La Casa Blanca actúa ante acusaciones de OpenAI y Anthropic
Un memo de la OSTP califica la destilación legítima como "vital", pero etiqueta los esfuerzos "industriales" para acceder a información propietaria como "inaceptables".
La destilación de modelos de IA, una técnica para entrenar modelos más pequeños imitando a los más grandes, está siendo arrastrada a la competencia entre EE. UU. y China sobre quién obtiene acceso barato a capacidades de vanguardia. OpenAI y Anthropic han acusado a múltiples laboratorios chinos de destilación ilícita, mientras la Casa Blanca señala que quiere separar el uso “legítimo” de la copia “industrial” destinada a socavar la I+D de EE. UU.
Puntos Clave
- La destilación de conocimiento entrena un modelo “estudiante” más pequeño para imitar a un modelo “maestro” más grande, omitiendo las partes más intensivas en computación del aprendizaje desde cero.
- OpenAI acusó a DeepSeek de destilar el modelo detrás de ChatGPT después de que DeepSeek lanzara su modelo R1.
- Anthropic luego acusó a DeepSeek, Moonshot y MiniMax de destilar a Claude, y dijo que Alibaba utilizó “ilícitamente” a Claude para la destilación en junio.
- Un memo de la OSTP de la Casa Blanca en abril llamó a la destilación legítima “una parte vital” del ecosistema de IA mientras advertía que la destilación “industrial” para acceder a información propietaria es “inaceptable”.
La Destilación Pasa de Ser un Hack de Costos a un Punto de Conflito Geopolítico
La destilación de modelos solía leerse como una historia de pura eficiencia. Tomas un modelo “buque insignia” grande y costoso, luego entrenas un modelo más pequeño para imitarlo, y obtienes algo más barato de ejecutar y más fácil de implementar.
Ahora se está tratando como una disputa de acceso a modelos con matices geopolíticos. El desencadenante inmediato es una serie de acusaciones de OpenAI y Anthropic de que laboratorios chinos destilaron modelos fabricados en EE. UU., emparejadas con una postura de la Casa Blanca que intenta bendecir una categoría de destilación mientras amenaza a otra.
Para los mercados, la fricción es directa. Si las narrativas de “frontera barata” se construyen sobre la idea de que la capacidad puede ser replicada sin pagar la factura completa de entrenamiento, entonces la procedencia y el acceso se convierten en parte de la curva de costos. En el momento en que la política comienza a clasificar la destilación por intención, el riesgo cambia de “¿se puede hacer?” a “¿quién puede hacerlo sin consecuencias?”
Cómo funciona la destilación de conocimiento: Modelos de maestro/estudiante y “etiquetas suaves”
La destilación de conocimiento empareja un modelo “estudiante” más pequeño con un modelo “maestro” más grande. A través de muchas interacciones, el estudiante aprende a predecir las respuestas del maestro, copiando efectivamente el comportamiento en lugar de volver a derivar el mundo desde cero. El estudiante sigue aprendiendo, pero lo hace en un bucle más económico porque el maestro ya pasó por la costosa fase de prueba y error.
El mecanismo es importante porque la destilación no se limita a copiar respuestas finales. Un estudiante puede aprender de “etiquetas suaves” probabilísticas, que son salidas de estilo probabilístico que revelan cómo el maestro distribuye la confianza entre las opciones. El ejemplo dado es el reconocimiento de imágenes: un maestro podría calificar una imagen como 85% motocicleta, 12% bicicleta eléctrica, 2.7% burro y 0.3% Sr. Snuffleupagus.
Esa distribución es la carga útil. Las etiquetas suaves pueden codificar los límites de decisión internos del maestro y los “casi aciertos”, no solo la clasificación principal. En la práctica, eso hace que la destilación se parezca menos a raspar un conjunto de salidas y más a extraer una firma de comportamiento, que es por qué los argumentos sobre “acceso a información propietaria” siguen surgiendo junto con la discusión técnica.
Las acusaciones: DeepSeek R1, luego OpenAI y Anthropic nombran nombres
La pelea de destilación en este paquete comienza con el lanzamiento R1 de DeepSeek en enero del año pasado, en relación con la fecha de publicación del 4 de agosto de 2026 del explicador. R1 fue descrito como acercándose a la capacidad de modelo de frontera en algunos benchmarks clave, y se rumoreaba que había sido construido a una fracción del costo de los modelos insignia de los principales laboratorios de EE. UU., aunque no se proporciona ninguna cifra de costo.
No mucho después del lanzamiento de R1, OpenAI acusó a DeepSeek de destilar el modelo detrás de ChatGPT para entrenar a DeepSeek. El paquete no proporciona evidencia técnica, fechas o un rastro de quejas formal, solo la existencia de la acusación.
Un poco más de un año después, Anthropic acusó a DeepSeek y a otros dos laboratorios de IA chinos, Moonshot y MiniMax, de destilar a Claude. Anthropic también acusó a Alibaba en junio de usar “ilícitamente” a Claude para fines de destilación.
La elección de palabras está haciendo su trabajo aquí. El paquete señala que Anthropic usó “ilícitamente” en lugar de “ilegalmente”, y enmarca las reglas legales en torno a la destilación como “mal definidas”. Esa ambigüedad es parte de por qué la disputa está escalando en público: si el límite no se establece en estatutos o jurisprudencia, la pelea se traslada a contratos, controles de acceso y presión política.
Señal de política: La Casa Blanca bendice la destilación ‘legítima’, advierte sobre el uso ‘industrial’
La política más clara en el paquete es un memo de abril del director de la Oficina de Política Científica y Tecnológica de la Casa Blanca, Michael Kratsios. Dibuja una línea entre la destilación aceptable y la destilación enmarcada como una amenaza estratégica.
Kratsios escribió: “La destilación de IA, cuando se utiliza legítimamente para producir modelos más pequeños y ligeros a partir de sistemas más avanzados, es una parte vital del ecosistema [de la IA].” Luego añadió: “Sin embargo, las actividades de destilación industrial que buscan socavar sistemáticamente la investigación y el desarrollo estadounidense y acceder a información propietaria son inaceptables.”
Eso no es una prohibición. Es una clasificación. El memo efectivamente reencuadra la destilación de una técnica de entrenamiento a una categoría definida por políticas donde la intención y el objetivo importan, que es donde surgen las incertidumbres de aplicación.
El paquete también describe a la administración Trump como prometiendo tomar medidas enérgicas contra laboratorios chinos que destilan modelos fabricados en EE. UU.
El problema es que el mismo paquete dice que las reglas legales están mal definidas, lo que significa que las herramientas a corto plazo probablemente serán indirectas: acceso más restringido a modelos, monitoreo y aplicación de términos de servicio en lugar de una línea legal clara que los tribunales ya han probado.
Lo que esto significa para la seguridad y el despliegue: Pérdida de alineación y propagación de sesgos.
El problema de seguridad de la destilación es mecánico, no filosófico. Si el estudiante es entrenado para imitar el comportamiento del maestro, puede adquirir las capacidades generales del maestro sin heredar las restricciones más profundas de seguridad y comportamiento que se añadieron a través del ajuste fino y las protecciones.
El encuadre del paquete es contundente: “La alineación se pierde en la traducción.” Un modelo maestro podría rechazar solicitudes peligrosas, como instrucciones para un arma biológica, porque ha sido entrenado para detectar y bloquear esa clase de salida. Un estudiante destilado puede aprender la competencia superficial del maestro mientras falla en reproducir el comportamiento de rechazo de manera confiable.
La propagación de sesgos es el otro modo de falla. Un modelo insignia entrenado en un amplio corpus de internet absorberá sesgos humanos junto con patrones útiles. El paquete argumenta que la destilación puede transferir esos sesgos del maestro al estudiante, y luego multiplicarlos si el estudiante se convierte en maestro para la próxima generación.
Para el despliegue, eso crea un riesgo de doble cara. La destilación puede reducir costos y expandir el acceso a modelos capaces, pero también puede aumentar el escrutinio a posteriori si los despliegues más pequeños y baratos son menos predecibles en comportamiento de seguridad.
Ese es el tipo de compensación que a los reguladores y compradores empresariales tienden a preocuparles, incluso cuando la disputa subyacente comenzó como una historia de propiedad intelectual y competencia.
Lo que viene a continuación para la destilación de modelos de IA y las tensiones entre EE. UU. y China.
La próxima parte de esta historia depende de si la Casa Blanca convierte la distinción de Kratsios entre "legítima" y "industrial" en algo operativo. Eso podría ser nuevas directrices, acciones de cumplimiento o reglas a nivel de agencia que definan qué cuenta como destilación inaceptable y qué estándar de evidencia se requiere.
Las acusaciones en sí mismas también necesitan endurecerse en especificidades o desvanecerse en la narrativa. El paquete contiene afirmaciones de OpenAI y Anthropic pero no fechas más allá del tiempo relativo, y ninguna prueba técnica.
Si alguno de los laboratorios proporciona más detalles, como cronogramas, indicadores técnicos o quejas formales, cambiará la forma en que los mercados tratan el "riesgo de procedencia" como una restricción sobre la capacidad económica.
El punto de presión más inmediato es el acceso. Si la destilación se enmarca cada vez más como la extracción de comportamientos propietarios a través de interacciones repetidas, entoncesAPIlos términos, la supervisión y las restricciones se convierten en la superficie de cumplimiento.
Las señales de que el acceso al modelo se está restringiendo en respuesta a las preocupaciones sobre la destilación serían el indicador práctico de que la postura política está pasando de un lenguaje de memorando a controles.
El problema no resuelto que subyace a todo esto es el límite que el paquete llama "mal definido". Hasta que no haya una definición legal o regulatoria más clara de lo que se permite como destilación frente a lo que es "ilícito" o "inaceptable", el mercado estará intercambiando titulares sobre la intención y el cumplimiento en lugar de un libro de reglas estable.
Mi opinión: La destilación se está convirtiendo en un riesgo de acceso al modelo, no solo en una técnica de entrenamiento.
La parte que decide esta historia no es si la destilación es "robar" en abstracto. Es si el acceso a los maestros de frontera se vuelve gobernable de una manera que haga que la imitación a gran escala sea costosa, detectable o castigable. La destilación funciona porque el estudiante puede sentarse cerca del maestro el tiempo suficiente para aprender el paisaje de probabilidad del maestro, no solo sus respuestas finales.
Si esa proximidad se trata como un recurso controlado por políticas, la ventaja de costo comienza a parecer condicional.
El memorando de Kratsios es la clave. No argumenta que la destilación sea inherentemente incorrecta. Llama explícitamente a la destilación legítima "una parte vital" del ecosistema, y luego delimita la destilación "industrial" destinada a socavar la I+D de EE. UU. y acceder a información propietaria como "inaceptable".
Ese marco invita a la aplicación basada en la intención y el objetivo, lo cual es complicado en los tribunales pero poderoso en la práctica si justifica controles de acceso más estrictos y supervisión.
Hay dos escenarios que vale la pena separar. Si la postura de EE. UU. se mantiene en el nivel de memorando y retórica, las acusaciones de OpenAI y Anthropic funcionan principalmente como presión narrativa, y la destilación sigue siendo un truco de costo que difunde capacidad.
Si la postura se convierte en restricciones operativas, el mercado deja de tratar la destilación como una técnica de eficiencia genérica y comienza a tratarla como un problema de procedencia y cumplimiento, donde los modelos más baratos llevan el mayor riesgo de acceso.
El umbral que importa es si “legítimo versus industrial” se vuelve exigible a través de controles concretos sobre la interacción del modelo, no solo una etiqueta aplicada a posteriori. Si el acceso se restringe y las acusaciones adquieren especificidad técnica, la ventaja de costo de la destilación se valorará cada vez más como una ventaja restringida por políticas en lugar de un almuerzo gratis.
