The Economist опубликовал 25 октября 2026 разбор того, как китайские AI-лаборатории догоняют американский фронтир: не самостоятельным обучением, а «дистилляцией» — обучением моделей на выходах чужих моделей. По приведённым в материале оценкам, именно этот механизм удерживает отставание китайских моделей в пределах 3–6 месяцев; без него разрыв почти удвоился бы. Anthropic отвечает жёстко: закрыла канал утечки пошаговых рассуждений Claude и начала тарифицировать даже отклонённые запросы, из-за чего сбор данных дистиллерами сжался на 90–99%. Разбираем, что этот сдвиг меняет для индустрии и для читателя, выбирающего модели.

image

Что произошло

25 октября 2026 The Economist в рубрике Science & Technology разобрал растущую зависимость китайских AI-лабораторий от дистилляции — построения моделей на выходах чужих моделей вместо самостоятельного обучения. По оценке Сэйфа Хана из Центра технологии и государственности (Вашингтон), китайские модели отстают от американского фронтира на 3–6 месяцев, а без дистилляции разрыв почти удвоился бы. Сентябрьский отчёт Anthropic показал масштаб утечки: пять китайских фирм за пять месяцев собрали более 180 млн сообщений из моделей Claude, и в некоторых случаях китайские модели называют себя Claude или ChatGPT. Ответ лаборатории уже оформился в конкретные действия: закрыта найденная в августе уязвимость с доступом к пошаговым рассуждениям Claude, а отклонённые запросы начали тарифицировать. В результате объём данных, которые дистиллеры собирали через Claude, упал на 90–99%; цена этой политики для самой Anthropic — до 5–7% выручки.

Контекст

Дистилляция — это обучение ученика на ответах уже готовой модели, и технически она передаёт имитацию поведения учителя, а не способность самостоятельно порождать новое. Отсюда поправка к любым цифрам об отставании: лаг копирующих моделей — это лаг репликации, а не паритет возможностей, и для такой модели типично сочетание сильных «типовых» ответов с провалами на новых задачах. Самое яркое количественное подтверждение в статье — кейс DeepSeek: маленькая модель после обучения на 800 000 примеров выросла с 14,6% до 45,8% на популярном математическом тесте. Дальше работают два структурных процесса. Первый: у американских фронтир-лабораторий прирост качества теперь почти целиком идёт через обучение с подкреплением — на него уходит более половины вычислительных мощностей фронтира против примерно 1/20 в начале 2024 года, потому что интернет-текст как источник нового прироста исчерпан и обучение ведётся на собственных траекториях лабораторий, которые дистилляция по построению скопирует только с опозданием. Второй: аргумент Чжан Имина из ByteDance — копирование сокращает разрыв, но не даёт обгона; на горизонте пары лет рынок, вероятно, разделится на лаборатории с собственной инфраструктурой обучения с подкреплением и «дистилляционных последователей» с устойчивым лагом.

Почему это важно для индустрии

Для компаний, строящих продукты на AI, меняется механика дешёвого роста: пайплайны, выкачивавшие данные из закрытых API, деградировали — после контрмер Anthropic объём собранного дистиллерами материала почти сошёл на нет, а тарификация даже отклонённых запросов превращает массовую выгрузку чужих ответов в заметную статью расходов; сама Anthropic ради такой политики сознательно жертвует частью выручки, значит правила будут ужесточаться, а не смягчаться. Отсюда практические следствия уже сейчас: пересчитать экономику схем генерации данных через чужие модели, учитывать отклонённые запросы как платные события и лимитировать ретраи, провести аудит зависимостей — если логика продукта опирается на массовое собирание чужих модельных ответов, нужен план Б со сменой источника или провайдера. Стратегически ценность смещается от самой модели к данным, интеграциям и дистрибуции: растёт спрос на маршрутизацию моделей, мульти-провайдерную абстракцию и контроль бюджета агентных пайплайнов, а продукты в виде тонкой обёртки над одной чужой моделью дорожают и теряют устойчивость, потому что их дешёвый источник больше не гарантирован и может быть перекрыт в любой момент.

Почему это важно для пользователей

Для читателя это в первую очередь калибровка ожиданий при выборе модели. Свежие китайские модели корректнее читать как «версию фронтира с лагом», а не равноценную замену: они сильны в имитации и уверенно дают типовые ответы уровня Claude или ChatGPT, но слабее там, где нужно самостоятельно порождать новое. Полезный быстрый ориентир: если модель вдруг представляется Claude или ChatGPT, это типичный отпечаток обучения на чужих выходах — признак, который легко проверить самостоятельно, не опираясь на отчёты лабораторий. Прогнозная часть: если контрмеры американских лабораторий сохранятся, лаг копирующих моделей, по приведённой оценке, может заметно возрасти, поэтому не стоит закладываться на то, что следующий китайский релиз автоматически сократит отставание. Для задач, где ценна генерация нового, а не имитация чужих ответов, этот профиль стоит учитывать при прямом сравнении моделей.

Что пока неизвестно / ограничения

Подтверждения метода существуют, но считать его «доказанным» рано: единственное количественное подтверждение — кейс DeepSeek, причём математический тест не назван, а методология не раскрыта, и воспроизводимость результата по доступным источникам проверить нельзя; корректная формулировка — «механизм убедительно показан на одном кейсе». Оценка Сэйфа Хана о 3–6 месяцах отставания и почти двукратном росте разрыва без дистилляции — экспертная оценка, а не измерение; прогноз дальнейшего роста лага — интерпретация. Цифра в более чем 180 млн собранных сообщений исходит из сентябрьского отчёта самой Anthropic и в доступных источниках независимой проверки не проходила. Наконец, распространение политики платных отказов и закрытых каналов дистилляции на остальные лаборатории — отслеживаемая гипотеза: сегодня это практика Anthropic, а не установившаяся отраслевая норма.

Источники

Автор

Look at AI, редакция