1. 算力AI治理的物理基石与战略杠杆在人工智能浪潮席卷全球的当下我们谈论AI的伦理、安全和影响时常常陷入一种抽象的、近乎哲学式的讨论。然而作为一名长期关注技术基础设施与政策交叉领域的从业者我越来越清晰地认识到任何有效的治理都必须找到其可操作的“锚点”。这个锚点不是虚无缥缈的算法伦理原则也不是难以追溯的数据流而是实实在在、可计量、可追踪的算力。算力或者说计算能力是驱动所有前沿AI模型从GPT系列到Sora运转的“燃料”。它并非无形之物而是由实体化的AI芯片如英伟达的H100、B200、庞大的数据中心、惊人的电力消耗以及高度集中的全球供应链所构成的复杂体系。正是这种物理性、稀缺性和集中性使得算力成为了当前阶段对AI发展进行观察、引导和约束的最现实抓手。当我们讨论“AI治理”时如果脱离了对算力这一基础设施的审视就如同试图管理交通却不控制燃油和道路——愿景虽好却无从下手。本文旨在跳出泛泛而谈深入探讨如何通过算力这一具体维度实质性地增强社会对AI的治理能力。核心将围绕三个相互关联的治理能力展开可见性、分配与执行。这不是空想而是基于算力供应链现状从台积电的尖端制程到亚马逊云科技的数据中心集群和技术演进规律提出的、具备可操作性的政策思路。无论你是政策研究者、科技公司战略负责人还是关心技术社会影响的普通从业者理解算力如何赋能治理都将帮助你更透彻地看清AI发展的底层逻辑与未来可能的调控路径。2. 核心治理能力一提升AI活动的“可见性”治理的第一步是“看见”。如果监管者不知道谁在开发强大的AI系统、在何处开发、以及使用了多少资源那么任何安全标准、合规要求或国际协议都将是空中楼阁。算力由于其巨大的物理足迹和经济成本天然地成为了照亮AI开发“暗箱”的一盏明灯。2.1 为何算力是理想的观测指标与算法和数据的隐秘、易复制特性不同大规模算力的使用会留下难以磨灭的“痕迹”。训练一个千亿参数级别的大模型需要成千上万颗高端AI芯片持续运行数周甚至数月电力消耗堪比一个小型城镇。这种活动无法在笔记本电脑上完成必然依赖于大型数据中心。这些数据中心的位置、能耗、散热需求乃至其订购的芯片数量在当今的商业和卫星遥感技术下都越来越难以完全隐藏。因此算力成为了衡量和追踪AI能力发展的一个高置信度代理变量。虽然知道算力消耗量不能直接告诉你模型的具体能力或数据细节但它能可靠地指示出哪些实体国家、公司、实验室正在参与“前沿竞赛”以及其投入的规模。这为监管者提供了一个关键的态势感知基础。2.2 构建可见性的四重政策机制基于算力的可见性建设可以从易到难从宏观到微观构建一个多层次的信息网络。2.2.1 利用公开信息与情报进行能力评估这是最基础也是当前已在实施的一层。政府和智库可以通过公开渠道收集信息对全球AI算力分布进行“绘图”。数据来源包括上市公司财报中披露的资本支出CapEx、数据中心建设公告、芯片制造商的出货数据、学术论文中估算的训练算力FLOPs、专业分析机构如Omdia, TrendForce的报告甚至商业卫星影像用于分析数据中心规模与能耗。实践案例美国2023年10月发布的《关于安全、可靠和可信赖地开发和使用人工智能的行政命令》EO 14110中就要求开发或拥有大规模计算集群的公司向政府报告这些集群的存在、位置和总算力。这实质上是在将企业内部的算力情报转化为政府的监管情报。操作难点与技巧难点1信息碎片化与估算误差。公开信息往往不完整需要交叉验证和模型估算存在误差。技巧建立多源信息对比机制。例如将芯片采购数据、数据中心能耗数据可从电网公司获取部分公开与模型发布情况结合分析可以相互印证提高评估准确性。难点2“云算力”的模糊性。大多数AI开发租用云端算力使得最终用户身份对基础设施提供商之外的人而言是隐蔽的。技巧推动“云服务商报备”机制见下文作为对宏观算力绘图的关键补充。2.2.2 强制要求大规模训练算力使用报告这是将可见性从“基础设施拥有者”延伸到“基础设施使用者”的关键一步。核心是要求云计算提供商和大型AI开发商在算力使用超过一定阈值时向监管机构报告。机制设计可以借鉴金融领域的“了解你的客户”KYC原则。云服务商需要核实大算力租用者的真实身份和用途并定期向监管机构报送汇总信息包括用户身份、算力使用量如GPU小时数、大致用途分类训练/推理等。核心价值事件溯源与响应当某个AI系统造成重大危害时如生成大规模虚假信息、用于自动化网络攻击监管机构可以快速通过算力日志追溯到模型训练者或部署者从而采取关停、问责等措施。风险预警异常的算力使用峰值可能预示着一次大规模、高风险的前沿模型训练。强制报告制度能为监管者提供宝贵的预警窗口。环境成本核算AI训练是高耗能活动。准确的算力使用报告是评估其碳排放、指导行业绿色发展的数据基础。实操注意事项注意此机制涉及高度的商业敏感和隐私问题。必须建立严格的信息安全分级管理制度确保数据仅用于监管目的并防范内部泄密或外部攻击。报告门槛的设置需要谨慎过低会加重企业负担、侵犯商业隐私过高则会漏掉有风险的“中等规模”训练。2.2.3 建立国际AI芯片登记制度如果说报告制度是针对“使用流”那么芯片登记制度则是针对“硬件流”。目标是像追踪国际武器贸易或珍贵物资一样追踪每一颗高端AI芯片从出厂到最终部署的全生命周期。技术实现设想在芯片制造环节如封装测试阶段为每一颗高端AI芯片嵌入一个不可篡改的物理唯一标识符如利用硅片物理差异形成的PUF——物理不可克隆功能。芯片的每一次所有权转移从制造商到分销商到云服务商到最终用户都需要在一個共享的、可审计的登记簿上更新。治理效用防止非法转移与走私对于实施芯片出口管制的国家如美国对高端AI芯片的出口限制登记制度可以核查芯片是否被转移到未经授权的最终用户手中。精确掌握算力存量政府可以清楚地知道境内有多少可用的前沿算力资源分布在哪些实体手中为更精细的分配和调控政策提供依据。挑战与权衡成本与可行性为海量芯片添加硬件级标识符会增加制造成本和复杂度。初期可能只适用于最尖端、算力密度最高的芯片型号。隐私与权力滥用风险全面的芯片追踪可能被用于监控普通计算活动侵犯隐私。必须将追踪范围严格限定在用于大规模AI训练的高性能芯片集群豁免个人电脑、手机等消费级设备中的通用芯片。2.2.4 探索隐私保护的工作负载监控这是可见性机制的“圣杯”也是最敏感、技术挑战最大的一层在不触及用户数据隐私和模型知识产权的前提下了解算力究竟在“计算什么”。目标不是获取训练数据或模型权重而是识别计算活动的“类型”和“风险等级”。例如区分这是在进行大语言模型预训练、微调还是仅仅在进行图像识别推理。技术路径探索计算特征分析训练和推理任务在计算模式、内存访问模式、芯片间通信模式上存在可区分的特征。通过监控数据中心的聚合性能指标如平均功耗曲线、网络流量模式可能在不窥视具体数据的情况下进行大致分类。加密认证与证明安全日志芯片可设计为自动生成加密的、不可抵赖的计算任务日志。开发者可以向监管机构出示特定部分的证明例如通过零知识证明证实本次训练未使用违禁数据或总算力消耗在合规范围内而无需透露模型细节。学习过程证明类似“工作量证明”的概念研究者正在探索“学习证明”协议允许开发者向第三方证明他们确实使用声明的算力和数据完成了某个模型的训练且过程符合特定规范。重要提示注意任何形式的工作负载监控都必须以“隐私保护”为前提。技术方案必须经过严格的安全审计确保其无法被用于逆向工程或窃取商业机密。政策上需要明确的法律授权和 oversight防止监控权力的滥用。这需要密码学家、硬件工程师、法律专家和伦理学家共同参与设计。3. 核心治理能力二引导AI能力的“分配”掌握了可见性治理就进入了更具能动性的阶段分配。算力作为一种稀缺的战略资源其流向直接决定了AI能力的分布。通过有意识地引导算力分配政策制定者可以像指挥交通一样影响AI技术发展的方向和速度。3.1 分配的逻辑为何是算力而非其他在AI发展的三要素算法、数据、算力中算力是最适合作为分配杠杆的。算法开源文化盛行代码复制成本几乎为零极难控制其传播。数据来源庞杂既有公开数据也有私有数据边界模糊监管难度大。算力具有排他性你用了我就不能用、物理性芯片是实体、供应链高度集中从设计、制造到高端芯片供应全球仅少数几家巨头掌控。通过调控算力供给可以相对有效地影响谁能、在何时、以多大规模进行前沿AI研发。3.2 分配策略的四个实践方向3.2.1 差异化推进有益AI发展市场本身会驱动算力流向商业回报最高的领域如娱乐、广告、金融。分配政策的核心目标之一就是纠正这种市场失灵将算力引导至具有高正外部性但短期市场激励不足的“公共品”AI研发。具体措施设立公共算力池政府或国际组织投资建设专门用于公共研究的超级计算中心以极低成本或免费向符合条件的研究机构开放。例如专注于AI for Science科学发现、AI for Climate气候变化、AI for Health公共卫生的项目可以申请使用。提供算力补贴与税收优惠对从事特定有益AI研发的企业和机构给予云计算费用补贴、或对其采购的算力设备进行税收减免。实施“差异化技术发展”这是一个更主动的战略。不仅支持“好”的AI还要有意识地优先发展能降低AI自身风险或抵御AI滥用风险的“防御性”技术。例如将更多算力分配给AI对齐Alignment研究、鲁棒性测试、深度伪造检测、AI辅助网络安全防御等安全领域让安全技术的发展速度跑赢风险能力的增长。实操心得评审机制是关键必须建立透明、公正、由多学科专家技术、伦理、领域专家组成的项目评审委员会防止算力资源被“关系户”或低质量项目占用。避免“撒胡椒面”资源应集中支持少数有潜力的顶尖团队和项目而非平均分配以确保产出影响力。3.2.2 在全球与国家内部重新分配AI发展机会当前全球AI算力分布极度不均高度集中在北美、东亚和欧洲的少数科技巨头和发达国家手中。这种“算力鸿沟”可能加剧全球数字不平等。国际层面的“正向再分配”目标提升全球南方国家Global South的AI能力。路径能力建设先行不仅仅是捐赠芯片。更重要的是帮助这些国家培养AI人才、建设数字基础设施稳定电网、高速网络、建立本地化的数据治理体系。合作共建数据中心借鉴“北大西洋公约组织”NATO或“欧洲高性能计算联合事业”EuroHPC的模式由多国联合出资在选定的全球南方地区建设区域性的AI计算中心供周边国家的研究机构和初创企业使用。配额与补贴要求全球主要的云服务商将其部分算力容量以补贴价格提供给经认证的全球南方研究机构使用。国家内部的“再平衡”问题在一国内部算力也往往过度集中在少数几家科技巨头手中挤压了学术界、中小企业和独立研究者的空间。解决方案美国正在推动的“国家人工智能研究资源”NAIRR计划就是一个典型例子。其核心是创建一个国家级的算力、数据和工具平台让大学、非营利组织和小型企业也能访问到前沿AI研发所需的资源促进创新生态的多样化和健康竞争。3.2.3 调节AI发展的整体节奏AI的发展速度本身就是一个战略变量。算力是调节这一速度最直接的“油门”和“刹车”。加速策略政府通过投资半导体制造业、为芯片研发提供税收抵免、直接采购算力建设国家AI基础设施等方式增加全社会算力总供给从而推动AI创新和经济增长。这已是多国如美国、欧盟、中国的现行政策。减速或暂停策略这是一个更具争议性但必须严肃讨论的选项。如果认为AI安全研究严重滞后于能力增长社会适应需要时间或存在迫在眉睫的重大风险则可能需要主动减缓发展步伐。机制设想——算力配额与储备算力配额对每年可用于前沿AI训练的尖端芯片总产量或出货量设定上限。这直接为AI能力的增长设置了一个物理天花板。算力储备由一个独立机构如多国联合成立的委员会以市场价格收购大部分新产出的尖端AI芯片形成一个“战略算力储备”。该机构根据对AI安全进展的评估决定何时、向谁、以何种条件释放这些芯片。在持有期间芯片可用于非前沿AI的通用计算任务以回收成本。深度思考注意使用算力来调节发展节奏是一把极其锋利的“双刃剑”。它赋予了少数决策者巨大的权力可能扼杀创新、固化市场垄断、并引发地缘政治紧张。任何此类机制的建立都必须辅以极强的透明度、问责制和制衡机制其启动门槛也应设定得极高仅用于应对明确且重大的生存性风险。3.2.4 合作开展联合AI大型项目面对AI发展的巨大成本与风险国际社会可以借鉴历史上大型科学合作项目如欧洲核子研究中心CERN、国际空间站ISS的经验共同出资、共同管理、共享成果。“AI领域的CERN”愿景建立一个国际性的AI研究机构汇聚各国资金和人才建设和运营世界顶级的算力设施。潜在模式CERN for Frontier AI专注于以前沿、安全、负责任的方式训练最强大的AI模型成果由全人类共享。CERN for AI Safety专注于AI对齐、可解释性、鲁棒性等安全核心问题的研究其算力全部用于攻克AI安全难题。CERN for AI for Good专注于利用AI解决全球性挑战如气候变化、疾病预测、贫困问题等。优势合法性相比由私营公司主导国际公共项目在制定涉及人类命运的重大决策时更具合法性和公信力。安全集中化将最前沿、最高风险的AI研发活动集中在一个受严格国际监督的设施内进行比分散在多个竞争性的私营实验室中理论上更易于实施统一的安全标准和审计。化解竞赛压力通过合作共享成果可以部分缓解国家间“AI军备竞赛”的压力将竞争引导至更良性的方向。4. 核心治理能力三增强规范与法律的“执行”可见性让我们“看到”分配让我们“引导”而执行则是确保规则不被违反的“牙齿”。算力的物理属性和供应链特性为AI治理规范提供了前所未有的、硬性的执行手段。4.1 从“软件合规”到“硬件执法”传统的技术治理多依赖于事后的法律追责和软件层面的审查这在AI时代显得力不从心。模型权重一旦泄露即可无限复制恶意行为者可以在全球任何角落远程操作。算力治理提供了一种“前置性”和“物理性”的执法思路。4.2 基于算力的四种执行机制4.2.1 硬件层面的远程执行与“计算上限”这是最直接、最硬核的干预方式。通过在AI芯片或数据中心网络设备中嵌入可控的硬件机制来实现远程干预。“计算上限”硬件锁芯片在设计时即可包含一个可远程管理需多重授权的硬件计数器。当芯片累计运行的计算量FLOPs达到某个预设的、与高风险训练相关的阈值时芯片可以自动进入“限速”或“锁定”状态需要额外的授权如来自监管机构或第三方审计者的数字密钥才能解锁。这相当于为每一次大规模训练设置了物理意义上的“里程表”和“断油阀”。网络隔离执行对于超大规模集群可以通过物理限制芯片间的高速网络连接来实施“算力封顶”。例如数据中心的设计使其无法将超过一定数量的芯片如1万颗以足够低的延迟互联起来从而从物理上杜绝了进行超大规模训练的可能性。实操挑战技术复杂性需要在芯片架构早期就植入这些功能涉及复杂的硬件安全设计。单点故障与滥用风险远程控制的后门如果被黑客或专制政权掌握后果不堪设想。必须设计成需要多方如制造商、独立审计机构、用户共同授权才能触发的机制。4.2.2 防止高风险训练的多方控制借鉴核武器发射的“两人规则”或银行金库的“多把钥匙”原则对启动一次超大规模AI训练所需的算力资源进行分布式控制。机制设计将控制训练任务启动的“密钥”或权限分散给多个相互独立的实体例如云服务商、独立的第三方审计机构、政府监管部门。只有这些实体中的多数或全部同时授权训练任务才能获得所需的全部算力资源并开始运行。应用场景适用于那些被定义为“前沿”或“高风险”的训练任务其阈值可通过算力规模、模型参数量等客观指标定义。在训练开始前发起方必须向各方提交安全评估报告获得许可。优势增加了恶意或鲁莽行为者单方面启动危险训练的难度引入了制衡和审慎决策的环节。4.2.3 基于数字技术的规范执行利用密码学和区块链等技术将社会规范和法律要求“编码”进算力使用的流程中。合规证明要求AI开发者在租用算力或启动训练前必须提供其符合某些规范的“数字证明”。例如证明其训练数据已通过版权过滤、不包含非法内容证明其模型输出已部署了符合要求的内容过滤器或证明其安全测试已达到某个标准。这些证明可以是基于零知识证明的以保护商业机密。可追溯的算力流水结合芯片登记制度和工作负载监控隐私保护型构建一个不可篡改的算力使用账本。任何模型的训练都可以追溯到其使用的具体算力资源批次、时间和地点。一旦模型造成危害可以迅速、无可抵赖地定位责任方。智能合约自动执行算力购买和使用的合同可以以智能合约的形式部署。合约条款可规定一旦监测到用户违反使用协议如将算力用于训练深度伪造模型将自动终止服务并冻结剩余资源。4.2.4 通过算力供给进行事后惩戒与威慑这更像是一种“经济制裁”式的事后执行手段。当某个实体被证实严重违反了AI安全规范或法律例如开发用于自动化网络武器的AI监管机构可以联合算力供应链上的关键节点芯片制造商、云服务商对该实体实施“算力禁运”。措施禁止向其出售新的高端AI芯片要求云服务商终止其账户在芯片登记系统中将其标记为“受限实体”使其无法合法获得算力资源。有效性前提这种方式的威力完全依赖于全球算力供应链的协同和治理联盟的团结。如果存在不受管制的算力“黑市”或“避风港”其效果将大打折扣。因此它更适用于针对国家行为体或大型企业并且需要广泛的国际共识作为基础。5. 实施路径、风险权衡与未来展望将算力治理的蓝图转化为现实绝非易事。它面临着一系列严峻的技术挑战、深刻的利益冲突和复杂的伦理风险。5.1 主要实施挑战与风险隐私与公民自由风险任何形式的监控和追踪尤其是工作负载监控和芯片登记都存在被滥用于大规模监控、打压异见、侵犯商业机密和个人隐私的潜在风险。必须建立“隐私保护设计”原则和强有力的法律监督框架。中心化与权力滥用风险算力治理机制特别是算力储备和分配权可能将巨大的权力集中在少数政府机构或国际组织手中。这可能导致腐败、寻租或利用算力控制进行政治打压。权力必须被分散、制衡并受到严格问责。阻碍创新与固化不平等风险过于严格或设计不当的算力管制可能扼杀中小企业和研究机构的创新活力反而巩固科技巨头的垄断地位。分配政策必须精心设计确保公平竞争并为新兴力量留有空间。地缘政治冲突风险算力是战略资源。围绕算力的治理很容易演变为新的地缘政治博弈战场例如通过出口管制进行“技术脱钩”。这可能导致全球AI生态分裂降低安全协作的可能性并加剧不稳定。技术规避与“地下算力”风险随着算法进步和硬件普及用更少、更便宜的算力实现相同能力将成为可能即“算力效率”提升。同时恶意行为者可能转向使用不受监管的、分散的算力资源如僵尸网络、消费级GPU集群进行活动削弱治理措施的有效性。5.2 渐进式实施路径建议鉴于上述风险算力治理不应追求一蹴而就的“大爆炸”式改革而应采取渐进、审慎的路径从透明度开始建立信任优先推动低侵入性、高公共价值的可见性措施。例如率先建立行业自愿性的算力使用与能耗报告标准鼓励云服务商发布透明的算力分布报告。国际AI芯片登记可以从对最尖端如超过某个特定浮点性能阈值的芯片型号开始试点。以“公共品”分配作为突破口在争议较小的领域率先实践分配理念。大力投资建设面向AI for Science、AI for Climate等公共领域的国家级算力平台证明其价值积累管理经验。发展技术保障再谈硬性控制在硬件远程控制、隐私保护监控等关键技术未成熟且未经过广泛安全审计之前不应仓促部署强制性的执行机制。应大力资助相关基础研究和原型开发。构建多层次、包容性的国际对话算力治理必须是全球性的。应在联合国、G20等多边框架下以及产业联盟、学术共同体中开展持续对话。初期目标可以是达成一些“软性”原则如《关于AI算力透明度的国际倡议》再逐步向更具体的协议迈进。保持敏捷与适应性AI技术和算力本身在快速演进。治理框架必须保持足够的灵活性能够定期评估其有效性并根据技术变化如量子计算、神经形态芯片等新范式进行调整。5.3 一个融合的视角算力治理作为系统工程最后需要明确的是算力治理并非AI治理的“万能钥匙”它不能替代对算法偏见、数据隐私、就业影响、法律责任等关键问题的治理。它应该被视为一个强大的赋能器和补充性工具箱。最有效的AI治理体系很可能是一个“分层蛋糕”底层基于算力的硬性约束和基础可见性为整个治理体系提供物理层面的锚点和底线保障。中层基于数据和算法的过程监管与标准认证如模型评估、审计、红队测试。上层基于法律和伦理的结果问责与原则框架如AI责任法、伦理准则。这三层相互支撑。算力治理确保了“坏”的AI难以在暗处大规模生长过程监管确保了AI系统的开发符合安全规范法律问责则对造成的损害进行补救和惩戒。在我与业界和学界同行的交流中一个越来越强的共识是如果我们希望AI的发展不仅是强大的更是安全、公平且有益于人类的那么我们就必须学会驾驭其赖以运行的物理基础——算力。这要求技术专家、政策制定者、企业家和公民社会携手共同设计一套既具远见又务实可行的新规则。这条路充满挑战但或许是我们在智能时代构建可控未来的最坚实起点。
算力治理：AI发展的物理锚点与三大核心治理能力
1. 算力AI治理的物理基石与战略杠杆在人工智能浪潮席卷全球的当下我们谈论AI的伦理、安全和影响时常常陷入一种抽象的、近乎哲学式的讨论。然而作为一名长期关注技术基础设施与政策交叉领域的从业者我越来越清晰地认识到任何有效的治理都必须找到其可操作的“锚点”。这个锚点不是虚无缥缈的算法伦理原则也不是难以追溯的数据流而是实实在在、可计量、可追踪的算力。算力或者说计算能力是驱动所有前沿AI模型从GPT系列到Sora运转的“燃料”。它并非无形之物而是由实体化的AI芯片如英伟达的H100、B200、庞大的数据中心、惊人的电力消耗以及高度集中的全球供应链所构成的复杂体系。正是这种物理性、稀缺性和集中性使得算力成为了当前阶段对AI发展进行观察、引导和约束的最现实抓手。当我们讨论“AI治理”时如果脱离了对算力这一基础设施的审视就如同试图管理交通却不控制燃油和道路——愿景虽好却无从下手。本文旨在跳出泛泛而谈深入探讨如何通过算力这一具体维度实质性地增强社会对AI的治理能力。核心将围绕三个相互关联的治理能力展开可见性、分配与执行。这不是空想而是基于算力供应链现状从台积电的尖端制程到亚马逊云科技的数据中心集群和技术演进规律提出的、具备可操作性的政策思路。无论你是政策研究者、科技公司战略负责人还是关心技术社会影响的普通从业者理解算力如何赋能治理都将帮助你更透彻地看清AI发展的底层逻辑与未来可能的调控路径。2. 核心治理能力一提升AI活动的“可见性”治理的第一步是“看见”。如果监管者不知道谁在开发强大的AI系统、在何处开发、以及使用了多少资源那么任何安全标准、合规要求或国际协议都将是空中楼阁。算力由于其巨大的物理足迹和经济成本天然地成为了照亮AI开发“暗箱”的一盏明灯。2.1 为何算力是理想的观测指标与算法和数据的隐秘、易复制特性不同大规模算力的使用会留下难以磨灭的“痕迹”。训练一个千亿参数级别的大模型需要成千上万颗高端AI芯片持续运行数周甚至数月电力消耗堪比一个小型城镇。这种活动无法在笔记本电脑上完成必然依赖于大型数据中心。这些数据中心的位置、能耗、散热需求乃至其订购的芯片数量在当今的商业和卫星遥感技术下都越来越难以完全隐藏。因此算力成为了衡量和追踪AI能力发展的一个高置信度代理变量。虽然知道算力消耗量不能直接告诉你模型的具体能力或数据细节但它能可靠地指示出哪些实体国家、公司、实验室正在参与“前沿竞赛”以及其投入的规模。这为监管者提供了一个关键的态势感知基础。2.2 构建可见性的四重政策机制基于算力的可见性建设可以从易到难从宏观到微观构建一个多层次的信息网络。2.2.1 利用公开信息与情报进行能力评估这是最基础也是当前已在实施的一层。政府和智库可以通过公开渠道收集信息对全球AI算力分布进行“绘图”。数据来源包括上市公司财报中披露的资本支出CapEx、数据中心建设公告、芯片制造商的出货数据、学术论文中估算的训练算力FLOPs、专业分析机构如Omdia, TrendForce的报告甚至商业卫星影像用于分析数据中心规模与能耗。实践案例美国2023年10月发布的《关于安全、可靠和可信赖地开发和使用人工智能的行政命令》EO 14110中就要求开发或拥有大规模计算集群的公司向政府报告这些集群的存在、位置和总算力。这实质上是在将企业内部的算力情报转化为政府的监管情报。操作难点与技巧难点1信息碎片化与估算误差。公开信息往往不完整需要交叉验证和模型估算存在误差。技巧建立多源信息对比机制。例如将芯片采购数据、数据中心能耗数据可从电网公司获取部分公开与模型发布情况结合分析可以相互印证提高评估准确性。难点2“云算力”的模糊性。大多数AI开发租用云端算力使得最终用户身份对基础设施提供商之外的人而言是隐蔽的。技巧推动“云服务商报备”机制见下文作为对宏观算力绘图的关键补充。2.2.2 强制要求大规模训练算力使用报告这是将可见性从“基础设施拥有者”延伸到“基础设施使用者”的关键一步。核心是要求云计算提供商和大型AI开发商在算力使用超过一定阈值时向监管机构报告。机制设计可以借鉴金融领域的“了解你的客户”KYC原则。云服务商需要核实大算力租用者的真实身份和用途并定期向监管机构报送汇总信息包括用户身份、算力使用量如GPU小时数、大致用途分类训练/推理等。核心价值事件溯源与响应当某个AI系统造成重大危害时如生成大规模虚假信息、用于自动化网络攻击监管机构可以快速通过算力日志追溯到模型训练者或部署者从而采取关停、问责等措施。风险预警异常的算力使用峰值可能预示着一次大规模、高风险的前沿模型训练。强制报告制度能为监管者提供宝贵的预警窗口。环境成本核算AI训练是高耗能活动。准确的算力使用报告是评估其碳排放、指导行业绿色发展的数据基础。实操注意事项注意此机制涉及高度的商业敏感和隐私问题。必须建立严格的信息安全分级管理制度确保数据仅用于监管目的并防范内部泄密或外部攻击。报告门槛的设置需要谨慎过低会加重企业负担、侵犯商业隐私过高则会漏掉有风险的“中等规模”训练。2.2.3 建立国际AI芯片登记制度如果说报告制度是针对“使用流”那么芯片登记制度则是针对“硬件流”。目标是像追踪国际武器贸易或珍贵物资一样追踪每一颗高端AI芯片从出厂到最终部署的全生命周期。技术实现设想在芯片制造环节如封装测试阶段为每一颗高端AI芯片嵌入一个不可篡改的物理唯一标识符如利用硅片物理差异形成的PUF——物理不可克隆功能。芯片的每一次所有权转移从制造商到分销商到云服务商到最终用户都需要在一個共享的、可审计的登记簿上更新。治理效用防止非法转移与走私对于实施芯片出口管制的国家如美国对高端AI芯片的出口限制登记制度可以核查芯片是否被转移到未经授权的最终用户手中。精确掌握算力存量政府可以清楚地知道境内有多少可用的前沿算力资源分布在哪些实体手中为更精细的分配和调控政策提供依据。挑战与权衡成本与可行性为海量芯片添加硬件级标识符会增加制造成本和复杂度。初期可能只适用于最尖端、算力密度最高的芯片型号。隐私与权力滥用风险全面的芯片追踪可能被用于监控普通计算活动侵犯隐私。必须将追踪范围严格限定在用于大规模AI训练的高性能芯片集群豁免个人电脑、手机等消费级设备中的通用芯片。2.2.4 探索隐私保护的工作负载监控这是可见性机制的“圣杯”也是最敏感、技术挑战最大的一层在不触及用户数据隐私和模型知识产权的前提下了解算力究竟在“计算什么”。目标不是获取训练数据或模型权重而是识别计算活动的“类型”和“风险等级”。例如区分这是在进行大语言模型预训练、微调还是仅仅在进行图像识别推理。技术路径探索计算特征分析训练和推理任务在计算模式、内存访问模式、芯片间通信模式上存在可区分的特征。通过监控数据中心的聚合性能指标如平均功耗曲线、网络流量模式可能在不窥视具体数据的情况下进行大致分类。加密认证与证明安全日志芯片可设计为自动生成加密的、不可抵赖的计算任务日志。开发者可以向监管机构出示特定部分的证明例如通过零知识证明证实本次训练未使用违禁数据或总算力消耗在合规范围内而无需透露模型细节。学习过程证明类似“工作量证明”的概念研究者正在探索“学习证明”协议允许开发者向第三方证明他们确实使用声明的算力和数据完成了某个模型的训练且过程符合特定规范。重要提示注意任何形式的工作负载监控都必须以“隐私保护”为前提。技术方案必须经过严格的安全审计确保其无法被用于逆向工程或窃取商业机密。政策上需要明确的法律授权和 oversight防止监控权力的滥用。这需要密码学家、硬件工程师、法律专家和伦理学家共同参与设计。3. 核心治理能力二引导AI能力的“分配”掌握了可见性治理就进入了更具能动性的阶段分配。算力作为一种稀缺的战略资源其流向直接决定了AI能力的分布。通过有意识地引导算力分配政策制定者可以像指挥交通一样影响AI技术发展的方向和速度。3.1 分配的逻辑为何是算力而非其他在AI发展的三要素算法、数据、算力中算力是最适合作为分配杠杆的。算法开源文化盛行代码复制成本几乎为零极难控制其传播。数据来源庞杂既有公开数据也有私有数据边界模糊监管难度大。算力具有排他性你用了我就不能用、物理性芯片是实体、供应链高度集中从设计、制造到高端芯片供应全球仅少数几家巨头掌控。通过调控算力供给可以相对有效地影响谁能、在何时、以多大规模进行前沿AI研发。3.2 分配策略的四个实践方向3.2.1 差异化推进有益AI发展市场本身会驱动算力流向商业回报最高的领域如娱乐、广告、金融。分配政策的核心目标之一就是纠正这种市场失灵将算力引导至具有高正外部性但短期市场激励不足的“公共品”AI研发。具体措施设立公共算力池政府或国际组织投资建设专门用于公共研究的超级计算中心以极低成本或免费向符合条件的研究机构开放。例如专注于AI for Science科学发现、AI for Climate气候变化、AI for Health公共卫生的项目可以申请使用。提供算力补贴与税收优惠对从事特定有益AI研发的企业和机构给予云计算费用补贴、或对其采购的算力设备进行税收减免。实施“差异化技术发展”这是一个更主动的战略。不仅支持“好”的AI还要有意识地优先发展能降低AI自身风险或抵御AI滥用风险的“防御性”技术。例如将更多算力分配给AI对齐Alignment研究、鲁棒性测试、深度伪造检测、AI辅助网络安全防御等安全领域让安全技术的发展速度跑赢风险能力的增长。实操心得评审机制是关键必须建立透明、公正、由多学科专家技术、伦理、领域专家组成的项目评审委员会防止算力资源被“关系户”或低质量项目占用。避免“撒胡椒面”资源应集中支持少数有潜力的顶尖团队和项目而非平均分配以确保产出影响力。3.2.2 在全球与国家内部重新分配AI发展机会当前全球AI算力分布极度不均高度集中在北美、东亚和欧洲的少数科技巨头和发达国家手中。这种“算力鸿沟”可能加剧全球数字不平等。国际层面的“正向再分配”目标提升全球南方国家Global South的AI能力。路径能力建设先行不仅仅是捐赠芯片。更重要的是帮助这些国家培养AI人才、建设数字基础设施稳定电网、高速网络、建立本地化的数据治理体系。合作共建数据中心借鉴“北大西洋公约组织”NATO或“欧洲高性能计算联合事业”EuroHPC的模式由多国联合出资在选定的全球南方地区建设区域性的AI计算中心供周边国家的研究机构和初创企业使用。配额与补贴要求全球主要的云服务商将其部分算力容量以补贴价格提供给经认证的全球南方研究机构使用。国家内部的“再平衡”问题在一国内部算力也往往过度集中在少数几家科技巨头手中挤压了学术界、中小企业和独立研究者的空间。解决方案美国正在推动的“国家人工智能研究资源”NAIRR计划就是一个典型例子。其核心是创建一个国家级的算力、数据和工具平台让大学、非营利组织和小型企业也能访问到前沿AI研发所需的资源促进创新生态的多样化和健康竞争。3.2.3 调节AI发展的整体节奏AI的发展速度本身就是一个战略变量。算力是调节这一速度最直接的“油门”和“刹车”。加速策略政府通过投资半导体制造业、为芯片研发提供税收抵免、直接采购算力建设国家AI基础设施等方式增加全社会算力总供给从而推动AI创新和经济增长。这已是多国如美国、欧盟、中国的现行政策。减速或暂停策略这是一个更具争议性但必须严肃讨论的选项。如果认为AI安全研究严重滞后于能力增长社会适应需要时间或存在迫在眉睫的重大风险则可能需要主动减缓发展步伐。机制设想——算力配额与储备算力配额对每年可用于前沿AI训练的尖端芯片总产量或出货量设定上限。这直接为AI能力的增长设置了一个物理天花板。算力储备由一个独立机构如多国联合成立的委员会以市场价格收购大部分新产出的尖端AI芯片形成一个“战略算力储备”。该机构根据对AI安全进展的评估决定何时、向谁、以何种条件释放这些芯片。在持有期间芯片可用于非前沿AI的通用计算任务以回收成本。深度思考注意使用算力来调节发展节奏是一把极其锋利的“双刃剑”。它赋予了少数决策者巨大的权力可能扼杀创新、固化市场垄断、并引发地缘政治紧张。任何此类机制的建立都必须辅以极强的透明度、问责制和制衡机制其启动门槛也应设定得极高仅用于应对明确且重大的生存性风险。3.2.4 合作开展联合AI大型项目面对AI发展的巨大成本与风险国际社会可以借鉴历史上大型科学合作项目如欧洲核子研究中心CERN、国际空间站ISS的经验共同出资、共同管理、共享成果。“AI领域的CERN”愿景建立一个国际性的AI研究机构汇聚各国资金和人才建设和运营世界顶级的算力设施。潜在模式CERN for Frontier AI专注于以前沿、安全、负责任的方式训练最强大的AI模型成果由全人类共享。CERN for AI Safety专注于AI对齐、可解释性、鲁棒性等安全核心问题的研究其算力全部用于攻克AI安全难题。CERN for AI for Good专注于利用AI解决全球性挑战如气候变化、疾病预测、贫困问题等。优势合法性相比由私营公司主导国际公共项目在制定涉及人类命运的重大决策时更具合法性和公信力。安全集中化将最前沿、最高风险的AI研发活动集中在一个受严格国际监督的设施内进行比分散在多个竞争性的私营实验室中理论上更易于实施统一的安全标准和审计。化解竞赛压力通过合作共享成果可以部分缓解国家间“AI军备竞赛”的压力将竞争引导至更良性的方向。4. 核心治理能力三增强规范与法律的“执行”可见性让我们“看到”分配让我们“引导”而执行则是确保规则不被违反的“牙齿”。算力的物理属性和供应链特性为AI治理规范提供了前所未有的、硬性的执行手段。4.1 从“软件合规”到“硬件执法”传统的技术治理多依赖于事后的法律追责和软件层面的审查这在AI时代显得力不从心。模型权重一旦泄露即可无限复制恶意行为者可以在全球任何角落远程操作。算力治理提供了一种“前置性”和“物理性”的执法思路。4.2 基于算力的四种执行机制4.2.1 硬件层面的远程执行与“计算上限”这是最直接、最硬核的干预方式。通过在AI芯片或数据中心网络设备中嵌入可控的硬件机制来实现远程干预。“计算上限”硬件锁芯片在设计时即可包含一个可远程管理需多重授权的硬件计数器。当芯片累计运行的计算量FLOPs达到某个预设的、与高风险训练相关的阈值时芯片可以自动进入“限速”或“锁定”状态需要额外的授权如来自监管机构或第三方审计者的数字密钥才能解锁。这相当于为每一次大规模训练设置了物理意义上的“里程表”和“断油阀”。网络隔离执行对于超大规模集群可以通过物理限制芯片间的高速网络连接来实施“算力封顶”。例如数据中心的设计使其无法将超过一定数量的芯片如1万颗以足够低的延迟互联起来从而从物理上杜绝了进行超大规模训练的可能性。实操挑战技术复杂性需要在芯片架构早期就植入这些功能涉及复杂的硬件安全设计。单点故障与滥用风险远程控制的后门如果被黑客或专制政权掌握后果不堪设想。必须设计成需要多方如制造商、独立审计机构、用户共同授权才能触发的机制。4.2.2 防止高风险训练的多方控制借鉴核武器发射的“两人规则”或银行金库的“多把钥匙”原则对启动一次超大规模AI训练所需的算力资源进行分布式控制。机制设计将控制训练任务启动的“密钥”或权限分散给多个相互独立的实体例如云服务商、独立的第三方审计机构、政府监管部门。只有这些实体中的多数或全部同时授权训练任务才能获得所需的全部算力资源并开始运行。应用场景适用于那些被定义为“前沿”或“高风险”的训练任务其阈值可通过算力规模、模型参数量等客观指标定义。在训练开始前发起方必须向各方提交安全评估报告获得许可。优势增加了恶意或鲁莽行为者单方面启动危险训练的难度引入了制衡和审慎决策的环节。4.2.3 基于数字技术的规范执行利用密码学和区块链等技术将社会规范和法律要求“编码”进算力使用的流程中。合规证明要求AI开发者在租用算力或启动训练前必须提供其符合某些规范的“数字证明”。例如证明其训练数据已通过版权过滤、不包含非法内容证明其模型输出已部署了符合要求的内容过滤器或证明其安全测试已达到某个标准。这些证明可以是基于零知识证明的以保护商业机密。可追溯的算力流水结合芯片登记制度和工作负载监控隐私保护型构建一个不可篡改的算力使用账本。任何模型的训练都可以追溯到其使用的具体算力资源批次、时间和地点。一旦模型造成危害可以迅速、无可抵赖地定位责任方。智能合约自动执行算力购买和使用的合同可以以智能合约的形式部署。合约条款可规定一旦监测到用户违反使用协议如将算力用于训练深度伪造模型将自动终止服务并冻结剩余资源。4.2.4 通过算力供给进行事后惩戒与威慑这更像是一种“经济制裁”式的事后执行手段。当某个实体被证实严重违反了AI安全规范或法律例如开发用于自动化网络武器的AI监管机构可以联合算力供应链上的关键节点芯片制造商、云服务商对该实体实施“算力禁运”。措施禁止向其出售新的高端AI芯片要求云服务商终止其账户在芯片登记系统中将其标记为“受限实体”使其无法合法获得算力资源。有效性前提这种方式的威力完全依赖于全球算力供应链的协同和治理联盟的团结。如果存在不受管制的算力“黑市”或“避风港”其效果将大打折扣。因此它更适用于针对国家行为体或大型企业并且需要广泛的国际共识作为基础。5. 实施路径、风险权衡与未来展望将算力治理的蓝图转化为现实绝非易事。它面临着一系列严峻的技术挑战、深刻的利益冲突和复杂的伦理风险。5.1 主要实施挑战与风险隐私与公民自由风险任何形式的监控和追踪尤其是工作负载监控和芯片登记都存在被滥用于大规模监控、打压异见、侵犯商业机密和个人隐私的潜在风险。必须建立“隐私保护设计”原则和强有力的法律监督框架。中心化与权力滥用风险算力治理机制特别是算力储备和分配权可能将巨大的权力集中在少数政府机构或国际组织手中。这可能导致腐败、寻租或利用算力控制进行政治打压。权力必须被分散、制衡并受到严格问责。阻碍创新与固化不平等风险过于严格或设计不当的算力管制可能扼杀中小企业和研究机构的创新活力反而巩固科技巨头的垄断地位。分配政策必须精心设计确保公平竞争并为新兴力量留有空间。地缘政治冲突风险算力是战略资源。围绕算力的治理很容易演变为新的地缘政治博弈战场例如通过出口管制进行“技术脱钩”。这可能导致全球AI生态分裂降低安全协作的可能性并加剧不稳定。技术规避与“地下算力”风险随着算法进步和硬件普及用更少、更便宜的算力实现相同能力将成为可能即“算力效率”提升。同时恶意行为者可能转向使用不受监管的、分散的算力资源如僵尸网络、消费级GPU集群进行活动削弱治理措施的有效性。5.2 渐进式实施路径建议鉴于上述风险算力治理不应追求一蹴而就的“大爆炸”式改革而应采取渐进、审慎的路径从透明度开始建立信任优先推动低侵入性、高公共价值的可见性措施。例如率先建立行业自愿性的算力使用与能耗报告标准鼓励云服务商发布透明的算力分布报告。国际AI芯片登记可以从对最尖端如超过某个特定浮点性能阈值的芯片型号开始试点。以“公共品”分配作为突破口在争议较小的领域率先实践分配理念。大力投资建设面向AI for Science、AI for Climate等公共领域的国家级算力平台证明其价值积累管理经验。发展技术保障再谈硬性控制在硬件远程控制、隐私保护监控等关键技术未成熟且未经过广泛安全审计之前不应仓促部署强制性的执行机制。应大力资助相关基础研究和原型开发。构建多层次、包容性的国际对话算力治理必须是全球性的。应在联合国、G20等多边框架下以及产业联盟、学术共同体中开展持续对话。初期目标可以是达成一些“软性”原则如《关于AI算力透明度的国际倡议》再逐步向更具体的协议迈进。保持敏捷与适应性AI技术和算力本身在快速演进。治理框架必须保持足够的灵活性能够定期评估其有效性并根据技术变化如量子计算、神经形态芯片等新范式进行调整。5.3 一个融合的视角算力治理作为系统工程最后需要明确的是算力治理并非AI治理的“万能钥匙”它不能替代对算法偏见、数据隐私、就业影响、法律责任等关键问题的治理。它应该被视为一个强大的赋能器和补充性工具箱。最有效的AI治理体系很可能是一个“分层蛋糕”底层基于算力的硬性约束和基础可见性为整个治理体系提供物理层面的锚点和底线保障。中层基于数据和算法的过程监管与标准认证如模型评估、审计、红队测试。上层基于法律和伦理的结果问责与原则框架如AI责任法、伦理准则。这三层相互支撑。算力治理确保了“坏”的AI难以在暗处大规模生长过程监管确保了AI系统的开发符合安全规范法律问责则对造成的损害进行补救和惩戒。在我与业界和学界同行的交流中一个越来越强的共识是如果我们希望AI的发展不仅是强大的更是安全、公平且有益于人类的那么我们就必须学会驾驭其赖以运行的物理基础——算力。这要求技术专家、政策制定者、企业家和公民社会携手共同设计一套既具远见又务实可行的新规则。这条路充满挑战但或许是我们在智能时代构建可控未来的最坚实起点。
