一、故事的起点

2025 年，AI 圈最震撼的消息之一：DeepSeek 只花了约 600 万美元的训练成本，做出了能和 OpenAI 掰手腕的模型。这在当时几乎不可想象——OpenAI 训练 GPT-4 级别的模型，成本是数亿美金起步的。

随后 OpenAI 公开指控 DeepSeek，认为 DeepSeek 使用了一种叫"蒸馏"（Distillation）的技术，大量向 OpenAI 的 API 发送请求，用 OpenAI 模型生成的输出去训练自己的模型——像武侠小说里的"吸星大法"，把别人的功力吸到自己身上。

这件事让"蒸馏"从学术圈的技术术语，变成了科技圈的热点话题。但蒸馏到底是什么？它为什么能让小模型变强？这篇文章我们用最通俗的方式把它讲清楚。

二、蒸馏是什么？

"蒸馏"这个词来源于化学：把混合液体加热，某些成分会变成蒸汽挥发，然后通过冷凝管冷却收集，最终提取出纯净的精华——去其糟粕，留其精华。

大模型领域的蒸馏，核心思路完全一样：把大语言模型（LLM）里的"精华知识"提取出来，灌进小模型里。

这个过程涉及两个角色：

整个过程就叫知识蒸馏（Knowledge Distillation）。打个比方，《天龙八部》里无崖子把毕生功力传给虚竹——教师模型就是无崖子，学生模型就是虚竹，蒸馏就是传功的过程。

核心认知：蒸馏不是简单的"模型压缩"，而是知识的迁移——把大模型对世界的理解方式，迁移到小模型身上。

为什么要做蒸馏？

一个很现实的原因：大模型太贵了。

• GPT-4 级别的模型，跑一次推理可能需要几秒钟，成本是几美分
• 小模型可能只需要几毫秒，成本是几百分之一美分
• 如果你的产品每天要处理百万次请求，用小模型一年能省下几百万美金

但直接用原始数据训练小模型，效果往往很差。蒸馏的价值就在于：让便宜的小模型，拥有接近昂贵大模型的"内功"。

三、小模型怎么学习大模型的本事？

3.1 最朴素的想法：背答案（硬标签）

让学生模型变聪明，最简单也最暴力的方法是什么？

向大模型疯狂发送请求，拿到答案，然后让小模型背下来。

举个例子：给大模型看一张图，问它"这是什么动物？“，大模型回答说"猫”。然后我们拿这道题和答案去训练小模型，让它在看到同样的图时，也回答"猫"。对就是对，错就是错。这种训练方式给出的答案叫硬标签（Hard Label）。

用硬标签训练，本质上就是死记硬背。小模型只知道"这个图 = 猫"，但它完全不理解：

• 为什么是猫？
• 猫和狗有什么区别？
• 猫和老虎又有什么关联？

就像学生考试前只背了答案却没理解知识点，换个题型就不会了。

3.2 真正有价值的东西：学思维方式（软标签）

小模型真正该学的，不是答案本身，而是大模型思考问题的"思维方式"。

大模型在回答问题的时候，内部其实不只是输出一个最终答案。在输出层，它给出的是一个概率分布——这个答案有多大概率是对的，其他可能答案的概率又是多少。例如：

这个概率分布就是软标签（Soft Label）。它的信息量远大于一个孤零零的"猫"字：

• 猫和老虎有一定的相似性（都是猫科动物），所以老虎的概率（5%）高于鸡（1%）
• 猫和狗的相似性次之，所以狗的概率（10%）高于老虎
• 鸡完全不像，概率最低

软标签里藏着大模型对这道题的完整"理解"：它不只是知道"答案是猫"，它更知道"猫和老虎有点像，但没狗那么像"。这种类比感、关联感，是大模型在海量数据上训练后积累的直觉——学术上叫暗知识（Dark Knowledge）。

软标签 vs 硬标签的本质差异：

• 硬标签：“这图是猫” → 仅此而已，死记硬背
• 软标签：“这图 80% 是猫，10% 是狗，5% 是老虎…” → 包含了类别之间的关系信息

3.3 蒸馏的本质

蒸馏的本质，就是让小模型去模仿大模型的概率分布（软标签），而不是简单地背标准答案。

用技术语言描述蒸馏的训练过程：

1. 准备一批输入数据（比如图片） 2. 把数据同时喂给教师模型和学生模型 3. 教师模型输出"软标签"（概率分布）——这是蒸馏目标 4. 学生模型也输出自己的概率分布 5. 计算两个概率分布之间的差距（通常用 KL 散度） 6. 反向传播更新学生模型参数，让它输出的分布越来越接近教师模型 7. 重复几万、几十万次，学生模型就"学会"了教师的思维方式

大模型给的是"对世界的判断力"，而不只是一份"标准答案"。

3.4 一个通俗的类比

培养厨师新人，两种方案：

• 方案一（硬标签）：直接给他一本菜谱，上面写着"先放油、再放菜、炒 3 分钟、加盐出锅"。新人照做，学会了这几道菜的步骤，但换个菜就不会做了，火候不对也不知道怎么调整。

• 方案二（蒸馏）：让米其林大厨亲自下厨，新人在旁边全程观摩——看大厨怎么凭手感判断油温够不够、什么时候该翻锅、怎样凭经验调味。新人学到的不只是"步骤"，更是"判断力和思维方式"。

蒸馏就是方案二：教师模型把它的"判断力"（软标签中的概率分布）传授给学生模型，而不仅仅是"菜谱"（硬标签）。

四、蒸馏的现实意义

4.1 商业价值

蒸馏直接解决了 AI 商业化落地的核心矛盾：

4.2 关于 DeepSeek 的争议

回到开头的故事：DeepSeek 是否真的用蒸馏"偷"了 OpenAI 的技术？

从技术角度看，蒸馏本身是一种合法的机器学习训练技术，Hinton 等人在 2015 年就发表了蒸馏的经典论文。很多公司都在用蒸馏优化自己的模型。

争议的核心在于使用条款：OpenAI 的服务条款通常禁止用户用 API 输出去训练竞品模型。这就好比图书馆允许你借书学习，但不允许你抄了内容再去开一家出版社。

这件事给行业的启示是：技术上可行不代表法律上合规。蒸馏是一项强大的技术，但怎么用、数据从哪来，需要遵守规则。

五、全文总结

本文从三个层面拆解了知识蒸馏：

概念层面：蒸馏 = 把大模型（教师）的知识精华提炼出来，迁移到小模型（学生），就像化学蒸馏去其糟粕取其精华，也像无崖子传功给虚竹。

原理层面：核心在于软标签 vs 硬标签的区别。硬标签是"标准答案"，软标签是"概率分布"。软标签里藏着暗知识——类别之间的相似性和关联关系。蒸馏让小模型学会这个概率分布，本质上是学会了思维方式而不仅仅是答案。

价值层面：蒸馏是 AI 商业化的关键技术，让"便宜、快速、可私有部署"的小模型拥有了接近大模型的能力。

六、核心知识点复盘

七、常见问题 / 延伸思考

1. 蒸馏会降低模型能力吗？

会有一定损失，但可控。蒸馏出来的学生模型通常能达到教师模型 80%~95% 的能力水平，但推理速度快了几十倍、成本低了上百倍。在很多商业场景里，这个 trade-off 非常划算。

2. 如果小模型已经有很好的训练数据，还需要蒸馏吗？

需要，因为即使是同样的训练数据，小模型自己学出来的效果通常不如由大模型"带着学"。大模型的软标签提供了额外的"知识密度"，这是原始数据无法直接提供的。

3. 可以用多个教师模型一起蒸馏吗？

可以，这叫做"多教师蒸馏"（Multi-Teacher Distillation）。不同教师模型擅长不同领域，综合多个教师的软标签，能让学生模型博采众长。

4. 蒸馏出来的模型有版权问题吗？

这是一个仍在发展的法律灰色地带。技术上，蒸馏本身是合法的机器学习方法；但如果你用受服务条款约束的 API 做蒸馏去训练竞品模型，就可能触发法律风险。建议在使用任何外部 API 做蒸馏前，仔细阅读其使用条款。

本文是 RAG 核心技术系列的第一篇，重点讲解"模型如何学习知识"的理论基础。下一篇将进入实战——讲解 RAG 系统中的 Document 切割技术，包括 Loader、爬虫、TextSplitter 的完整代码实现。