KeyFrame內部研究專用

天啊,这次轮到阿里!Anthropic告到参议院,中国大模型团队全被盯上了?

算力女粉丝·6月29日週一·6 min中文

三句話摘要

Anthropic指控中國AI公司通過API調用大規模蒸餾Claude模型,引發美國AI竞争的新戰線——從芯片封鎖擴展到模型輸出本身的控制。 AI競爭的規則正在改寫,從爭奪芯片擴展到保護模型輸出本身,而產業的產權邊界定義權正掌握在最先進的公司和政府手中。 模型蒸餾的新玩法:中國公司不偷代碼權重,只通過API提問記錄答案,用高質量輸出訓練自己的模型。這繞過了最昂貴的研發環節——大模型公司花幾十億美元打磨的能力被以API調用費低成本複製。

重點整理

重點
  • 1

    模型蒸餾的新玩法:中國公司不偷代碼權重,只通過API提問記錄答案,用高質量輸出訓練自己的模型。這繞過了最昂貴的研發環節——大模型公司花幾十億美元打磨的能力被以API調用費低成本複製。

  • 2

    從商業糾紛升級為國家安全:Anthropic從2月的公開曝光升級到6月直接呈報美國參議員,一旦進入國會層面就不再是服務條款違規,而是潛在的國家安全威脅和出口管制問題。

  • 3

    AI封鎖邊界的擴張:美國過去主要限制芯片供應(GPU芯片禁售),現在要保護的是模型輸出本身——每次推理、每個回答都可能變成他人的訓練數據,模型本身成為技術轉移載體。

  • 4

    AI產權的深層矛盾:Anthropic過去用互聯網全量數據訓練模型稱之為"學習",如今反對他人用自己回答訓練模型稱之為"竊取",反映出產業尚未定義什麼構成合法學習與不當使用的邊界。

實用技巧與重點

乾貨
  • 時間與規模數據:
  • 事件一:2026年4月22日至6月5日
  • 欺詐賬號數量:近2.5萬個
  • 交互次數:超過2880萬次
  • 事件二:2026年2月
  • 涉及公司:DeepSeek、暗面、Kimi、MiniMax等
  • 交互次數:超過1600萬次
  • 關鍵概念:
  • 對抗性蒸餾(adversarial distillation)
  • API調用成本相比芯片與訓練成本極低
  • 模型輸出=訓練數據=技術資產
  • Anthropic的主張:
  • 大模型公司投入數十億美元才達到現有能力水平
  • 模型的軟件工程能力、智能體能力、複雜推理能力是真正昂貴的部分
  • 每次回答都可能暴露一種能力、成為他人訓練素材

結論

結論

AI競爭的規則正在改寫,從爭奪芯片擴展到保護模型輸出本身,而產業的產權邊界定義權正掌握在最先進的公司和政府手中。

完整解析

詳細

這段視頻討論的是美國AI巨頭Anthropic最近發起的一場指控,矛頭指向中國大模型公司。根據Anthropic在6月寫給美國參議院的信件,阿里巴巴的新聞團隊相關運營者從4月22日到6月5日,利用近2.5萬個欺詐賬號向Claude API發起了超過2880萬次的交互。這不是首次——早在2月,Anthropic就曾公開點名DeepSeek、暗面、Kimi和MiniMax,指控這些公司的賬戶對Claude發起了超過1600萬次的交互。

表面上看,Anthropic指控的是違反服務條款的濫用行為,但事件的本質涉及一個更深層的問題:模型蒸餾。簡單來說,蒸餾就是利用強大模型的輸出來訓練較小的模型——學生不直接偷師傅的代碼和權重,只是不斷提問並記錄高質量答案,用這些答案重新訓練自己的模型。業界普遍這樣做,用強模型生成數據訓練更便宜的小模型,這在技術上是合理的。但當競爭對手批量調用你的API、系統性地用你的回答訓練自己的模型時,性質就變了。Anthropic眼中的真正威脅不是API被多調用了幾次,而是Claude最昂貴的部分——那些經過數十億美元投入、通過工程團隊反覆調試、加入人類反饋和安全訓練才打磨出來的能力——被以API調用費這種極低成本輕易複製了。

更關鍵的是,Anthropic將這件事呈報給了美國國會。這一步將事件從商業糾紛升級為潛在的國家安全問題。一旦進入政府層面,問題就不再是平台封號或提高API價格(競爭對手總能想辦法繞過),而可能演變成出口管制、黑名單制裁,甚至直接禁止中國團隊接觸美國最先進的AI能力。Anthropic想讓美國政策制定者接受一個新概念:AI的真正控制點不只是芯片。過去幾年美國通過禁止GPU出口來限制中國AI發展,但如果中國團隊拿不到先進芯片卻可以通過API調用美國最強模型並用其輸出訓練自己的系統,那就相當於變相獲得了能力。在這個邏輯下,模型的每個回答都成了技術轉移的載體。

這裡卻存在深刻的矛盾。Anthropic和整個大模型行業過去恰恰是用互聯網全量數據訓練出來的,當時業界的說法是"這是學習、這是合理使用"。現在輪到自己被學習時,他們改口說"這是能力抽取、這是不當竊取、這是侵犯資產"。這反映了AI產業最尷尬的地方:產權邊界根本沒有定義清楚。人類寫的文字能被模型學習嗎?可以。模型生成的答案能被另一個模型學習嗎?Anthropic說不能。但如果前者可以,為什麼後者就不可以呢?

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。