该论文研究如何利用物理侧信道（GPU功耗）进行AI工作负载识别，为AI治理中的计算验证提供技术基础。作者指出，AI计算验证是国际AI治理政策中第一个可落地、可操作的关键点。监管机构若要判断前沿实验室或其他操作方是否遵守相关协议，需要能辨别其GPU计算资源的具体用途（如训练、推理或其它非AI计算）。与可被欺骗或重放的片上NVML遥测不同，物理功耗通道原则上可以在操作者不配合的情况下被外部独立观测。作者在NVIDIA H200 GPU上记录了930条约10 MHz采样率的5秒功耗迹线，涵盖17个开源大语言模型（LLM）家族和25种非AI工作负载。基于该语料库，他们以97%的准确率和0.955的宏平均F1分数，成功将训练、推理与非AI计算区分开来，且评估采用的模型家族在训练中从未出现过。频谱分析表明，AI工作负载的功耗成分主要低于20 kHz，其中训练过程因显存受限的优化器更新而具有特别显著的特征。为进一步验证方法的健壮性，作者将GPU操作者视为对抗性攻击者，允许其重塑物理计算过程，并测试了四种将训练伪装为推理的逃避策略，共生成680条对抗性迹线。经对抗性强化训练的检测器（保留被测试策略）对其中三种策略的捕获率不低于99%；对于第四种“稀释的低秩自适应（LoRA）”策略，强化分类器的检测率在48%到88%之间，但添加额外的救援规则后可将检测率提升至98%以上。作者声明，这些攻击测试并非对对抗性行为的全面评估，但提供了超越真实活动场景的初步洞见，并公开了数据集，以促进更强逃避机制的研究与检测模型的开发。整体而言，该研究展示了外部物理信道用于AI合规监控的可行性与对抗性挑战，对AI治理、GPU资源审计和基础设施安全均有重要参考价值。