DoorDash 选用 DeepSeek 做推荐系统被国会质询，开源模型出海的合规困局

最近 DoorDash 收到美国能源与商业委员会以及教育与劳动力委员会的联名质询函，核心争议点在于这家外卖巨头在处理用户数据时引入了 DeepSeek 的开源模型。虽然在技术圈看来，使用开源模型进行本地化部署是极其常规的操作，但在立法者眼中，这涉及到了一个更深层的命题：当一家美国企业使用中国训练的 AI 模型处理本土用户数据时，其安全边界究竟在哪里？

从 DoorDash 的回应来看，他们将 DeepSeek 应用在两个核心场景：一是个性化推荐系统的算法优化，二是客服消息的自动化分类。为了应对质询，DoorDash 强调其模型是运行在自有云端环境中的，且所有进入模型的数据都经过了匿名化处理。这里需要区分一个关键的技术细节，即“API 调用”与“本地推理”的区别。如果 DoorDash 是通过 API 将数据发送给远程服务器，那么数据确实存在出境风险；但由于 DeepSeek 是开源模型，DoorDash 可以将权重文件下载到自己的机房，在自购的 GPU 集群上进行推理，这意味着数据流转完全闭环在企业的私有网络内，物理上并没有离开美国。

但国会的质疑并非空穴来风，其核心矛盾在于“模型供应链的不可见性”。即便模型跑在自己的服务器上，一个预训练好的模型权重文件本质上是一个巨大的参数矩阵，内部是否存在未知的逻辑漏洞，或者在训练阶段是否使用了不合规的数据集，企业很难通过简单的代码审计就得出结论。

目前很多美国企业转向 DeepSeek 这类开源模型，最直接的驱动力是成本。在实际部署中，通过量化蒸馏（Quantization Distillation）处理后的版本，可以在极低显存占用下实现接近闭源大模型的推理效果，而推理成本可能只有闭源 API 的几分之一。对于像 DoorDash 这样日订单量极高、需要实时处理海量推荐请求的平台来说，这种成本优势是决定性的。

然而，这件事揭示了一个残酷的现实：在当前的商业环境下，技术选型已经不再是一个纯粹的工程问题，而变成了一个合规与政治问题。很多企业在私下部署 Agent 工作流或进行推理优化时，会优先考虑性能和 Token 成本，但合规部门往往在模型上线后才意识到“模型产地”可能成为审计漏洞。

如果未来美国立法者将“模型产地”作为硬性评估维度，那么开源模型的分发模式可能会发生剧变。企业可能不再追求单纯的“最强模型”，而是在性能、成本与“政治安全性”之间寻找一个妥协点。对于开发者来说，这意味着在选择模型时，除了关注 Benchmark 的跑分，还得关注该模型在特定监管环境下的准入资质。

总的来说，DoorDash 的案例是一个缩影。开源模型打破了技术壁垒，让全球企业都能低成本享用顶尖 AI 能力，但当这种能力被卷入地缘政治的审计逻辑时，单纯的“技术合理性”已经不足以支撑企业的防御，可审计的证据链条将成为未来 AI 基础设施建设的刚需。