算力門檻是什麼？為什麼監管機構偏好用門檻，而不是直接評估每個模型的風險？
算力門檻是算力治理（compute governance）這個更大概念下最常見的實踐工具——用一個具體、可量化的數值（例如晶片的運算效能、或訓練一個模型總共消耗的浮點運算次數）當作分界線，一旦超過這個數值，就自動觸發特定的法規義務，不需要另外針對這個模型或這顆晶片單獨進行風險評估。
監管機構偏好門檻式做法的原因，跟算力本身的特質有關：晶片的運算效能、訓練消耗的算力規模，都是具體、可測量、相對難以造假的數字，比起「這個模型有多危險」這種需要複雜能力評測才能回答、且容易引發爭議的主觀判斷，門檻式規則的執行成本低得多，也更容易被稽核與追蹤。這也是為什麼即使算力治理的手段有很多種，「設定一個數值門檻」始終是最常被優先採用的形式。
現實世界裡，算力門檻具體是怎麼被使用的？可以舉幾個不同層面的例子嗎？
算力門檻至少出現在三個不同的政策層面。第一種是出口管制門檻，用來決定一顆晶片能不能被銷往特定國家或地區——美國商務部工業與安全局在 2026 年 1 月的新規則裡，把「總處理效能」（Total Processing Performance, TPP）達到或超過 21,000、或記憶體頻寬達到或超過每秒 6,500 GB 的晶片，列為完全管制對象，低於這個門檻的晶片則改為逐案審查，而不是預設拒絕。
第二種是訓練規模申報門檻，用來決定一個模型的開發者是否必須向政府揭露這次訓練的相關資訊——美國 2023 年的行政命令要求，任何使用超過 10 的 26 次方浮點運算訓練出來的模型，開發者都必須申報；歐盟《AI 法案》對通用型 AI 模型也設有類似邏輯的算力申報門檻。第三種則是效能門檻用於劃分風險等級而非單純申報義務，例如 OpenAI 自己的《防範框架》裡，把模型在特定能力面向（例如網路安全攻防）的表現達到某個效能水準，直接對應到「Critical」這類最高風險等級，一旦達標就觸發部署暫停與額外審查程序，而不只是申報。
算力門檻設定之後，是不是就能一勞永逸解決問題？有沒有它天生就難以避免的侷限？
不是。算力門檻至少面對兩個結構性侷限。第一是效率進步帶來的門檻漂移：演算法效率跟晶片製程都在持續進步，這代表達成同樣能力所需要的實際運算量，會隨著時間下降——今天設定的門檻，可能在幾年後就會涵蓋越來越多原本不打算納入管制的一般用途晶片，或是攔不住用更少算力就能達到同等能力的新一代模型，這也是為什麼像 TPP 這樣的技術門檻，本身也需要跟著硬體世代不斷調整更新，美國的晶片效能門檻從 2022 年 10 月最初設定以來，已經歷經多次修訂。
第二個侷限更根本：算力門檻管的是「有沒有用到那麼多運算資源」，而不是「這個模型實際上有多危險」，這代表一個訓練規模低於門檻、卻透過某種創新演算法達到高風險能力的模型，理論上可以完全不觸發任何申報或管制義務。這也是為什麼分析普遍認為，算力門檻只是 AI 治理工具箱裡的其中一塊拼圖，通常需要搭配直接的能力評測（例如前面提到的《防範框架》風險等級）一起使用，才能補上「門檻管得到規模、管不到創新」這個結構性缺口。
一般讀者為什麼要關心算力門檻這種技術性數字，它跟日常生活或投資判斷有什麼關係？
算力門檻的具體數值，往往比一家公司自己發布的模型能力分數，更早反映出它未來的發展空間會不會受限。如果一家公司高度仰賴某個等級的晶片，而這個等級剛好貼近某條新設定的管制門檻，那麼未來門檻的任何微調——不管是收緊還是放寬——都可能直接影響這家公司能不能持續取得訓練下一代模型所需要的運算資源，進而牽動它的商業佈局與市場評價。
對一般讀者而言，實際可以留意的是：主要晶片供應商在營收報告或法說會裡，是否具體提到某個效能等級的晶片在特定市場的出貨受到門檻限制；監管機構是否公開預告門檻即將調整（門檻的鬆緊變化，往往比任何一次模型發布，都更早反映出整體產業未來的算力供給會不會出現結構性瓶頸）；以及一家公司是否主動揭露自己有哪些模型或訓練計畫，因為觸及某個效能門檻而必須申報或暫停——這類具體、可查證的門檻相關資訊，通常比單純的能力評測分數，更能幫助判斷一家公司未來的實際處境。
美國商務部工業與安全局在 2026 年 1 月 15 日發布的規則，把晶片「總處理效能」（TPP）21,000 與記憶體頻寬每秒 6,500 GB 設為完全管制門檻，取代了拜登政府時期原本規劃、以國家分級為基礎的「AI 擴散框架」。新規則生效前一天，白宮同步宣布對達到相同效能門檻的先進運算晶片課徵 25% 關稅，形成「出口審查放寬、進口關稅收緊」同時並行的政策組合。