蒸餾被妖魔化了，但過度的蒸餾也有代價

在 AI 領域，模型蒸餾（knowledge distillation）長期以來存在著正反兩面的激烈討論。一方面，這項技術被視為將大模型能力「縮小」並部署到終端設備的關鍵手段；另一方面，隨著開源模型與閉源模型之間的競爭加劇，蒸餾逐漸被部分業界人士貼上「抄捷徑」甚至「侵權」的標籤。近期在上海舉辦的世界人工智慧大會（WAIC）上，多位專家與創業者對這一話題提出了更為平衡的看法：蒸餾本身並非原罪，但當業界為了追求成本與速度而過度依賴蒸餾時，其長期代價可能遠比想像中更大。模型蒸餾的核心邏輯，是讓一個較小的學生模型模仿一個較大的教師模型的行為，藉此壓縮參數量的同時保留大部分性能。

這種做法在移動端晶片、邊緣運算場景中尤為常見，因為它讓即使算力有限的裝置也能運行近似旗艦模型的推理能力。然而，隨著 DeepSeek 等開源模型迅速崛起，市場上開始出現大量以蒸餾為基礎的「重新包裝」產品，這些產品往往只修改少許介面或提示詞，就號稱擁有與原模型相當的智慧。這種現象讓部分開發者與投資人開始擔憂：過度蒸餾是否正在稀釋整個生態系的創新動能。從商業角度來看，蒸餾確實為中小型團隊打開了一扇低成本進入市場的大門。過去訓練一個百億參數級別的模型需要數百萬美元的成本，如今透過蒸餾與微調，團隊可以用極低的預算複製出可用的模型服務。

這也是為何阿里、月之暗面等中國 AI 巨頭近期紛紛調整定價策略，甚至針對大客戶推出分潤或抽成機制的背景之一。市場上傳出 DeepSeek 漲價、阿里對 API 調用收取更高比例費用的消息，正是因為原創模型的維護成本與蒸餾產品之間的價格戰已開始擠壓上游供應商的利潤空間。然而，蒸餾並非毫無缺點。多位技術專家在大會期間指出，過度的蒸餾會導致學生模型在面對罕見輸入或邊界案例時表現急遽下降，因為它只學會了教師模型在常見情境下的反應，而未能掌握真正的泛化能力。這在自動駕駛、醫療診斷等對安全與穩定性要求極高的領域中可能帶來致命風險。

更進一步來看，如果整個產業都把資源投入蒸餾而非原創模型訓練，那麼長期下來，模型的多樣性與進步速度都會受到抑制，最終形成一個「大家都抄襲同一份知識」的同質化陷阱。此外，蒸餾還引發了關於智慧財產權與競業規範的討論。雖然目前中國法律尚未對模型蒸餾給出明確的侵權界定，但部分模型提供者已開始透過使用者條款限制蒸餾行為，並透過 API 流量監控與異常偵測來防止大量蒸餾請求。一些業內人士認為，蒸餾與模仿之間僅有一線之隔，若監管層面遲遲未有回應，未來可能出現更多圍繞蒸餾衍生的爭議與訴訟。值得注意的是，WAIC 上也有觀點認為不該因噎廢食。蒸餾技術本身是一種中性的工具，關鍵在於使用的動機與方法。

如果團隊是基於學習、研究或為了讓更多使用者能接觸到 AI 能力，那麼蒸餾完全值得推廣；但如果只是為了短期商業利益、快速推出同質化產品而不做任何原始創新，那麼這股風氣終將對整個 AI 生態造成傷害。業界呼籲，應該建立更透明的蒸餾標示機制，讓使用者知道背後模型的來源與壓縮程度，從而做出更理性的選擇。在中國 AI 市場競爭日益激烈的當下，蒸餾已成為不可迴避的議題。從 DeepSeek 到月之暗面，從阿里到各類新創團隊，大家都在摸索一條既能利用蒸餾降低門檻、又不至於扼殺原創力的道路。正如大會上某位與會者所言：「蒸餾不是不好，只是我們不能讓蒸餾變成唯一的路。

」未來，誰能在效率與創新之間找到最佳平衡點，誰就可能在下一波 AI 浪潮中站穩腳步。