AI开发目前高度依赖硬件。训练处于能力前沿的模型，需要数千块专用芯片组成的集群运行数周或数月，耗电量达数十兆瓦。这些芯片由少数公司设计，采用更少数公司制造的设备生产，并通过特定国家管辖的供应链销售。这种硬件集中是前沿AI开发中少数几个让近期监管变得可行的特征之一。
这种集中形成了一个治理瓶颈，是近期内对前沿AI发展进行监管切实可行的少数几个切入点之一。
算力治理是试图利用这种集中作为杠杆的人工智能监管方法。它不直接监管什么人工智能系统可以或不可以建造（这个问题需要大多数监管者无法做出的技术判断），而是监管建造这些系统所需的硬件。控制算力，就能对谁能开发前沿人工智能、以何种规模开发、以及报告和透明度要求施加一定程度的控制。
硬件瓶颈
这些瓶颈并非永久。中国正在积极投资本土半导体生产，以减少对西方供应链的依赖。目前国产芯片仍明显落后于前沿水平，这一差距给中国AI发展带来实际成本，但并未让前沿AI开发在足够时间和资源下变得不可能。现有硬件集中带来的治理窗口真实存在，但有限。
目前已有哪些算力治理措施
US政府已实施先进AI芯片出口管制，作为迄今最重要的算力治理措施。2022年10月宣布的管制限制向中国、俄罗斯和其他指定国家出售英伟达A100和H100芯片。2023年和2024年的后续管制将限制扩大到专门设计以低于原门槛的芯片，堵住了最明显的规避途径。这些管制给中国AI实验室带来了实际成本：有记录的芯片走私努力、黑市定价以及中国训练集群能力下降，都表明限制已产生效果。
拜登政府2023年10月的AI行政命令要求开发者向政府报告超过约10^26次浮点运算的训练运行，大致相当于训练一个GPT-4规模模型所需的算力。这一报告要求是迈向基于算力监督的第一步：让政府在系统部署前而非之后，就能看到谁在运行大规模训练。
前沿训练运行仍需要一整栋装满专用芯片的建筑，以及一张从太空都能看见的电费账单。这堆物理存在是政府最好的抓手。算力治理就是把这些建筑变成获得许可、可检查的基础设施这一平淡无奇的项目。
计算治理无法做到的事
计算治理作为安全工具的有效性受到三个重大限制。首先是规避：芯片可在限制生效前通过第三国购买、囤积，或用略低能力的芯片替代以低于监管门槛。US控制在一些记录案例中已被规避，走私和第三国路由模式已广泛到足以促使多轮收紧。
第二，算法效率：随着AI训练变得更高效，训练给定能力水平所需的算力会减少。今天设定的算力阈值若水平合适，三年后随着效率提升可能就宽松得过分了。围绕固定算力阈值构建的治理框架需要机制来调整这些阈值，以适应算力与能力之间关系的变化。
第三，也是最重要的一点，算力治理并未解决对齐问题。使用合法授权硬件训练、向主管部门报告且在获批算力阈值内的系统，仍然可能失调。算力治理可以控制前沿AI开发的节奏与规模，并提供谁在训练什么的可见性，却无法确保他们训练的内容是对齐的。
这就是为什么算力治理最好被理解为更广泛框架的一个组成部分，与对齐核查要求和国际条约义务并行，而非独立解决方案。基金会 三项政策提案 将计算治理视为近期的杠杆，在更难的对齐验证和国际条约谈判的技术与外交工作推进的同时，争取时间和可见性。