上個月我用一個下午的時間，翻閱了三份被更頻繁引用的人工智能治理文件：歐盟《人工智能法案》（EU AI Act）、NIST 的《人工智能風險管理框架》（NIST AI RMF）以及某家大型實驗室發佈的一個安全框架。目標很簡單：找出“算力所有權”（compute ownership）在治理中具體出現在什麼地方。在這三份文件中，答案基本上是哪裏都沒有。
讓我印象深刻的並不是人們漏掉了它。問題在於，敘事方式本身讓它看不見。治理層面的討論把模型行爲當作可被控制的變量，而把基礎設施當作中性的背景——也就是承載 AI 發生的管道。這個假設悄悄地做了很多工作。
把它反過來看，畫面就變了。一個模型可以開源、可以被審計、也可以被自由再分發。但要在規模上運行它，就需要由少數公司擁有的 GPU 集羣。正是這些公司決定哪些模型能獲得低延遲服務，哪些模型在經濟上變得可部署，哪些則不行。迄今爲止，我在任何模型卡、任何安全披露或任何我找到的治理框架中，都沒有看到這些決策的痕跡。
更深的謎題在於：最有能力解釋“算力爲何與治理相關”的機構，恰恰也是擁有算力的那些機構。這並不是陰謀。只是激勵機制在正常運作。但這也解釋了爲什麼這個問題幾乎不會在任何嚴肅的政策討論中浮出水面。
@OpenGradient 圍繞的就是這個空白：把算力層本身進行分發，而不是把這些決策留在少數數據中心內部。
如果“以規模運行 AI 的能力”本身就是一個治理問題，那麼過去一年裏，討論的目標層級一直選錯了。值得停下來認真想一想。
$OPG
#OPG
$VELVET
$MYX
讓我印象深刻的並不是人們漏掉了它。問題在於，敘事方式本身讓它看不見。治理層面的討論把模型行爲當作可被控制的變量，而把基礎設施當作中性的背景——也就是承載 AI 發生的管道。這個假設悄悄地做了很多工作。
把它反過來看，畫面就變了。一個模型可以開源、可以被審計、也可以被自由再分發。但要在規模上運行它，就需要由少數公司擁有的 GPU 集羣。正是這些公司決定哪些模型能獲得低延遲服務，哪些模型在經濟上變得可部署，哪些則不行。迄今爲止，我在任何模型卡、任何安全披露或任何我找到的治理框架中，都沒有看到這些決策的痕跡。
更深的謎題在於：最有能力解釋“算力爲何與治理相關”的機構，恰恰也是擁有算力的那些機構。這並不是陰謀。只是激勵機制在正常運作。但這也解釋了爲什麼這個問題幾乎不會在任何嚴肅的政策討論中浮出水面。
@OpenGradient 圍繞的就是這個空白：把算力層本身進行分發，而不是把這些決策留在少數數據中心內部。
如果“以規模運行 AI 的能力”本身就是一個治理問題，那麼過去一年裏，討論的目標層級一直選錯了。值得停下來認真想一想。
$OPG
#OPG
$VELVET
$MYX