Kinesisk militär använder amerikanska AI-modeller som genväg till nya försvarssystem

Modell-destillering kan liknas vid att en mindre modell går i lära hos en större. Forskare skickar frågor till en kraftfull så kallad lärarmodell via ett öppet API, samlar in svaren och använder fråge-svar-paren för att träna en mindre elevmodell. Elevmodellen lär sig på så sätt att efterlikna delar av lärarens förmåga och problemlösning .

För militära användningsområden är fördelen uppenbar: en mindre modell kan köras på lokal hårdvara utan den enorma datorkapacitet som krävs för att utveckla en avancerad modell från grunden .

Vilka militära användningsområden har dokumenterats?

De artiklar och patent som Reuters granskade visar att tekniken används eller undersöks för flera försvarsrelaterade ändamål :

• Övervakning och spaning: analys av underrättelser och rekognosering
• Cyberkrigföring: automatiserade angrepps- och försvarssystem
• Drönare och taktiska operationer: autonoma drönarsvärmar och stöd för beslut på slagfältet
• Militära fordon: det statliga kinesiska försvarsföretaget Norinco har presenterat ett fordon som drivs av DeepSeek, en modell som i sin tur har utvecklats med hjälp av destillering. Fordonet ska kunna utföra autonoma stöduppgifter i strid och nå hastigheter på upp till 50 km/h

I en artikel från Folkets befrielsearmés enhet 96904 beskrevs uttryckligen hur amerikanska modeller kunde destilleras till ”mindre och säkrare” versioner för försvarsändamål .

En annan artikel från enhet 96941, en kinesisk militär underrättelse- och cyberkrigföringsenhet i Peking, beskrev hur OpenAI:s GPT-3.5 användes för att bearbeta känslig militär källkod . En artikel från 2024, skriven vid Folkets befrielsearmés universitet för försvarsteknik, behandlade hur destillering kunde göra en bildanalysmodell tillräckligt liten för att köras på militär hårdvara med begränsade resurser .

Därför är tekniken strategiskt viktig

Att träna en avancerad AI-modell från grunden kan kräva miljardinvesteringar, år av forskning, stora datamängder och tillgång till de mest avancerade halvledarna. Modell-destillering kan minska behovet av mycket av denna investering .

Enligt anklagelser från amerikanska AI-bolag har kinesiska utvecklare bland annat skapat falska konton och använt proxynätverk för att kringgå begränsningar i API:er. Anthropic uppgav att företag i Kina hade genererat över 16 miljoner utbyten genom omkring 24 000 falska konton för att utvinna Claude-modellens förmåga inom bland annat agentbaserat tänkande, verktygsanvändning och programmering. Det kinesiska AI-företaget MiniMax stod enligt uppgifterna ensamt för över 13 miljoner av dessa utbyten .

Det är viktigt att skilja mellan legitim destillering – där en modellägare komprimerar sin egen modell för att göra den billigare och snabbare – och den typ av systematiskt API-utnyttjande som amerikanska bolag beskriver som otillåten modellutvinning.

Anklagelserna har trappats upp under 2026

• Februari 2026: OpenAI, Anthropic och Google publicerade var för sig uppgifter om samordnade destilleringskampanjer kopplade till de kinesiska företagen DeepSeek, Moonshot AI och MiniMax . Anthropic kallade operationerna avsiktliga ”destilleringsattacker” .
• April 2026: Ett utskott i USA:s representanthus granskade ett OpenAI-memo som beskrev ”sofistikerade flerstegskedjor” med flera API-konton, proxynätverk och beteendeimitation för att undvika upptäckt .
• Juni 2026: Anthropic anklagade Alibaba för den största kända incidenten av detta slag mot företagets Claude-modell. Enligt Anthropic pågick kampanjen från den 22 april till den 5 juni .
• Juli 2026: USA:s finansminister Scott Bessent varnade för möjliga sanktioner efter anklagelser om att AI-labbet Moonshot hade destillerat sin modell från Anthropics avancerade Fable 5. USA:s handelsdepartements Bureau of Industry and Security utreder samtidigt om kinesiska företag olagligen får tillgång till avancerade amerikanska AI-chip .

Tekniken har tydliga begränsningar

Modell-destillering är ingen perfekt kopia och skapar inte automatiskt en modell som är bättre än originalet.

• Ett kunskapstak: Elevmodellen kan i regel inte överträffa lärarmodellens förmåga. Den ärver både modellens styrkor, blinda fläckar och återkommande fel .
• Försämring över flera generationer: Vid upprepad destillering kan detaljerade resonemang, ovanlig kunskap och finare säkerhetsanpassning gå förlorade .
• Försvagade säkerhetsbarriärer: Detta är särskilt betydelsefullt i militära sammanhang. Forskning visar att så kallad mjuketikettdestillering kan ge mycket kapabla modeller men samtidigt försämra säkerheten – i vissa jämförelser med upp till 50 procentenheter – medan uppgiftsförmågan i stort bevaras . Destillerade modeller saknar ofta de robusta vägran- och ofarlighetsfunktioner som byggts in i de ursprungliga avancerade modellerna . Anthropic har varnat för att otillåtet destillerade modeller saknar nödvändiga skydd och därför kan innebära betydande säkerhetsrisker .
• Svårt att stoppa genom enkla motåtgärder: Begränsningar av antalet förfrågningar, förändrade utdata och så kallad datapois­onering har visat sig ha begränsad effekt mot aktörer som använder distribuerade och flerstegsbaserade metoder .

Varför säkerhetsförlusten oroar

Den centrala risken är inte bara att en modell kan kopieras billigare. Det handlar också om att en mindre och mer lättillgänglig modell kan ärva avancerad funktionalitet utan att samtidigt behålla de skyddsmekanismer som byggts in i originalet.

Det kan bidra till en spridning av AI-system som används för militär övervakning, cyberoperationer eller andra ändamål som de amerikanska modellägarnas användarvillkor uttryckligen förbjuder .

Samtidigt kan destillering göra det möjligt för konkurrenter att hoppa över år av egen forskning och på så sätt minska USA:s försprång inom avancerad AI . Eftersom utvinningen sker genom så kallade svarta lådor – modeller som nås via API utan insyn i den underliggande tekniken – kan det dessutom vara svårt att skilja en legitim storkund från någon som systematiskt samlar in träningsdata .

En ny front i teknikrivaliteten mellan USA och Kina

Konflikten kring modell-destillering bidrar till en bredare teknisk frikoppling mellan USA och Kina. Skärpta exportkontroller för avancerade chip, hårdare begränsningar av API-åtkomst, krav på identitetskontroller för utvecklarkonton och möjliga ekonomiska sanktioner diskuteras eller utreds .

USA-bolagen försöker samtidigt förbättra möjligheterna att upptäcka och stoppa storskalig utvinning. I mars 2026 bäddade Anthropic exempelvis in spårningskod i Claude Code för att identifiera användare i Kina .

Det ökar risken för en säkerhetsspiral där den ena sidans AI-aktivitet tolkas som fientlig av den andra. Den långsiktiga frågan är därför större än vem som har den bästa modellen: hur ska avancerad AI kunna spridas och användas utan att dess mest känsliga förmågor kopieras, försvagas säkerhetsmässigt och flyttas in i militära system?

Den strategiska kärnan är tydlig. Modell-destillering kan ge Kinas militär tillgång till delar av USA:s AI-investeringar till en bråkdel av kostnaden för att bygga samma kapacitet från grunden – samtidigt som de säkerhetsförsämringar som kan följa med tekniken riskerar att skapa mindre begränsade och farligare militära AI-system.