Risk-Weighted Compute Permits Under Imperfect Monitoring: Enforcement Design and an EU-Implementable Blueprint

Mentor: Joel Christoph
Project area: Technical AI governance, compute governance, enforcement design, mechanism design, economics of frontier AI oversight

Bewirb dich!

Project Language

English only.

Forschungsmanagement ist oft ein Engpass: Diese Rollen sind schwer zu besetzen, da sie sowohl Vertrautheit mit der AI Safety-Forschung als auch starke zwischenmenschliche Fähigkeiten und Managementerfahrung erfordern. Zudem wollen wirkungsorientierte Menschen, die sich für AI Safety interessieren, meist selbst forschen – anstatt die Forschung anderer zu managen! Entscheidend ist jedoch: Du musst oft selbst nicht in der Forschung brillieren, um exzellent im Forschungsmanagement zu sein. Menschen mit Erfahrung als Projektmanager:innen, People Manager:innen und Executive Coaches eignen sich oft hervorragend dafür.

Es mangelt an Führungskräften: Das technische Feld der AI Safety könnte sehr von mehr Menschen mit Hintergrund in Strategie, Management und Operations profitieren. Wenn du Erfahrung darin hast, ein Team von mehr als 30 Personen zu leiten und weiterzuentwickeln, könntest du in einer führenden AI Safety-Organisation einen großen Unterschied machen – auch wenn du wenig direkte Erfahrung mit KI hast.

Wir brauchen Gründer:innen, Gestalter:innen des Ökosystems und Kommunikator:innen: Es gibt viel Raum, um neue Organisationen zu gründen und das Ökosystem zu erweitern. Zudem gibt es viel verfügbare Finanzierung, besonders im gewinnorientierten Bereich für AI Interpretability und Sicherheit. Unsere Arbeit am Job Board profitiert ebenfalls davon, wenn Leute neue Organisationen starten: Sie schaffen neue Rollen, auf die wir unsere Nutzer:innen vermitteln können!

Wir brauchen mehr Berufserfahrene: Da immer mehr Arbeit an KI delegiert wird, sind wir zunehmend auf erfahrene Manager:innen angewiesen. Sie können KI-generierte Ergebnisse (Outputs) überwachen, andere im Umgang mit KI-Tools schulen und Teams aus Menschen und KIs koordinieren.

Wir brauchen Menschen, die sich für „Support“-Rollen begeistern: Es mag weniger aufregend wirken, nicht direkt an den Kernproblemen zu arbeiten. Doch gerade in Rollen wie Operations und Management vervielfachst du den Impact anderer. Diese Bereiche werden oft vernachlässigt, obwohl sie sehr wirkungsvoll sind. Und als jemand, dessen Job es ist, anderen zu Jobs zu verhelfen, finde ich diese Art von Arbeit ziemlich spannend!


Minimum Time Commitment

8 hours per week.

Project Abstract

This project develops and stress-tests a concrete governance instrument for frontier AI: risk-weighted tradable compute permits with enforceable compliance under imperfect monitoring. The core idea is to regulate training-relevant compute as a scarce, auditable input while allowing trade to reduce compliance cost and improve feasibility. “Risk-weighted” means the permits required per unit of compute depend on verifiable risk indicators, especially evaluation outcomes, so higher-risk training runs face tighter effective caps and higher marginal cost.


The project has three workstreams.

(1) Formal model: a regulator sets an aggregate cap, a risk-weighting rule, and an enforcement policy; developers choose compute use, reporting, and evasion effort under imperfect monitoring. We derive implementable conditions for truthful reporting and deterrence of under-reporting or hidden training.

(2) Minimal simulation: we implement a lightweight Monte Carlo or agent-based simulation comparing enforcement regimes such as random audits, risk-based targeting, convex penalties, and escalation rules, documenting tradeoffs between compliance, expected harm reduction, and administrative burden.

(3) Policy translation: we convert the design into an EU-relevant blueprint specifying institutional roles, evidentiary standards, audit triggers, and interfaces with evaluations and incident reporting.


Expected outputs by the end of the main phase are:

(a) a public preprint with a clear proposition spine and robustness checks,

(b) an open-source repository with simulation code and reproducible figures, and

(c) a 6 to 10 page policy brief describing an EU-implementable pathway.

If the project extends, we will polish for submission and stakeholder feedback.

Theory of Change

Bad frameworks produce bad decisions. The question of machine moral status will increasingly affect AI development and governance. Currently, most people reasoning about it lack adequate conceptual tools. This matters for catastrophic risk in several ways.

Under-reaction: if AI systems develop welfare-relevant internal states and we lack frameworks to recognize this, we may create systems with misaligned interests while dismissing their signals as "mere computation." A system that experiences something like suffering under certain conditions, and whose operators dismiss this, is a system with reason to deceive.

Over-reaction: anthropomorphizing systems that lack morally relevant properties wastes attention and resources, and may constrain beneficial AI development without corresponding benefit.

Poor discourse: without shared conceptual foundations, public debate about AI consciousness polarizes between dismissive and credulous positions. Neither serves good governance.

The primer addresses these by training researchers and practitioners to reason carefully across multiple frameworks, recognize what each assumes, and navigate uncertainty without false confidence. The German focus (incorporating European philosophical traditions, piloting with German-speaking users) builds SAIGE's national infrastructure while contributing to the broader field.

Conceptual clarity is infrastructure. This project builds it.

Desired Mentee Background

Computer Science/ML, Maths, Economics, Law, International Relations, Political Science

Desired Mentee Level of Education

Masters and above.

Other Mentee Requirements

Strong quantitative reasoning and reliability.
Ability to write clear English.
Comfort reading formal models and translating them into precise prose. At least one of:
(a) game theory or mechanism design exposure,
(b) strong quantitative microeconomics, or
(c) strong Python ability for simulations.

Consistent weekly progress is mandatory.