谁有权训练谁？Kimi–Claude 争议中的蒸馏与数据边界

Anthropic 在 2026 年 9 月的一份威胁情报报告中指控，Moonshot 将部分 Kimi 客户请求转发给 Claude，并保存部分交互用于提取推理轨迹和训练模型。报告同时明确表示，它不知道 Moonshot 是否告知了相关用户。

这使争议不能只被压缩成一句“Kimi 有没有偷 Claude”。真正交叠的是三种不同权利：源模型提供者保护研发成果的空间，蒸馏方观察和学习竞争产品的空间，以及用户决定自己数据如何被处理的权利。

资料核验截至 2026 年 9 月 17 日。本文讨论技术、合同与数据治理问题，不构成针对具体当事人的法律意见。

先把指控、事实和判断分开

报告提到两组不能混用的数据：一个十天窗口内约 30 万条客户请求被转发；另有 2026 年 5 至 7 月归因于 Moonshot 的超过 2300 万次蒸馏交互。后者不是“被转发用户”的数量，更不能由此推出 2300 万名用户的数据都被转交。

报告是利益相关方给出的技术归因，不是司法判决。访问方式、账户关系、用户是否知情、训练数据如何形成，都需要分别举证。合理的讨论既不能把报告当成终局结论，也不能因为它来自竞争对手就忽略其中可核验的技术证据。

知识蒸馏让学生模型学习教师模型提供的输出、解释或其他训练信号。它可以发生在同一家公司内部，也可以发生在明确授权的合作里。技术有正当用途，不代表每一批训练数据来源都正当；存在一个“学生”，也不等于“老师”天然受到了侵害。

推理轨迹之所以有价值，是因为它不只给出答案，还展示任务拆解、验证和修正的样例。但拿到一段 reasoning，不等于拿到模型权重，更不等于复制了完整智能。输出、公开可观察的行为和受到保护的内部信息，必须分开判断。

“Claude 可以学习互联网，Kimi 为什么不能学习 Claude”是一个有效追问，却不是免责答案。上游训练要说明数据来源和法律依据，下游蒸馏也要说明访问许可与使用边界。不能把所有上游训练都美化成学习，再把所有下游复用都概括成窃取；反过来也一样。

Anthropic 商业条款一方面约定客户在适用法律允许范围内拥有输出，另一方面限制利用服务开发竞争产品或训练竞争模型。这不必然矛盾，因为“输出可能归谁”“合同承诺允许怎么用”“法律是否赋予排他权”本来就是三条不同路径。

AI 输出也并非天然都受完整版权保护。人类创作部分、输出中已有作品的表达、纯机器生成部分可能处于不同状态。即使某段输出缺乏版权，也不能自动抹去有效合同；而一家公司的服务条款，也不能不经分析就变成约束所有市场参与者的普遍法律。

真正需要追问的是：谁接受了哪一版合同，通过什么账户和渠道取得输出，限制条款能否有效纳入，以及具体行为能否归责于相关主体。

即使源模型提供者明确允许蒸馏，真实用户的任务仍可能沿着另一条链路流动：

用户内容 → 前端 AI 产品 → 第三方模型 → 保存与整理 → 学生模型

这条链路中的提示词可能包含个人信息、雇主内部代码或第三方作品。上传者能够粘贴内容，不等于有权替所有相关主体作出无限授权；用户同意完成当前任务，也不等于同意所有接收方、保留期限和后续训练用途。

因此，数据治理必须单独回答：实际接收方是谁，处理目的是什么，是否只按委托执行，数据保留多久，能否进入训练，以及用户如何查询、限制或删除。源模型与蒸馏方之间的许可，不能代替用户对数据处理的授权。

与其给所有行为排一条从“正常学习”到“盗窃”的情绪阶梯，不如独立检查四个维度：

产品可以先做几件具体的事：清楚披露是否调用第三方模型；允许企业管理员限制供应商；把完成当前任务与后续训练分开说明；记录数据来源和允许用途；用最小化的路由审计记录接收方、用途和授权状态，而不是再复制一份完整对话。

AI 时代确实需要保留学习和竞争的空间，否则模型能力会被少数服务商永久封闭。但“学习的自由”不是一张覆盖访问方式、合同承诺和用户数据的通行证。

谁主张学习的自由，谁就应说明尊重了哪些边界；谁主张排除别人学习，也应说明控制建立在哪项权利上。最不能被省略的，是最初提交问题的那个人。

技术进步可以来自相互学习，但不应把某一方失去控制的代价，隐藏在另一方模型变强的成绩里。