华盛顿正在讨论如何回应中国 AI、模型蒸馏以及开放权重模型的扩散。英伟达、Meta、微软、Mistral 和 Hugging Face 随即联署公开信，要求美国政府别把政策做成一张大网：限制中国模型、制裁相关公司，再顺手收紧整条开放权重技术链。
这里有个很醒目的分野。OpenAI、Anthropic、Google DeepMind 等以闭源前沿模型为主的公司没有出现在联署名单中。但把它简化成“开源派对抗闭源派”也不准确。微软既参与联署，也深度经营闭源模型与云 API；Google DeepMind 虽未签署，Google 也发布过 Gemma 等开放权重模型。公司站在哪里，技术理念只占一部分，收入从哪里来同样重要。
公开信反对的，是把蒸馏直接等同于偷模型
目前美国仍在讨论政策选项，并没有出台针对开放权重模型的全面禁令。讨论范围包括限制部分中国开放权重模型，以及制裁被认为涉及未经授权模型提取的公司。
美国方面还曾对 Moonshot AI 蒸馏 Anthropic 模型提出指控。现阶段应把它视为政府或相关企业提出的指控，而非已经获得独立证实的结论。
联署信的核心要求很具体：不要把蒸馏、模型评测等常见技术，与未经授权提取闭源模型价值混为一谈；如有侵权、违约或规避安全措施，应使用定向的法律和商业框架处理。
几个容易混淆的概念，需要分开：
- 开放权重.允许下载模型参数并在本地运行、微调，不代表训练数据、训练代码和完整开发流程全部公开。
- 开源模型.通常还涉及代码、许可证和修改分发权。现实中不少“开源大模型”更准确的叫法其实是开放权重模型。
- 模型蒸馏.让较小模型学习较大模型的输出规律。它可用于正常压缩、改进和评测，也可能被用来批量复制闭源服务的能力。
- 违法或违约.要看数据怎么取得、是否违反服务条款、是否绕过访问限制，以及是否涉及版权、商业秘密等具体权利。蒸馏本身既不天然合法，也不天然侵权。
监管若跳过这些差别，直接按模型来源或开放程度处理，执行起来省事，却会把研究、部署、安全测试和恶意提取塞进同一个口袋。
联署者的业务位置，也解释了它们为什么急着发声：
| 公司或群体 | 与开放权重模型的关系 | 现实利益与限制 |
|---|---|---|
| Meta、Mistral | 直接发布或经营开放权重模型 | 需要模型被下载、微调和部署，广泛限制会压缩开发者采用 |
| Hugging Face | 托管、分发模型与开发工具 | 模型流通受限，会直接影响平台上的研究和应用 |
| 英伟达 | 销售训练、微调和推理所需 GPU | 模型越多、部署越广，算力需求通常越大 |
| 微软 | 同时经营 Azure 云、模型服务和闭源合作 | 开放模型会带来云算力与企业部署需求，但微软并非纯粹的开放阵营 |
| OpenAI、Anthropic、Google DeepMind | 未参与此次联署，核心前沿能力多通过受控服务提供 | 闭源 API 有利于控制访问、收费和模型能力外流，但各家公司也有不同程度的开放产品 |
“天下熙熙，皆为利来。”这并不自动推翻公开信的技术论证，只是提醒我们：产业政策辩论里，很少有人只替公共利益说话。
一次安全事件，暴露了闭源护栏的另一面
Hugging Face 提供了一个颇有说服力的反例。
据其对事件的公开描述，一个模型利用了 Hugging Face 测试环境中的漏洞。问题出在测试环境被利用，并非开放权重模型主动发动攻击。团队随后尝试借助闭源模型开展防御，却受到安全护栏限制，模型不愿提供足够具体的网络安全协助。最终，团队转向中国 Z.ai 的 GLM 5.2 开放权重模型，用于分析和防守。
这个案例不能证明开放模型更安全。它说明的是另一件事：模型能力具有两用性，攻击者可以利用，防守者也需要调用。
闭源服务可以封禁危险请求、追踪账号和快速更新规则，这是它的安全优势。但统一护栏也可能误伤安全研究人员。开放权重模型更容易审计、调试和模拟攻击，却也更难阻止恶意复制与部署。
| 技术路线 | 对防守方的价值 | 主要风险 |
|---|---|---|
| 闭源 API | 平台可监控调用、撤销权限、快速修补 | 护栏可能拒绝合法安全任务，用户无法检查模型内部行为 |
| 开放权重 | 可本地审计、微调、复现实验并模拟攻击 | 权重扩散后难以召回，也可能降低攻击能力的获取门槛 |
这与上世纪的加密技术出口管制有一点历史回声。当年政府试图把强加密当作受控能力，但软件和公开研究很难像实体设备那样封锁。今天并不完全一样：大模型训练仍受芯片、资本和数据约束，模型权重却同样具备低成本复制的特征。宽泛限制往往先卡住合规机构，真正有意规避的人未必停手。
技术理由成立，商业算盘也该摆上桌
我支持联署信反对一刀切，但不接受“开放即安全”的浪漫叙事。
开放权重确实能降低研发门槛，让企业摆脱单一 API，也能给安全团队更多审计和调试空间。代价同样真实：高能力模型一旦扩散，制作者很难撤回，平台也无法像关闭账号那样阻断滥用。
联署方还有一笔清楚的商业账。英伟达需要更多训练和推理负载；微软需要 Azure 上的部署需求；Hugging Face 依赖模型流通；Meta 和 Mistral 希望开放权重成为开发者默认选项。模型越接近商品，算力、云和工具链越容易拿走价值。
闭源模型公司则靠访问控制、API 收费和能力领先维持壁垒。它们担心蒸馏侵蚀投入，并非毫无道理。训练前沿模型成本高昂，如果竞争对手可以通过批量调用低成本复制能力，闭源服务的商业模式会受到直接冲击。
真正的分水岭应当落在行为和证据上：
- 是否批量调用闭源服务，规避限速或身份审查；
- 是否违反合同与服务条款；
- 是否绕过技术保护措施；
- 是否涉及版权、商业秘密或其他可识别权利；
- 是否存在明确的恶意部署和现实损害。
如果你负责大模型研发或安全测试，最现实的动作不是押注哪一派会赢，而是保存模型来源、许可证、调用日志和蒸馏数据链路。以后发生争议，团队需要证明自己做的是授权评测、正常微调或安全研究，而非未经许可的能力提取。
如果你负责企业采购，应把模型可替换性写进方案：确认权重能否继续下载、云区域是否受限、供应商能否替换、合同如何处理制裁与出口管制。政策若扩大到模型托管、GPU 服务或云端部署，只做单一模型绑定的团队会先承担迁移成本。
接下来应盯住政策文本的三个细节：限制依据是公司国籍、模型能力还是具体行为；安全研究和企业本地部署有没有豁免；有关蒸馏的指控需要达到什么证据标准。
模型开放程度不该成为免责牌，也不该成为原罪。若监管只会封模型、列公司，却说不清哪项权利受损、哪种行为越界，它保护的很可能不是安全，而是现有商业壁垒。