中國AI新創公司DeepSeek憑藉其在開源大語言模型領域的表現，屢次成為全球焦點。近期，DeepSeek更是以其最新升級版R1推理AI模型「R1-0528」，在數學與程式設計等多項國際評測中斬獲佳績，性能表現甚至直追OpenAI、Google等頂尖巨頭的專有模型。然而，這項技術突破的光芒，卻被一團揮之不去的陰影所籠罩——越來越多的AI研究人員和開發者質疑，DeepSeek「R1-0528」的訓練資料可能非法取用了Google旗下AI家族Gemini的資料。
這並非DeepSeek首次捲入此類爭議，去年底與OpenAI之間的「知識蒸餾」疑雲尚未完全散去，如今又添新證，使得DeepSeek及其訓練資料來源的透明度問題，再度成為國際AI社群的熱議焦點。本篇深度剖析文章，將帶您深入探討DeepSeek「R1-0528」所引發的爭議，從多個角度檢視其訓練資料來源的疑慮，解析AI業界面臨的信任危機，並共同思考當前AI模型訓練普遍存在的數據困境及其對未來AI發展的深遠影響。無論您是關注AI技術發展的專業人士，還是對大語言模型倫理與版權問題感興趣的普羅大眾，本文都將為您提供全面、客觀且富有洞察力的分析，助您撥開迷霧，看清AI競賽背後的真實挑戰。
DeepSeek R1-0528：性能飛躍與被揭露的「Gemini偏好」
DeepSeek上週悄然發布的R1推理AI模型「R1-0528」版本，無疑在技術層面帶來了令人矚目的進步。這款模型在數學、邏輯推理和程式設計等領域的表現尤為亮眼，標誌著DeepSeek在AI能力上的又一次重要跨越。然而，與其優異性能同時浮出水面的，是開發者們在模型行為中發現的令人不安的模式。
1. R1-0528的性能亮點：
- 數學與程式設計評測表現突出：DeepSeek R1-0528在多項針對數學問題解決和程式碼生成能力的國際評測中，展現出顯著的提升。這類能力對於通用人工智慧模型的發展至關重要，因為它們反映了模型更深層次的邏輯推理和問題解決能力。
- 逼近頂尖專有模型水準：報導指出，DeepSeek R1-0528的性能已經接近甚至部分追平了OpenAI和Google等AI巨頭的頂尖專有模型，這對於一家相對年輕的中國AI新創公司來說，是極大的成就。
2. 被發現的「Gemini偏好」與疑慮的產生：
儘管DeepSeek並未公開說明其模型訓練所使用的資料來源，但社群中的AI研究人員和開發者很快就察覺到了一些不尋常的線索，指向其訓練資料可能與Google Gemini有關：
- 相似的詞語與表達方式：墨爾本開發者Sam Paech在社群平台X上明確指出，他發現DeepSeek新模型在生成內容時，偏好使用與Google Gemini 2.5 Pro相似的詞語與表達方式。這種風格上的相似性，在沒有合理解釋的情況下，很容易讓人聯想到模型在訓練過程中接觸了大量的Gemini生成內容。
- 雷同的推理「思路」：另一位以化名「SpeechMap」活躍於AI社群的開發者也觀察到，DeepSeek模型在推理過程中所產生的「思路」與Gemini模型極為相似。這意味著，不僅是最終的答案，連達到答案的思考路徑和步驟，都呈現出高度的一致性。在大語言模型的語境下，「思路」往往是其核心邏輯和訓練模式的體現，這種相似性遠比簡單的詞語偏好更具說服力。
這些“偏好”和“思路”上的巧合，雖然不能構成直接的「鐵證」，但在AI訓練數據日益被視為核心資產的背景下，這些線索足以引發業界對DeepSeek訓練資料來源的深重疑慮。
DeepSeek的「前科」：從ChatGPT到OpenAI的「知識蒸餾」指控
事實上，這並非DeepSeek首次被質疑使用競爭對手的AI資料進行訓練。去年以來，圍繞其訓練資料來源的爭議一直存在，加劇了外界對其透明度和合規性的擔憂。
1. 去年12月：自稱ChatGPT的V3模型：
- 自我認知錯亂的表現：去年12月，就有開發者發現DeepSeek的V3模型在對話中，竟然會頻繁地自稱是OpenAI的ChatGPT。這種“自我認知錯亂”的表現，被普遍解讀為模型在訓練時，可能使用了大量來自ChatGPT的對話紀錄。如果模型在訓練過程中大量接觸了ChatGPT的對話輸出，並且這些輸出中包含了ChatGPT的自我介紹或身份信息，那麼模型在生成內容時就可能“學習”並“模仿”這種身份。
- 暗示訓練資料來源：儘管AI模型出現自我認知錯亂或使用類似詞彙的情況並非絕無僅有（正如專家提醒，這可能是因為網路充斥大量AI生成內容），但如此直接地“自稱”競爭對手，無疑是其訓練資料來自ChatGPT的強烈暗示。
2. 今年年初：OpenAI的「知識蒸餾」指控與微軟的資料外流監測：
- 《金融時報》報導：今年初，《金融時報》報導稱，OpenAI已發現證據顯示DeepSeek疑似採用了「知識蒸餾」（distillation）技術。
- 知識蒸餾：這是一種AI訓練技術，核心思想是使用一個更強大、性能更好的「教師模型」的輸出，來訓練一個較小、較輕量級的「學生模型」。學生模型不是直接從原始數據學習，而是從教師模型的“知識”中學習，包括其預測結果、中間層的激活值等。在某些情況下，這是一種合法的模型優化技術，可以幫助在資源受限的設備上部署高性能模型。
- 爭議焦點：然而，當「學生模型」的開發者未經「教師模型」提供者授權，非法地使用其模型產出資料來訓練自己的競爭產品時，知識蒸餾就成為一個嚴重的版權和服務條款違規問題。OpenAI的服務條款明確禁止用戶利用其模型產出資料來開發競爭產品。
- 微軟的資料外流監測：更令人擔憂的是，據《彭博》報導，OpenAI的合作夥伴兼最大投資者微軟（Microsoft）在2024年底監測到有大量資料透過OpenAI開發者帳戶被外流。OpenAI隨後懷疑，這些帳戶與DeepSeek有關。如果屬實，這將是從“暗示”到“證據”的重大升級，意味著可能存在有組織地從OpenAI平台獲取數據的行為。
這些“前科”與指控，使得DeepSeek在訓練資料來源上的透明度問題，成為其發展道路上揮之不去的陰影。在AI競爭白熱化的今天，訓練資料的來源與合規性，直接關乎一家公司的信譽、法律風險乃至市場的信任。
AI業界的信任危機：當「數據」成為兵家必爭之地
DeepSeek的爭議，不僅僅是其一家公司的問題，更折射出當前全球AI業界普遍面臨的信任危機和數據倫理困境。隨著大語言模型性能的突飛猛進，其背後賴以訓練的“數據”已成為兵家必爭的戰略資源。
1. 訓練資料的獲取與版權爭議：
- 內容創作者的擔憂：大語言模型需要海量的文本、圖像、音頻等資料進行訓練。這些資料往往來自公開的網路內容，包括新聞文章、書籍、學術論文、社群媒體發言、藝術作品等。然而，許多內容創作者和版權所有者認為，AI公司在未經許可或支付費用的情況下，使用他們的創作來訓練模型，侵犯了他們的版權。
- 服務條款的約束：正如OpenAI的案例所示，許多AI服務提供商的服務條款都明確禁止用戶利用其模型產出資料來開發競爭產品。這類條款旨在保護知識產權和商業利益，但其執行和監測的難度巨大。
- 「合成數據」的誘惑與風險：為了規避版權爭議，一些AI公司開始探索使用「合成數據」（synthetic data）來訓練模型。這些數據由AI模型自身生成，而非直接從真實世界中獲取。然而，如果合成數據的源頭依然是來自受版權保護的內容，或者在生成過程中繼承了原始模型的“偏見”，那麼這種方法也並非萬無一失。
2. 「數據污染」與AI模型品質下降：
- AI生成內容的泛濫：正如專家所提醒的，現今的網路環境已充斥大量由AI生成的內容。內容農場、機器人在Reddit、X（原Twitter）等社群平台大量製造「垃圾訊息」。這些由AI生成的低質量、重複性內容，正在反過來污染大語言模型的訓練資料。
- 「模型崩潰」的風險：當模型用自己或同行生成的內容來訓練時，可能會陷入一種「內捲」的惡性循環。這種情況可能導致模型喪失對真實世界的理解能力，產生越來越多的幻覺（hallucinations），並最終導致「模型崩潰」，即性能顯著下降或停滯不前。
- 訓練數據品質控制的挑戰：AI公司面臨巨大挑戰，需要開發更精密的數據篩選和清洗技術，以確保訓練資料的質量和多樣性，避免「數據污染」和「模型崩潰」的風險。
3. 國際AI競賽中的信任與規範：
- 技術競賽的底線：在激烈的國際AI競賽中，技術突破的同時，也需要堅守倫理底線和行業規範。如果大語言模型的訓練數據來源普遍缺乏透明度，甚至存在非法獲取競爭對手數據的行為，將嚴重損害整個AI產業的信任基礎。
- 監管與法律的滯後性：目前，全球各國對AI訓練數據的版權、使用規範以及“知識蒸餾”等行為的法律界定仍處於探索階段，相關監管法規相對滯後。這使得AI公司在灰色地帶進行操作的空間變大。
- 透明度與可解釋性：為了重建信任，AI公司需要提高其模型的透明度，更公開地披露訓練資料的來源、規模和處理方式。同時，提高AI模型的可解釋性，讓人們能夠理解其決策過程，也是建立信任的關鍵。
DeepSeek的「R1-0528」爭議，正將這些隱藏在AI繁榮表面下的深層次問題，赤裸裸地呈現在世人面前。如何平衡創新與合規、競爭與倫理，是所有AI參與者必須共同面對的挑戰。
結語：DeepSeek爭議背後，AI發展的警示與未來之路
DeepSeek最新AI模型「R1-0528」的優異表現值得肯定，但其訓練資料來源的爭議，尤其是在數學、邏輯和程式設計評測中展現出的與Google Gemini相似的「偏好」和「思路」，以及此前與OpenAI的「知識蒸餾」疑雲，都為這家新創公司蒙上了一層陰影。這些事件不僅是對DeepSeek一家公司的質疑，更是對整個AI行業在訓練數據透明度、版權倫理和競爭規範方面發出的嚴肅警示。
在AI模型性能飆升的同時，我們不能忽視其賴以生存的「數據」基礎。如果訓練資料的獲取缺乏合法性和透明度，或者被大量低質量的AI生成內容所污染，那麼AI的發展將面臨嚴重的信任危機和技術瓶頸。未來的大語言模型，需要更嚴格的數據來源管理、更負責的數據倫理規範，以及更智能的數據去重與質量控制技術。
