作者：仲春 暨南大学法学院/知识产权学院副研究员、博士生导师
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。[1] 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。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。人工智能技术的发展，高度依赖公开论文、开源代码、开放模型、开发者社区和跨国科研协作。技术进步并不是简单来自单一企业的封闭投入，而是来源于全球知识网络的持续积累。如果将所有能力迁移、模型压缩和输出学习都视为可疑行为，可能严重压缩正常创新空间。一些公开信息也说明，模型之间相互借鉴和使用开放模型生成合成数据，已是全球AI开发的常见实践。例如，美国AI创业公司Thinking Machines在发布开放权重模型Inkling时，其官方博客明确说明，该模型MoE架构设计大量参考了DeepSeek-V3；在后训练初始阶段，还使用了包括Kimi K2.5在内的多款开放权重模型产出的合成数据。NVIDIA公开的Llama-Nemotron后训练数据集也显示，其约3000万条合成训练样本来源于多个开放、可商用模型，其中包括DeepSeek-R1、Qwen-2.5-Math、Qwen-2.5-Coder等模型生成的大量样本。
这些事实说明，美国企业既会借鉴中国开放模型的架构设计，也会使用中国开放模型生成的训练数据；中国企业当然同样会学习美国及其他法域的开放模型。因而，如果将所有能力迁移、模型压缩和输出学习都视为可疑行为，甚至一概纳入“技术窃取”的政治叙事，就可能严重压缩正常创新空间。
第二，可能固化头部闭源模型企业的市场地位。大型前沿模型企业，往往同时拥有最多算力、最多数据、最强模型和最复杂的合规能力。若监管以安全为名，大幅限制开放权重、知识蒸馏和下游模型改进，受益者未必是公共安全本身，反而可能是已经占据优势的少数闭源企业。对中小企业、科研机构和发展中国家而言，开放模型和蒸馏技术恰恰是降低创新门槛的重要工具。
第三，可能削弱国际AI安全合作。中美之间在模型来源、知识产权、产业政策和开放权重问题上存在竞争，但双方在防止高能力模型被用于生物安全风险、网络攻击、破坏关键基础设施等方面，仍有共同利益。如果所有蒸馏争议都被纳入国家安全的对抗框架，就会减少技术测试、风险通报和安全标准协调的空间。
第四，可能导致出口管制规则过度扩张。出口管制应当遵循必要性、明确性和比例性。如果将模型输出、提示词、评测数据、推理过程、开放权重乃至普通API调用都纳入广义技术控制范围，企业将很难判断合规边界，跨境科研和商业服务也会面临高度不确定性。已有研究指出，过度或任意扩张出口管制，可能会削弱管制本身的长期有效性，并倒逼受限制主体加快技术自主建设和开放生态培育。
四、从涉外法治角度看知识蒸馏争议
从涉外法治角度看，中国需要在三个层面作出回应。
第一，在国际话语上，应反对将尚未经技术核验和司法认定的蒸馏争议直接上升为国家安全层面。人工智能技术的发展，本身就是全球知识积累、开放社区、产业链协作和跨国技术学习共同推动的结果。中方近期在全球AI治理场合强调开放共赢、安全可控、文明互鉴和多边治理，这一立场有助于避免人工智能规则被少数国家垄断，也有助于维护发展中国家获得AI能力的合理空间。正常的技术学习、模型评测、开源借鉴和能力追赶，不应被简单污名化为技术窃取。
第二，在国内制度上，不宜过早对知识蒸馏作过细、过度安全化的立法定性。人工智能仍处于快速演化阶段，模型训练、开放权重、合成数据、智能体开发和能力迁移的技术路径都尚未稳定，立法者和监管者对其产业机制、风险结构和竞争影响的理解也需要持续积累。如果过早制定刚性规则，可能把本应通过市场竞争、技术迭代和个案裁判逐步澄清的问题提前固化，压缩中国企业学习、追赶和创新的空间。更可取的做法，是先通过案例观察、行业自律、技术标准、软法指引和司法个案，逐步形成类型化判断标准，对不同行为加以区分：开放许可框架下的合理学习、商业API协议约束下的受限使用、规避技术保护措施的大规模数据抓取、非法获取商业秘密，以及面相高风险场景的模型应用。制度构建，重在划定清晰的行为边界，而非过早设置范围过宽的禁区。
第三，在企业和国家竞争层面，应同时坚持发展空间与风险底线。中国企业学习境外领先模型、借鉴国际开源成果、吸收全球学术文献和开发者社区经验，本身是参与技术竞争和产业追赶的重要路径。只要相关行为建立在公开信息、合法获取、开源许可、正常商业使用和自主工程创新的基础之上，就不应因其具有竞争追赶效果而被当然否定。即便如此，企业出海仍需保留必要的风险意识，避免使用虚假身份、绕过访问限制、批量规避API协议约束、非法获取模型权重或内部提示词、利用泄露数据进行训练模型等高风险行为，并保留模型来源、数据来源、许可条件、训练流程和合成数据生成过程等相关记录。面对未来可能出现的知识产权诉讼、平台封禁、出口管制调查或商业秘密争议时，上述合规记录，可用于证明其自身技术能力来源具有正当性。
五、我国如何构建知识蒸馏的法律评价框架
面对知识蒸馏争议，我国应避免走向两种极端立场：一种是把蒸馏一概视为正常技术行为，从而忽视不当调用、规避限制和商业秘密侵害；另一种是盲目跟随安全化逻辑，把蒸馏本身视为需要严格控制的危险技术。更为合理的路径，是建立分层、类型化、以证据为基础的法律评价框架。
第一，区分技术方法与违法手段。蒸馏作为一项技术方法本身，应保持技术中立原则；而行为的违法性则主要来自数据来源不当、访问方式不当、用途不当或规避技术措施。监管和司法裁判，应避免使用“蒸馏”这一技术概念，替代对具体行为的法律分析。
第二，厘清合同规则的适用边界。商业服务提供方可以在合理限度内，通过服务条款限制用户利用模型输出训练竞争模型。但合同限制不应当然转化为知识产权控制，也不应以格式条款不合理排除下游创新。对于明显具有市场支配力或基础设施属性的模型平台，还需要关注其条款是否构成对下游竞争市场的不合理限制。
第三，慎用商业秘密保护。模型输出是否能够构成商业秘密，需要具体证明其秘密性、价值性以及已采取保密措施。面相广大用户公开提供的的普通模型输出，不宜轻易认定为商业秘密；但模型内部权重、系统提示、未公开安全机制、专有评测集和训练流程等内容，则可能具备商业秘密属性。判断的核心，在于行为人是否存在不正当获取行为，而非下游模型与在先模型的表现是否相似。
第四，适用《反不正当竞争法》一般条款时，应谨慎适用“搭便车”的违法认定思路。后发企业依托公开信息、开源模型和合法接口进行创新，不应被简单评价为“搭便车”。只有其行为明显违反诚实信用原则和公认商业道德，例如规避技术限制、大规模自动化抓取数据、虚假注册账号、破坏平台安全机制，或是针对性复制竞争对手核心能力时，才适宜考虑援引反不正当竞争法予以规制。
第五，建立面向高风险模型能力的合规审查，而非针对所有蒸馏行为进行普遍限制。对于可被用于生物危害、网络攻击、军事用途或危害关键基础设施等高风险场景的高能力模型，可要求其落实更为严格的安全测试、用途限制、事件上报和客户尽调等义务；而对于普通科研教学活动、中小企业应用和本地化部署等一般场景，则应保持充足的开放空间。
结语
人工智能时代的竞争，是围绕模型能力来源、开放生态、技术管控和国家安全展开的综合竞争。知识蒸馏本身不宜被简单作出非黑即白的定性。个案审查中，需要关注的是蒸馏数据从何而来、访问方式是否正当、是否违反明确许可、是否规避技术保护、是否复制受保护的核心信息、是否造成实质竞争损害，以及是否服务于不可接受的安全风险。
在政策层面，更应避免将“反蒸馏”简单扩张为一般性的技术封锁工具。否则，过度泛化的安全规则不仅可能压缩科研合作、开源生态和中小企业创新空间，也可能被头部闭源模型企业借用，转化为排除竞争者、控制下游应用和巩固市场优势的制度工具。
在国家层面，知识蒸馏争议更不宜被直接上升为技术对抗叙事。中美在AI领域存在真实竞争，也存在知识产权、数据、芯片和安全方面的制度分歧，但双方在防范高能力模型失控、恶意网络攻击、生物安全风险、关键基础设施滥用和非国家行为体扩散等议题上，仍然存在最为基础的共同利益。将所有模型学习、能力迁移和开放权重问题都纳入“技术窃取”或“国家安全威胁”的框架，只会减少沟通空间，强化相互制裁，并增加全球AI治理碎片化风险。更可取的方向，是在个案责任、企业合规、出口管制和国际安全合作之间厘清边界：对真正的不正当获取和高风险滥用予以规制，对正常的技术学习、开放创新和国际科研交流保留空间，对涉及系统性安全风险的问题则通过多边机制、技术标准和危机沟通加以处理。
注释：
1 https://www.reuters.com/legal/litigation/ai-grows-more-powerful-us-china-feud-threatens-safety-efforts-2026-07-24
京公网安备 11010502049464号