AI 圈又为“蒸馏”吵起来：大模型真正怕的不是被模仿
这两天，AI 圈又因为“蒸馏”吵起来了。
表面看，这是关于 DeepSeek 的争议。再往里看，它其实戳到了闭源大模型公司最不舒服的地方：我花大钱训练出的模型，如果它的输出也能变成别人训练模型的材料，那我的护城河还剩多少？
先说概念。
“知识蒸馏”不是新词，也不是某家公司发明的捷径。它大致是让一个更强的模型当老师，让更小、更便宜的模型学习它的输出和判断方式。早在 2015 年，Hinton、Vinyals、Dean 就系统讨论过这个方法。后来它成了机器学习里很常见的压缩和迁移手段。
麻烦出在大模型时代。
过去闭源模型公司的生意很好理解：我训练模型，你通过 API 调用，我按 token 收费。这个模式成立的前提是，模型能力被关在服务背后。用户买到的是一次次调用，不是背后的能力本身。
但如果有人用 API 输出生成训练数据，再拿这些数据训练自己的模型，边界就变模糊了。你卖出去的是服务，可服务的输出可能帮助后来者追上你。
这也是为什么“蒸馏”这个词会突然变得敏感。
从工程角度看，蒸馏很正常。创业公司、开源团队、企业内部 AI 团队，都可能用强模型生成样本、清洗数据、做偏好对齐。没有这些方法，很多小模型和垂直模型根本跑不出可用效果。
从商业角度看，闭源模型公司紧张也正常。训练成本、推理成本、工程投入都是真钱。如果竞争对手大规模调用你的接口，再训练出一个低价替代品，你当然不会觉得这是“开放生态的胜利”。
所以这件事不适合用一句话站队。
真正该问的是几件具体的事：有没有违反 API 服务条款？有没有绕过访问限制？有没有把用户数据混进训练集？发布模型时有没有隐瞒关键训练来源？
这些问题比“蒸馏是不是偷”更有意义。因为它们能落到合同、合规和产品设计上，而不是停留在情绪里。
对企业用户来说，这轮争议还有一个现实提醒：以后买 AI 服务，不能只看价格和效果。
输入数据会不会被留存？输出能不能拿来训练自己的模型？合成数据归谁？日志保存多久？供应商会不会用你的业务数据改进它的模型？
以前这些问题像法务附件里的小字。现在它们会直接影响一家公司能不能沉淀自己的 AI 能力。
对大模型公司来说，护城河也要换一种理解。领先半年当然有价值，但模型能力会扩散，论文会扩散，开源实现会扩散，合成数据方法也会扩散。只靠“别人不能学我”，很难长期安全。
更稳的壁垒，可能来自真实场景里的数据闭环、推理成本控制、产品分发、客户关系，以及团队持续迭代的速度。
蒸馏本身不是原罪。真正让行业不安的，是大家还没想清楚：当模型可以学习模型，AI 公司的边界到底应该画在哪里。