AI抽取风波，到底是偷配方还是抄作业

这事像餐厅后厨。你闻出菜味像隔壁米其林，到底是偷配方，还是同一批食材谁都能做出来。

最近彭博这条新闻挺猛。美国多家机构把 DeepSeek、Moonshot AI、Alibaba、MiniMax、StepFun 和 Z.AI 点名，说它们系统性复制美国模型。Anthropic 此前指控阿里用数千个欺诈账户提取 Claude 能力。阿里否认，还起诉美国政府，要求把它从五角大楼黑名单里拿出来。OpenAI 也说过，收集到一些证据，正在审查 DeepSeek 是否不当蒸馏其模型。更有意思的是，报道里提到，虽然 DeepSeek 被一些跨部门评估认为有国家安全风险，但商务部暂时没把它放进贸易黑名单。这说明指控、风险判断、实际管制是三层，不是同一张网。

但这里有两个词经常被搅在一起，蒸馏和抽取。蒸馏像老师傅把经验压成小徒弟能用的菜谱，行业里常见。CSIS 的文章也提到，美国实验室也用蒸馏，DeepSeek 甚至发布过基于 Qwen 和 Llama 的 R1 蒸馏模型。抽取更像拿别人的 API 当免费题库，批量问、批量收集答案，再喂给自己的训练管线。问题不在像不像，在怎么拿到答案。

美国闭源模型路线，像把菜做成中央厨房。模型能力藏在托管服务里，外面只看到输出。优点是方便，安全评测、日志、滥用检测都握在平台手里。缺点是用户拿不到完整训练数据和权重，评测只能看表面。我这三周拿 GLM-5.2 跑长文摘要、结构化表格和代码小任务，也把这一个月用过的开源模型和 API 放一起比。实测了一下，输出风格、拒绝回答、错误类型，都能模仿，但来源根本没法从一次跑分里确认。跑个分看看，最多只能看出它会不会，看不出它从哪来。我也拿几个开源模型做同题测试，发现中文事实性错误和过度服从很像，但这类相似不能证明抽取。

开源权重路线，像把菜谱摊在桌上。谁都能下载、改、跑。优点是透明，至少能审计权重和许可，社区能测。缺点是成本压力小，追赶快，也更容易被质疑站在别人肩膀上。GLM-5.2 这种把权重公开的模型，商业价值要看能不能给出可追溯的训练来源、数据许可和评测记录。闭源有闭源的好处，开源有开源的毛病，不能只挑一边骂。

真正该分开算的是三笔账。技术账是蒸馏是不是常见，答案是常见。合同账是有没有绕过条款、欺诈账户、批量抓取，这才是指控核心。监管账是把受控技术通过 hosted API 送出去，和权重公开发布，边界不同。报道里有个很现实的点，模型权重公开不一定构成出口，但把受控技术放进托管 API，可能就要过许可。

出口管制不是玄学。对做测评的人来说，最怕把所有模型都塞进偷这个筐里。那样只会让合规成本误伤开源社区。但反过来，也不能拿行业惯例当免罪符。如果一家公司真用几千个账号去薅 API，再用这些数据训竞品，那它省下的算力，可能来自别人承担的安全和滥用成本。这个价格值不值，不在嘴硬，在证据链。

我平时写工具测评，喜欢把账算明白。这次也一样。别急着问中国模型是不是抄，也别急着说美国机构是不是扣帽子。该看的是日志、账户模式、API 条款、数据去重、训练管线和第三方审计。Anthropic 的指控如果只有输出相似，说服力不够。中国公司如果只说我们独立训练，也需要可验证材料。

不过我最近这几天在试 AI agent、Agentic engineering 和 Vibe coding，也 Docker 刚碰四天，体会挺直接。智能体越能自动干活，越需要留痕。模型抽取这事本质也是留痕问题。没有过程记录，结果再漂亮都像黑盒。我前面写过一篇关于盘后日报的话，观点没变，无法实时溯源，后面的解释就弱。现在看模型能力来源，也一样。

普通用户别把任何模型当绝对原创来源。企业先做数据血缘和 API 使用审计。监管要把蒸馏、违反条款、出口管制分开算。否则最后会变成两边都委屈，一边觉得别人偷答案，一边觉得别人拿行业惯例卡脖子。

后面就看有没有更细的审计和诉讼材料了。

---

📌 本文编译自 Bloomberg Tech，原文 https://www.bloomberg.com/news/articles/2026-09-09/us-says-alibaba-deepseek-have-systematically-siphoned-ai-models

版权归原作者所有，本文为基于公开报道的编译与独立分析。