字节AI，先慢后快？

文 | 伯虎财经（bohuFN），作者 | 楷楷 一向低调的字节跳动创始人张一鸣 ， 却在 近日高调发声。 他 在 7月底的Seed全员会上罕见现身， 明确 表示 “ 字节跳动不会把蒸馏当作提升 AI模型能力的捷径，即便Seed的模型能力暂时落后于国内主要的竞争对手。 ” 话音未落，字节又干了一件大事 。 据 36氪报道 ，其 成立了一个新的一级部门 “AI数据与安全”，整合超千人的数据团队，与Seed、Flow、抖音等部门平行 。 此外，据 《晚点 LatePost》报道，字节正在讨论训练一个参数规模超5万亿的模型， 如果落地，将会 是目前国内已知参数规模最大的模型。 同一时间，豆包的商业化 也开始 全面加速： 68、200、500元三档包月正式上线 ；豆包针对生活服务订单开始抽佣； 飞书产品团队 与 豆包 合并 ，猛攻桌面 Agent。 更大的模型、更强的技术基础， 以及从架构到业务 都 重新整合的商业闭环 ，当字节 AI不再强调“追赶”之后，它开始尝试 讲一个更慢、但更有想象力的故事。 字节 AI，继续“大力出奇迹” ， 只是这一次， “出力”的方向 变了。 01 张一鸣“拒绝蒸馏” 字节跳动创始人张一鸣，自从在 2021年退居幕后，一直非常低调。但近日，他却罕见地在 Seed全员会 上露面，明确表态 “拒绝蒸馏”。 随后在 8月5日的字节全员会上， 字节 CEO梁汝波进一步定调：“字节大语言模型会坚定自研，做好基本功，接受短期落后，坚持优化长期，最重要的是动作不要变形。” 两位大佬同时发声，为何字节会如此 态度鲜明 地反对 “蒸馏” ？ 先看看何谓 “ 模型蒸馏 ” ？就是用更强大的前沿模型生成的输出 ， 来训练自己的模型。 就像在复习时坐在学霸（教师模型）旁边，向他反复提问， 得到 答案；再用这些 “题目和答案”来训练自己（学生模型），以快速提高成绩。 但需要明确的是， 蒸馏不是抄袭，它无法直接获得另一个模型的权重和完整训练数据 ，它只是一种相对 “更快”的学习方式。 在国内 AI圈，蒸馏几乎是一种心照不宣的“常规操作” 。 比如在 2025年初， DeepSeek发布推理大模型DeepSeek-R1 ，其还 同时发布了六个小尺寸的蒸馏模型，它们的 “ 教师模型 ” 都是 R1本身 。 但在海外 AI 圈，蒸馏却引发了舆论风暴。 今年初，美国 AI公司Anthropic指控DeepSeek、Kimi和MiniMax三家大模型厂商，对其Claude模型发起工业级“蒸馏”攻击，但这三家企业均 未作出正面回应。 蒸馏确实是提升大模型能力的一条 “捷径”，但“更快”是不是等于“更好”，则一直留有争议。 主流的观点是，对于第一梯队的大模型企业而言，仅仅通过蒸馏，很难真正建立起技术壁垒。况且， 大规模展开蒸馏 也 是一个比较复杂的系统工程 ， 也需要计算投入回报比。 蒸馏技术本身并非原罪，但至少在 字节 这里，其 对蒸馏的警惕， 几乎贯穿了整个 AI叙事。 早在 2023年，模型团队内部就明确 ， 不得将 GPT生成的数据加入训练数据集 。 2025年1月， DeepSeek R1横空出世， 以有限的训练成本展现出强大的推理能力 ，给国内大模型企业带来很大的竞争压力，包括字节 Seed团队。 对此， Seed内部曾有过讨论，是否要采用蒸馏方式， 引入美国头部模型的生成结果 ，但最终 这个提议 被管理层否决了。 不过，面对国内外大模型不断跃升的智能水平，蒸馏一直是 Seed内部无法回避的 选项。 一直到 Kimi K3 出现，这个同样来自国内的大模型， 能力 已非常 接近国外闭源旗舰模型 ，让 Seed内部偏向蒸馏的声音更多了。 这一次，张一鸣终于站出来表态 “不接受蒸馏”。据36氪报道， 这次全体会之后， Seed内部出台了新的政策 ， 明确要求禁止蒸馏 K3等开放权重模型，并追溯排查疑似蒸馏的行为。 对字节来说， “拒绝蒸馏”不仅仅是口号，还是已经落到实处的动作。 02 打自己最擅长的牌 但问题是， 一向信奉 “大力出奇迹”的字节，这次为何一反常态，宁愿慢下来？ 或许可以回到字节自身的基因里去找 答案 。 2012年，字节跳动推出第一款产品“今日头条”，从产品模式来看并不算非常创新。当时， 搜狐、网易、腾讯 等大厂均推出了类似的资讯 APP。 但 “今日头条”的特别之处在于， 它 尝试 用技术手段来影响哪些内容能被用户看到 ， 依靠算法推荐这一技术， 字节走出了一条 区别于门户的新闻资讯模式， 并沿用至今。 如此，也就不难明白为何张一鸣选择对 “蒸馏”说NO。 蒸馏本质上是在复制别人已有的能力，沿着这条路走，最多只能不断逼近对方，很难真正实现超越 。 只有颠覆行业已有的经验，才能 走出属于自己的赛道 ，这是字节从打造第一款产品就学会的经验，在 AI大模型领域更是如此。 2024 年， 牛津、剑桥等机构的联合研究登上《 Nature》封面， 指出 如果模型反复用 A I 生成的数据训练，原始数据分布中的尾部信息会逐渐消失，最终产生不可逆的能力退化。 更重要的是，字节 的核心战场从来不是纯文本大模型，而是原生多模态 ， 它要求模型从零构建对物理世界的多维度感知，建立文本、图像、视频、音频之间的深层对齐机制。 如果选择 蒸馏 别人的模型，就相当于继承了别人的 编码地基 ，字节就会失去从零定义多模态模型规则的能力。 那么，拒绝蒸馏的字节，靠什么来让模型变得更强？答案是数据。 近日， 字节跳动成立了一个新的一级部门 “ AI数据与安全 ”。 这个部门的前身之一，是由 TikTok创始团队成员傅越成立的数据团队Global Data， 同时 还整合了多个此前分散的 AI数据部门 。 据《智能涌现》报道，接近该部门人士表示，这一 部门 将 会是一个横跨基座模型到业务团队的庞大数据团队，其核心职能是为字节所有大模型，提供跨模态的数据服务。 在这之前，字节对大模型的训练数据一直不吝投入。 2026年， 字节的数据预算已超过千万美元级别，并且 是 “可以随时追加预算” 的状态 。 “数据”为什么越来越重要。如今， 整个 AI行业正在经历一场结构性转变 ，大模型能力 正在快速同质化 ， 算法架构带来的能力提升趋缓 ， 数据 逐渐 成为决定模型能力上限的变量 。 但越是高质量的数据，越是稀缺。据独立研究机构 EpochAI 的最新测算， 语言模型的训练将 在未来五年 耗尽人类公开的文本数据 ， 高质量语言数据的枯竭甚至可能提前至 2026年 。 过去一年，各大模型厂商都加大了对数据的投入。 2025年， Anthropic为RL数据拨出了超10亿美元预算 ； OpenAI全年数据开销约10亿美元，内部预测2030年将涨到80亿美元。 然而， 数据 恰恰 就是字节最擅长的牌。 过去十年，字节 已经 积累了一套极其成熟的数据飞轮： 全球 用户 每天在平台上 产生海量 的 行为数据 ，帮助字节绘出更细致的用户图谱，同时不断完善平台 的 推荐 算法 。 这些沉淀下来的图文、 视频、直播 和 互动数据 ， 不仅量大，而且真实、带有上下文 ，也成为了字节大模型 最稀缺的 训练材料 。 在通往 AGI的路上，字节已经握着比别