22 июля Майкл Кратсиос, директор Управления по научно-технической политике Белого дома (OSTP), написал в X, что у администрации есть информация: китайская Moonshot AI провела дистилляцию модели Anthropic Fable, чтобы обучить свою Kimi K3. Формулировка жёсткая — «масштабная скрытая промышленная дистилляция ради кражи проприетарной технологии США». Дистилляция ИИ-моделей за один день превратилась из инженерного термина в предмет геополитического скандала.
Сразу уточним, потому что заголовки это смазывают: это не уголовное дело и не иск в суде. Это публичное заявление чиновника Белого дома, без предъявленных технических доказательств. Разница важна, и мы к ней вернёмся.
Мы в Gless каждую неделю собираем клиентские системы на Claude, Fable и GPT, поэтому смотрим на эту историю не как на новость про Китай, а как на набор практических вопросов: что такое дистилляция на самом деле, где проходит граница легального и чем скандал грозит компаниям, которые зависят от frontier-API. Разберём по порядку.
Что произошло: Белый дом против Moonshot
22 июля 2026 года Белый дом публично обвинил Moonshot AI в том, что она забрала возможности модели Anthropic Fable через дистилляцию. Заявление сделал Майкл Кратсиос (OSTP) в посте на X, пишет Reuters. Точная цитата: «У нас есть информация, что Moonshot AI дистиллировала Anthropic Fable для разработки модели K3».
По словам Кратсиоса, Moonshot построила «внутреннюю платформу для масштабной дистилляции против моделей США» и переключалась между разными способами доступа, чтобы обойти обнаружение, сообщает CyberScoop. Метаданные активности якобы ведут к старшим сотрудникам компании.
Что здесь важно не потерять:
- Это заявление, а не индиктмент. Никакого дела в суде, никаких обнародованных доказательств. Кратсиос — политический чиновник, а не прокурор.
- Moonshot и посольство Китая на запросы о комментарии не ответили.
- Anthropic отдельного заявления по этому конкретному эпизоду не давала, но у неё уже была своя претензия к Moonshot — о ней ниже.
Мы специально давим на эту разницу. «Белый дом обвинил» и «суд признал виновной» — это два разных мира, и в тексте про чужой бизнес путать их нельзя.
Что такое дистилляция ИИ-моделей простыми словами
Дистилляция ИИ-моделей — это обучение меньшей модели на ответах большей, чтобы «ученик» перенял поведение «учителя». Вместо того чтобы учить модель с нуля на сырых данных, вы прогоняете тысячи запросов через сильную модель и обучаете свою повторять её ответы.
Сам по себе метод — обычная инженерная практика. Дистилляцию делают внутри одной компании: берут большую модель и «сжимают» её в дешёвую и быструю для продакшена. Проблема начинается там, где «учитель» — чужая проприетарная модель, а доступ к ней получают в обход условий использования.
Именно на этой границе и построено обвинение. Кратсиос называет это «промышленной дистилляцией»: не разовый эксперимент, а конвейер. По версии Белого дома, Moonshot гоняла массовые запросы к американским моделям через платформу-прослойку, переключала методы доступа, чтобы её не забанили, и маскировала, кто именно стоит за трафиком.
| Дистилляция | Как это выглядит |
|---|---|
| Обычная практика | Своя большая модель → своя маленькая, в рамках своей инфраструктуры |
| Серая зона | Обучение на выходах чужой модели через публичный API |
| То, в чём обвиняют Moonshot | Массовый скрытый доступ к чужой модели в обход ToS и детекта |
Отличить «честную» модель от «дистиллированной» постфактум почти невозможно, поэтому доказательная часть всегда упирается в логи доступа и метаданные, а не в саму модель. Публично их пока никто не показал.
Kimi K3 и почему это резонирует
Kimi K3 — это крупнейшая открытая модель на сегодня, и именно её масштаб делает обвинение громким.
Moonshot выпустила Kimi K3 около 16 июля 2026 года: 2,8 трлн параметров, архитектура mixture-of-experts, контекст на 1 млн токенов, по данным Analytics India Magazine. Это open-weight модель — веса выложены публично, скачать и развернуть у себя может кто угодно. По собственным бенчмаркам Moonshot ставит её рядом с Anthropic Fable 5 и OpenAI GPT-5.6.
Дальше — предыстория, из-за которой обвинение звучит правдоподобно для регуляторов. В феврале Anthropic сама заявляла, что Moonshot прогнала более 3,4 млн запросов к Claude через сотни фейковых аккаунтов, часть которых совпадала с профилями её же сотрудников, пишет Seeking Alpha. Цель, по версии Anthropic, — вытащить возможности в кодинге, рассуждении и работе с изображениями. То есть ровно та самая дистилляция.
К этому добавили аппаратный сюжет: по словам Кратсиоса, Moonshot использовала серверы с чипами Nvidia GB300 через Таиланд, в обход экспортных ограничений США, сообщает Reuters. Складывается картинка, которую в Вашингтоне подают как систему: чужие модели плюс запрещённое железо — чужая передовая система, собранная в обход правил.
Стоит держать в голове и контекст. В апреле Госдеп разослал глобальное предупреждение о краже интеллектуальной собственности у американских AI-лабораторий, а в феврале в похожем обвиняли DeepSeek. Anthropic вообще последние месяцы живёт в этом сюжете — мы писали, как Fable 5 убирали из подписок на фоне экспортных ограничений.
Что это значит для бизнеса на frontier-API
Если вы строите продукт на чужом API, этот скандал — не про Китай, а про ваши риски доступа и зависимость от одного провайдера.
Три вещи, которые мы обсуждаем с клиентами после таких новостей:
- Баны бьют и по легитимным. Когда провайдер начинает охоту на дистилляторов, под фильтры массового детекта попадают и честные пользователи с необычным паттерном трафика. Резкий рост запросов, автоматизация, много параллельных сессий — всё это может выглядеть подозрительно. Мы закладываем это в архитектуру: не держим весь продакшен на одном аккаунте, следим за rate limits, читаем ToS до того, как масштабируемся.
- Условия меняются задним числом. История с Fable показала, как быстро модель может уехать из подписки в оплату за токены или вовсе пропасть из-за экспортных ограничений. Если ваш юнит-экономикс завязан на конкретную модель по конкретной цене, вы уязвимы.
- Один провайдер — единая точка отказа. Мы почти всегда проектируем системы так, чтобы модель можно было заменить: абстрагируем вызовы, держим fallback на альтернативного провайдера, тестируем на нескольких моделях. Это скучная инженерия, но именно она спасает, когда провайдер меняет правила.
На практике это выглядит буднично, но конкретно. Мы держим ключи, лимиты и выбор модели в конфиге, а не зашиваем в код; логируем каждого провайдера отдельно, чтобы видеть аномалии до бана; и заранее прогоняем нагрузочные тесты, чтобы понимать, где начнутся ограничения. Когда в июне Fable 5 внезапно сняли с продакшена из-за экспортных ограничений, у команд с таким запасом переключение на запасную модель заняло часы, а не недели. У тех, кто зашил один эндпоинт намертво, встал весь продукт.
Вопрос, который часто задают: «А open-weight модель вроде Kimi K3 — это выход, можно же развернуть у себя и ни от кого не зависеть?» Формально да. Но модель с юридически спорным происхождением — это риск, который не всякий бизнес готов нести, особенно если вы работаете с корпоративными клиентами или на регулируемых рынках.
Что мы советуем клиентам
Не стройте ров вокруг обёртки над чужой моделью — возможности моделей коммодитизируются быстрее, чем вы успеваете их застолбить.
Скандал с дистилляцией — это косвенное признание одного факта: передовые возможности воспроизводимы. Если Kimi K3 за месяцы подобралась к Fable 5, то любая тонкая надстройка, которая просто перепаковывает ответы модели, устареет ещё быстрее. Мы видим это на консультациях постоянно: команда полгода пилит «AI-фичу», а потом следующая версия базовой модели делает то же самое из коробки.
Настоящий ров лежит не в модели, а в том, что вокруг неё:
- ваши данные и доступ к ним,
- отлаженные процессы и интеграции (например, интеграция с CRM и внутренними системами),
- доменная экспертиза, которую модель не заменяет — про это у нас есть отдельный разбор, почему AI не заменяет инженеров.
Модель — это двигатель, который вам сдают в аренду, и в любой момент могут поменять условия аренды. Бизнес строится на кузове, коробке и маршруте. Про то, как Anthropic сама двигается от «одной модели» к прикладным продуктам под профессии, мы писали в разборе вертикальных AI-продуктов — логика та же: ценность уходит в прикладной слой.
Если коротко: следите за тем, на чьём API вы стоите, закладывайте сменяемость модели и вкладывайтесь в то, что нельзя дистиллировать, — в свои данные и процессы. Наши услуги по внедрению AI во многом про это. Если хотите обсудить такую задачу под ваш бизнес — напишите нам.