知识蒸馏模式的风险与纾解——以DeepSeek为例.pdfVIP

2025年8月湖北经济学院学报（人文社会科学版)Aug.2025

第22卷第8期JournalofHubeiUniversityofEconomics（HumanitiesandSocialSciences)Vol.22No.8

知识蒸馏模式的风险与纾解

——以DeepSeek为例

马煜凯，许俊伟（安徽财经大学法学院，安徽蚌埠233041）

摘要：随着我国生成式人工智能的蓬勃发展，DeepSeek横空出世，其以较低的训练成本培育出高质量的生成式人

工智能模型，为我国生成式人工智能市场注入强大活力，还为全球人工智能创新开辟了新路径。DeepSeek凭借知识蒸馏

这一技术模式所获取的商业成功引发了市场的广泛关切。然而，知识蒸馏模式仍存在模型训练的知识产权风险、数据保

护与隐私风险以及生成内容的责任风险。为此，应确立侵权判断标准促进企业合规运营、构建全流程全主体的数据保护

策略并且明确各方责任提升透明度标准。希冀以此破除知识蒸馏模式所蕴含的负外部性风险并襄助我国生成式人工智

能产业的高质量发展。

关键词：DeepSeek；生成式人工智能；知识蒸馏；知识产权；个人信息保护；归责问题

一、问题的提出及敏感数据，若未能有效实施数据隐私安全保护措

自美国人工智能研发公司OpenAI推出ChatGPT施，可能导致隐私泄露及数据滥用。最后，生成式人

以来，生成式人工智能技术在诸多领域引发深远影工智能的归责问题仍存在障碍。由于知识蒸馏模式

响。2025年1月，我国科技企业发布推理模型下“学生模型”的输出结果并非完全源于特定训练数

DeepSeek-R1，在多项评测中达到或超越国际先进据，还涉及基于“教师模型”的知识迁移，若生成内容

水平，其以同类研发团队1/10的训练成本实现高质涉及虚假、侵权及违法内容，如何确定归责主体及其

量大语言模型的研发，并且该模型在推理能力、场景法律责任成为实践中的难点。

适配性等方面树立了新标杆。其所获取的技术突破为促进知识蒸馏模式下生成式人工智能产业的

归功于其对知识蒸馏（KnowledgeDistillation）技术健康发展，并有效规制其可能招致的负外部性风险，

的高效利用。知识蒸馏作为一种知识迁移与模型优亟须在知识产权保护、个人信息与数据安全以及归

化技术，其核心在于通过“教师模型”（Teacher责机制方面采取相应规制策略。首先，应细化知识

Model）向“学生模型”（StudentModel）传递高效信蒸馏模式下知识产权侵权的判断标准，并加强对数

息，使“学生模型”在较低计算成本下仍能保持优越据、技术及模型利用的合规要求。其次，应强化对个

的泛化性能和推理能力。相较于传统的模型训练方人信息及数据的保护，建立更加完善的数据隐私保

式，知识蒸馏具有提升训练效率、优化模型性能和减护机制，同时加强对企业数据安全合规的建设。最

［1］

少计算资源消耗等优势。后，应明确知识蒸馏模式下生成式人工智能的归责

然而，该模式的技术特征也可能招致一系列法原则，通过比例归责机制的引入，明确各方主体的法

律风险。由于知识蒸馏依赖于已有数据与模型输出律责任，并建立预防性规制措施以减少归责不确定

进行知识迁移，其在训练数据及模型的使用、数据隐性可能带来的法律风险。希冀以此保障知识蒸馏模

私安全及生成内容的法律责任方面均可能引发法律式合规性的同时推动我国生成式人工智能产业的健

风险。首先，知识蒸馏模式下的模型培育易招致知康发展。

识产权风险，若未经授权使用受保护的数据及模型二、知识蒸馏模式的技术特性及价值

进行模型训练，可能构成知识产权侵权。其次，知识在人工智能技术飞速发展的背景下，模型的轻

蒸馏涉及对大规模数据的处理，其中包含个人信息量化与高效优化已成为业界关注的核心议题。知识

基金项目：安徽财经大学教学研究一般项目“新时代我国法学本科教育革新研究”（acjyyb2023014）

作者简介：马煜凯（2