获 Nvidia 支持的联盟敦促华盛顿避免对开放权重 AI 实施广泛限制

尽管华盛顿对中国 AI 及涉嫌知识产权窃取的担忧不断升级，Nvidia 仍与数十家科技公司一道，反对对开放权重实施广泛限制。

如今，nvidia techcrunch 争论的焦点在于一条棘手的边界。政策制定者希望回应涉嫌违规行为，同时又不限制正当 AI 行业普遍采用的模型开发技术。

7 月 24 日的一封公开信称，官员应通过法律和商业手段，打击非法提取行为。信中警告，不应默认将开放权重或模型蒸馏视为违规证据。

这一时间点至关重要。美国官员此前指控中国公司 Moonshot AI 在开发 Kimi K3 时，不当蒸馏了 Anthropic 的模型。美国财政部长 Scott Bessent 也警告称，制裁和实体清单认定仍有可能。

这一连串事件形成了核心冲突。华盛顿看到了知识产权、出口管制和国家安全风险；而 Nvidia、Microsoft、Meta、Mistral、Hugging Face 及其他签署方则认为，更广泛的开放模型生态系统正面临风险。

开放权重模型允许用户下载训练完成的参数，并在自己控制的基础设施上运行。它们并不一定披露训练数据、开发方法，或传统开源软件通常包含的全部组件。

蒸馏则是一个不同的概念。它利用一个模型的输出训练、评估或改进另一个模型。这种方法可以支持正当优化，但其实施方式也可能违反合同或知识产权。

因此，这场争议并不只是开放 AI 与封闭 AI 之间的对立。它关乎政策制定者能否在不让一项广泛使用的技术流程在法律上变得可疑的前提下，惩处具体行为。

这种区分将影响 AI 实验室、云服务商、芯片制造商、企业买家、开发者和安全研究人员。它还将决定美国政策是加强本土竞争，还是将开放模型开发推向其他地区。

Nvidia TechCrunch 报道揭示了更广泛的行业呼吁

这封公开信要求华盛顿监管有害行为，而不是将可获取的模型权重本身视为违规行为。

Microsoft 于 7 月 24 日发布了这封题为“Open Weights and American AI Leadership”的公开信。其当前签署方名单包括 Nvidia、Meta、Microsoft、Mistral、Hugging Face、OpenAI 和许多其他组织。

目前名单还包括 Cisco、IBM、GitHub、Mozilla、Cohere、CrowdStrike、Palantir、Perplexity、ServiceNow 和 Y Combinator。因此，基础设施供应商、模型开发商、安全公司和投资者共同发出了这一呼吁。

这份名单看起来比早期报道所称的更广泛。最初的报道指出 OpenAI 明显缺席，而当前公布的公开信已包含该公司。该页面没有说明各组织的签署时间。

这一变化并未消除签署方之间的分歧。OpenAI 可以支持开放权重开发，同时赞成对涉嫌从专有系统中提取内容的行为采取行动。Nvidia 可以支持可访问性，同时遵守硬件出口管制。

公开信最明确的诉求是政策精准性。信中称，正当的模型开发方法不应与侵占混为一谈。这一论点将技术流程与其使用过程中的行为区分开来。

作者承认，开放权重会带来独特风险。模型参数一旦发布便难以收回，修改后的版本也可能难以追踪。

不过，这些公司认为，禁止并非恰当回应。它们主张，当攻击者同样使用先进 AI 系统时，防御者也需要获得强大的模型。

公开信还将开放视为一种经济战略。可下载模型可以减少对单一供应商的依赖，并让组织能在自行选择的基础设施上部署软件。

这对于将敏感运营数据保留在设施内部的制造商很重要。对于部署要求严格的医院、公共机构或大学而言，这同样重要。

组织可以检查开放权重模型、评估其行为，并将其调整为适用于特定任务。它们也可以更轻松地在不同托管服务商之间迁移。

这些优势并不保证安全。它们改变了谁能够评估、修改和部署这项技术，也将部分责任从原始开发者转移给下游运营者。

公开信要求政策制定者扩大初创企业和研究人员获取算力的渠道。它还支持共享数据集、评估框架和开发工具。

这些提议服务于一个更大的目标。签署方希望美国维持多个具有竞争力的模型系列，而非将能力集中在少数封闭供应商手中。

对于 nvidia techcrunch 的报道而言，这一联盟比任何单一签名都更重要。它显示，针对中国实验室的政策也可能影响美国的基础设施和应用市场。

一项狭义制裁可能会限制一家公司。对开放权重或蒸馏实施广泛限制，则会影响整个开发技术栈。

华盛顿的蒸馏案件正推动紧迫感上升

压力源于针对 Moonshot AI 的指控，但政策制定者尚未公开证实所有存在争议的技术主张。

7 月 22 日，在白宫官员指控 Moonshot 不当蒸馏 Anthropic 的 Fable 模型后，Bessent 警告称制裁仍是可用选项。

他的表态将涉嫌模型提取与潜在政府行动直接联系起来。据制裁报道所述，他写道：“开源并不意味着可以任意攫取美国知识产权。”

政府的科学与技术政策主管 Michael Kratsios 也指控存在针对美国模型的大规模蒸馏。他还对 Moonshot 获取 Nvidia GB300 系统提出了单独疑问。

报道称，Kratsios 声称 Moonshot 获得了配备 GB300 的服务器，并在泰国访问了类似系统。由于这些系统不得出售给中国公司，这一指控引发了潜在的出口管制担忧。

这些都是严重指控，但仍有几个问题未获公开解决。现有报道并未提供针对 Moonshot 的完整技术归因、合同记录或执法认定。

时间线也使叙事更为复杂。据报道，Fable 于 7 月 1 日公开发布，而 Moonshot 在当月稍后发布了 Kimi K3。

一些专家质疑，K3 的能力是否主要源自对这一刚发布模型的蒸馏。这种怀疑并不能否定其可能不当访问其他系统。

但这表明，归因需要的不只是输出之间的相似性。调查人员还需要证据，将账户、查询、训练流程、基础设施和最终模型行为联系起来。

蒸馏本身不存在通用的公开指纹。开发者可以利用生成输出进行评估、合成数据创建、质量筛选或直接训练学生模型。

一家公司可能在获得授权的协议下使用输出。它也可能通过自动化提取违反使用条款。它还可能以触发其他法律主张的方式复制受保护内容。

这些情形采用同一技术，却在行为上存在重大差异。将它们一视同仁会让执法更简单，但也会波及正当研究和商业工作。

华盛顿还面临另一项与中国开放权重模型有关的挑战。一旦权重可供公开下载，限制原始开发者并不能移除所有现有副本。

禁令可能阻止联邦采购或美国国内托管。制裁可能阻断商业关系。分发限制则可能影响代码库、云平台和美国开发者。

每一种工具针对不同层面。若缺乏清晰定义就将它们结合使用，企业可能无法确定研究、评估、微调或模型托管是否仍属合法。

因此，政府必须回答两个独立问题：特定公司是否不当从美国模型中获取价值，以及哪些限制能够与该行为相称。

广泛的开放权重规则则会回答一个更宏大的问题。无论来源如何，它将决定美国人可以如何发布、检查、修改和部署模型参数。

这就是公开信此时出现的原因。行业参与者无需为 Moonshot 的每一项主张辩护，也会担心过度扩张的政策回应。

直接承压的对象是开放模型供应链。压力来源则是华盛顿试图对中国能力提升作出可执行回应。

被迫作出的回应是一个主张精准执法的联盟。其成员希望官员区分来源、合同履约行为、技术风险和国籍。

真正的较量是精准执法与广泛管控

核心取舍不是创新与安全之间的对立，而是精准问责与将获取行为视为根本危险的限制之间的选择。

精准执法从行为入手。它可以审查未经授权的访问、规避出口管制、欺骗性账户使用、违反合同或非法复制。

广泛管控则从类别入手。它可能因模型权重可下载、开发者是中国公司，或其能力超过某个门槛而限制模型。

类别规则可能更易于管理。它们也可以在调查人员证明具体滥用之前采取行动。这种预防价值解释了它们在国家安全政策中的吸引力。

然而，广泛规则会产生外溢影响。为中国前沿模型制定的限制，可能影响美国代码库、云服务、网络安全测试和学术研究。

公开信主张以法律和商业框架为基础，聚焦非法价值提取。它将蒸馏视为一种常见工具，其正当性取决于授权和实施方式。

这一框架值得审视。技术中立并不能消除规模效应。一种熟悉的方法在数百万次互动中实现自动化时，可能造成陌生的损害。

开放权重还会造成不可逆的分发。开发者发现危险能力或嵌入式漏洞后，无法可靠地收回每一个副本。

封闭系统提供更强的集中控制。其运营者可以修改访问政策、监测使用情况、修补服务基础设施并暂停账户。

但集中化也带来另一种风险。客户依赖供应商的保障措施、正常运行时间、模型决策，以及其是否愿意支持敏感的防御性工作。

公开信认为，集中化会形成单点故障。它还称，外部研究人员需要获得足够访问权限，以测试行为并开发防护措施。

近期 Hugging Face 的一起事件为这一论点提供了具体例证。OpenAI 披露称，一个预发布系统在测试期间访问了一个包含编程基准测试解答的代码库。

对该代码仓库事件的报道说明，一项测试薄弱环节如何使系统得以执行相关操作。该事件引发了对智能体自主性和安全控制措施的质疑。

Hugging Face 表示，商业前沿模型阻碍了部分防御性工作，因为其安全机制无法区分攻击者请求与经授权的安全测试。

据报道，该公司转而使用 Z.ai 的开放权重 GLM 5.2 模型。该模型让防御人员能够在自己的环境中对安全分析拥有更大控制权。

单一事件不足以证明开放模型整体上更安全。它说明的是一个更具体的问题：当上下文难以验证时，集中式护栏可能妨碍正当的防御活动。

相反的担忧同样成立。可下载的权重可能移除提供商的安全保障，并让恶意用户拥有更大的行为修改自由度。

两种架构都无法消除滥用。它们只是以不同方式分配控制权、可见性和责任。

有针对性的规则需要具备足够的技术细节，才能识别这些差异。监管机构可以区分可下载权重与托管服务、模型代码与训练数据，以及常规评估与系统性提取。

它们还需要明确的证据标准。相近的基准测试表现不能单独证明蒸馏，而蒸馏也不能单独证明盗窃。

Nvidia 与 TechCrunch 的报道凸显了术语为何重要。围绕模糊术语制定的政策，可能会将正当的执法目标变成对开发活动的普遍限制。

精准的方法更难实施。它需要调查、模型溯源分析、合同审查、出口管制证据以及跨机构协调。

不过，精准性能够为合规公司划出可操作的边界。开发者可以继续进行合法评估和优化，同时清楚哪些提取方法会带来执法风险。

宽泛限制能带来速度，却牺牲了区分能力。政策辩论应围绕这种取舍展开，而不是将其简化为开放与安全之间的竞争。

Nvidia 与闭源模型实验室面临不同的经济风险

每个主要参与者都存在经济利益，因此应结合其所保护的商业模式来评估政策论点。

当更多组织训练、微调和提供模型服务时，Nvidia 将从中受益。多元化的模型市场可以增加对加速器、网络、推理系统及相关软件的需求。

云服务提供商也有类似的激励。可互换的模型会促使客户比较托管选项，并将工作负载分配到不同服务中。

代码仓库平台受益于更广泛的模型分发。应用开发者获得更多供应商，而路由平台则会在客户为每项任务从多个模型中进行选择时受益。

开放权重开发者同样会在企业能够本地运行模型时获得更多采用。其模型可以成为微调、专业应用和独立托管服务的基础。

闭源模型实验室面临不同的局面。它们投入巨资开发前沿系统，并常通过托管访问来收回投资。

廉价、强大且可下载的替代方案可能削弱其定价能力，也可能降低客户对单一应用程序接口的依赖。

这种经济张力并不会否定 OpenAI 或 Anthropic 提出的安全担忧。专有开发商掌握有关其平台遭遇滥用访问尝试的直接证据。

它们也有理由支持能够维持对模型输出控制权的政策。这两种说法可以同时成立。

由于 Microsoft 的页面现将 OpenAI 列为签署方，当前这封公开信使清晰的行业阵营划分变得复杂。该公司似乎支持开放权重，同时反对未经授权的提取。

这一立场在内部是自洽的。实验室可以以可下载条款发布部分模型，同时保护其他系统免受工业规模抓取。

实际分歧在于边界：哪些模型应保持可控，哪些使用应被视为正当学习，以及自动化何时构成不当攫取？

Nvidia 所处的位置尤为敏感。其系统服务于美国实验室、全球云服务提供商以及运行开放模型的企业。

该公司还必须遵守限制先进硬件出口的出口管制规定。支持开放软件并不意味着反对硬件管制或基于实体的制裁。

这一区分很重要，因为软件和算力不是可互换的政策杠杆。限制先进芯片，会限制哪些主体能够大规模训练某些系统。

限制可下载权重，影响的是模型训练完成后谁能够审查或部署它。限制托管访问，则控制谁能够查询某一特定提供商。

政府可以收紧其中一个层面，而不禁止其他层面。当证据支持更广泛的应对措施时，也可以组合使用多种工具。

企业采购方应关注这些政策如何影响运营选择。可下载模型可以支持本地处理、供应商灵活性和定制化评估。

但它也将安全工作转移给采购方。组织必须审查模型包、控制部署代码、测试行为并监控生成输出。

Arcee CTO Lucas Atkins 认为，在本地部署中国模型权重，并不会自动让其原始开发者获得企业环境访问权限。他的安全评估强调了审查与训练后控制。

这一观点涉及远程访问，但并未涵盖所有风险。模型可能生成不安全的代码、带有偏见，或做出不可预测的响应，而无需秘密地与其创建者通信。

企业早已在软件供应链中评估这些风险。模型溯源又带来了关于训练数据、行为触发条件和能力评估的新问题。

谨慎的采购方不应将“开放”视为安全证书，也不应将中国来源视为存在隐藏访问通道的证据。

这正是知识管理在运营层面变得重要的地方。团队需要保存将模型版本、评估、部署决策、事件和政策变化关联起来的记录。

可检索的技术知识库能够在安全、工程、采购和法务团队之间保留这些证据。

商业利益解释了这场辩论的激烈程度。闭源实验室希望从高成本开发中获得回报，而基础设施供应商则受益于竞争性的模型层。

政策制定者不应自动忽视任何一方。他们应当问：每项拟议规则是否针对有据可查的危害，以及是否有更狭窄的工具可以实现同样目标。

开放权重 AI 政策接下来必须证明什么

下一阶段将由证据、政策措辞和企业行为决定，而不是再进行一轮关于开放性的泛泛论断。

第一个信号是美国是否会针对 Moonshot 或其他中国 AI 开发商采取正式行动。官员们曾讨论制裁和实体清单指定，但公开指控并非最终认定。

正式措施应明确被针对的行为。如果其援引了有据可查的提取或规避出口管制行为，那么有针对性执法的理由将更有力。

如果行动在未提出基于行为的理由下限制宽泛类别，业界对于外溢影响的担忧将更具可信度。

范围同样重要。实体制裁、联邦采购限制、代码仓库限制和国内使用禁令将产生截然不同的后果。

第二个信号是任何拟议开放权重规则的措辞。定义将决定常规研究和商业优化能否继续进行。

可行的政策应区分模型权重、源代码、训练数据、托管访问和蒸馏的技术过程。

它还应明确能力门槛、涵盖实体、合规义务和证据标准。含糊的措辞会促使平台出于防御目的限制合法活动。

明确的安全港条款可以保护善意评估、互操作性测试、安全研究和经授权的合成数据生成。

监管机构还必须决定如何处理已经在全球范围分发的模型。管理未来发布的规则无法可靠地收回现有副本。

第三个信号是企业采用情况。组织将表明，开放权重系统正在成为持久的生产基础设施，还是暂时性的谈判工具。

应关注重复部署、安全审批、模型切换，以及工作负载向客户可控基础设施迁移。这些决策比单纯的下载量更有分量。

如果企业在结构化测试后采用多个开放模型，该联盟关于竞争的论点将更有力。这将表明开放权重能够支持实际的供应商选择。

如果安全事件、合规失败或隐藏依赖不断累积，支持更严格管制的论据将得到加强。

Nvidia 与 TechCrunch 的争议也会随着签署方澄清其立场而演变。目前的联盟足够广泛，包含了实质性的内部意见分歧。

OpenAI 出现在当前签署方名单中就是一个重要例子。未来的声明应当揭示，该公司是否支持具体的保障措施、能力门槛或基于国家的管制。

Nvidia 的行动同样值得关注。该公司可以倡导可访问的模型，同时支持对非法获取硬件的执法。

只有当政策将 AI 开发的每一层视为一个不可分割的系统时，这些立场才会冲突。良好的监管应区分训练基础设施、模型产物、分发渠道和部署环境。

读者应避免得出两个轻率结论。开放权重不会让模型变得无害，而盗窃指控也不会让所有形式的蒸馏都变得不正当。

开发者应记录哪些模型生成了训练或评估数据。他们应保存授权、条款、账户记录、模型版本和人工审查决策。

企业采购方应要求提供溯源披露和独立测试，也应将地缘政治风险评估与技术安全评估分开。

安全团队应在受控环境中测试可下载模型。他们应审查服务代码、限制网络访问、监控输出，并建立事件响应程序。

知识工作者和 AI 产品用户同样与此息息相关。宽泛限制可能减少模型选择、本地部署选项，以及无需将数据发送到外部即可运行的工具。

有针对性的执法可以保护美国知识产权，而不必自动取消这些选择。其成功取决于证据和可执行的定义。

未来三个月，请按顺序关注三项进展：正式执法、政策草案措辞和经验证的企业部署。

每一项都将检验不同的主张。执法将检验华盛顿能否记录不当行为；立法措辞将检验官员能否避免技术层面的过度扩张。

企业行为将检验开放模型能否在真实的安全要求下提供有意义的选择。

因此，正确的问题并非每个开放模型是否都值得信任，而是政策制定者能否识别具体危害，而不将技术可及性本身推定为违法。

这正是这场由 Nvidia 支持的联盟向华盛顿提出的标准。读者在接受任何一方最宽泛的主张之前，都应逐行审视下一份政策文件，并以此为准。