2025-06-29-兰德-计算治理博弈论模型中的策略和检测差距（英）_25页_324kb

计算治理中的策略与检测漏洞：博弈模型分析

本报告分析了云服务提供商基于计算阈值对AI训练进行治理的有效性及相关挑战，提出了多项建议。

核心发现

当前AI训练检测主要基于浮点运算阈值，但该方法存在明显缺陷。如果受监管的云服务提供商仅依据计算阈值监测活动，其将无法有效报告和检测AI训练活动。未来可能出现的多种AI模型的训练过程可能逃避检测。

报告构建了一个简单的博弈模型，揭示了检测机制的限制性问题。模型显示，当训练模型的计算量介于特定阈值区间时，会出现明显的检测漏洞。例如，训练大型语言模型BLOOM在计算量上刚好处于检测边缘，通过分散训练至多个账户的方式可逃避检测。

检测漏洞的原因

• 传统计算阈值无法有效捕捉所有AI模型训练
• 像神经符号AI这类新架构可能减少计算需求
• 开源预训练模型和模型微调进一步降低了训练门槛

检测建议

为提高AI治理有效性，建议云服务提供商监测多种技术指标：

• 数据传输模式分析
• GPU集群规模监控
• 计算设备功耗追踪
• 对策略的有效性进行实证验证

政策建议

1. 填补监管漏洞：建立动态检测机制以填补当前计算阈值的不足
2. 平衡治理体系：同时采用计算和非计算类型治理手段
3. 适应技术发展：建立能够随技术进步调整的指标框架

建议国家政策制定者采取上述措施，以提高AI治理的有效性，但需注意的是，当计算机硬件技术快速发展时，现有治理体系可能面临更新的需求。

结语

本报告建议通过多种途径加强AI治理机制。多维度的监管策略和动态调整的阈值体系将是应对快速技术变革治理挑战的关键。