Compute Governance

算力治理是什麼，為什麼政策制定者選擇管制算力而不是直接管制 AI 模型？

算力治理指的是一整套政策工具，核心邏輯是：與其嘗試直接審查或限制 AI 模型的能力、演算法、訓練方式（這些東西本質上是資訊，難以物理追蹤，也容易透過網路傳播規避管制），不如管制訓練前沿 AI 模型所必需的物理資源——高階 AI 加速晶片（例如輝達 H100、H200 等級的晶片）。

這個政策選擇背後的邏輯很直接：晶片是實體物品，生產需要極高技術門檻的晶圓廠，全球產能高度集中在少數幾家公司手上，運輸與交易紀錄相對容易追蹤，這讓「誰買了多少晶片、賣到了哪裡」成為一個比「誰訓練出了什麼模型」更容易被監管機關掌握的資訊。也因為算力規模化本身是驅動前沿 AI 能力提升的核心引擎，控制算力流向，某種程度上等於控制了誰有能力訓練出下一代最強大的模型。

算力治理要解決什麼問題，這個政策工具是怎麼演變出來的？

算力治理的政策目標通常涉及兩個交織在一起、但邏輯不完全相同的考量：國家安全（防止特定國家取得可能用於軍事或監控用途的頂尖 AI 能力）與 AI 安全（防止能力發展速度超前對齊研究的速度，降低失控風險）。這兩種考量在實務政策裡經常被綁在一起討論，但背後的政策邏輯與利害關係人並不完全重疊。

以美國為例，算力管制政策從 2022 年開始快速演變：最早採用「總處理效能」（Total Processing Performance，TPP）門檻來界定哪些晶片受管制，隨後門檻與計算方式歷經多次調整。2025 年底到 2026 年初，政策又出現重大轉折——美國政府一度撤銷了原本把全球市場分成三層存取權限的「AI 擴散框架」（AI Diffusion Framework），改為對特定晶片的出口採取「逐案審查」而非「預設拒絕」的立場，同時搭配對這類晶片課徵 25% 關稅。這種政策路線的快速反覆，本身就反映了算力治理在「國安管制」與「產業競爭力」之間持續拉鋸的政治現實。

算力治理具體透過哪些機制運作，目前遇到什麼實務挑戰？

算力治理的執行機制主要包含幾層：出口管制（限制特定規格晶片能賣到哪些國家或實體）、進口關稅（例如對輝達 H200 等級晶片課徵的 25% 關稅）、以及較新興的「位置驗證」（location verification）概念——在晶片裡加入能確認實際部署地點的技術機制，讓監管機關更容易掌握晶片流向是否符合出口許可條件。2026 年 1 月生效的美國新規則，就將部分晶片的出口審查從「預設拒絕」調整為「個案審查」，但附加了終端使用者身分確認、安全措施、資料中心營運方等多項條件。

實務上最大的挑戰在於執行層面：晶片走私、透過第三國轉口規避管制、以及「主權 AI」（sovereign AI，指國家或區域希望在自己的司法管轄權下建立獨立算力基礎設施）計畫與現有出口管制框架之間的摩擦，都讓算力治理的實際效果打了折扣。研究機構的報告也指出，光靠出口管制本身，並不足以完全阻止特定國家發展先進 AI 能力，這也是為什麼部分政策研究者主張算力治理需要搭配算力門檻（compute threshold）等其他政策工具，形成多層次的治理架構，而不是單押注在出口管制這一種手段上。

算力治理對一般讀者理解 AI 產業新聞有什麼幫助？

每當看到「某國宣布晶片出口新規」「某家晶片公司股價因為政策消息波動」這類新聞，理解算力治理的邏輯，能幫助讀者看懂這類新聞背後真正的政策目標與利害關係——這類政策的直接受影響對象，遠不只是晶片製造商本身，還包括雲端服務商、資料中心營運商、伺服器整合商，甚至任何跨國部署 AI 訓練或推論工作負載的企業，都可能因為新規則而需要調整合規策略。

算力治理也直接連結到算力規模化這個技術現象：如果一個國家或企業被排除在頂尖晶片的取得管道之外，這不只影響短期的模型效能，長期而言更可能影響其能否持續追上算力規模化曲線所帶來的能力提升。這也是為什麼算力（連同背後的晶片、電力、資本）逐漸被視為堪比石油的戰略資源——理解算力治理的政策邏輯，等於理解了當前 AI 地緣政治競爭裡最核心的一條戰線。