2026 年 10 月 19 日，三名研究人员在 arXiv 上发布预印本，探讨如何在不信任运营方的前提下，根据数据中心的用电情况检测 AI 训练。三位作者中，Tom Kimpson 来自墨尔本大学和 Machine Alignment, Transparency & Security（MATS）项目，Mauricio Baker 来自牛津大学，Emlyn Graham 来自 MATS。在他们的模拟中，验证方在机架或整个设施的供电入口处装有一台自己的电表，这台电表一旦被篡改就会留下痕迹。验证方借助它检查申报的推理负载中是否暗藏训练。[1]

在同步训练中，每一步都要等最慢的芯片完成，高功率的计算阶段与低功率的数据交换阶段大约每秒交替一次。作者用维特比（Viterbi）跟踪器捕捉这一不断漂移的节律。这种算法能在含噪声的数据中追踪频率的变化。作者报告，在运营方不加隐藏时，以 1% 的误报率计，该跟踪器在至少 96% 的模拟五分钟功率曲线中检测到了训练。这些结果要求电表每秒至少采样两次；每秒只采样一次时，检出率降至 33%。[1]

作者模拟了八种隐藏策略，例如加入随机停顿。他们称，其中只有极端随机地改变每一步的计算量，才能躲过跟踪器。这种策略最强的形式能在多达 73% 的五分钟时间窗内隐藏训练。不过，一种随时间累积证据的检验在一天之内仍能标记出 87% 的此类训练任务，误报率按每个任务计为 0.1%。作者称，这种策略不影响处理速度，但他们在一块 A100 图形处理器（GPU）上用它训练一个 3000 万参数的模型时，要达到相同的损失（即训练所要降低的误差），需要多用 93% 至 267% 的算力。[1]

作者称，合成数据是这项研究的主要局限：由于设施级的测量数据属于专有信息，他们所采用的训练功耗模型无法得到定量检验。他们计划用真实的多 GPU 训练任务开展研究，但所需设备目前尚不具备。他们写道，一次检出只能确立功率曲线中存在一种持续的、形似训练的节律，而获准的微调和其他一些周期性负载也可能产生这种节律。[1]

来源

  1. Detecting AI Training in Datacentre PowerarXiv (Tom Kimpson, Mauricio Baker and Emlyn Graham) · 2026年10月19日

核查或更正本页

更正
提交更正请求 · 在 GitHub 编辑源文件 · 更正政策
验证记录

下方摘要可以说明你读到的文字是否与公开的源文件一致，但不能说明报道内容本身正确。这一摘要在构建时根据本页的 Markdown 源文件计算，并列入站点清单。

432dba251d06a0f6087ad679df237b457a6c26acd532c50444f0b47055bdae62

查看源文件 · 清单