各國 AI 法規紅線全憑廠商「良心自報」？10^26 FLOPs 監管漏洞誰來補

重點摘要

• 加州 SB 53 以訓練 10^26 FLOPs、歐盟 AI Act 以 10^25 FLOPs 界定前沿 AI 模型，多份國際 AI 協議草案也採用同樣邏輯，但現行法律完全依賴廠商自報，無任何獨立核查機制。
• UChicago Existential Risks Laboratory 研究員於 2026 年 7 月 23 日發布進行中研究摘要，在 Nvidia Jetson Orin Nano 8 GB 開發板上建立 MVP，透過 GPU 功耗與使用率側通道讀數，在不暴露訓練程式碼與資料的前提下估算訓練 FLOPs。
• 此研究延伸 EpochAI 的 FLOPs 估算方法，並呼應 Chaudhuri 等人利用熱能與功耗側通道提取 transformer 訓練資訊的先前研究，目前仍是概念驗證階段，尚非成熟的法規遵循工具。

2026 年 7 月 23 日，一篇來自芝加哥大學 (UChicago) Existential Risks Laboratory 暑期研究獎助計畫的研究摘要在 LessWrong 上發布，主題看似純技術，實則指向一個 AI 政策圈長期迴避的根本問題：當加州、歐盟、以及多份國際 AI 協議草案都把訓練 FLOPs（浮點運算次數）寫進法條作為前沿 AI 的認定門檻，有沒有人真的能驗證這個數字？這位研究員選擇在 Nvidia Jetson Orin Nano 8 GB 開發板上建立最低可行產品 (MVP)，透過 GPU 功耗和使用率的側通道讀數，嘗試在不接觸廠商訓練程式碼與資料的前提下，獨立推算訓練 FLOPs。

當全球 AI 法規與國際協議紛紛將 10^26 FLOPs 劃為前沿技術的監管紅線，如何建立不依賴廠商自報、具備獨立核查能力的技術驗證機制，已成為 AI 治理落地最關鍵的最後一哩路。

這不是一個可以直接部署的監管工具，研究員本人也清楚標記這是「進行中研究的 MVP」。但它觸碰到的問題，是 AI 治理架構裡最脆弱的那塊地基。

為什麼各國要用 FLOPs 劃法律紅線？

把一個計算量的數字寫進法條，乍看像是在精確監管，實際上反映的是一種務實折衷。監管者需要一個可以客觀描述、跨機構溝通的前沿 AI 定義，但選項都有缺陷：模型「能力」太模糊，難以標準化；架構細節屬商業機密；引數量可以靠稀疏化手段壓縮到具有誤導性。訓練算力相對而言最難造假，要訓練一個真正的前沿模型，算力消耗本質上繞不開，這讓 FLOPs 成為各方都能接受的量化錨點。

加州 SB 53 把門檻設在訓練 10^26 FLOPs，歐盟 AI Act 低一個數量級、設在 10^25。這兩個數字相差 10 倍，都在目前業界認為的前沿訓練量級附近，但具體的門檻設定反映了兩地監管保守程度的不同取捨。多份國際 AI 協議草案以類似邏輯延伸，讓訓練 FLOPs 成為判斷某次訓練是否需要受國際監管的部分依據。這種做法的優點是有共同語言：算力數字可以寫進協議、寫進法條、寫進出口管制清單，各方有同一個可以爭論的錨點。問題在於，這個數字現在完全靠廠商自報。

自報數字為何是監管的根本弱點？

對於國內法規，自報配合審計還算可操作：監管機關可以要求廠商提供訓練記錄。這些方法不完美，但在有主權執法力的框架下勉強可行。

一旦涉及國際協議，情況就不一樣了。多邊協議不能預設簽署方都誠信遵守，尤其在地緣政治存在競爭的情況下，某一方可能調整訓練流程來規避可見的 FLOPs 計算，或對條款採取有利於自己的詮釋。EpochAI 的估算方法提供了一條外部推算路徑：整合公開報告的加速器數量、訓練時長和預期使用率，來估算一次訓練消耗的算力。這個方法有用，但依賴公開資訊，一旦廠商或政府選擇不公開，估算就沒有抓手。

這就是側通道驗證吸引 AI 治理研究者的原因。理論上，訓練一個大型模型時，GPU 的功耗曲線和使用率模式會刻下這次訓練的「算力指紋」：無論訓練方是否願意配合揭露，只要有感測器在場，這些讀數就存在。這條路不需要看程式碼、不需要看訓練資料、不需要存取模型權重，但理論上能讓第三方核查員獨立推算算力規模。

這個 MVP 實際上在做什麼？

這位 UChicago 研究員的做法，是在 Nvidia Jetson Orin Nano 8 GB 開發板上建立可運作的概念驗證。Jetson Orin Nano 是 Nvidia 消費級嵌入式 AI 開發板，遠不是訓練前沿模型的硬體，但作為方法論的沙盒，它可以在可控環境下示範如何讀取 GPU 的功耗和使用率訊號，並將這些讀數對應到訓練 FLOPs 的估算。

研究在方法上有兩條繼承線。第一條來自 EpochAI：原本的估算方法依靠公開的加速器數量、訓練時長和預期使用率三個引數，這份研究把它延伸到即時功耗監控和即時使用率讀數，讓估算能在不依賴公開申報的情況下進行。第二條來自 Chaudhuri 等人：他們示範瞭如何利用熱能和功耗側通道讀數，搭配對模型架構的假設，在訓練過程中提取 transformer 模型的權重資訊。那份研究的目標和這份不同（提取模型秘密 vs. 驗證算力），但它證明瞭一件重要的事：透過側通道讀取訓練過程中有意義的資訊，技術上可行。此外，Rahman 和 Tajdari 的研究顯示，GPU 系統層級的讀數可以區分訓練和推理兩種 AI 工作負載，這為側通道辨識訓練行為提供了另一個基礎。

這個 MVP 要驗證的核心命題是：給定 GPU 的功耗曲線和使用率讀數，能否在不要求廠商揭露任何訓練細節的前提下，合理估算這次訓練消耗的總 FLOPs？研究員明確提到，驗證設計還需要考慮「訓練方可能對抗性地調整訓練流程以規避偵測」的情境，對抗性規避的可行性和偵測的魯棒性，都還沒有答案。

側通道驗證對國際協議和出口管制意味著什麼？

如果這個方法最終成熟，它的政策價值不在國內法規，而在國際監管場景。國內的 SB 53 或 EU AI Act，執法機關至少有法律授權要求廠商配合；問題是配合深度和獨立查核能力。但一份多邊 AI 協議要做到真正的核查，就需要一種不預設對方誠信的驗證技術，側通道方法的吸引力正在這裡：核查員理論上可以在廠商的機房邊界外掛上感測器，在不要求對方揭露任何訓練細節的情況下，取得算力的獨立估算。

侷限要誠實說：從功耗曲線反推 FLOPs 的精度，直接決定這個方法作為法規工具的實用性。一個誤差範圍寬到同時涵蓋 10^25 和 10^26 的估算，在兩個監管門檻之間幾乎無法做出有效的法律裁量。Jetson Orin Nano 和真實訓練環境（數千張 GPU 跑數週）之間還有巨大的規模差距，目前的方法能否在超大規模分散式訓練中維持估算精度，是開放問題。

這份 MVP 的真正意義，在於把一個長期停在理論層面的問題，推進到有第一個具體的測量路徑。下一個關鍵問題是：在真實的前沿訓練規模下，側通道讀數的估算誤差能收斂到哪個量級，才有機會讓這個工具從學術研究走進政策討論桌？這個答案，是 AI 治理研究者 and 政策制定者都需要等待的。

常見問題

為什麼不直接要求 AI 公司提供訓練記錄，而需要側通道驗證？
國內法規理論上可以強制要求廠商揭露訓練記錄，但國際協議不能預設簽署方誠信配合。側通道驗證的目的，是讓核查在廠商不配合揭露訓練程式碼、資料或架構細節的情況下仍能進行，這在地緣政治存在對抗性的場景下特別重要。

GPU 功耗讀數能精確對應到 FLOPs 嗎？
這正是這份研究需要回答的核心問題，目前尚未有定論。從功耗和使用率側通道估算 FLOPs 的理論方向可行，但估算誤差的大小、特別是在超大規模分散式訓練環境下的精度，是這個方法能否成為實用驗證工具的關鍵門檻，現有 MVP 尚未在前沿規模下驗證。

加州 SB 53 的 10^26 和歐盟 AI Act 的 10^25 差了多少，有實際影響嗎？
兩者差了 10 倍，意味著同一個訓練規模的模型，在歐盟可能觸發監管認定，在加州則未必。這個差距讓跨司法管轄的法規比較產生模糊地帶，也讓以 FLOPs 為基礎的國際協議在門檻協商上更複雜。