上周，中国人工智能实验室 DeepSeek 发布了其 R1 推理 AI 模型的更新版本，该模型在多项数学和编码基准测试中表现优异。该公司并未透露用于训练该模型的数据来源，但一些 AI 研究人员推测，至少有一部分数据来自Google的 Gemini AI 系列。
墨尔本的开发者 Sam Paeach 为人工智能开发了“情商”评估工具，他发表了一篇他声称有证据证明 DeepSeek 的最新模型是基于 Gemini 的输出进行训练的。Paeach 在一篇 X 帖子中表示，DeepSeek 的模型名为 R1-0528，它偏好的词语和表达方式与Google Gemini 2.5 Pro 所青睐的词语和表达方式类似。
这并非确凿的证据。但另一位开发者，一位匿名创建了名为SpeechMap的 AI“言论自由评估”项目的开发者，指出 DeepSeek 模型的轨迹——即模型在得出结论的过程中产生的“想法”——“读起来就像Gemini的轨迹”。
DeepSeek 此前曾被指控使用竞争对手的 AI 模型数据进行训练。去年 12 月，开发人员发现DeepSeek 的 V3 模型经常将自己标识为 OpenAI 的 AI 聊天机器人平台 ChatGPT，这表明它可能是在 ChatGPT 聊天记录上进行训练的。
今年早些时候，OpenAI 向英国《金融时报》透露，其发现证据表明 DeepSeek 与“数据蒸馏”技术有关。“数据蒸馏”是一种通过从更大、更强大的模型中提取数据来训练 AI 模型的技术。据彭博社报道，OpenAI 的密切合作伙伴和投资者微软在 2024 年底发现，大量数据通过 OpenAI 开发者账户被泄露——OpenAI 认为这些账户与 DeepSeek 有关。
提炼并不是一种罕见的做法，但 OpenAI 的服务条款禁止客户使用该公司的模型输出来构建竞争性人工智能。
需要明确的是，许多模型会错误地识别自身，并趋同于使用相同的词语和措辞。这是因为开放网络（AI 公司获取大量训练数据的地方）正充斥着 AI 垃圾内容。内容农场正在利用 AI 制作点击诱饵，而机器人则充斥在 Reddit 和 X 上，这种“污染”使得 从训练数据集中彻底过滤人工智能输出变得相当困难。
不过，非营利性人工智能研究机构 AI2 的研究员 Nathan Lambert 等人工智能专家并不认为 DeepSeek 使用Google Gemini 的数据进行训练是不可能的。
“如果我是 DeepSeek，我肯定会用市面上最好的 API 模型创建大量合成数据，”Lambert在 X 的一篇文章中写道。“DeepSeek 的 GPU 很紧缺，但资金却很充裕。这对他们来说实际上意味着更多的计算资源。”
为了防止数据提炼，人工智能公司一直在加强安全措施。今年 4 月，OpenAI 开始要求各组织完成身份验证流程，才能访问某些高级模型。该流程要求持有 OpenAI API 支持的国家/地区政府签发的身份证件，但中国不在该名单上。
此外，Google最近开始“汇总”其 AI Studio 开发者平台上模型生成的轨迹，这一举措使得在 Gemini 轨迹上训练高性能竞争对手模型变得更具挑战性。Anthropic 今年 5 月表示，将开始汇总自身模型的轨迹，理由是需要保护其“竞争优势”。
