DeepSeek 被疑使用 Google Gemini 訓練資料，被抓包推理軌跡以及語言風格太近似質疑為「AI 蒸餾」

中國 AI 實驗室 DeepSeek 日前推出 R1 系列推理模型最新版本「R1-0528」，在多項數學與程式能力基準測試中表現亮眼。不過，該公司並未說明模型的訓練資料來源，這也引發外界對其資料來源正當性的質疑——部分 AI 研究者推測，R1 模型可能使用了來自 Google Gemini 的輸出資料進行訓練。

社群發現語言風格過於相似

澳洲墨爾本開發者 Sam Paeach 指出，DeepSeek R1-0528 所偏好的詞彙與表達方式，與 Google Gemini 2.5 Pro 極為相似。他在 X（前 Twitter）發文指出，這類語言風格趨同「不是巧合」，並附上多組語料對照圖。

另一位匿名開發者、曾建立 AI 言論自由測評工具「SpeechMap」的作者也認為，R1 模型的推理軌跡與 Gemini 模型相當接近。推理軌跡指的是模型在做出結論時展開的思考流程，這類相似性在專業圈內被視為可能的「蒸餾訓練」跡象。

R1 不是第一次捲入爭議，曾冒充 ChatGPT 身份

這並非 DeepSeek 第一次遭疑未經授權使用他人模型資料。早在 2023 年底，有開發者發現 DeepSeek-V3 模型常自稱為 ChatGPT，引發懷疑其可能基於 OpenAI 輸出內容進行蒸餾訓練。

據《金融時報》報導，OpenAI 曾表示發現 DeepSeek 使用了「從其平台蒐集的大量聊天記錄」，而這些記錄來自某些疑似遭濫用的開發者帳號。OpenAI 甚至懷疑 DeepSeek 與這些帳號存在直接關聯。

蒸餾訓練（Data Distillation）指的是透過大型模型生成的結果，再用來訓練中小型模型的技術，雖在研究界早有討論，但目前許多大型 AI 公司，如 OpenAI、Google、Anthropic 等皆在服務條款中明確禁止將其模型輸出用於訓練競爭性模型。

訓練資料污染已成 AI 業界普遍挑戰

AI 輸出風格趨同，不見得就代表資料來源重疊。現今大量 AI 垃圾內容充斥網路，不少爬蟲訓練資料已難以避開 AI 產出的文本，這也讓各家模型語言風格漸趨一致，難以明確辨識來源。

AI 非營利機構 AI2 的研究員 Nathan Lambert 表示：「如果我是 DeepSeek，有資金但算力有限，我會大量透過 API 建立合成資料庫」，並指出這種策略對成本有限的團隊來說是相當常見的解法。

安全機制持續升級，但中國地區仍有漏洞

為防止輸出被拿來反向訓練他牌模型，OpenAI 自 2024 年起便實施更嚴格的 身分驗證制度，要求開發者提供政府核發的身分證明，才能使用高階 API 功能。不過，中國地區並不在支援名單中，這也成為灰色地帶。

Google 也已開始限制 Gemini 的使用者「提取推理軌跡」，Anthropic 亦宣布將類似資訊視為「核心競爭資產」，並自 5 月起實施軌跡摘要保護機制，阻絕蒐集者使用模型訊息來反向訓練他牌 AI。

在商業競爭日益激烈的生成式 AI 市場中，「資料蒸餾」的界線與合法性正成為各方攻防焦點。未來如何建立更透明的模型訓練規範與追蹤機制，將是全球 AI 產業不得不面對的挑戰。

• 延伸閱讀：AI也愛說「嗯」？DeepSeek模型揭秘人工智慧的語言習慣
• 延伸閱讀：DeepSeek 攻略：實測在數學、決策、寫報告等應用表現，和 Gemini 與 ChatGPT 相比誰勝出
• 延伸閱讀：DeepSeek-V3 更新：程式碼能力直逼 Claude Sonnet 3.5，開源協定更寬鬆