为什么算力会吸引政策关注
模型权重与算法是可以被复制的。而先进芯片、高带宽网络、数据中心电力与制造产能,则足够具体、足够集中,因而更容易被观测到。算力治理正是把这些投入要素,当作训练或运行强大系统所需能力的不完美替代指标来使用。
这种推断存在局限。能力取决于数据、算法、后训练、工具、推理时算力与运行技巧——而不仅仅取决于训练算力。效率方面的提升,可以让同样的硬件产生更强的能力。因此,一个算力阈值只是一个便于管理的触发条件,而不是对 AGI 或危险程度的科学定义。
区分三种政策工具
出口管制限制特定物项、软件或服务流向某些目的地或最终用户。国内报告制度要求受覆盖的企业,就大型训练任务或基础设施等活动向主管机构报备。云服务客户尽职调查则试图识别究竟是谁在租用算力,并阻止被禁止的访问。这三种工具各自拥有不同的法律依据、管辖范围与出错方式。
美国对先进计算与半导体制造的管制措施,自2022年以来已多次调整。权威信息来源是美国商务部产业与安全局,包括其现行法规以及针对具体国家或最终用户的规则——而不是某一份静态的摘要文章(BIS 先进计算管制)。一项规则的公布,只能证明存在相应的法律意图;要评估其实际效果,还需要执法数据与供应链方面的证据。
美国已不再拥有2023年第14110号行政令最初设计的那套报告框架。特朗普总统于2025年1月撤销了这项行政令,并指示各机构审查此前依据该令采取的各项行动(白宫,2025年1月23日)。如果把其中关于训练任务报告或云服务「了解你的客户」(KYC)提案,描述为当前依然具有约束力的联邦法律,那是不准确的——除非另有单独的成文法或现行有效的规则,规定了这项义务。
欧盟的模式
欧盟《人工智能法案》把算力,置于一套更广泛的通用人工智能制度框架之内加以使用。欧盟委员会的指导意见指出,一个训练算力超过10^23次浮点运算这一指示性标准的模型,只要具备所要求的通用性,通常就会被视为通用人工智能模型,但个案情形可能存在例外。该法案推定,训练算力超过10^25 FLOP 的通用模型具有系统性风险,同时也允许基于同等能力或影响力,对模型作出单独认定(欧盟委员会关于通用人工智能的指导意见,2025年)。
这两个数字各自服务于不同的目的,不应被混为一谈。通用模型相关义务自2025年8月2日起开始适用;欧盟委员会的执法权自2026年8月2日起开始生效;而在2025年这一日期之前就已在欧盟市场上的模型,则享有较晚的合规过渡期。受覆盖的提供者必须提供文档与训练内容摘要,而具有系统性风险的提供者,还须承担额外的评估、事件报告、风险缓解与网络安全义务。管辖权的触发要件,是将某个模型投放到欧盟市场,这也包括部分非欧盟提供者。
算力监测能够实现什么
算力信号可以帮助识别出一批规模异常庞大、数量上仍便于管理的项目,供监管方关注。提前通报可以为评估者争取时间来规划测试。供应链管制可以延缓被禁止的军事或情报类最终用户获取相关设备的速度。数据中心报告可以帮助各国政府了解能源与基础设施方面的需求。
监测同样有助于支持事件调查:硬件清单、集群配置与访问日志,有助于确认谁在什么时候拥有相应能力。当它与能力评估、安全管控措施及部署治理相互配合时,作用最大。
任何人都不应据此推断,低于某个阈值的训练任务就是安全的。分布式训练、高效方法、微调、推理时扩展、被盗取的权重,或是一个专门化的危险模型,都可能落在一个简单触发条件的覆盖范围之外。监管机构需要拥有相应的权限,以便根据证据更新阈值,并认定同等程度的风险。
规避行为与意外后果
各项管制措施,都面临走私、空壳公司、经第三国转运、远程访问、囤积与错误归类等规避手段。如果提供者为了核实身份而收集过量的身份或工作负载数据,则可能带来隐私与网络安全方面的风险。过于详细的报告,也可能泄露商业机密,或为攻击者提供一份现成的地图。
相关规则也可能巩固现有大型企业的既得地位。一家大公司可以承担许可、法律与报告方面的成本,而这些成本却足以把初创企业与高校排除在外。出口管制可能使供应链趋于碎片化、助长国产替代,并减少科学交流。相关限制,也可能限制受影响地区在医学或气候领域本可产生的有益研究。
这些代价本身,并不能证明管制措施是失败的。它们意味着,评估工作应当把一项规则与现实可行的替代方案加以比较,并跟踪其实际结果:非法流通规模、价格与可获得性、国产替代程度、能力延迟效果、合规负担、研究可及性,以及外交层面的影响。
应当衡量哪些内容
一套可信的算力治理方案,应当报告以下内容:
- 覆盖哪些硬件、目的地与活动;
- 许可申请、批准、拒绝的数量及处理时长;
- 执法行动与常见的规避途径;
- 阈值设定的方法论,以及预定的复审安排;
- 对小型企业、学术界与中低收入国家在可及性方面造成的影响;
- 隐私、安全与申诉程序;
- 算力触发条件,如何与真实的能力评估相衔接。
不带立场偏向的统计数据至关重要,因为各机构与企业都各自拥有自己的利益动机。各国政府可能倾向于强调管制的成效;受影响的企业可能倾向于强调成本;芯片生产商能从更广泛的销售中获益;安全机构则能从更大的权限中获益。独立的分析工作,应当公开其资金来源与数据获取渠道。
更好的阈值设计
阈值设计应当是分级递进的,而不是单一的断崖式界限。较低层级可以要求做好记录留存;较高层级则可以增加安全管控、评估、事件报告与独立审查等要求。相关规则应当把具有实质关联的多次训练任务合并计算,使开发者无法人为地将一个项目拆分处理,同时把普通的小规模使用排除在外。
能力触发条件可以对算力形成补充:即便低于某个数值阈值,只要有证据显示存在较强的网络攻击、生物、自主复制或 AI 研究能力,也足以证明相应保障措施的必要性。由于评估本身可能被操纵或受到污染,因此应当记录清楚所用方法论、评估者的独立性,以及相应的不确定性。
国际间的互操作性很重要。互不兼容的报告格式会推高成本;互不兼容的阈值则会制造套利空间。统一的术语、安全的信息交流机制与相互承认制度,即便不要求各国政策完全一致,也能够发挥帮助作用。
算力是刹车,而不是方向盘
算力治理无法界定社会所期望的目标、无法让一个模型实现对齐、无法阻止每一种滥用行为,也无法分配经济收益。它能做到的,是延缓某些项目的进度、为其附加条件,并让它们变得更容易被察觉。由此换来的好处,可能是为评估工作、技术性安全研究、外交斡旋与制度筹备争取到的时间。
这段时间只有被真正利用起来,才具有价值。如果一项限制措施只是拖慢竞争对手的脚步,而实施管制的国家自己却在不设保障措施的情况下加速推进,那这就是一种产业战略,而不是共同降低风险的举措。读者应当追问:某项政策究竟是降低了整体的危险程度、改变了竞争优势的格局,还是两者兼而有之。
一个较为持平的结论是:物理基础设施提供了相对而言更易于执行的治理抓手之一,但算力终究是一个不稳定的替代指标。有效的政策,会把相称且可更新的阈值,与能力方面的证据、正当程序、安全性、可及性保障,以及对结果的公开评估结合在一起。