兰德-计算治理博弈论模型中的策略和检测差距（英）-2025_25页_411kb

报告内容分析总结

1. 简要摘要

随着AI技术不断发展，国家政策制定者面临着鼓励AI发展与加强治理之间的双重挑战。本报告分析了云服务提供商的AI训练检测策略及其存在的漏洞，提出通过弥补这些漏洞并开发更多计算与非计算治理方式，来提高基于计算的AI治理体系的效力。

2. 研究目标与模型

报告基于博弈理论构建模型，分析云端AI训练如何规避现有计算治理体系。其目的在于根据技术进展，找出并关闭漏洞，并维持适合计算监测的AI模型训练效率阈值。

3. 检测漏洞分析

• 现有阈值计算法可能导致检测漏洞，例如基于浮点运算(FLOP)的检测阈值存在一个范围，模型训练可以绕过这些限制。
• 潜在技术进步还可能让小规模AI模型变得更强大，进一步侵蚀当前检测策略的基础。

4. 检测漏洞与关闭策略

通过分析表明，以下策略有助于弥补漏洞：

• 监控数据传输模式与GPU集群数量。
• 监控MAC操作比率、GPU使用模式、数据消耗量以及能耗。
• 引入证明学习或KYC类操作，但报告还强调需注意成本与适应性。

5. 结论与建议

• 建立积极流程，不断消除检测漏洞。
• 政策制定应持续兼顾计算和非计算治理方式以全面促进AI安全。
• 开展研究，深入确定有效计算模块的标准，并适配AI技术的快速提升。