算力治理跟直接管制 AI 模型本身，本質上有什麼不同？
直接管制模型面對的最大障礙，是模型權重屬於軟體，一旦訓練完成就能以幾乎零成本無限複製，難以在事後攔截或追蹤流向；而且「這個模型有多危險」本身需要複雜的能力評測才能判斷，很難建立起客觀、可執行的量化門檻。
算力治理則是把管制的施力點往前移到訓練發生「之前」——透過限制誰能取得多少晶片、誰能使用多少運算資源，來間接影響「什麼樣的模型有可能被訓練出來」。這種做法的優勢在於，晶片是實體物品，數量可清點、供應鏈高度集中，管制的執行門檻遠低於直接管制軟體本身；但代價是，它管的是「能力形成的前置條件」，而不是「能力本身的風險程度」，這也是為什麼算力治理通常被視為 AI 治理工具箱裡的其中一塊拼圖，而不是萬用解方。
TPP（總處理效能）門檻是怎麼被設定的，21,000 這個數字代表什麼？
TPP 是美國商務部工業與安全局用來衡量晶片運算能力的技術指標，綜合考量晶片的浮點運算速度等因素，用一個單一數值來代表這顆晶片的整體運算效能。設定門檻的邏輯，是找出一個「低於此門檻的晶片，累積起來也難以支撐訓練最前沿、最具風險模型」的參考點，藉此把管制資源集中在真正接近前沿能力邊界的硬體上，而不是對所有等級的運算晶片一視同仁地限制。
值得留意的是，這類技術門檻並非一成不變——文中提到的商務部 1 月新規則，本身就是對更早期效能門檻（例如 2022 年 10 月最初設定的門檻）的更新版本，隨著晶片效能持續進步、演算法效率也在改善，同樣的門檻數值隨著時間推移可能會涵蓋越來越多本來不在管制範圍內的晶片，這也是為什麼算力治理的門檻設定，通常需要伴隨定期檢討機制，而不是一次訂定就長期不變。
「雲端算力 KYC」規則實際上要怎麼運作，為什麼跟晶片出口管制不一樣？
晶片出口管制管的是「這顆晶片能不能被運到某個國家」，本質上是一種邊境管制邏輯；但一旦晶片已經合法運抵某個資料中心，理論上任何有帳號、有付款能力的客戶，都可以透過雲端服務遠端租用這批運算資源，不需要晶片本身跨越任何邊境。這正是「遠端存取漏洞」的核心問題所在——出口管制擋得住晶片的物理移動，卻擋不住運算能力透過網路被遠端使用。
雲端 KYC 規則試圖填補的正是這個缺口：要求雲端服務供應商比照金融機構的反洗錢作法，在客戶租用大量運算資源之前，先確認客戶的真實身分、用途說明，並對來自受限地區或受限實體的租用請求加強審查。這代表算力治理的施力點，正從「晶片在哪裡」逐漸擴展到「晶片被誰使用」，兩者需要不同的執行機制與不同的責任主體（前者主要落在出口商身上，後者則落在雲端服務供應商身上）。
如果我不是政策研究者，只是一般關注 AI 產業動態的讀者，追蹤算力治理的變化對我有什麼實際幫助？
算力治理的變化，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。舉例來說，如果一家公司高度仰賴特定等級的先進晶片，而這個等級的晶片剛好落在新的 TPP 管制門檻附近，那麼未來出口規則的任何微調，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——這種資訊通常會比模型能力評測結果更早、更明確地反映在監管公告與供應鏈新聞裡。
對一般讀者而言，實際可以做的是：留意主要晶片供應商（例如輝達）的營收報告裡，關於受限市場（如中國）出貨限制的具體說法；留意雲端服務供應商是否公開說明自己新增了哪些客戶身分查核措施；以及留意任何跟「算力申報門檻」「晶片效能門檻」相關的政策更新，這些數字本身雖然技術性強，但門檻的鬆緊變化，往往是判斷整體 AI 產業未來供給端會不會出現瓶頸的早期訊號。
如果你想直接管制一個 AI 模型本身，會遇到一個根本困難：模型的權重是一串可以無限複製的數字，一旦訓練完成，複製一份的成本幾乎是零，也幾乎不可能被完全攔截。但如果把管制的目標換成訓練這個模型所需要的晶片，情況就完全不同——晶片是實體物品，需要極其複雜且高度集中的供應鏈才能製造出來，數量可以被清點，使用狀況可以被偵測。這正是「算力治理」（compute governance）這個概念近年在政策圈快速升溫的核心邏輯：與其想辦法管住模型，不如先管住讓模型得以誕生的那堆晶片。
研究機構 Governance.ai 在其分析中，把算力適合作為治理槓桿的原因歸納成四個特質：可偵測性（大規模 AI 訓練需要成千上萬顆專用晶片，集中在耗電量極高的資料中心裡運作，這種規模的活動很難完全隱藏）、可排除性（誰能取得晶片、能取得多少，是可以透過供應鏈環節加以限制的）、可量化性（晶片數量、算力規模都是具體數字，不像「這個模型有多危險」那樣需要主觀判斷）、以及高度集中的供應鏈（全球先進晶片製造集中在極少數幾家公司手上，這讓管制端不需要面對成千上萬個分散的行為者）。相較之下，資料和演算法都是可以無限複製、難以追蹤來源、天生就傾向擴散的無形資產，這使得它們在實務上遠比晶片難以管制。
算力治理最直觀的實踐形式，就是晶片出口管制，而美國這方面的政策在 2026 年經歷了明顯轉向。拜登政府時期規劃的「AI 擴散框架」（AI Diffusion Rule）原本打算把全世界國家分成三個等級，依等級決定晶片出口的寬鬆程度，但這項規則在正式生效前就被川普政府擱置。2026 年 1 月 15 日，美國商務部工業與安全局（BIS）發布新規則，改用具體的效能門檻取代國家分級——晶片的「總處理效能」（Total Processing Performance, TPP）若達到或超過 21,000，或記憶體頻寬達到或超過每秒 6,500 GB，就會被列為完全管制對象；低於這個門檻的晶片，則從過去「預設拒絕」的審查邏輯，改為可以逐案審查。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」同時並行的特殊政策組合。
晶片出口管制只是算力治理光譜裡最受媒體關注的一端，實際上這個概念涵蓋的手段遠比這個廣。美國 2023 年的行政命令要求，任何使用超過特定運算規模（10 的 26 次方浮點運算）訓練出來的模型，開發者必須向政府申報；歐盟《AI 法案》對通用型 AI 模型也設有類似的算力申報門檻，目前涵蓋的模型數量還相當有限。除此之外，政策圈近年也在討論「雲端運算的認識客戶」（Know-Your-Customer for cloud computing）規則，要求雲端服務供應商比照金融機構的反洗錢作法，去確認租用大量運算資源的客戶身分與用途——這正好對應了 2026 年 8 月另一項政策轉向的核心：與其只管制晶片實體出境，不如同時管制「誰能透過雲端遠端租用境外的受限晶片」，因為單靠邊境管制晶片流向，管不到晶片已經在境外資料中心、卻被限制對象遠端租用運算資源的情況。
算力治理雖然在技術上可行，卻伴隨著一個結構性的兩難。分析機構普遍指出，一套非常嚴格的算力治理制度——例如由政府建立集中管理的「算力儲備庫」，或是把先進 AI 的開發整併進單一國家級甚至跨國計畫——理論上可以大幅提高管制的有效性，但代價是可能導致算力（進而是先進 AI 能力）集中在極少數行為者手中，這本身就是另一種需要被審視的風險。此外，政府若要有效監管算力使用，往往需要相當程度地掌握運算資源的實際用途，但運算資源同時也大量用於跟 AI 完全無關的一般民生與企業應用，這讓算力治理不可避免地跟資料隱私的疑慮糾纏在一起。而演算法效率本身也在持續進步，這代表達成同樣能力所需要的算力門檻會隨時間下降，今天設定的管制門檻，可能在不久的將來就顯得過寬或過時。
對於評估 AI 相關投資或供應鏈曝險的讀者而言，算力治理最直接的意義是：晶片出口規則、雲端算力申報要求、以及未來可能出現的雲端 KYC 規範，都會直接影響一家公司能不能取得訓練前沿模型所需要的運算資源，進而影響它的能力發展速度與商業佈局。相較於緊盯個別 AI 模型的能力評測分數，追蹤算力管制門檻的具體數值（例如 TPP 門檻設在哪裡）、誰被納入管制名單、以及雲端服務供應商在合規要求上承擔了多少新責任，往往能更早、更具體地判斷一家公司未來的算力取得能力是否會受到限制——這正是算力之所以被政策圈視為治理槓桿的原因：它比任何一個模型的能力分數，都更早反映出未來會發生什麼。