AI治理下一步：模型蒸馏需要划清创新与风险边界

全球AI治理已有原则共识，但在模型蒸馏等具体技术活动上，企业仍面临三道边界：什么是合理创新，什么是不当能力获取，安全责任又该由谁承担？

文｜吴涵

ID | BMR2004

2026年，AI大模型竞争进入白热化阶段，围绕技术路线的争议持续升温。8月6日，字节跳动创始人张一鸣在Seed团队内部会议上表示，字节不会依赖模型蒸馏提升模型能力。他认为，做模型应坚持长期主义，不能用别人的输出换取一时的榜单排名，“应该愿意为长期目标牺牲一部分短期收益”。此前，腾讯首席AI科学家姚顺雨提出，AI“下半场”的关键已从寻找方法转向寻找值得解决的问题；基础模型需要做扎实，模型研发应以真实场景和实用价值为先，而非沉迷榜单跑分。

一方强调自主技术积累，另一方强调真实应用价值。两种判断都表明，大模型竞争已不能只关注短期性能提升，还应追问能力提升所依赖的来源、方式及其长期影响。由此，技术路线的选择不再只是企业内部的研发决策，也逐渐成为涉及创新秩序、商业利益和安全责任的治理问题。

模型蒸馏作为一种通过已有模型输出信息提升其他模型能力的技术路径，其价值在于促进模型优化和能力迁移，但同时也可能涉及对既有模型商业价值、技术投入和安全能力的利用。因此，未来需要进一步厘清：在何种条件下，蒸馏属于合理的技术改进和创新活动；在何种情况下，其已经超出了合理利用的范围，转变为对他人模型能力或商业利益的不当利用。在跨境场景下，模型蒸馏的讨论更为激烈，因为模型蒸馏不仅是纯粹的技术问题，还涉及不同法域对于模型输出、服务授权、知识产权保护、商业秘密以及安全责任的不同理解。此外，经过蒸馏形成的新模型，其研发属性、安全责任以及治理义务如何界定，也需要建立更加清晰的判断标准。

换言之，已形成的原则共识勾勒了人工智能治理希望实现的结果，却没有规定实现这些结果的具体方式。例如，人工智能应安全，但安全本身也包含不同问题：系统是否可靠、可控，属于人工智能系统安全；模型能力是否受到未经授权的访问或使用，可落入模型安全的范畴；外国主体取得前沿模型能力是否影响产业竞争和国家利益，又成为影响经济安全和国家安全的命题。三类问题可能相互关联，却具有不同的治理目的和法律依据，不能仅因都被称为“安全”而作相同处理。

因此，AI治理需要从“原则共识”迈向“行为共识”：为不同技术活动明确判断标准，在鼓励创新与防范风险之间建立更平衡的治理逻辑。

01

模型蒸馏：创新工具还是治理风险？

当治理从原则走向具体行为，模型蒸馏正是一个典型案例。

作为人工智能研发中的一种技术方法，模型蒸馏通常通过利用已有模型产生的信息，帮助其他模型提升性能、降低训练和部署成本。从技术发展角度看，蒸馏有助于提高人工智能资源利用效率，也可能促进模型能力的普及和应用。

与此同时，模型蒸馏也引发了新的治理争议：同一项技术行为，在不同主体看来可能具有完全不同的含义。从模型提供方角度看，前沿模型的研发需要投入大量数据、算力、人才和工程资源。如果竞争主体可以通过大规模获取模型输出，以较低成本复制或接近相关能力，可能削弱企业持续投入研发的动力。因此，对于未经授权、大规模获取模型能力的行为进行限制，具有一定合理性。

随着AI竞争加剧，模型蒸馏已成为国际关注的焦点。近期，部分国家开始关注未经授权的大规模模型蒸馏可能带来的技术扩散和安全风险，并尝试通过政策工具回应。

值得注意的是，模型蒸馏首先是一种技术和商业行为。不同企业之间围绕模型能力利用产生的竞争关系，通常应通过商业合作、服务条款、许可安排和市场竞争机制进行调整。并非所有基于外部模型能力的利用行为，都应转化为法律禁止或监管限制。人工智能产业的发展本身依赖技术交流、能力复用和创新迭代，如果过度扩大法律干预范围，可能反而削弱技术发展的活力。基于此，人工智能治理需要区分商业竞争问题与公共治理问题。对于规避安全机制造成重大安全风险或者损害公共利益的行为，法律可以提供必要约束；但对于企业之间基于授权开展的技术利用、模型优化和产品创新，或许更适合通过市场规则和合同机制调整。

回顾互联网和软件产业的发展历史，开放标准、开源社区和技术共享在推动产业创新、降低技术门槛方面发挥了重要作用。模型蒸馏引发的争议因此指向一个更深层的问题：如何在保护创新投入与促进技术扩散之间取得平衡。

02

如何为模型蒸馏划边界？

是否使用外部模型，不应成为判断模型蒸馏正当性的唯一标准；真正需要审视的是外部能力如何获取、如何利用，以及产生了何种影响。

具体而言，判断模型蒸馏的治理风险，需要关注外部模型能力如何被获取、如何被利用，以及其是否对新模型能力形成产生实质影响。例如，模型输出是否通过正常服务渠道获得，相关使用方式是否符合服务规则和商业安排，输出内容是否直接参与竞争性模型训练，以及相关行为是否造成对原模型能力、商业利益或安全机制的不当影响，均可能成为判断因素。如果判断标准过于宽泛，可能将正常的技术学习、模型优化和创新活动纳入限制范围；如果判断标准过于狭窄，又可能无法有效回应大规模能力获取带来的竞争和安全风险。

第一，怎样界定模型的合理使用边界？企业能够调用某一模型服务，并不必然意味着其可以将模型输出用于训练具有竞争关系的新模型；但同样，企业利用外部模型输出开展技术研究、性能优化或者模型改进，也不当然属于不当能力获取。例如，企业基于公开接口进行技术研究、性能测试或者模型优化，与通过大规模调用获取竞争性能力，可能具有完全不同的性质。

企业利用公开可访问的模型服务进行性能评估、技术研究，或者针对特定场景进行优化，本质上属于技术创新过程中常见的能力复用。这类行为通常并不会直接替代原模型提供方的商业价值，而可能进一步促进人工智能技术向更多场景扩散。同时，当外部模型输出被系统性、大规模地用于复制核心能力，并使新模型在竞争市场中直接替代原模型时，其性质可能发生变化。此时，争议已经不再是一般意义上的技术学习，而涉及他人研发投入所形成商业价值的获取。

由此，未来规则需要进一步厘清技术访问、输出利用和模型训练之间的边界。

第二，模型能力迁移是否意味着安全责任随之转移？从技术角度看，蒸馏可以帮助新模型学习外部模型的部分能力，但无法自动继承外部模型的安全机制、对齐机制或风险控制措施。新模型开发者仍需要根据自身模型用途、应用场景和用户群体承担相应治理责任。在企业实践中，不同主体对人工智能系统的控制环节并不相同。外部模型提供方通常控制模型开发、服务接口和基础安全能力；蒸馏实施方负责训练过程和模型优化；部署企业则决定具体应用场景、权限设置和用户接触方式。因此，安全责任不应简单依据模型来源进行划分，而应结合各主体实际控制能力和风险影响范围确定，这也意味着，未来人工智能治理需要进一步完善责任分配机制。对于企业而言，在使用外部模型能力进行研发时，不仅需要关注技术来源和授权问题，也需要建立相应的安全评估、测试验证和持续治理机制，确保创新过程与风险控制同步推进。

模型蒸馏带来的真正挑战，不只是判断某一行为是否合法，更是建立一套兼顾创新利用、商业竞争与风险控制的判断逻辑。

因此，AI治理的下一步，是把原则共识转化为清晰的行为规则。企业不能只问“用了什么技术”，还要追问“能力如何形成、边界是否越过”；监管部门则需在促进创新与防范风险之间找到平衡。

（作者吴涵系金杜律师事务所合伙人）