论坛·原创 | 模型蒸馏争议:技术事实、规则边界与治理选择
原创
宋海涛 王瑞
宋海涛 王瑞
中国信息安全
2026年11月18日 17:39
北京
去阅读
宋海涛
文 | 上海人工智能研究院院长 宋海涛;上海人工智能研究院国际合作经理、高级研究员 王瑞
人工智能是新一轮科技革命和产业变革的重要驱动力量,开放研究、知识共享与技术扩散始终是推动人工智能进步的重要动力。一项技术从实验室走向产业应用,往往需要全球研究者共同参与、相互借鉴。这既是技术演进的客观规律,也是创新生态保持活力的基本条件。然而,美东时间2026年9月8日,美国国家安全局、网络安全与基础设施安全局、联邦调查局联合发布公告,指责中国人工智能企业对美开展“工业规模”蒸馏,获取美方前沿模型能力。次日,中国商务部新闻发言人明确回应,美方指控“于事无凭,于法无据”,是将蒸馏这一业内正常的技术和商业问题政治化、工具化,并在实践中搞双重标准。问题的关键在于,美方将一种通行的模型训练方法,逐步定性为违规行为并视其为国家安全威胁。美方在公开说明中尚未给出足以形成这些论证的证据链,却由安全机构发布针对中国企业的公告。一旦企业间的权利争议被直接纳入国家安全与地缘政治叙事,受影响的将不只是涉事企业,更是全球研发者获取技术、参与创新的机会。
一、
事实澄清:人工智能模型蒸馏的技术原理与实践
对某个技术的评价首先应当区分技术方法、实施行为与风险后果。所谓“工业规模蒸馏”的争论,恰恰容易把这三个层次混为一谈:仿佛只要使用蒸馏、调用数量较大,便足以认定其违规乃至构成安全威胁。事实上,技术的性质不能由使用规模或者研发主体的国籍决定。只有回到知识蒸馏的研究源流、作用机理与产业实践,才能为后续的权利和责任判断建立可靠的事实基础。
(一)从技术发展看,蒸馏是成熟的模型优化方法
知识蒸馏是机器学习领域长期使用的模型压缩与能力迁移方法。2006年,美国康奈尔大学的克里斯蒂安·布奇勒(Cristian Bucil)、里奇·卡鲁阿纳(Rich Caruana)和亚历山德鲁·尼库列斯库-米齐尔(Alexandru Niculescu-Mizil)在第十二届国际计算机学会(ACM)知识发现与数据挖掘国际会议(KDD)上提出“模型压缩”(ModelCompression)方法,即先利用大型复杂集成模型为大量数据生成预测结果,再以这些数据训练更加紧凑的模型,使其在降低存储和计算成本的同时,尽可能保持原模型的性能。2015年,美国谷歌公司的杰弗里·辛顿(Geoffrey Hinton)、奥里奥尔·维尼亚尔斯(Oriol Vinyals)和杰弗里·迪恩(Jeff Dean)的文章《神经网络中的知识蒸馏》(Distilling the Knowledge in a Neural Network),进一步发展并系统阐述了现代知识蒸馏方法。此后,相关方法被广泛应用于计算机视觉、语音识别和自然语言处理等领域,已经发展为模型压缩和知识迁移的重要技术路线。从该技术发展历程看,蒸馏不是围绕某一国家或企业临时形成的特殊手段,而是国际学术界和产业界长期研究、普遍采用的工程方法。
(二)大模型蒸馏具有多种形态,也存在能力边界
进入大语言模型阶段后,教师模型生成的回答、推理示例、指令数据和反馈信息,都可能成为学生模型的训练材料。大模型蒸馏因而不再局限于压缩模型,还被用于任务适配、专业能力增强和模型自我改进。不同蒸馏方式所需的技术条件并不相同。如果开发者能够获取教师模型的概率分布或者其内部隐藏层的特征,就可以利用这些信息进行更充分的知识蒸馏;如果只能先通过接口取得模型生成的文本,再以这些输出训练学生模型,则属于信息较为有限的基于响应的蒸馏。二者都利用教师模型提供训练信号,但在信息来源、训练效果和能力迁移程度上存在明显差异。
知识蒸馏也不等于能力的无损复制。学生模型的最终表现仍取决于自身架构、参数规模、训练数据、优化方法和工程实现。2019年,美国康奈尔大学的张贤·曹(Jang Hyun Cho)和巴拉特·哈里哈兰(Bharath Hariharan)向国际计算机视觉大会(ICCV)提交的论文《论知识蒸馏的有效性》(On the Efficacy of Knowledge Distillation)认为,更大、更准确的模型未必是更好的教师;当师生模型的能力差距过大时,学生模型反而可能难以进行有效学习。2021年,美国纽约大学的塞缪尔·斯坦顿(Samuel Stanton)等人向神经信息处理系统大会(NeurIPS)提交的论文《知识蒸馏真的有效吗?》(Does Knowledge Distillation Really Work?)发现,即使蒸馏改善了学生模型的任务表现,其预测分布与教师模型之间仍可能存在明显差异。因此,将蒸馏概括为对另一模型参数、数据和全部能力的整体“搬运”,既不符合技术机理,也抹去了学生模型自身研发投入的作用。
(三)实践表明,蒸馏已成为模型训练的常用方法
蒸馏已经成为不同国家、企业公开采用的研发路径。2025年4月,美国企业Meta在其官网发布《Llama 4系列:原生多模态人工智能创新新时代的开端》(The Llama 4 Herd: The Beginning of a New Era of Natively Multimodal AI Innovation)一文表示,Llama 4 Scout和Llama 4 Maverick的训练受益于更大规模的Llama 4 Behemoth模型,并将后者称为“教师”。2025年9月,中国深度求索(DeepSeek)研究团队在《自然》杂志发表论文《DeepSeek-R1通过强化学习激发大语言模型的推理能力》(DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning),介绍了通过知识蒸馏将大型模型的推理能力迁移至较小模型的研发方法。虽然这些实践的技术路线并不完全相同,却说明利用较强模型产生训练信号、改善较小模型的能力,是人工智能产业公开使用的工程方案。
在大模型语境中,教师模型与学生模型描述的是特定训练环节的指导关系,并不意味着前者必然代表前沿技术,后者只能处于追随地位。一款前沿模型在部分环节使用其他模型生成的数据,也不能说明其整体研发依附于所谓教师模型。模型最终能力仍是架构设计、预训练数据、算力投入、强化学习、后训练方法和工程实现共同作用的结果。
二、
规则边界:模型蒸馏争议的分层评价
蒸馏是一种技术方法,但围绕模型访问和输出使用形成的争议,可能涉及合同履行、知识产权保护和国家安全等不同问题。三者在保护对象、责任要件和处理方式上并不相同。美方指控的主要问题,在于没有充分区分这些层次,而是从可能违反平台规则直接推导出“知识产权窃取”,继而将其上升为国家安全威胁。
(一)平台使用限制不能直接转化为普遍行为规则
模型企业有权依法设置访问条件,通过用户协议、调用额度和技术措施维护平台运行及商业利益。但是,平台服务条款体现的是企业与用户之间的权利义务安排,其效力取决于具体主体是否接受相关条款、争议行为发生时适用哪个版本,以及有关限制是否符合适用法律的规定。即使特定用户违反了平台关于账户注册、地域访问或者模型训练用途的约定,首先产生的通常也是特定合同关系中的责任,而不能因此认定蒸馏方法本身违法,更不能把一家企业制定的商业规则扩展为全球人工智能研发必须共同遵守的公共规范。
尤其需要区分的是“未经平台同意”与“非法获取”两个概念。平台虽然可以从商业利益出发限制原本能够通过接口取得的信息附加用途,但相关条款是否被违反、由谁违反以及应当承担何种责任,仍需结合账户关系、访问记录和具体行为判断。
(二)“知识产权窃取”必须明确具体权利客体
知识产权并不是可以笼统适用于一切技术信息的标签。模型权重、源代码、训练数据与模型生成内容,在技术形态和权利属性上存在明显差别。认定利用模型输出训练构成侵权,必须说明被侵害的具体权利客体、信息取得方式及其与模型训练之间的联系,不能仅因不同模型在部分任务上表现相近,便反向推定存在知识产权“窃取”。
2025年5月,美国版权局发布的《版权与人工智能第三部分:生成式人工智能训练》(预发布版)(Copyright and Artificial Intelligence, Part 3: Generative AI Training, Pre-Publication Version)也指出,人工智能训练是否构成合理使用不存在机械化判断公式,需要结合内容来源、使用目的、复制程度和市场影响等个案事实综合审查。商业秘密保护同样要求有关信息具有秘密性和独立经济价值,并证明行为人采取了盗窃、欺诈或者违反保密义务等不正当手段。因此,通过接口取得模型输出,与侵入内部系统获取模型权重、源代码或者未公开数据,不能等量齐观。包括美国企业在内的全球模型企业均使用蒸馏技术,并且,美国企业的研发材料也披露了对中国模型的蒸馏利用事实。美国企业使用时被视为行业实践,而中国企业使用便被冠以“攻击”或者“窃取”之名,反映的不是统一的知识产权标准,而是对同一技术方法的选择性评价。
(三)国家安全认定不能替代分层评价
美方将蒸馏问题直接上升为国家安全威胁,在规范层面难以成立。合同违约、知识产权侵害与国家安全威胁,在保护对象、构成要件和证明标准上分属不同层次,后者关涉公共安全与战略利益,需要更高程度的证据支撑和更严格的因果论证。将商业争议直接等同于国家安全问题,实质上是跳过了必要的规范检验,以安全定性替代法律判断。如果仅以技术差距缩小或模型能力提升为由,一旦推定存在安全风险的逻辑被普遍接受,那么任何国家的技术进步都可能被贴上安全威胁的标签,国际科技合作与开放创新将无从谈起。仅凭中国模型能力提升或中美技术差距缩小,既不能反向证明存在知识产权侵害,也不足以构成国家安全威胁。
三、
动因分析:“泛安全化”操作的政策逻辑
美方在尚未公开完整证据链的情况下,由政府高官和安全机构接连作出政治化定性,并将相关问题同知识产权、出口管制乃至国家安全相捆绑。这种做法已超出一般企业权益保护范畴,其政策效果是将美国对华技术限制从芯片、算力等基础设施进一步延伸至模型访问、数据生成和知识流动环节。
(一)为扩大出口管制与制裁范围提供叙事铺垫
美方围绕“蒸馏”的定性呈现由企业指控向政府政策不断升级的趋势。2026年2月,美国人工智能企业Anthropic在其官方网站发布《检测与防范蒸馏攻击》(Detecting and Preventing Distillation Attacks)一文,指称中国科技企业对其模型实施所谓“大规模蒸馏”,并主张通过出口管制和政府政策加以遏制。同年7月,美国白宫科技政策办公室主任迈克尔·克拉齐奥斯(Michael Kratsios)在社交平台X上发帖,指称中国企业利用美国模型进行大规模蒸馏。同年9月,美国国家安全局、网络安全与基础设施安全局、联邦调查局又联合发布公告,将企业提出的访问规模、账户特征和调用模式纳入网络安全威胁叙事。从企业发布单方面归因,到政府官员释放制裁信号,再到安全机构作出专项风险定性,一个尚待事实核验和规则判断的商业争议,被逐步纳入出口管制和国家安全政策框架。
这一升级过程,使企业提出的商业主张获得了国家安全叙事的政策效力。正常情况下,制裁或者管制措施应建立在充分调查和明确责任认定基础之上;美方却在关键事实尚未公开核验时先行作出威胁定性,为后续限制措施预设依据。一旦相关结论进入政策体系,被指控企业不仅需要回应商业争议,还要承担证明自身不构成安全威胁的额外压力。
(二)以国家力量固化少数企业的市场优势
“泛安全化”叙事的另一个政策效果,是使个别企业的商业诉求获得公共权力背书。闭源模型企业有权通过技术措施和合同条款维护自身服务,但企业制定的使用规则属于特定商业关系中的权利安排,并不当然具有普遍适用的公共规则效力。某项行为是否构成侵权或者违约,应依据具体法律、合同内容和行为证据判断,而不能仅凭企业的单方解释完成定性,更不能把企业对竞争者的指控直接转化为国家安全机构的政策结论。
这一问题在开放权重模型快速发展的背景下尤为突出。开放权重模型允许开发者在本地部署、修改和进一步训练模型,可以减少对少数闭源接口的依赖,降低中小企业和科研机构的使用成本。美国人工智能产业内部的不同立场,也印证了这一问题。2026年7月,英伟达、微软、Meta、戴尔等企业和机构联署《开放权重与美国人工智能领导力》,指出开放权重能够扩大人工智能技术的可获得性,不应将合法的模型开发方法与不当获取行为混为一谈。由此可见,将蒸馏安全化并非美国人工智能产业的整体诉求。如果个别企业借助安全机构将这种竞争压力转化为政策限制,以“国家安全”名义压缩开放模型的市场空间,其效果便不再是保护正当权益,而是以国家力量固化少数企业的市场优势。这既与开放创新的产业趋势相悖,也越过了正当保护与产业垄断之间的界限。
(三)竞争焦虑驱动的安全叙事
美方将蒸馏问题安全化,更深层的动因在于对中美人工智能技术差距缩小的战略焦虑。美方联合公告在论述所谓安全风险时,特别强调中国企业可能借助蒸馏降低研发成本,缩小与美国前沿模型之间的技术差距,并进一步将中国模型能力的提升同军事和网络安全风险相联系。这一论证所关注的已经不只是特定访问行为是否违反服务协议,更是中国人工智能整体能力的增长是否会改变现有技术竞争格局。
将中国模型的进步主要解释为对美国模型能力的“不当提取”,具有明显的竞争叙事色彩:一方面,可以弱化中国企业自主研发和工程创新的作用;另一方面,也可以将技术差距缩小重新表述为出口管制遭到规避的结果,进而为美方扩大芯片管制、模型访问限制和企业制裁提供依据。这种叙事方式将评价标准从行为本身转移到竞争结果上,在“追赶即威胁”的叙事框架下,中国模型能力的任何提升,都可能被反推为不当获取的结果。这意味着,无论具体行为是否违规,只要竞争格局发生变化,安全定性就可以随之调整。
四、
应对路径:以开放合作破解困局
美方将蒸馏问题安全化,在规范上缺乏依据,在产业上并非共识。其操作的关键在于以单边定性替代多边规则,以安全叙事压缩技术合作空间。破解这一困局,需要从理念、规则和产业三个层面,依托多边平台构建开放合作的替代性路径。
(一)以开放包容的治理理念对冲“泛安全化”叙事
美方“泛安全化”叙事的根本问题在于将本国技术优势等同于国家安全,将其他国家的技术进步视为安全损失。在这一逻辑下,风险评价不再取决于具体行为及其后果,而取决于竞争者是否缩小了技术差距。由此形成的并非真正的安全治理,而是以安全名义维持既有力量格局。
2026年7月,习近平主席在世界人工智能大会暨人工智能全球治理高级别会议上提出坚持开放共赢、强化风险意识、鼓励包容并蓄、倡导和衷共济,明确反对在人工智能领域泛化国家安全概念,反对将一国安全凌驾于他国安全之上。这一主张并不否认人工智能可能产生的现实风险,还强调风险认定应当回到具体行为、应用场景和可验证后果。只有将正常技术竞争同危害数据安全、公共安全的行为区分开来,才能防止安全概念沦为排斥竞争的政策工具。
(二)以多边规则共建约束单边安全定性
理念引领需要制度载体。当前,人工智能治理规则分散于不同国家、企业平台和技术组织,概念定义、风险分级和评测方法缺乏衔接,为单边扩大安全边界留下了空间。2026年7月,29个国家在上海签署协议成立世界人工智能合作组织。该组织作为独立的政府间国际组织,旨在促进政策协调、技术合作和全球人工智能治理。其制度价值不在于另建排他性阵营,而在于为不同发展阶段的国家提供平等参与规则讨论的渠道。
多边规则建设应当着重解决以下三个问题:一是区分合同违约、知识产权侵害与国家安全风险的不同认定标准;二是形成模型输出使用、能力迁移和接口访问的合规指引;三是推动风险评测方法、证据要求和安全标准相互协调。规则只有能够审查、验证和普遍适用,才能避免某一国家或者企业既制定标准,又解释标准并据此制裁竞争者。
(三)以开源普惠增强全球南方的参与能力
当前,算力、模型、数据和人才资源仍高度集中在北美地区。如果全球南方国家只能作为产品使用者和规则接受者,所谓全球治理就难以摆脱由少数技术强国主导的结构。2026年9月,习近平主席在金砖国家领导人第十八次会晤上宣布,中方将率先建设金砖国家人工智能开源专区。开源开放不仅是一种技术路线,也是一种发展治理方式。只有以开源合作扩大参与能力,才能推动人工智能治理摆脱零和竞争,回归开放、包容、普惠、向善的发展方向。
(本文刊登于《中国信息安全》杂志2026年第10期)
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。










评论