美国AI企业Anthropic近日公开指责三家中国大模型厂商DeepSeek、Kimi和MiniMax通过虚假账户大规模调用其Claude模型接口，利用输出结果优化自身技术。这一指控将AI行业长期存在的"模型蒸馏"争议推向台前，引发关于技术伦理与商业规则的激烈讨论。
在AI技术领域，"蒸馏"本指用高性能模型指导低性能模型训练的常规手段。全球AI开源社区亚太生态负责人王铁震透露，利用商业模型生成训练数据已成为行业"潜规则"，但多数企业会在服务条款中明令禁止此类行为用于开发竞争产品。硅基流动联合创始人杨攀以"学霸笔记"作比：优秀模型公开输出结果如同学霸分享笔记，其他企业借鉴提升类似学渣抄笔记提高成绩，这种行为是否构成侵权存在争议。
开发者社区对此呈现两极分化态度。部分开发者认为大规模注册虚假账号获取数据违反商业契约，破坏公平竞争环境；另有声音质疑Anthropic双重标准，指出其训练数据同样包含未获授权的互联网内容。埃隆·马斯克更在社交平台嘲讽："他们怎么敢偷Anthropic从人类程序员那里偷来的东西？"
涉事企业尚未对此作出正式回应。但技术专家指出，海外模型厂商凭借资金优势构建的数据壁垒，正成为制约中国AI发展的关键因素。负责海外业务的工程师李轩算了一笔账：标注一套国际数学奥林匹克竞赛级别的题目需投入数千万元，单题成本超万元。而MiniMax被指控的1300万次API调用，按市场价格计算成本可达数亿元，这对连续三年亏损超12亿美元的MiniMax而言难以承受。
数据标注产业的差距更为显著。李轩透露，国内能准确解答IMO级数学题的专家不足百人，高端标注人才稀缺导致成本居高不下。相比之下，海外厂商可为单道错题衍生100道变式题进行标注，这种极致标注模式国内企业根本无力复制。算力限制则构成另一重困境，美国对高端GPU的出口管制使国内训练依赖英伟达芯片的企业面临"有钱买不到卡"的尴尬。
技术路径选择同样折射出成本考量。当KimiK2宣布开源且架构与DeepSeekV3高度相似时，团队坦言曾尝试多种创新结构，但始终无法在核心指标上超越现有方案。李轩指出，自研新架构需要承担高额实验成本与失败风险，借鉴成熟架构成为资源有限企业的理性选择。这种"性价比优先"的策略，在基础研究薄弱、工程化能力突出的中国AI产业中尤为普遍。
行业正在探索破局之道。有企业管理层透露，当通用模型领域的"蒸馏"价值逐渐耗尽，聚焦垂直场景成为新方向。中文处理、政务服务、医疗健康等细分领域，正成为国产模型突破数据壁垒的试验场。李轩观察到，国内企业在高效训练、小样本学习等基础研究领域已取得进展，部分成果甚至能反哺全球模型架构创新。
这场争议暴露出AI技术全球化的深层矛盾：当开源精神遭遇商业竞争，当数据流动碰撞知识产权，行业亟需建立新的规则体系。正如某企业技术负责人所言："如果所有从业者都满足于蒸馏现有模型，AI技术终将陷入近亲繁殖的死循环。"在技术迭代与商业利益的博弈中，中国AI企业正在寻找属于自己的破局之路。
