2026 年 10 月 12 日
由加利福尼亚大学伯克利分校的萨拉·富勒顿撰写，斯瓦蒂·梅斯特里编辑，安德鲁·齐宁审核。
若全球政府与人工智能领导者达成暂停前沿 AI 训练的协议，该国际共识在实施、协调及监督层面是否具备可行性？一项于 10 月发布的研究对此给出了肯定答案。由来自加州大学伯克利分校、普林斯顿大学、斯坦福大学、哈佛大学和牛津大学等机构的 26 名多学科研究人员组成的团队，详细绘制了通往这一国际化路径的方案。
该研究的核心提议是一项旨在停止生产用于训练前沿人工智能模型的芯片的计划。随着时间推移，这些训练芯片将被专门设计的“仅推断”（inference-only）芯片所取代。这类新芯片能够在现有获批模型上提供快速、高效的推理服务，但无法用于训练新的前沿模型。这一机制允许社会继续使用当前的人工智能产品，同时防止因新模型过度强大而引发的社会经济破坏或国家安全威胁。
硬件管控：停止、替换与退役是关键
前沿人工智能的训练高度依赖特定芯片，这为各国政府提供了监管切入点。由于人工智能芯片供应链高度集中且存在多个可监控节点，政府具备执行生产禁令的能力。加州大学伯克利分校统计学副教授威尔·菲蒂安（Will Fithian）指出，绕过现有供应链极为困难，国际禁令可利用这一硬件依赖性来遏制前沿模型的训练。
报告建议逐步淘汰大部分或全部现有的预停训库存芯片，转而采用仅用于推理的人工智能芯片。这些专用芯片经过设计，即使被盗窃或没收，也无法通过内部限制用于训练新的前沿模型。在芯片更替期间，其他验证措施将确保剩余的具备训练能力的芯片不被滥用。
菲蒂安与联合组织者、加州大学伯克利分校哲学教授韦斯利·霍利迪（Wesley Holliday）补充道，仅推理芯片的技术已出于经济原因得到开发，但其市场吸引力目前受限于新型号的快速迭代。若禁止训练新前沿模型，这种硬连接的暂停将提升专用芯片的经济优势，并刺激相关创新。
霍利迪在研究中写道：“我们认为，如果世界领导人相信其他人也在遵守暂停协议，或者叛逃者会迅速被发现，他们就会同意暂停。”
验证机制与战略平衡
尽管各方可能认同暂停对整体有利，但由于缺乏有效的核查手段，竞争对手往往担心他国秘密违约从而获得商业或地缘政治优势，导致长期暂停难以达成。这份长达 200 页的报告提出了相互验证的框架，以解决信任问题。
报告亮点包括：
- 维持战略保险：通过基于人工智能的科学和医学研究保持竞争力，避免在 AI 竞赛中落后，并将低成本推理带来的经济效益传递给消费者。
- 环境与社会影响：新芯片资源需求减少，有助于降低环境影响，并缓解美国数据中心运营商与当地社区之间的摩擦。
- 应对违规风险：针对国家表面遵守验证程序却秘密训练新模型，或公开取消暂停以抢占先机的行为，提出了相应的防范策略。
研究人员强调，硬连接暂停的成功取决于世界领导人的合作意愿，以及他们是否愿意退休或将暂停前的库存转移至其他司法管辖区或国际管理的数据中心。
报告认为，人类能否团结起来调节人工智能独特的“双重用途动态”，是 21 世纪最重要的议题之一。历史上已有类似先例，如控制核能军事用途的国际协议和保护臭氧层的条约。作者总结道，只要决策者关注长远未来而非即时回报，且监控体系足以对叛逃行为产生可信后果，协调一致的全球暂停是可行的。
