Garry Tan 的 AI 蒸馏计划挑战前沿实验室的控制权

尽管前沿实验室正试图限制 AI 蒸馏，Garry Tan 提议大幅改变美国对这一做法的处理方式。这位 Y Combinator CEO 希望规模较小的美国开放权重开发者能够从领先的美国模型中学习，并推出更多本土替代方案。他的立场挑战了这样一种观点：前沿公司应当控制客户如何再利用模型输出。

这项 Garry Tan AI 蒸馏提议出现之际，围绕中国 AI 开发者的争议正在升级。Anthropic 表示，DeepSeek、Moonshot AI 和 MiniMax 曾开展协同行动，以提取 Claude 的能力。Tan 的回应并非禁止这种训练技术，而是希望美国开发者在本土体系下使用它。

这颠覆了通常的国家安全论述。OpenAI 和 Anthropic 将未经授权的蒸馏描述为一种将美国能力转移给外国竞争对手的捷径。Tan 则认为，限制措施可能让美国用户只能依赖封闭的美国服务，或开放权重的中国模型。因此，这场争议不止关乎复制，更关乎谁能将前沿智能转化为独立产品。

Garry Tan 的 AI 蒸馏计划将创造本土替代方案

Tan 希望美国通过产出更多美国开放权重模型来应对外国开放权重竞争，而不只是封锁外国开发者。

模型蒸馏是指利用另一个能力更强的系统生成的答案来训练一个系统。大型系统充当教师，较小的学生模型则从其输出中学习。开发者可以将这些回答用作训练样本、评估材料，或强化学习的反馈。

蒸馏本身既不罕见，也不必然构成滥用。AI 公司经常使用自己的大型模型训练更小的产品。当一家公司未经许可系统性查询另一家公司的服务，并利用这些答案开发竞争性模型时，冲突才会出现。

Tan 在这项技术与欺骗性访问之间划出了界线。他并非要求美国初创公司窃取凭证、隐藏协同账户网络，或规避技术保护措施。他质疑的是，前沿模型提供商是否应能通过服务合同禁止竞争性训练。

据 2026 年 9 月 11 日报道的评论，Tan 主张建立他所称的“美国蒸馏机制”。规模较小的美国实验室将获得对美国前沿系统的合法访问权限，并利用其输出来训练开放权重替代模型。开放权重意味着训练后的参数可供他人下载和运行，即使完整数据集仍保持私有。

Tan 的论点将竞争政策与知识所有权主张结合在一起。前沿模型从书籍、软件、公开网站、讨论内容及其他人类作品中学习。因此，当其开发者一方面主张可广泛从公开材料中学习，另一方面又严格限制对模型输出的下游学习时，他认为这存在矛盾。

“控制用户和客户如何使用对封闭权重模型的 API 调用，感觉颇具约束性，”Tan 对 TechCrunch 表示。他将基于公开数据训练出的智能访问权描述为更接近公共产品，而非被限制性条款锁定的东西。

他的立场并不否认前沿研究需要资本。Tan 表示，推动模型能力进步的公司需要可持续的业务。他同时认为，开放权重系统应当维护用户自由与访问权。

这种平衡是其提议的核心。本土蒸馏框架需要在回报教师模型提供商的同时，赋予较小开发者有实质意义的再利用权。若没有这些权利，访问机制可能沦为传统授权项目：既保护既有企业，又无法形成独立竞争者。

Tan 尚未提供详细的法律结构、技术协议或补偿方案。他提出的是对现行限制背后假设的挑战：竞争性模型训练应被视为被禁止的提取行为，还是 AI 能力扩散的正常方式？

这一差别很重要，因为获准的蒸馏计划会与攻击行为截然不同。它可以采用身份明确的参与者、协商后的访问权限、留档的数据集、安全要求和评估义务。这些条件既能保留问责机制，也能检验本土开放权重开发者能否缩小能力差距。

因此，眼下的变化更多是政治层面而非技术层面。一位知名初创企业投资人公开鼓励美国实验室采用领先模型提供商正试图限制的做法。他的介入为开放权重倡导者提供了对“蒸馏管控是维持美国领先地位所必需”这一主张的直接回应。

美国开放权重实验室为何承受压力

美国开放权重开发者正面临日益加剧的战略挤压：一边是封闭的本土 API，另一边是中国公司发布的强大模型。

基于封闭模型构建产品的初创公司能够获得便利的访问权限，却无法控制底层权重。提供商可以调整模型行为、改变访问政策、引入新的限制，或停止提供某个版本。初创公司必须接受这些依赖关系，同时还要在模型行为直接塑造产品的市场中竞争。

开放权重模型提供了另一种运营结构。开发者可以在私有基础设施内部部署它们，针对狭窄任务进行微调，并在升级前评估特定版本。他们还可以在不等待外部 API 提供商的情况下，检查变更会如何影响产品。

这些优势对处理敏感文件、受监管工作流或专有软件的公司尤为重要。团队可以让推理环境更贴近自身数据，并保留选定的模型版本。它仍需要强大的安全性、评估和治理，但能获得对部署的控制权。

问题在于，从头训练前沿模型需要大量算力资源、专业研究人员和大型数据集。规模较小的美国实验室无法简单复制 OpenAI、Anthropic、Google 或 Meta 的每一项投入。蒸馏提供了一条更短的路径，使其无需重建教师模型的完整训练过程，也能获得特定能力。

中国开放权重开发者加剧了这种压力。DeepSeek、Moonshot、Alibaba 和其他实验室已发布开发者可下载、适配或通过低价服务使用的模型。无论每个模型采用何种方法产出，其可获得性都为美国开发者提供了替代方案，而美国本土市场并未持续提供同等选择。

这造成了一种政策矛盾。美国官员希望限制对中国技术的依赖，但对本土蒸馏施加严格控制，可能减少美国替代方案的数量。封锁一条能力转移路径，并不会自动赋予较小的美国实验室独立训练竞争性系统所需的资源。

Tan 的提议正是针对这一缺口。如果美国初创公司能通过获批流程从本土前沿模型中学习，它们就能生产由美国实体管理、并在美国基础设施中使用的模型。结果不会保证技术能力完全对等，但可能扩大可用供应商基础。

这种压力也延伸至企业买家。组织通常不希望将整个 AI 工作流绑定于单一提供商。采购团队会考虑可用性、数据处理、模型稳定性、延迟、迁移成本，以及在服务中断期间的运营能力。

多元化的开放权重市场为这些买家提供另一种选择。他们可以将前沿 API 用于高要求工作，同时把可重复任务交给本地可控模型。蒸馏有助于围绕特定能力训练这些较小系统，不过性能仍必须根据买家的实际工作负载进行衡量。

当公司构建长期知识系统时，这一点尤其相关。一个可搜索知识库可以比任何单一模型合同存续更久。将信息架构与单一提供商分离，可让未来的模型变更更易于管理。

开发者还需区分模型所有权与应用质量。开放权重不会自动带来可靠答案、良好的检索能力或安全部署。它们只是让构建者对模型工件拥有更直接的控制。周边产品仍决定这种控制是否能创造实际价值。

因此，Tan 最有力的观点并不是每家初创公司都需要开放权重模型，而是美国开发者需要一个可信的选项，摆脱对少数封闭提供商的依赖。若没有这一选项，美国可能在前沿研究上保持领先，却只能为需要模型控制权的企业提供有限的本土选择。

前沿实验室将蒸馏视为提取威胁

OpenAI 和 Anthropic 将竞争性蒸馏视为经济与安全问题，因为它可能在不转移开发成本或安全保障的情况下转移宝贵能力。

Anthropic 在 2026 年 2 月划定了最明确的界线。该公司表示，已识别出由 DeepSeek、Moonshot 和 MiniMax 发起的协同行动：它们通过约 24,000 个欺诈账户，与 Claude 进行了逾 1,600 万次交互。

根据 Anthropic 的蒸馏调查结果，这些行动利用代理服务和协同账户规避侦测。提示词集中于编程、工具使用、智能体推理和模型评分等领域。Anthropic 称，其归因依据包括网络数据、请求元数据、基础设施模式及行业合作伙伴提供的信息。

这些数字仍属于 Anthropic 的调查结论，而非独立的公开审计。外部人士无法完整审查被点名公司的确切训练数据集。不过，Anthropic 所描述的账户行为已超出普通客户试验的范围。

Anthropic 还作出了一个有时在政治辩论中被忽略的重要区分。该公司称蒸馏是一种合法且广泛使用的训练方法。它反对的是竞争对手通过欺骗性访问、账户欺诈、规避地区限制或其他被禁止的行为来获取能力。

该公司称，一个代理网络曾同时运营超过 20,000 个欺诈账户。这类系统可以将请求分散到多个服务，并在提供商封禁账户后替换新账户。这使得归因和执法比识别单一客户异常大量的调用更加困难。

OpenAI 的合同立场同样严格。其现行服务协议通常禁止客户利用输出开发竞争性 AI 模型，特定允许用途除外。协议还禁止模型提取攻击及试图绕过访问保护的行为。

这些合同让前沿模型提供商获得了可直接约束客户的执行工具。公司无需先在法庭上证明存在版权侵权，就可以暂停账户或撤销 API 访问权限。这一点很重要，因为从模型输出中学习这一行为的整体法律地位仍未明确。

经济层面的担忧很直接。前沿实验室投入了研发、计算基础设施、数据准备、安全测试和产品运营。如果竞争对手能够查询已经完成的服务，并将其最有价值的行为迁移到另一模型中，那么竞争对手就能避开大量前期投入。

安全方面的论点不止关乎商业损失。Anthropic 表示，蒸馏后的模型可能复现能力，却无法保留教师模型的安全防护措施。若其权重随后被发布，原始提供商便无法撤回模型、监控其用户，或为每个已分发的副本修补漏洞。

在其后来的开放权重立场中，Anthropic 认为，蒸馏可能在数月内将中国前沿能力带到接近美国系统的水平。它呼吁采取行动打击工业规模的能力提取，同时反对全面禁止开放权重模型。

这一差异表明，在一个问题上，Anthropic 与 Tan 的立场比双方言辞所暗示的更接近。两者都接受开放权重 AI 的存在空间，也都承认蒸馏具有正当用途。他们的分歧在于：谁应当授权跨公司训练，以及原始提供商应保留多少控制权。

Tan 的出发点是私人权力过度集中的风险。Anthropic 的出发点则是能力被窃取以及不可逆分发的风险。因此，双方都将不同的主体视为主要威胁。

对 Tan 而言，过度限制会保护既有企业，并削弱美国开放权重领域的竞争。对前沿模型提供商而言，宽松的访问条件会让竞争对手攫取昂贵能力，并移除安全控制。一个可行的国内制度必须回应这两种担忧，而不是宣称其中任何一种都是无中生有。

公益论点与合同及安全问题发生碰撞

最棘手的问题不是蒸馏是否有效，而是美国能否在不将欺骗性提取行为常态化、也不削弱为前沿研究提供资金的激励的前提下授权蒸馏。

Tan 的公益论点颇具直觉说服力，因为前沿 AI 并非源自孤立的企业知识。模型开发者在海量人类表达作品上训练系统。作者、程序员、研究人员、教育工作者和在线社区创造了使现代语言模型变得有用的大量材料。

这段历史使得“模型生成的信息应受到绝对下游控制”的主张变得复杂。出版商和创作者已经就未经同意训练一事对 AI 公司提出挑战。Tan 将类似的公平论点应用于那些如今希望借助合同来防止其他模型通过其服务学习的公司。

然而，道德上的对称性并不能解决法律问题。公开可访问的信息并不自动免受版权、合同、隐私或数据库限制的约束。同样，收到 API 响应也不必然意味着获得了收集数百万条响应、用于竞争性训练的许可。

国内蒸馏体系需要界定何为正当访问。这一定义不能只取决于参与公司是否为美国公司。无论开发者国籍为何，凭证盗用、虚假身份、批量养号和蓄意规避都仍属于欺骗行为。

它还需要区分常规产品使用与系统性提取。这条边界在技术上很难划定。一家公司为安全目的评估数千条提示词，可能与一家构建训练数据的公司十分相似，尤其是在两者都大规模测试狭窄能力时。

Brookings 研究员 Kyle Chan 将这一检测难题形容为大海捞针。联邦层面的应对措施包括拟议流程，以识别从美国封闭模型中提取关键特征的外国行为者。然而，识别可疑流量比准确证明另一模型的训练方式更容易。

同样的不确定性也会影响获批准的国内参与者。前沿实验室可能提供有限的蒸馏访问，同时保留其最强的推理、编程或生物能力。规模较小的开发者或许能获得正式许可，但得到的信息不足以构建有竞争力的模型。

即使不公开具体商业条款，价格和容量也可能成为另一道壁垒。前沿模型提供商控制自己的 API 限额和基础设施。如果获批训练需要海量查询，访问条件仍可能偏向资金雄厚的公司。

安全测试则带来另一项权衡。开放权重开发者可以在无需创作者许可的情况下检查、微调和部署已发布的模型。这有利于研究和本地控制，但也意味着原始开发者在发现严重漏洞后，无法可靠地撤销该系统。

国内框架可以要求模型在发布前接受评估，也可以依据能力设置分级规则，而不是将所有模型一概而论。小型专用模型不应面临与具备高级网络或生物能力的系统相同的要求。

但测试无法消除分发问题。基准测试可能遗漏新出现的能力，用户也可以在发布后微调权重。一旦副本流通，后续限制的效力就很有限。

这一提议还可能削弱投资激励。即使具体成本尚未公开，前沿研究依然昂贵。如果每一项成功能力都必须立刻成为竞争对手的训练材料，私营公司可能会减少对外访问或推迟发布。

Tan 并不主张前沿实验室消失。他希望这些实验室继续获得资金，同时让开放权重开发者拥有实质性的自由。缺失的机制在于，如何在教师模型与学生模型之间分配回报，同时又不让教师模型否决真正的竞争。

许可是一条可能路径，但具体细节将决定其价值。许可证可以授权特定训练用途、要求署名、禁止欺骗性访问，并确立安全责任。但它也可能成为一道昂贵门槛，只有既有公司能够跨过。

受监督的研究项目提供了另一种模式。参与者可以在受控环境中访问前沿模型输出，记录训练方法，并在发布权重前公布评估结果。这样的项目能够提供证据，说明国内蒸馏是否能产生有用且更安全的替代方案。

这两种方法都无法解决更广泛的所有权争议。前沿实验室可以主张，模型行为体现了专有研究，即使训练材料来自公开来源。开放倡导者则可以回应：行为能力不应仅因一家公司集中掌握了基础知识，就成为永久性的私人财产。

这一冲突类似于早期围绕软件兼容性和平台控制的争端，但 AI 模型带来了更大的不确定性。学生系统并非复制一个简单接口；它吸收的是统计行为，其中可能包括通用知识、专业推理、错误以及安全模式。

怀疑性的结论无法回避。Tan 指出了一个真实的竞争问题，但他尚未证明美国蒸馏制度能够以合法且安全的方式交付强大的开放模型。在有开发者通过透明项目检验这一构想之前，它仍是一项政策论点，而非可运行的模式。

三个信号将显示 Tan 的计划能否奏效

下一阶段取决于美国开发者、前沿实验室和政策制定者作出的具体承诺，而不是围绕开放性的又一轮争论。

第一个信号是，是否有可信的美国开放权重开发者公开采用跨公司蒸馏。相关公告需要明确教师模型、授权依据、目标能力和发布条件。偷偷使用合成数据无法检验 Tan 的提议，因为核心问题是正当的竞争性访问。

透明项目还需要比较评估。开发者应将学生模型与其基础模型、教师模型及其他开放权重系统进行测试。这些结果应覆盖真实工作负载，而不是少量引人注目的基准测试。

如果这样的模型在有文件记录的许可下表现良好，Tan 的论点就会更有说服力。这将表明，国内蒸馏能够在不依赖隐藏账户或被盗凭证的情况下扩大模型选择。如果没有严肃的实验室尝试这一过程，该提议就会显得脱离商业和法律现实。

第二个信号是，是否有前沿模型提供商制定明确的蒸馏许可证或合作伙伴关系。一般 API 访问并不够，因为现有合同通常限制开发竞争性模型。一项有意义的计划必须允许独立参与者训练并发布能够竞争的产品。

提供商的安全措施将十分重要。身份验证、流量监控、能力限制和发布前评估，可以将正当训练与 Anthropic 所描述的操作区分开来。清晰规则也能帮助开发者理解哪些行为会触发执法。

如果项目只停留在纸面上，这一信号将削弱 Tan 的论点。狭窄的许可、受限的输出，或阻碍实际部署的条件，都会维持现有市场结构。成功的框架必须给予学生模型开发者真正的独立性。

第三个信号是，美国政策制定者如何界定模型提取。国会和联邦机构正在研究外国主体访问美国 AI 系统的问题，前沿公司也在分享更多威胁信息。宽泛的措辞可能会将正当研究和国内竞争与欺骗性攻击一并纳入。

有针对性的政策将聚焦欺诈、未经授权的账户网络、规避行为、被盗凭证和敏感能力提取。它可以为获得许可的蒸馏和独立的开放权重开发保留空间。这一结果将加强 Tan 的核心主张：国家安全与国内开放并不必然冲突。

更广泛的禁令则会使政策走向相反方向。如果从模型输出进行竞争性训练被视为天然非法，美国开放权重实验室缩小差距的路径就会更少。开发者届时只能依赖独立训练、与愿意合作的提供商协作，或使用外国开放权重模型。

读者应按这个顺序关注这些信号。首先，寻找愿意透明构建模型的开发者。其次，审视前沿实验室是否授予有用的权利。第三，考察政策是否区分欺骗性提取与经授权的学习。

Garry Tan 的 AI 蒸馏争论，不会通过判定开放永远有利还是永远危险而得到解决。实际检验在于，美国实验室能否在遵守访问规则并验证严重风险的同时，产出可独立使用的模型。

未来几个月里，每当出现一款国内开放权重模型时，请问三个问题：谁提供了它的训练输出？访问受何种许可约束？哪些评估支撑其安全性主张？明确的答案会将 Tan 的提议转化为可行的竞争战略。缺失的答案则会让美国仍面临同样的选择：要么是高度集中的国内 API，要么是外国开放权重系统。