AI大模型训练遇数据瓶颈，数据获取难题待破解

近期，AI大模型领域的一场跨国风波引发广泛关注。美国AI公司Anthropic指控中国三家大模型厂商DeepSeek、Kimi和MiniMax发起“蒸馏”攻击，通过虚假账户大规模调用其Claude模型接口获取数据优化自身模型。这一事件不仅将“蒸馏”这一技术手段推至台前，更折射出国产大模型在发展进程中面临的复杂困境与破局之道。

## “蒸馏”争议：技术边界与商业规则的碰撞

在AI模型技术领域，“蒸馏”本是一种常见训练方式，即利用强模型输出去训练弱模型，通过商业模型生成合成数据提升自家模型性能。然而，Anthropic在服务条款中明确禁止厂商使用其输出结果开发竞争模型，此次指控三家国产大模型厂商模拟复杂编程场景和API调用环境，使用大量虚假账号伪装IP，避免触发API频率限制和风控，引发了开发者社区的激烈讨论。

支持Anthropic的开发者认为，大规模注册假账号“薅羊毛”的行为违反商业契约，破坏公平竞争原则；而部分网友则讽刺Anthropic，质疑其训练模型时使用的互联网数据是否都向原作者付费。在模型公司负责海外业务与技术开源的工程师李轩看来，Anthropic公告中的“蒸馏攻击”一词带有贬义，且“偷师”海外模型并不代表国产模型技术能力差，更多是受资源限制的无奈之举。

从技术定义上，“蒸馏”边界并非绝对，李轩更倾向于用“数据合成”“冷启动”等中性词汇替代。他指出，DeepSeek在其V3大模型技术报告中提及的“冷启动数据”，虽未明确来源，但通过调用其他模型获取训练素材的做法在行业内普遍存在，目的是补充训练数据，提升模型在特定领域表现，弥补自身能力短板。

## 数据与算力：国产大模型发展的双重枷锁

国产大模型的发展速度与算力、数据、算法紧密相关，而数据和算力正是当前面临的两大隐性瓶颈。

在数据方面，海外厂商凭借雄厚资金，可对细分领域数据进行极致标注。以数学竞赛题为例，海外厂商可投入上亿美元邀请顶级科学家标注数据，一套IMO级别的数学题标注成本可能高达数千万元，单条题目标注费用甚至超过1万元。相比之下，国内数据标注产业尚处发展阶段，高端数据标注人才稀缺，如IMO级别的数学题，国内能准确解答的专家数量有限，数据标注成本高昂，元鼎证券国内厂商根本无力复制海外的极致标注模式。

算力方面，国内大模型训练主要依赖英伟达GPU，但受美国出口管制影响，高端芯片获取难度极大。国产大模型面临“有钱也买不到卡”的困境，训练阶段算力不足会限制模型规模，推理阶段算力不足则会影响用户体验。MiniMax在招股书中披露，2023年至2025年前9个月账面亏损超12亿美元，摩根士丹利估算其月均现金消耗约2790万美元，这也从侧面反映出算力成本对国产大模型厂商的巨大压力。

## 破局之路：聚焦垂直场景与强化基础研究

面对数据和算力的双重枷锁，国产大模型厂商并非无计可施。在长期推动模型业务“出海”过程中，李轩发现海外模型在中文理解和文化适配方面存在不足，这为国产模型提供了发展机会。

如今，模型间“蒸馏”逐渐出现天花板，一位国产大模型管理人士表示，现今已“蒸”不出高价值的数据，若全球从业者都选择蒸馏，无人探索原生逻辑，AI的进化或将陷入“近亲繁殖”的循环。因此，与海外厂商追求全能型模型不同，国内厂商可聚焦垂直场景，打造细分领域的优势。例如在中文处理、政务服务、医疗健康等领域，国产模型凭借对本土文化和业务场景的深入理解，能够提供更精准、高效的服务。

同时，国内厂商正在加大基础研究投入，在高效训练、小样本学习、多模态融合等领域取得不少研究成果。甚至可以基于领先的国产模型架构进行二次创新，推出更高效的新模型，加入全球模型能力的竞争。如KimiK2宣布完全开源且允许商用，其架构虽与DeepSeekV3基本一致，但也是国产模型在借鉴成熟架构基础上进行创新的一次尝试。

当前，AI大模型领域的竞争愈发激烈，国产大模型在发展过程中既面临着数据和算力的挑战，也迎来了垂直场景发展和基础研究创新的机遇。在这场突围战中，国产大模型厂商需在遵循商业规则和技术伦理的前提下十大线上实盘配资，合理利用“蒸馏”等技术手段，聚焦垂直场景，强化基础研究，以实现自身的可持续发展，在全球AI大模型竞争中占据一席之地。