声明与限制：本文仅为一般性信息与法律分析，不构成具体法律意见或操作建议。相关事项应在适用的法律框架下审慎处理。

全球贸易规则正在加速重塑。最新的政策与监管动向往往比过往经验更能影响企业的风险与机会。

他山之石，可以攻玉。通过即时解读最新政策监管变化与法律争议案例，我们可以更早洞见趋势，也能从他人的经验与教训中获得启示。把握讯息与判断上的时间差，也是一种一步领先。

    关注本公众号，读懂世界正在发生什么。

一、事件概述

2026年8月6日，路透社援引《澎湃新闻》报道称，字节跳动创始人张一鸣近期在大模型基础研究团队Seed内部会议上明确提出，不应依赖其他前沿模型的输出，通过“模型蒸馏”（Model Distillation）快速提升自身模型能力；即使短期内在部分模型竞争中落后，也应坚持长期投入和基础能力建设。张一鸣强调，大模型研发需要“长期主义”和“延迟满足”，愿意为长期目标牺牲部分短期收益。

需要说明的是，此次表态并不宜理解为字节否定“模型蒸馏”技术本身。字节Seed此前公开的Seedance 1.0等技术资料显示，其模型研发和推理加速过程中亦使用过蒸馏技术。结合《澎湃新闻》关于“不用别人输出换榜单排名”的报道，此次内部讨论更准确地指向避免将其他模型的输出作为提升自身模型能力、追赶短期性能指标的捷径，而非对模型蒸馏技术本身作全面否定。

这一内部要求值得关注，并不只是因为字节选择了一条更强调原创能力的技术路线。随着模型输出本身逐渐成为高价值训练资源，大模型竞争正在从单纯比较参数、算力和Benchmark，延伸至模型能力究竟如何形成、训练资源是否合法取得以及核心技术是否具有独立性。因此，字节此次主动限制竞争性蒸馏，也为观察AI行业下一阶段的知识产权、数据治理和模型资产合规提供了新的切入口。

二、相关事实及背景

（一）事件主体：Seed已成为字节基础模型研发的核心平台。

此次内部表态涉及字节跳动Seed团队。根据Seed官方披露，其研发体系已经覆盖LLM、视觉、多模态交互、AI for Science、机器人及Responsible AI等方向，旗下包括Seed系列基础模型以及Seedream、Seedance等生成式AI模型。因此，此次要求并非普通产品层面的技术调整，而更接近字节对基础模型研发路线的一次内部取向。

（二）核心要求：避免依靠其他模型输出实现短期能力追赶。

根据《澎湃新闻》及路透社报道，张一鸣要求团队避免通过蒸馏其他模型、特别是竞争模型的输出提升自身AI模型能力，即使因此需要牺牲部分短期收益。需要注意，目前公开信息并未披露一份正式的“禁止模型清单”，也不足以证明字节已经全面禁止针对所有商业或开源模型的蒸馏。因此，将此次事件界定为限制利用外部模型输出实现能力追赶的研发路线选择，比表述为“全面禁止AI蒸馏”更为准确。

（三）技术背景：争议焦点并非蒸馏技术本身，而是外部模型能力的获取方式。

模型蒸馏通常是指利用能力更强的“教师模型”（Teacher Model）输出训练“学生模型”（Student Model），使后者以较低训练或推理成本获得相近能力。该技术本身属于成熟的机器学习方法，头部AI企业亦广泛用于自有模型压缩和优化。真正引发争议的是另一种场景：企业通过大规模调用第三方前沿模型获得回答、推理或其他输出，并进一步将其转化为训练数据，用于提升自身竞争模型能力。Anthropic亦明确区分正常蒸馏与其所谓未经授权的竞争性蒸馏。

（四）外部环境：模型蒸馏正在由技术问题演变为平台规则与科技竞争问题。

2026年2月，Anthropic公开指控DeepSeek、Moonshot AI和MiniMax通过约2.4万个欺诈账户与Claude产生超过1600万次交互，用于其所称的“工业级蒸馏”活动，并表示相关行为违反其服务条款和地区访问限制。需要强调的是，这属于Anthropic公开提出的企业指控，并非美国政府已经作出的违法认定。与此同时，OpenAI现行商业条款亦明确限制客户利用其模型输出开发与OpenAI产品和服务竞争的AI模型。由此，围绕模型输出形成的竞争边界，已经开始从单纯的技术伦理问题转向服务条款、模型访问控制、知识产权及AI产业竞争规则问题。

因此，张一鸣此次表态更值得关注的并非字节是否“禁止某项技术”，而是头部AI企业开始主动区分内部合法技术蒸馏与依赖外部前沿模型输出实现能力追赶两种不同路径。在全球大模型竞争加速、模型输出日益成为高价值训练资源的背景下，这一区分可能逐步成为判断模型研发独立性、训练来源合规性以及核心技术资产质量的重要尺度。

三、AI蒸馏为何成为全球大模型竞争新焦点

模型蒸馏本身并不是一项新技术，而是机器学习领域长期使用的模型压缩和优化方法。通过让规模更大的“教师模型”（Teacher Model）向较小的“学生模型”（Student Model）传递知识，企业可以降低模型部署成本、提升推理效率。因此，OpenAI、Google、Meta以及字节Seed等头部AI团队均在不同场景中研究或使用相关技术。

当前行业争议的核心，并非模型蒸馏技术本身，而是利用第三方前沿模型输出作为训练资源，以较低成本获得接近竞争模型能力的行为模式。随着GPT、Claude、Gemini等基础模型商业价值快速提升，模型输出已经不再只是用户交互结果，而逐渐成为具有商业价值的“能力载体”。因此，围绕模型输出的获取、使用和再训练，正在形成新的技术竞争和合规争议。

（一）大模型竞争从“参数和算力竞争”转向“能力来源竞争”

生成式AI早期竞争主要集中于参数规模、训练算力、数据数量、Benchmark成绩等方面。但随着基础模型能力趋于接近，行业关注点开始转向：一个模型的能力究竟如何形成？

如果企业通过自身数据、算法优化、强化学习和工程体系不断提升模型能力，其技术积累具有较强独立性；但如果主要依赖其他领先模型输出进行训练，则可能形成对外部模型能力的依赖。

因此，模型竞争正在从单纯比较“结果”，转向关注“能力来源”（Capability Provenance）。未来企业不仅需要证明模型性能，还需要说明模型训练过程、数据来源和能力形成路径具有合理性。

（二）商业模型输出正在成为新的竞争资源

过去，AI企业主要保护模型参数、训练数据、算法架构等要素。而随着API商业模式的发展，模型输出本身也成为重要资产。

目前，OpenAI等企业已经通过服务协议对模型输出使用方式进行限制。例如，OpenAI商业服务条款限制用户利用服务开发与其产品和服务竞争的模型。此类条款意味着，即使模型输出本身是否受到著作权保护仍存在法律争议，企业之间已经通过合同方式建立新的竞争边界。

因此，AI蒸馏争议实际上涉及三个层面：

第一，技术层面——是否属于正常模型优化；

第二，商业层面——是否突破平台服务授权范围；

第三，竞争层面——是否通过外部模型能力降低自身研发成本。

（三）AI企业开始关注“未经授权蒸馏”风险

近年来，国际AI产业已经开始公开讨论未经授权模型蒸馏问题。

2026年2月，Anthropic公开表示，其发现部分中国AI企业通过大量账户调用Claude模型，并将相关交互用于所谓“工业规模蒸馏”。Anthropic认为，该行为违反其服务条款以及访问限制。需要注意的是，该表述属于企业公开指控，并非司法机关或监管机构已经作出的违法认定，但其反映出领先AI企业正在将模型访问控制和输出保护提升至战略层面。

与此同时，美国、中国和欧盟围绕AI训练数据、模型透明度和基础模型治理的监管框架也在逐步形成。欧盟《人工智能法案》（AI Act）已经要求通用人工智能模型提供者建立版权政策并提供训练数据相关信息摘要；中国《生成式人工智能服务管理暂行办法》亦强调训练数据来源合法性和知识产权保护。

由此，模型蒸馏正在从单纯的工程技术问题，逐渐转变为涉及数据治理、知识产权、商业竞争和跨境合规的重要议题。

（四）字节此次选择反映行业竞争逻辑变化

在这一背景下，字节跳动此次强调避免依赖其他模型输出追赶，并非简单否定蒸馏技术，而是反映头部AI企业对于长期竞争模式的重新判断。

短期而言，利用成熟模型输出可能降低研发成本、提升模型表现；但长期而言，企业仍需要建立自身的数据体系、训练方法和算法能力，否则可能在核心技术上形成外部依赖。

因此，未来大模型竞争的核心指标可能不再只是“模型效果是否领先”，而是进一步包括：“模型能力是否自主形成、训练过程是否可解释、数据来源是否合规”。AI产业正在从技术快速迭代阶段进入技术资产确权和合规治理阶段，而模型蒸馏正成为这一变化中的典型争议场景。

四、法律与政策分析

从多司法辖区法律体系以及技术治理、企业合规和资产价值评估角度看，AI模型蒸馏并不是一个简单的技术选择问题，而是涉及服务授权边界、知识产权归属、数据治理要求以及跨境技术竞争规则的综合性议题。

需要明确的是，目前全球尚不存在“AI蒸馏行为本身违法”的统一法律规则。模型蒸馏作为机器学习领域成熟技术，长期被用于模型压缩、推理加速和降低部署成本。当前监管和产业争议的重点，并非企业是否使用蒸馏技术，而是企业是否未经授权利用第三方商业模型输出训练竞争性模型，以及这种行为是否突破了服务协议、知识产权和公平竞争边界。

（一）服务条款（ToS）成为当前最明确的合规边界

在现阶段，AI蒸馏面临的最直接法律风险并非来自版权，而是来自模型服务商通过合同建立的使用限制。

随着OpenAI、Anthropic、Google等企业逐步采用API商业模式，模型输出已经成为商业服务的一部分。为了防止竞争企业通过低成本方式获取模型能力，多家AI企业在服务协议中设置了限制性条款。例如，OpenAI商业服务条款明确限制用户利用服务输出开发与OpenAI产品或服务竞争的人工智能模型。该类条款的法律基础并不是对模型输出当然享有绝对知识产权，而是基于用户与服务提供商之间形成的合同关系。

因此，如果企业通过API大规模调用第三方模型，并将输出用于训练竞争性模型，可能面临：

一是服务账户终止或访问限制；

二是合同违约责任；

三是商业合作和投资尽调中的合规瑕疵。

需要注意的是，美国对于API调用、网页抓取和违反服务条款是否进一步构成《计算机欺诈与滥用法》（CFAA）责任，目前仍存在司法争议。美国最高法院在 Van Buren v. United States 案中对CFAA适用范围进行了限制，因此不能简单认为违反ToS必然升级为刑事或行政责任。

因此，对于AI企业而言，目前最现实的风险是合同约束和商业模式风险，而非当然产生刑事责任。

（二）知识产权风险：核心争议在于“获取方式”而非蒸馏技术本身

AI蒸馏引发知识产权争议，主要集中在版权和商业秘密两个方向。

首先，在版权层面，目前全球尚未形成明确规则认定模型输出本身具有何种法律属性。单次AI回答、代码片段或文本内容是否构成版权保护对象，在美国、欧盟及中国均存在不同程度的讨论。

但如果企业并非偶然使用模型输出，而是通过自动化方式、大规模收集第三方模型回答，并将其作为训练数据用于商业竞争模型开发，则可能引发新的版权和不正当竞争争议。

美国目前围绕AI训练数据的诉讼，例如新闻机构与生成式AI企业之间的版权争议，尚未完全解决“训练是否属于合理使用（Fair Use）”这一核心问题。但司法和产业关注点正在逐渐从单纯的数据复制，转向：

• 数据获取是否经过授权；
• 是否具有商业替代效果；
• 是否损害原权利人的市场利益。

因此，未来AI蒸馏案件的关键，不一定在于“输出有没有版权”，而在于“大规模获取并商业利用是否改变了竞争关系”。

其次，在商业秘密层面，风险判断更加依赖具体技术事实。如果企业通过蒸馏获取的是未公开系统提示词、内部测试接口、模型安全机制、非公开技术文档、权重或参数信息等内容，则可能涉及商业秘密保护问题。但对于普通用户通过公开API获得的一般模型输出，目前并不能当然认定属于商业秘密。

因此，商业秘密风险的核心在于：企业获得的是公开服务结果，还是通过技术手段获取了未公开模型能力。

（三）美国出口管制与国家安全审查：从技术获取争议走向政策关注

近年来，美国政府持续强化人工智能领域的技术竞争监管，包括先进芯片出口限制、计算资源管控以及对中国AI产业发展的政策审查。

在这一背景下，AI模型蒸馏逐渐进入美国科技产业和政策讨论范围。2026年，Anthropic公开表示，其发现部分中国AI企业通过大量账户访问Claude模型，并将相关交互用于其所谓“工业规模蒸馏”。Anthropic认为相关行为违反其服务条款和访问限制。需要强调的是，该信息目前属于企业公开指控，并非美国商务部（BIS）、财政部（OFAC）或法院已经作出的违法认定。

截至目前，美国出口管制规则尚未将“AI蒸馏”作为独立受控行为，也没有公开规则表明企业因单纯进行模型蒸馏即可自动触发Entity List或OFAC制裁。

但是，从监管趋势看，美国政策关注点正在从传统的芯片、设备、软件出口控制逐渐扩展到AI能力获取路径和技术扩散风险。

因此，未来如果美国监管机构认为某些行为涉及规避出口限制、非法获取受控技术能力或帮助受限制主体获得先进AI能力，相关企业可能面临更高程度的审查压力。

（四）欧盟AI Act推动模型训练来源透明化，强化AI资产合规要求

欧盟《人工智能法案》（Regulation (EU) 2024/1689）代表了目前全球较系统化的AI治理框架。

针对通用人工智能模型（GPAI），AI Act要求模型提供者建立相应治理机制，包括制定版权合规政策、编制技术文件、提供训练内容摘要、建立风险管理体系等。这一制度变化的重要意义在于：未来监管关注的不仅是模型最终表现，而是模型能力形成过程是否具有透明性和可追溯性。

对于AI企业而言，如果模型训练过程中大量使用来源不清、授权不明的数据，可能增加欧盟市场合规压力、商业合作障碍、投资和并购尽调风险等问题。AI Act对于不同类型违法行为设置不同处罚标准，其中对于违反通用AI模型相关义务的行为，最高可处全球年度营业额3%或1500万欧元罚款（视具体情形适用）。

五、事件影响

字节跳动此次强调避免依赖其他模型输出提升自身能力，其影响并不局限于一家企业的研发路线选择，而是反映出全球大模型产业竞争逻辑正在发生变化。过去，AI企业主要通过扩大算力投入、增加训练数据规模以及优化模型架构提升竞争力；但随着基础模型逐渐商业化，模型能力如何形成、训练数据是否合法取得以及技术资产是否具有独立性，正在成为影响企业长期竞争力的重要因素。

换言之，大模型竞争正在从单纯的“性能竞争”转向“性能+合规+可信度”的综合竞争。

（一）法律影响：模型来源证明将成为AI企业新的合规基础设施

此次事件最直接的影响，是推动AI企业重新审视模型训练过程中的来源证明和合规留痕问题。

过去，企业对于AI研发合规的关注重点主要集中于数据安全、个人信息保护以及内容生成治理。但随着模型蒸馏争议出现，监管机构、商业客户以及投资机构未来可能进一步关注：一个模型的能力究竟来源于哪里？

这意味着AI企业需要逐步建立覆盖模型生命周期的合规记录，包括训练数据来源、数据授权情况、第三方模型调用记录、数据清洗流程、训练过程文档以及模型版本迭代记录等。

这一趋势与欧盟《人工智能法案》（AI Act）针对通用人工智能模型（GPAI）提出的透明度和技术文档要求相一致。虽然AI Act并未禁止模型蒸馏，但其监管逻辑正在推动企业证明模型训练过程具有可解释性和可追溯性。

对于未来可能发生的知识产权争议而言，完善的数据来源和模型训练记录并不能当然免除企业责任，但能够成为企业证明研发独立性、善意使用以及合规治理能力的重要依据。

因此，AI企业未来的合规体系将不再局限于传统的数据合规，而将扩展为：数据来源合规、模型训练合规以及能力形成路径合规。

（二）商业影响：短期研发效率承压，长期形成全球市场竞争优势

从商业角度看，拒绝利用外部模型输出快速提升能力，短期内可能增加企业研发成本。

原因在于，依靠第三方领先模型输出进行能力迁移，可以降低部分模型训练成本，提高产品迭代速度。而坚持自主训练路线，则意味着企业需要投入更多资源建设：

• 高质量训练数据体系；
• 算力基础设施；
• 模型训练工程能力；
• 人类反馈强化学习（RLHF）体系；
• 基础研究团队。

因此，在短期Benchmark排名、产品发布速度以及研发投入效率方面，坚持自主路线的企业可能面临一定压力。

但从长期商业价值来看，模型能力来源清晰、训练体系自主可控的企业，更容易获得全球市场认可。特别是在企业级AI市场中，大型跨国企业、金融机构、医疗机构以及政府客户通常更加关注供应商是否具备：

• 稳定的数据来源；
• 清晰的知识产权归属；
• 可审计的模型治理体系；
• 可持续的技术支持能力。

因此，一个性能领先但来源不透明的模型，与一个性能相当但训练过程清晰、风险可控的模型，其商业价值可能存在明显差异。

从资产评估角度看，未来AI模型作为核心无形资产，其价值不仅取决于技术指标，也取决于其权属稳定性和合规可交易性。若模型训练过程中存在潜在知识产权争议或第三方权利追索风险，可能影响企业融资、并购以及海外上市过程中的价值判断。

（三）对中国AI企业的影响：出海模式将从“技术追赶”转向“合规竞争”

对于中国AI企业而言，字节此次内部要求释放出的重要信号在于：依靠外部模型能力快速追赶的空间正在缩小，未来企业需要更加重视自身技术体系和合规体系建设。

过去，一些AI创业企业可能通过调用第三方大模型API、生成大量合成数据、快速训练轻量化模型，以较低成本进入市场。这种方式在技术探索阶段具有一定效率优势，但随着模型服务商强化API使用限制、海外监管关注训练来源透明度，其商业可持续性将面临更多挑战。

对于计划进入海外市场的中国AI企业而言，未来将面临“双重合规压力”。一方面，需要满足中国关于生成式人工智能服务、数据安全和算法治理的监管要求；另一方面，还需要符合海外市场关于AI训练数据透明度、第三方模型使用规则、知识产权保护、企业客户供应商审查等要求。尤其是在欧美企业级市场，客户可能不再仅关注模型效果，而会要求AI供应商提供更完整的合规说明，包括模型训练来源、数据治理制度以及潜在知识产权风险评估。

对中国AI企业而言，未来竞争优势将不再单纯取决于算法能力，而取决于技术研发能力、数据治理能力与全球合规能力的协同发展。只有同时具备自主可控的技术体系、可追溯的数据治理体系以及符合全球监管要求的合规体系，企业才能在全球AI竞争中形成长期商业壁垒。

六、后续观察事项

AI蒸馏争议目前仍处于技术规则、商业规则和监管规则逐步形成阶段。未来需要重点关注以下几个方向：

（一）美国是否将AI能力获取纳入出口管制关注范围

目前，美国尚未出台针对AI模型蒸馏的专项出口管制规则，也未将蒸馏行为本身纳入BIS实体清单或OFAC制裁依据。但随着美国对先进AI能力扩散风险的关注提升，需持续观察BIS是否会围绕模型访问、计算资源使用以及AI能力转移建立新的监管工具。

（二）头部AI企业是否形成模型来源治理标准

字节此次强调避免依赖外部模型输出追赶，可能推动行业进一步关注模型来源证明（Model Provenance）。未来需观察字节及其他头部AI企业是否公开更完善的数据来源审查、模型训练记录和第三方模型使用管理机制，并推动形成行业通行标准。

（三）欧盟AI Office对GPAI监管要求如何落地

随着欧盟《人工智能法案》（AI Act）进入实施阶段，需关注AI Office后续关于通用人工智能模型（GPAI）的技术文档、训练数据摘要、版权政策等要求如何执行，以及中国AI企业进入欧洲市场时面临的合规审查强度。

（四）AI模型资产价值评价体系是否发生变化

未来投资机构、并购方和资本市场可能不再仅关注模型性能和商业化能力，而会进一步审查训练数据来源、知识产权风险和模型治理体系。模型来源合规性可能成为影响AI企业估值和跨境交易的重要因素。

七、结语

字节跳动此次强调避免依赖其他模型输出进行能力追赶，并不意味着AI行业将放弃模型蒸馏技术。作为一种成熟的模型优化方法，蒸馏仍将在模型压缩、推理效率提升和成本优化等领域持续发挥作用。真正发生变化的是，大模型竞争的评价标准正在发生转变。

过去，企业竞争主要围绕算力规模、参数数量和Benchmark成绩展开；未来，模型能力如何形成、训练数据是否具有合法来源、技术资产是否具备可证明性，将成为影响企业长期竞争力的重要因素。AI模型正在从单纯的技术产品，转变为需要经过数据治理、知识产权审查和跨境合规验证的核心数字资产。

对于中国AI企业而言，快速追赶阶段依靠外部模型能力迁移所获得的效率优势正在逐步减弱。未来，企业需要在基础研究、数据治理、模型安全和全球合规体系建设方面持续投入，才能真正形成可持续的国际竞争优势。

从更长周期看，AI产业的竞争不会只是“谁拥有更强的模型”，而将是“谁能够证明自己的模型更可靠、更合规、更具商业价值”。随着美国、欧盟以及中国逐步完善人工智能治理规则，模型来源透明度和技术资产合规性可能成为下一阶段全球AI竞争的重要基础设施。对于计划出海、融资或开展并购的中国AI企业而言，提前建立模型治理体系，不仅是降低法律风险的需要，也是提升企业估值和国际市场信任度的重要战略选择。

世界纷繁复杂，在信息过载的时代，能够读完一篇文章，本身就是一种选择与耐心。感谢您读到这里。

施吉龙（Jilong Shi）

 具有中、美（加州）两国律师资格｜CPA｜CIPP/E｜CTA｜CPV

📧 邮箱Email: duoyunyu@gmail.com 

当前全球监管环境下，无论是出口管制与经济制裁、数据与隐私保护、反商业贿赂、供应链尽职调查、跨境投资并购，还是企业内部控制与公司治理，其风险早已不再局限于法律文本本身。监管机构关注的往往不仅是企业“做了什么”，更关注交易背后的资金流向、供应链结构、控制权安排、数据流动路径以及商业实质。监管机关关注的，往往不是企业如何解释，而是企业是否能够通过合同、财务凭证、审计记录、业务文件和内部控制体系证明其解释。

依托法律、财税、资产评估及数据治理等多维专业背景，施吉龙律师不仅关注“是否合法”，更关注“能否证明合法”；不仅关注“是否存在风险”，更关注“风险是否能够被识别、量化、控制和审计验证”。在为企业提供法律服务过程中，注重从法律规则、财务证据、税务逻辑、商业模式及监管趋势等多个维度审视问题，努力将法律语言转化为管理语言，将监管要求转化为可执行、可审计、可证明的商业方案，帮助企业在合规经营、风险控制与价值创造之间实现长期平衡。

一、法律逻辑定边界、分责任

通过合同、制度和流程建设，明确权责边界，将法律风险转化为可执行的管理要求。

二、财税审计留凭证、验清白

通过穿透式核查与证据链管理，实现业务真实、财务清晰、证据完整。

三、趋势洞察控风险、占先机

关注全球监管趋势与执法动态，帮助企业提前识别风险，把握发展先机。