技术层：同源，都是“从现成输出里学统计规律”
• 训练：用人类作品/网页/代码/音视频做监督，让模型预测下一个 token，学的是人类表达的统计结构。

- 蒸馏：用教师模型输出、logits、思维链、回答分布做监督，让小模型模仿教师行为。
两者都不等于逐字复制原作品；都产生新参数；都可能形成市场替代。Lawfare 原文说得很直白：distillation is simply a specialized form of training。

法律层：真正能站住的差别不在“像不像复制”，而在三件事
1. 版权客体不同  
   人类文字通常受版权保护，所以训练要争 fair use；模型输出在美国法下一般不被认作人类作品、不享版权，所以“蒸馏输出”很难走版权侵权，更多落在合同/商业秘密/计算机访问规则。
2. 取得方式不同  
   抓公开网页、买正版书再扫、转写 YouTube、下盗版库——是“数据来源是否合法”；  
   用假账号、代理跳区、批量 API、清元数据、绕频率限制——是“访问手段是否欺诈”。  
   后者不一定天然违法，但更容易被包装成 CFAA、商业秘密侵占、国家安全问题。
3. 合同义务不同  
   OpenAI / Anthropic / Meta 的 ToS 明禁用输出再训竞品模型。中国实验室若真这么干，最干净的法律定性是违约，不是“偷走受版权保护的作品”。

所以美国双标在哪
• 对出版商：说“我们学的是统计规律，不是替代新闻，算 transformative，fair use”。

• 对中国实验室：同样学统计规律，却加“假账号+中环代理+提取推理链”的标签，升格成“恶意蒸馏/国安威胁”。

但 API 付费返回的内容很难满足商业秘密的“秘密性”；模型输出本身又难享版权。于是“stealing”更多是政治修辞，不是已成型的财产权结论。

更诚实的划分应该是
• 用开源/自有/授权模型蒸馏 → 基本中性；

- 用闭源 API 蒸馏 → 可能违约；
• 用欺诈账号、被盗凭据、绕访问控制大规模抽输出 → 可能触及 CFAA / 商业秘密 / 不正当竞争；

• 学人类作品 → 可能触及版权 fair use 争议；

• 学机器输出 → 版权问题弱，合同与访问问题强。

你文章结尾点到的才是核心：谁有权力定义“学习”
美国现在做的是把“人类表达”推进 fair use，把“美国模型输出”推进合同+商业秘密+国安保护。两端保护强度错位，但收益都流向美国前沿实验室。它没回答的根本问题是：

模型输出到底是不是可保护资产？如果是，出版商也能分一杯；如果不是，中国实验室的蒸馏就不该被说成工业窃密。

所以答案一句话：  
训练和蒸馏在技术上是近亲，在法律上被人为切开——切开的刀不是法理，是产业利益和国家安全叙事。