七家國產 AI 偷偷蒸餾，被 Anthropic 點名！

作者：Biteye 核心貢獻者 Denise

Anthropic 又一次把中國 AI 公司寫進了威脅情報報告。

9 月 10 日，Claude 的開發商 Anthropic 發布最新報告，點名阿里巴巴、月之暗面、DeepSeek、智譜、小米、商湯和 MiniMax 七家公司，指控它們開展未經授權的模型蒸餾活動。

其中規模最大的一項涉及阿里：Anthropic 稱，今年 5 月至 7 月，它觀察到可歸因於阿里的超過 1.51 億次互動，用於提取 Claude 的推理能力。

另一部分指控則直接關係到用戶：Anthropic 稱，月之暗面和 DeepSeek 曾把部分用戶請求轉交給 Claude，再把 Claude 的回答返回給用戶；還有公司被指將用戶對話用於生成訓練數據。

當然這些都是 Anthropic 公布的調查結論。

01 先看這份報告講了什麼

整份報告覆蓋的是 2025 年 12 月至 2026 年 8 月間，Anthropic 稱其發現並阻斷的 AI 濫用活動，涉及網絡攻擊、監控、輿論影響、詐騙、生物領域濫用、常規武器開發和蒸餾七類問題。

報告的一個主要觀察是，攻擊者越來越多地讓 AI 直接執行、協調任務。

例如，自動推進網絡入侵，或運營大量虛假交友賬號。

與國產模型直接相關的，是最後的蒸餾章節。七家公司被指控的行為如下：

這些數字都是 Anthropic 的統計，觀察時間不同，不能直接當作同一時期的使用量排名。

02 "蒸餾"為什麼會被加上"非法"兩個字？

可以把蒸餾理解成讓一個模型跟著另一個模型學做題：先讓能力較強的"老師模型"生成答案或解題過程，再用這些材料訓練"學生模型"，讓它學會類似的處理方式。

蒸餾本身是常見訓練方法。Anthropic 在這份報告裡也明確承認這一點。

它所稱的"非法蒸餾"，具體指未經授權、隱蔽開展、達到工業規模的能力提取活動。按報告描述，相關活動可能借助代理"中轉站"、虛假賬號或被盜憑證繞過訪問限制，再大量收集模型輸出。

這次爭奪的重點是模型的推理過程。最終答案告訴學生"這道題選什麼"，推理過程還能提供"怎樣分析和完成任務"的訓練材料。Anthropic 稱，相關活動主要針對編程、工具調用、數據分析和長流程任務等能力。

因此，判斷爭議需要看數據從哪裡來、訪問是否得到授權、是否繞過限制，以及用戶是否知情。僅憑"使用了蒸餾技術"，無法判斷一家公司的具體行為是否違法。

03 用戶數據為什麼也卷了進來？

按照報告的說法，部分月之暗面和 DeepSeek 用戶以為自己的請求交給了所選模型，實際卻被轉發給 Claude。

如果指控成立，用戶就需要追問：自己的信息經過了哪些服務商，又是否被用於模型訓練？

不過，原文對用戶是否得到通知的表述有不同確定程度。

例如，月之暗面一節寫的是，Anthropic 不知道該公司是否通知了客戶。

Anthropic 還提出了安全層面的擔憂：提取模型能力，不一定會把原模型的安全限制一起複製過去。這是它將蒸餾放進威脅報告的理由之一。

其披露的應對措施包括檢測異常提取行為、封禁相關賬號、以摘要替代完整推理內容，以及加強身份驗證。

04 被點名公司和業內怎麼回應？

截至 2026 年 9 月 11 日本文資料核驗時，尚未找到七家公司針對這份九月報告的可核實正式回應。

業內此前已有公開討論。下面這些表態均早於九月報告，屬於爭議背景。

7 月 24 日，微軟發布了一封由 Hugging Face、Meta、Mistral、英偉達等企業共同簽署的公開信。

信中主張，政策制定者應區分正常的模型開發技術與不當侵佔：蒸餾是廣泛使用的模型改進方法；非法提取閉源模型價值引發的問題，應通過有針對性的法律和商業規則處理，不應擴大成對技術的一刀切限制。

技術層面也存在分歧。

7 月 23 日，TechCrunch 在討論 Kimi K3 的蒸餾爭議時，引用 AI 研究者 Nathan Lambert 的觀點：隨著模型更接近前沿、訓練重心轉向強化學習，僅靠監督微調式蒸餾，很難解釋全部能力提升。

Laude Institute 研究者、Snorkel AI 聯合創始人 Braden Hancock 也認為，美國輿論低估了中國團隊的技術實力。

這些觀點討論的是蒸餾的技術作用與監管邊界，並沒有逐項核驗九月報告的指控。接下來仍需關注，被點名企業是否回應具體賬號和數據來源，用戶請求是否被轉發，以及相關訓練數據如何獲得授權。

05 寫在最後

蒸餾本身不是原罪，正常的技術借鑒與未經授權的大規模能力提取，也不能混為一談。

目前，外界看到的仍主要是 Anthropic 的單方面調查結論，被點名企業尚未公開回應關鍵細節。1.51 億次互動如何歸因、用戶請求是否經過授權轉發、哪些對話被用於訓練，都需要更多證據和當事公司的解釋。

對普通用戶來說，這場爭議並不遙遠。當我們把代碼、商業資料甚至私人對話交給一個 AI 時，背後處理信息的可能不只是頁面上顯示的那個模型。

AI 公司爭奪的是下一代模型的能力，但被卷入其中的，可能是每一個人的數據。

當一次對話在用戶不知情的情況下被轉發、儲存甚至用於訓練，我們或許需要重新追問：在 AI 的輸入框前，我們究竟是使用產品的用戶，還是訓練產品的原料？