许可证条件，而不是是否使用了蒸馏方法。

第三，在商业API许可范围内调用模型输出进行下游训练。有些模型服务条款明确禁止利用输出训练竞争性模型，有些则允许在特定场景使用输出改进客户自有系统。如果用户在许可范围内调用，不能仅因其训练了新模型就当然认定不当；如果用户违反服务条款，法律问题首先可能是合同违约。

第四，通过批量账号、虚假身份、自动化脚本或其他方式，绕过访问频率、用途限制和技术保护措施，大规模获取模型输出用于训练竞争模型。这种情形确实可能涉及违约、规避技术措施、不正当竞争，甚至在特定情形下涉及侵害商业秘密或计算机系统滥用相关法律问题。

第五，通过离职员工、供应商、合作研发，抑或是非法入侵等方式，获取模型权重、系统提示、安全策略、训练语料、评测集或者内部参数，再将上述材料用于训练竞争模型。这已经不只是蒸馏问题，而可能构成商业秘密侵害、数据安全违法或刑事层面的非法获取计算机信息系统数据。

由此可见，知识蒸馏的法律评价应当坚持“技术中立、行为具体、证据导向”的原则。不能因为蒸馏是一种通用机器学习方法，就当然排除法律责任；也不能因为某一模型能力接近另一模型，就推定存在侵权或窃取。尤其在前沿大模型能力趋同、公开论文和开源代码大量流通的背景下，能力相似并不当然等于来源不当。

二、人工智能模型竞争为何被迅速安全化

知识蒸馏争议之所以上升至国家政策层面，是因为它恰好处在中美人工智能竞争的几个敏感交汇点上。

首先，模型输出正被视为一种新的技术资源。传统出口管制主要针对芯片、设备、软件源代码、制造工艺和技术文件。但在大模型时代，高质量的模型输出本身可能具有训练价值。大量、系统、有针对性的输出调用，可能帮助后发企业构建训练数据、改进推理能力或模仿特定模型风格。由此，模型服务不再只是普通在线服务，而可能被看作一种可被“提取”的能力来源。

其次，开放权重模型削弱了传统控制方式。闭源模型提供者可以通过API、账户、访问频率和用途条款约束用户行为；而开放权重模型一旦发布，使用者即可本地部署、微调、蒸馏、复制和再分发，原始提供者很难持续控制下游用途。这既是开放模型促进创新的优势，也是政策制定者担忧其扩散风险的原因。

然而，围绕开放权重模型，美国科技企业界本身也并非铁板一块。2026年7月，Nvidia、Microsoft、Meta、IBM、Dell、Palantir、Hugging Face等二十余家企业和开源生态相关主体公开发声，呼吁美国政策制定者不要过早、过宽地限制开放权重模型。其核心理由是：开放模型有助于安全研究、漏洞发现、模型审计、中小企业创新，同时便于各国、各行业搭建“主权AI”能力。

Hugging Face还特别强调，在安全研究和网络防御中，研究者往往需要能够下载、测试和改造模型；如果只能使用封闭API，许多漏洞验证和红队测试将受到限制。相较之下，OpenAI、Anthropic、Google等主要前沿闭源模型企业则反对该观点。其中，OpenAI和Anthropic长期更强调前沿模型能力扩散、恶意使用和国家安全风险，主张对高能力模型、开放权重和模型输出使用保持更强控制。

再次，知识蒸馏容易被纳入“技术窃取”的政治叙事。一旦政策话语将后发模型的进步归因于蒸馏领先模型，而不是算法优化、工程能力、开源生态、数据治理和应用场景积累，蒸馏就可能被塑造成“复制”“搭便车”甚至“盗窃”的证据。这种叙事会推动商业竞争争议，转化为出口管制、制裁、市场准入和外交谈判议题。

不过，“蒸馏即盗窃”的政治表达并非没有反讽之处。美国部分AI企业反对他人利用其模型输出训练竞品，强调这是对其巨额研发投入和模型能力的窃取；但另一方面，当今主流大模型的训练，又普遍依赖对开放网络中海量文本、代码、图像和其他数据的抓取与处理。网络爬取本身是否违反网站服务条款、robots.txt规则，是否构成著作权侵权，能否适用合理使用或数据挖掘例外，至今仍是美国、欧盟和其他法域持续争论的问题。如果“未经明确许可而利用他人信息产出训练模型”就当然构成盗窃，那么不少领先模型企业自身也难以完全摆脱类似的正当性追问。

最后，蒸馏争议与先进芯片管制相互强化。美国对华芯片、算力和云服务限制的基本逻辑，是防止中国企业获得训练前沿模型所需的关键资源。但如果中国企业可以通过蒸馏开放模型或商业模型输出，以较低算力成本获得接近前沿模型的能力，那么传统硬件管制的效果就会被削弱。反过来，美国政策制定者也可能因此进一步推动对模型输出、API服务、开放权重和云端推理能力进行限制。

三、安全化的风险：从保护创新到固化市场结构

将知识蒸馏安全化有其一定的现实理由。高能力模型确可被用于网络攻击、生物风险、虚假信息、军事辅助和关键基础设施攻击。知识蒸馏本身并不会创造新的人工智能风险，但其可能降低获得高能力模型能力的成本，改变先进模型能力的传播方式，使原本集中于少数前沿模型企业的能力更容易被更多主体获取和部署。因此，围绕知识蒸馏的安全担忧，实质上更多源于高能力人工智能扩散后的潜在滥用风险。

对于恶意绕过访问限制、大规模抓取输出、复制安全机制，或服务于高风险用途的行为，法律与政策层面当然不能放任不管。但与此同时，过度安全化同样也存在明显风险。

第一，可能将正常国际国内技术学习和竞争追赶污名化。

......

扫码关注知产财经观

重磅专题、专业文章

PDF资料下载

线上分享会视频

限时免！

分享、在看与点赞都在这儿

点下给小编加点料