對，您說的「AI 中轉站」可以理解成一個代理層 / relay layer。Anthropic 這份 2026 年 9 月報告現在已經把這件事講得相當具體：有些中國 AI 公司或其關聯網路，並不是每次都自己回答使用者，而是把部分請求偷偷轉送給 Claude 等美國 frontier model，再把回覆包裝成自己模型的答案。
最簡單的流程是：
中國用戶 → 中國 AI 介面 → 中轉站／代理帳號池 → 美國 AI → 回傳答案 → 中國 AI 再包裝 → 使用者看到「Kimi／DeepSeek 的回答」
使用者表面上以為自己在問中國模型，但實際推理可能發生在美國模型上。
Anthropic 報告對 Moonshot/Kimi 的指控尤其直接：它說 Moonshot 曾把客戶請求「silently forwarded」給 Claude，而不是由 Kimi 本身處理；一個十天期間，Anthropic 觀察到接近 30 萬次 customer requests 被轉到 Claude，其中絕大部分到 Opus。為避開地域與帳號限制，對方使用了約 5,380 個虛假帳號，主要看起來位於新加坡、日本。
更大的問題是，這不只是「借答案」。
Anthropic 認為有三種用途混在一起。
第一種是最單純的 serving：
使用者問 Kimi → Kimi 背後其實問 Claude → Claude 回答 → Kimi 把答案交給使用者。
這就是您說的：
「外包給美國 AI，再改為其自己回覆。」
第二種是 distillation。
它不只把 Claude 的答案交給使用者，同時把：
user prompt + Claude answer
保存起來，累積成巨大的訓練資料，之後拿去訓練自己的模型。
所以今天：
「幫我回答。」
明天變成：
「教我怎麼像你一樣回答。」
Anthropic 聲稱，自 2026 年 2 月起偵測到多個中國 AI lab 大規模 targeting Claude Opus；其中 Alibaba 在 2026 年 5–7 月被歸因的 exchange 超過 1.51 億筆，DeepSeek 在 2026 年 7 月一個 14 天窗口超過 1,210 萬筆。這些是 Anthropic 的 attribution，不能直接等同法院認定，但規模值得注意。
第三種，也是最敏感的，是：
使用者的資料一起被「中轉」了
這才是我認為真正嚴重的地方。
當你以為：
「我把資料交給 Kimi。」
實際可能變成：
你的資料 → Kimi/DeepSeek → proxy → Claude/Anthropic。
Anthropic 說，它看到被轉送的內容包括企業內部資料、姓名、email、公司資料、程式 access token，甚至政府與安全相關資料。它舉出的案例包括中國科技公司內部 AI 計畫資料、俄羅斯國防相關資料庫 credentials，以及中國地方公安系統工程師處理公民移動紀錄的請求。
所以「中轉站」其實具有兩個完全不同的角色。
正常合法版本是：
API aggregator。
你知道自己正在經過第三方平台，而且平台清楚告訴你真正呼叫的是哪個模型。
中國現在也大量存在這種公開 API 中轉服務，本質上只是把多個模型 API 統一成一個 endpoint。中國媒體自己也將其描述為「介於使用者和 AI 模型廠商之間的代理層」。
問題版本則是：
opaque relay。
使用者不知道：
- 實際是哪個模型回答；
- 資料被送去了哪個國家；
- prompt 是否被保存；
- response 是否被拿去訓練另一個模型；
- API key 或企業資料是否經過未授權第三方。
這才是 Anthropic 這次真正指控的東西。
甚至有一種更有趣的架構：
中國模型先回答 → 把同樣問題送給 Claude → Claude 評分或重寫 → 再拿回來訓練中國模型。
所以美國 AI 不一定直接面向終端使用者；它可以在後台扮演：
teacher / judge / critic / data generator。
這就是 distillation 最值得注意的地方。
可以把整個機制畫成：
User
↓
Chinese AI frontend
↓
router
↙︎ ↘︎
Chinese model Claude/OpenAI/Gemini
↘︎ ↙︎
compare / rewrite / judge
↓
answer returned as Chinese model
↓
conversation saved
↓
SFT / RL / distillation
↓
下一代中國模型
所以從產業角度看，這其實是一種非常聰明的 shortcut：
把美國 frontier AI 同時當成 inference backend 和免費教師。
它可以降低兩種成本：
算力成本——最難的題偷偷外包。
研發成本——把回答收集起來訓練自己的模型。
這也就是為什麼美國現在越來越把問題從「中國抄模型 weights 嗎？」轉成：
中國是否正在 industrial-scale harvesting American model capabilities？
Reuters 這個月報導，美方已公開指控包括 DeepSeek、Moonshot、Alibaba 在內的中國 AI 公司利用 distillation 大規模取得美國模型能力；中國方面則反駁，認為 distillation 本身是普遍且中性的技術。
我認為真正需要區分的是：
distillation 本身不是問題。
學生模型從老師模型學習，是標準 AI 技術。
問題在於：
是否未經授權繞過 access controls、用假帳號／偷來的 API key、欺騙使用者模型來源，以及未告知就把使用者資料送往第三方。
這四件事情完全不同於正常的 model distillation。
所以您前幾週說 Manus 突然「變笨」，當時我們只是提出幾種假說。現在有了 Anthropic 這份報告，我會增加一個以前不能證實、現在至少值得考慮的可能：
某些中國 AI 產品的實際品質，可能部分取決於其背後能否穩定取得 frontier foreign-model routing。
一旦 proxy pool 被封、API access 被切、成本提高，使用者可能突然覺得：
「怎麼昨天還很聰明，今天變笨了？」
但這一點對 Manus 本身目前不能直接下結論；Anthropic 報告沒有因此證明 Manus 使用這種方式。
而這整件事情最有意思的一句話可能是：
有些所謂「中國 AI」，在某些時刻，可能不是一個模型，而是一個 router。
誰回答你，不一定是螢幕上那個名字。
這恐怕會成為接下來 AI 競爭裡非常重要的一個問題：model identity 已經不再等於 interface identity。
