图片来源：ASML
如果各国真的决定暂停训练更强的前沿 AI，最有效的控制点可能不是模型代码，也不是用户的提示词，而是制造和运行模型所需的芯片。
10 月 16 日，澳大利亚公共政策网站 Pearls and Irritations 刊登了 Barry Eichengreen、Will Fithian 和 Wesley Holliday 的文章《Want to pause frontier AI? Start with the chips》。三位作者也是跨学科研究项目 The Feasibility of a Hardwired Pause of Frontier AI Training 的参与者。
他们提出一种“硬连线暂停”（hardwired pause）：停止或大幅减少能够训练前沿模型的 AI 芯片生产，逐步登记和退出现有训练芯片，同时继续生产只能在获准模型上执行推理的专用芯片。
这不是已经出台的政策，也不是半导体行业已经达成的共识，而是一套关于全球 AI 暂停协议是否可验证、可持续的制度设计。它最值得研究的地方，是把“如何阻止秘密训练”从抽象的国际承诺，转化为可以清点、追踪和检查的物理基础设施问题。
为什么芯片被视为更容易控制的入口
前沿模型的软件可以复制，算法知识能够跨境传播，研究人员也会流动；但大规模训练仍然依赖数量庞大的高性能加速器、HBM、高速互联、电力、冷却和数据中心。
更关键的是，先进芯片供应链高度集中。
ASML 官方资料显示，它是目前全球唯一的 EUV 极紫外光刻系统制造商。先进制程还依赖蔡司光学系统、晶圆代工、先进封装、高带宽内存和电子设计自动化软件等少数供应商。研究报告指出，一台 EUV 设备包含约 10 万个零部件，运输需要数十个集装箱、20 辆卡车和三架货机。
这使训练算力与普通软件不同：一个组织可以秘密编写算法，却很难在完全不留下采购、用电、物流和厂房痕迹的情况下复制完整先进半导体供应链，并长期运行由数万乃至更多加速器组成的训练集群。
作者因此把 ASML、先进晶圆制造、HBM 和大型数据中心视为“卡点”。如果主要芯片生产国和设备供应国达成协议，理论上可以从制造端限制训练型加速器，而不是试图监控全球每一行 AI 代码。
“推理芯片”不等于“只能推理的芯片”
这是理解该方案最重要的技术区别。
市场上已经有大量“推理优化”芯片。它们针对模型运行的吞吐量、延迟和能效进行设计，但其中一些依然可以训练或微调模型，只是效率不同。因此，仅仅把 GPU 换成标注为 inference 的 ASIC，并不能确保前沿训练停止。
论文提出的是更严格的 模型受限推理芯片。一种方案是模型专用集成电路，把获准模型的架构和权重直接固化到硬件；另一种方案允许权重从外部内存载入，但芯片用加密方式验证权重是否与获准模型一致。它们需要保留高效推理能力，同时把训练新模型的剩余能力限制在很低水平。
换句话说，这套制度不是简单区分“训练产品”和“推理产品”，而是要求硬件在设计层面拒绝未经批准的模型和训练任务。
作者认为，这样可以保留现有 AI 带来的搜索、编程、医疗和科研等经济收益，同时阻止新一轮前沿模型竞赛。推理专用硬件通常也有更好的单位能耗和成本表现，暂停后的稳定模型生命周期还可能提高专用芯片的商业价值。
“硬连线暂停”需要四个阶段
完整方案远不只是让 ASML 停止销售某类设备。
第一阶段是各参与国禁止训练新的前沿模型，并建立可以继续部署的模型白名单。什么模型足够安全、谁有权批准，以及不同应用场景是否使用同一标准，都需要政治和技术谈判。
第二阶段是设计并量产模型受限的推理芯片。在此期间，现有 GPU 和训练加速器仍需被登记、许可和监控。论文以当前芯片开发周期为参照，认为从设计到生产可能需要数月到两年多，而不是一夜完成替换。
第三阶段是通过回购、置换、集中托管或受监管的数据中心，逐步减少暂停前已经存在的训练芯片。部分硬件可以保留在受国际监督的科研设施或国家战略储备中。
第四阶段才是让大部分日常 AI 服务转移到受限推理硬件，使全球训练能力随旧芯片损耗而下降。作者设想的暂停期至少为十年，并在参与国愿意时延长。
因此，“暂停芯片生产”只是起点。真正庞大的治理工程是清点全球存量、跟踪所有权和位置、管理维修与报废，并验证数据中心没有把登记为推理的设备用于秘密训练。
现有出口管制证明“管芯片”并非纯理论
美国商务部工业与安全局已经在先进计算芯片出口管制中使用类似工具：定义受控芯片性能，要求企业了解最终用户和最终用途，关注转运与规避，并把大型数据中心基础设施作为风险判断依据。
BIS 的反规避指引甚至建议核查数据中心是否具备相应的电力、冷却和空间，并对超过 10 兆瓦、可能容纳大规模训练集群的设施加强审查。这说明政府已经能够把芯片、云服务、数据中心和模型训练联系在同一合规链条中。
但出口管制与全球暂停仍有本质区别。前者是一国或盟友限制特定目的地和用途，后者则要求主要竞争国家同时约束自身产业、接受存量核查，并相信对手没有秘密保留训练能力。技术上的“可监测”并不会自动转化为政治上的“愿意合作”。
这套方案面临五个现实难点
第一个难点是现有芯片存量。
全球已经部署了大量 GPU、TPU 和其他加速器。要建立可信暂停，必须知道它们在哪里、由谁控制、是否可被拆分或转移。跨国二手市场、芯片走私和通过海外云服务获取算力，都会让清点出现盲区。
第二个难点是训练与推理的边界正在变得模糊。
强化学习、持续学习、微调和推理时扩展都可能提升系统能力。论文也承认，较小规模的微调可能训练出危险能力或移除安全限制，而这类活动比从头训练前沿模型更难通过算力规模发现。如果治理只盯住一次大型预训练，可能遗漏能力进步正在转移的环节。
第三个难点是算法效率。
今天需要数万张高端芯片的训练任务，未来可能通过模型架构、数据质量和优化方法的进步显著降低算力需求。算力门槛越低，秘密训练越容易隐藏，供应链控制的有效期就越短。硬件治理需要不断更新阈值，而不能永久依赖今天的训练成本。
第四个难点是产业集中和创新锁定。
模型白名单与专用芯片可能让暂停前已经拥有领先模型的企业获得长期优势。新进入者无法训练竞争模型，只能围绕既有平台开发应用。如果缺少开放接口、价格监管和反垄断措施，“安全暂停”可能演变为对现有头部公司的市场保护。
第五个难点是国际核查与主权。
一套可信制度需要查看芯片产量、设备位置、数据中心负载甚至部分涉密科研活动。各国是否愿意让国际机构接触这些信息，如何保护商业机密，以及发现违规后采取何种制裁，都没有简单答案。核不扩散机制可以提供制度参考，但 AI 芯片比核材料用途更广、更新更快，也更容易进入民用市场。
ASML 是卡点，但不是一只总开关
把先进光刻设备视为治理入口有充分依据，但不能把 ASML 描述成一个能够单独关闭全球 AI 的按钮。
先进训练芯片不只由 EUV 决定，还涉及 DUV 多重曝光、芯片设计、代工产能、封装、内存和互联。部分较旧或性能较低的芯片也可以通过增加数量完成训练，只是成本、电力和时间更高。各国还在投入本土化供应链，今天高度集中的卡点未必永久存在。
另一项独立的硬件治理研究也指出，芯片级计量、训练证明和硬件强制执行等国际核查真正需要的机制，恰恰仍处于不成熟阶段。供应链集中为治理创造了时间窗口，却不能替代技术研发与政治协议。
因此，“从芯片入手”更适合作为一套多层治理中的基础层：制造端控制新供给，物流和云平台追踪设备流向，数据中心核验大规模计算，模型层进行能力评估，部署层继续管理访问权限和事故责任。
这项提议真正改变了什么讨论
过去关于暂停前沿 AI 的争论经常停留在两个极端：一边认为风险太大，必须立即停止；另一边认为代码无法封锁、国家不会互信，所以暂停根本不可能。
“硬连线暂停”研究提供了一个更具体的中间问题：如果政治上已经决定暂停，硬件和供应链能否让协议被核验？它的答案是“可能可以”，但前提非常严格——主要国家共同参与、全面清点存量、推出真正受限的推理硬件，并持续应对算法效率和规避手段。
这并没有证明全球暂停一定必要，也没有证明它能顺利实施。它证明的是，前沿 AI 并非完全脱离物理世界的无形软件。模型竞赛最终依赖光刻机、晶圆厂、内存、网络、电力和数据中心；因此，算力既是产业瓶颈，也可能成为治理工具。
对芯片企业、云服务商和大型 AI 客户而言，更现实的近期信号不是全球马上禁产 GPU，而是芯片可追踪性、最终用途审查、数据中心客户识别和训练任务报告可能逐渐成为新的基础设施合规能力。
原始文章： Pearls and Irritations：Want to pause frontier AI? Start with the chips
研究原文： The Feasibility of a Hardwired Pause of Frontier AI Training
研究介绍： UC Berkeley：A global, hardwired pause of frontier AI training is feasible
供应链资料： ASML：EUV lithography systems
监管参考： U.S. BIS：Controls that May Apply to Advanced Computing Integrated Circuits