可计算公平性：用于AI资源分配的Boltzmann-Softmax控制

arXiv cs.AI 论文
resource-allocation fairness gpu-compute boltzmann-softmax ai-systems scalability

摘要

本文介绍了可计算公平分配（CFD）框架，该框架利用Boltzmann-Softmax控制在AI资源分配中平衡效率与公平性，并通过AHC++实现实时自适应。

arXiv:2605.22827v1 公告类型：cross 摘要：在大型AI系统中，将GPU计算时间和带宽等稀缺资源分配给多个智能体是一项关键挑战。传统策略侧重于效率指标，可能导致支配集中化，从而破坏系统的多样性和稳定性。我们提出可计算公平分配（CFD）框架，该框架将Boltzmann-Softmax函数重新解释为一种概率性资源分配机制，而非选择工具，并重新定义逆温度参数$\beta$为一个可计算的控制变量，用于调节效率与公平性之间的平衡。静态分析揭示了一个帕累托前沿，其中存在一个近最优的稳定走廊，在该走廊内，不同策略权重下的总损失近似恒定。在动态环境中，AHC++（自适应硬上限控制器++）利用观测到的支配度与策略指定目标之间的误差作为反馈，实时更新$\beta$。仿真表明，AHC++在应对外生冲击时能抑制极端支配集中化，同时跟踪公平性目标，且不会显著降低吞吐量。可扩展性分析证实，智能体数量增加100倍时，执行时间仅增加约5.5倍。代码：https://github.com/entrofy-ai/computable-fairness
查看原文
查看缓存全文

缓存时间: 2026/05/25 09:00 

# 可计算公平性：面向AI资源分配的玻尔兹曼-软最大控制机制
来源：https://arxiv.org/abs/2605.22827
查看PDF（https://arxiv.org/pdf/2605.22827）

> 摘要：在大型AI系统中，如何在多个主体之间分配GPU计算时间、带宽等稀缺资源是一项关键挑战。传统策略聚焦于效率指标，可能导致支配权集中，从而损害系统的多样性和稳定性。我们提出可计算公平分配（CFD）框架，该框架重新诠释了玻尔兹曼-软最大函数——不再将其视为选择工具，而是作为一种概率性资源分配机制，并将逆温度参数$\beta$重新定义为一个可计算的控制变量，用于调控效率与公平之间的平衡。静态分析揭示了一个帕累托前沿，其中存在一个近乎最优的稳定性走廊，在该走廊内，总损失随策略权重的变化大致保持恒定。在动态环境中，AHC++（自适应硬上限控制器++）利用观测到的支配度与策略指定目标之间的误差作为反馈，实时更新$\beta$。仿真表明，AHC++在外部冲击下能够抑制极端支配度集中，同时在无明显吞吐量下降的情况下追踪公平性目标。可扩展性分析证实，主体数量增加100倍仅导致执行时间增加约5.5倍。代码：此https URL（https://github.com/entrofy-ai/computable-fairness）

## 提交历史

来自：Ji-Won Park [查看电子邮件（https://arxiv.org/show-email/65ab30a5/2605.22827）] **［v1］** 2026年4月12日，星期日，13:14:57 UTC（1,828 KB）

相似文章

AI经济学 第二部分（11分钟阅读）

TLDR AI

本文分析了AI的经济学，聚焦于GPU资源的争夺战，将人类推理的尖峰负载与智能体连续工作负载进行对比，并认为当前基础设施是为人类使用而优化的，而非要求更高的智能体推理。