arXiv cs.CRは2026年10月19日(現地時間)、大規模な人工知能（AI）モデルの訓練実行をデータセンター施設レベルの電力消費から検知する新たな手法に関する研究論文を発表した。この手法は、電力消費の反復パターンをViterbiトラッキング (Viterbi tracking) で追跡し、同期的なモデル訓練を特定するもの。シミュレーション環境では、運用者が隠蔽を試みない場合、このトラッカーは96%以上の訓練実行を検出可能であることが示された。
トム・キンソン (Tom Kimpson)、マウリシオ・ベイカー (Mauricio Baker)、エムリン・グラハム (Emlyn Graham) らの研究チームが発表したこの手法は、宣言された推論ワークロードに対し、1%の誤報率でネイマン・ピアソン (Neyman—Pearson) 最適値から0.04以内の精度を達成すると報告されている。この検知は、2Hz以上のサンプリングが可能な電力計の使用を前提としている。
論文によると、運用者が訓練を隠蔽するために考えられる8つの対抗戦略のうち、このトラッカーを回避できたのは、反復ごとの作業量に極端な変動を加える方法のみであった。この最も強力な隠蔽戦略を用いた場合、5分間隔の観測では最大73%の訓練が隠蔽され得る。しかし、24時間を通じて全体を見ると、0.1%の誤報率で87%以上の訓練実行が検出されたという。
この隠蔽戦略は、モデル訓練のスループット自体には影響を与えないとされている。しかし、小規模な訓練においては、運用者が同等のモデル性能達成に必要な計算リソースが、通常よりも93%から267%増加するという結果が示された。論文では、隠蔽を試みる場合に運用者が負担する経済的コストが相当に大きいと分析されている。
研究チームは、控えめな性能のパッシブメーターであっても、隠れた訓練を検出可能にし、その隠蔽コストを高めるには十分であると結論付けている。電力計測に基づくこのアプローチは、AIモデルのガバナンスや倫理的な利用において、運用者の自己申告に依存しない、より信頼性の高い計算検証メカニズムの一環として非常に有望であると評価されている。
参考: arXiv cs.CR (アーカイブ) — 2026年10月23日 13:00 (JST)