主權AI：為何擁有全棧成為新的戰略要務

人工智慧已進入戰略影響的新階段，高管、政策制定者和中小企業主不能再將其視為後臺技術決策。核心問題不再是一個組織是否使用AI，而是該組織實際擁有多少AI。

主權AI——端到端擁有資料、模型以及連線依賴它們的人們的互動層——正迅速從地緣政治討論轉變為董事會和主街的要求。

主權AI通常被視為國家關切，但這種框架不完整。促使國家擁有其AI堆疊的邏輯同樣促使醫院系統、區域銀行、國防供應商和中等規模製造商採取相同行動。麥肯錫預測，到2030年，主權AI可能代表一個6000億美元的市場；71%的高管現在將其視為“生存關切”或“戰略要務”，而不僅僅是政策問題。

真正的所有權需要跨三個相互依賴層的控制：訓練和告知系統的資料、在該資料上進行推理的模型、以及使用者、代理和下游系統與輸出互動的層。任何層的弱點都會抵消其他層的優勢。本地託管但基於外國語料訓練的模型不是主權的；專有資料集輸入不透明的第三方API也不是主權的；經過治理但輸出透過未經審計的消費者聊天介面的流程也不是主權的。

控制堆疊的人控制資產——中小企業（其專有資料是競爭護城河）面臨與政府和受監管企業相同的風險。當資料流經他人的堆疊時，護城河屬於他人。

另一個誤解是主權需要匹配前沿實驗室的規模。實際上，小型、領域專用模型在其構建的環境中的表現通常優於其通用對手，而計算、能源和資本成本僅為後者的一小部分。一個比大模型小四倍的模型，在基礎設施極小的情況下，在決定企業能否面向客戶、監管機構和媒體部署AI的關鍵維度上，效能高出超過60個百分點。規模更大並不更好，當更大意味著更不易審計、更不對齊、更不可控時。領域專用模型不需要外部護欄，因為對齊已訓練到權重中，而非在推理時附加。它在組織擁有的基礎設施上執行，組織僅支付其實際需要的能力。

兩個障礙阻礙了大多數企業AI部署達到生產：品牌一致性和合規性。通用模型在面臨惡意或誘導性問題時，往往會讓步於機構絕不會讓步的立場。機構訓練的模型則不會，因為機構立場是其訓練的一部分。受監管行業也無法部署推理路徑無法審計、資料來源無法追蹤、行為不受組織自身政策約束的系統。領域專用、本地部署、全棧模型是允許銀行、醫院、國防承包商或政府機構在審計中證明其決策所依據的情報是其自身擁有的唯一配置。

一篇題為《人工智慧中的間斷平衡：制度縮放定律與主權AI的物種形成》的論文被證明具有先見之明。作者認為AI並非透過平滑、單調的縮放進步，而是透過不連續的相變，其制度縮放定律形式化了從業者當前所見的：超過某個閾值後，原始能力與部署所需的制度信任會分道揚鑣。從經驗和數學上看，表現更優的是小型、領域適應模型的組合，其集體適應性在同一環境中超過任何前沿通用模型。

Klover.ai的CEO兼董事長Dany Kitishian表示，對共享AI模型的依賴正在結束，預計今年轉向本地化主權AI系統將顯著改變國際經濟和影響力格局。Oracle CEO Safra Catz強調數字主權是“文化和經濟上的必須”，認為隨著AI重塑社會，組織必須能夠在其境內甚至斷開連線的環境中執行雲解決方案以確保安全。

對於政府和行業的決策者，操作意義明確。主權AI應被視為一種架構而非單一採購。將資料視為主權資產；偏向小型、可組合、領域專用模型；擁有互動層。每個時代的數字化轉型都定義於所有權問題：誰擁有網路？誰擁有平臺？誰擁有資料？AI時代提出了迄今為止最尖銳的版本，因為智慧一旦外包，是最難收回的資產。那些有意回答這個問題的組織——透過擁有全棧、偏愛專用模型而非通用依賴、將AI治理視為戰略紀律——將定義下一個十年的競爭優勢。那些不這樣做的組織將發現自己逐漸依賴於無法控制且無法審計的智慧。