新聞

政府開始大規模投入人工智慧，真正需要回答的問題，已經不只是「AI能不能做」，而是「政府能不能掌握AI」。當AI進入公共服務、行政決策、國家安全與關鍵基礎設施，政府面對的不只是模型效能，還包括資料放在哪裡、誰有權使用、模型由誰掌控、運算環境是否可信，以及AI判斷錯誤時，誰能追溯、誰要負責。

這正是主權AI受到各國政府重視的原因。

臺灣戴爾科技集團技術副總經理李百飛認為，政府推動AI不能把治理當成上線前的最後一道檢查，而應從第一天就放進AI治理。若等到系統完成、資料進入模型後，才回頭補資料權限、資安控管、稽核與合規要求，原本可以快速落地的AI專案，往往得重新調整。他直言，「治理內建」與「事後補治理」的差別，直接影響AI能不能走出試點。

主權AI的核心，不只是擁有模型，而是掌握控制權

李百飛引用戴爾科技與NVIDIA共同贊助、IDC於2026年2月發布的《Building a Sovereign AI Foundation for Government》調查指出，主權AI可從資料主權、模型主權與基礎設施主權三個面向理解。這項調查訪問258位政府IT決策者，其中58％將「強健的主權資料治理、品質與掌控」列為主權AI平臺最關鍵的要求之一，排名高於本土AI基礎設施與主權雲端整合。

調查將主權AI定義為，一個國家運用自己的基礎設施、資料、演算法、人力與商業網絡，生產並保護AI能力，同時建立符合國家安全、創新原則、在地價值與法規的框架。這不代表政府必須自行開發所有技術，而是關鍵控制權不能完全交給外部。

資料主權，是政府必須掌握資料儲存位置、受哪一個法律體系管轄，以及在什麼情況下可以跨境流動。模型主權，涵蓋訓練與調校流程、模型權重、訓練資料及產出的所有權；若連模型如何調整、評估都無法掌握，就很難確認輸出符合業務與法規要求。基礎設施主權，則是運算、儲存與網路資源的位置，以及誰能控制這些資源。

李百飛指出，三者彼此連動：模型缺乏在地語言與法規情境的資料，輸出會與實際需求產生落差；資料無法受控，模型再先進也難以建立可信度；基礎設施缺乏控制力，資料與模型的主權同樣受限。他表示，主權AI已不只是選擇哪一個大型語言模型，而是政府能否掌握整條AI鏈路。

58％政府把資料治理放在前面，關鍵在於「資料進、智慧出」

在AI架構裡，資料是模型產生結果的原料。對政府而言，資料的問題往往比模型本身複雜。

政府資料來源橫跨不同機關、系統與年代，包含結構化資料、文件、影像、歷史資料與即時串流資料，並存在不同權限、格式、保存年限與更新頻率。

如果資料來源不清楚、品質不穩定，甚至使用過期法規或歷史版本資料，即使模型回答得很流暢，結果仍可能不適用於現在的行政需求。

李百飛指出，過時資料甚至可能比沒有資料更危險。假設模型使用的是去年的稅率或法規，卻拿來回答今天的問題，答案看起來可能合理，實際上卻已失去正確性。

這也是IDC調查中，資料治理、資料品質與資料掌控會排在主權AI平臺要求前段的原因。李百飛引用AI產業常談的「AI工廠」概念說明這個邏輯：AI工廠的核心可以簡化成「資料進、智慧出」。

真正困難的地方，是讓進入系統的資料可用、即時、合規，還要確保使用資料的人具有適當權限。

這讓資料治理不再只是IT部門的工作。資料來源、權限、更新、保存與使用方式，都會直接影響AI最後產出的結果。對政府而言，AI治理若只管理模型，沒有把資料納入，治理框架仍是不完整的。

AI治理不是最後一道檢查，而是系統設計的一部分

當資料、模型與基礎設施都涉及主權，AI治理就不能等到系統上線後才開始。

李百飛從IDC調查歸納出政府推動主權AI的五項方向。第一，是建立多層級治理框架，以風險為基礎的法規，在國家掌控與倫理問責之間取得平衡，並讓負責AI治理的人員與組織角色清楚。

第二，是建立能源與運算基礎設施，包括本土資料中心、再生能源與運算容量。第三，是建立AI專屬的安全與風險管理機制，防範資料下毒、對抗式攻擊、模型萃取等問題，對高風險AI決策保留適當的人為監督。

第四，是培養本土AI人才，避免政府在技術選擇與長期維運上過度依賴外部供應商。第五，是評估開放標準與開源技術，降低對單一供應商的依賴。

五項建議背後指向同一個概念：治理必須從系統設計開始。

李百飛把這種方式稱為「Governance by Design」，也就是治理內建。它不是在系統開發完成後增加一層審核流程，而是在資料、運算、模型與政策設計時，就把控制、稽核與風險管理納入架構。

相較之下，若採取事後補治理的方式，資料權限、模型管理、政策要求與稽核機制容易各自分散。等到系統上線後才發現偏誤、資料外洩或權限問題，再回頭修改，成本往往更高。

從晶片、供應鏈到推論，建立可以驗證的信任鏈

治理需要制度，制度要真正落地，還需要技術架構支撐。李百飛認為，AI基礎架構的安全設計，可以從晶片級的信任根開始，將信任鏈一路延伸到硬體、部署與推論環境。

這代表政府不能只確認「買到的設備是哪一家廠商」，還需要知道設備中的元件是否符合預期、供應鏈過程是否遭到竄改，以及設備部署後的運作環境是否仍維持可信狀態。

李百飛提出從矽晶片信任根出發，延伸至供應鏈、硬體、部署與推論，搭配安全元件驗證與可驗證運算的架構，讓使用單位能夠驗證設備與運算環境，而不是單純「相信」設備安全。

這個概念對政府AI尤其重要。政府使用AI時，處理的可能是個人資料、政策資料、公共安全資料或其他敏感資訊。一旦底層系統受到供應鏈攻擊，風險可能在AI模型開始運作前就已經存在。

李百飛指出，如果韌體或底層系統在供應鏈環節遭到竄改，設備啟動時可能同步載入惡意程式碼，這也是資安需要一路往硬體底層延伸的原因。

對政府而言，這種安全設計最終要解決的問題，是讓資料、模型與運算環境都能受到控制，而且能被驗證、被稽核。

模型選擇不是越多越好，關鍵是能否掌握與部署

當資料治理與基礎設施準備完成後，政府還會面對模型怎麼選的問題。

李百飛提到，Hugging Face目前累積超過200萬個模型資源，涵蓋不同任務與規模，並不代表全部都是大型語言模型。對政府機關而言，模型選擇可能成為新的管理問題。

模型不能只看能力排名，還要考慮任務需求、模型大小、上下文長度、硬體需求、授權條款、品質評測、安全風險、來源可信度，以及語言與特定領域的適用性。

尤其政府資料往往具有高度敏感性，並非所有工作負載都適合把資料送到公有雲服務。政府或企業可以依照任務、模型規模、上下文長度、硬體需求與授權條款篩選模型，再將模型與資料部署在自有基礎架構；若需要使用專屬資料，則可以透過微調或RAG建立客製化應用。

這裡的重點不是「一定要自己訓練模型」，而是政府要保有選擇與控制的能力。

李百飛強調，開源模型不代表自動擁有主權，使用開源軟體仍可能依賴特定硬體、雲端服務或維運廠商。開源可以降低部分供應商鎖定風險，卻不能直接等同於透明、安全或主權。「主權AI真正關注的是控制權，而不是某一種技術形式。」他說。

資料平臺現代化，讓治理真正進入AI運作

李百飛以一家臺灣民營銀行為例，過去判斷交易是否有詐欺傾向，需花較長時間彙整資料與人工調查；導入資料湖屋（Data Lakehouse）架構後，不同來源的資料得以整合，單筆交易的詐欺風險評分可壓縮到秒級以下。

他提醒，「模型完成單筆交易評分」與「從事件發生到完整調查結束」是兩個不同指標，不能混為一談，但資料架構現代化帶來的效率差距，仍反映資料基礎對AI應用的重要性。

另一個案例是美國某州交通主管機關，擁有超過22萬個感測器，資料還包括無人機監控、影像資料與整條道路網路的數位孿生。過去資料分散，查詢需大量人工處理；導入資料湖屋後，資料得以整合並朝自助式分析發展。

李百飛指出，資料平臺的價值是讓不同來源、格式與新鮮度的資料，在符合權限與治理要求的前提下被查詢與使用。「這也是為什麼資料治理必須放在AI導入的前面。」他說。

回到政府最常遇到的問題：為什麼AI總是卡在試點？

政府AI專案常做得出PoC，卻難以進入日常營運。李百飛指出，政府需要的是可衡量成果，例如處理時間縮短、服務品質提升、成本下降、錯誤率降低或使用率增加。

但從概念驗證走向正式營運時，資料主權、法規遵循、隱私、資安與跨機關協作等要求，若沒在試點初期處理，規模化階段就會變成瓶頸。

規模化可分三階段：Pilot在小規模場景驗證用例；Integrate完成安全混合部署與資料就緒；Production進入跨機關規模化營運。

李百飛認為，許多專案的問題不在第一階段，而在第二階段缺少可支撐擴張的架構。若每增加一個機關，就要重新處理資料、權限、資安與整合，AI很難形成可複製的模式。他強調，好的治理不是讓AI變慢的額外流程，而應讓後續擴張更容易。

從試點走向規模化，真正需要的是可複製的模式

李百飛提出，政府AI走向規模化，需要治理、平臺與場景三個要素。治理讓AI從第一天處於可控、可稽核的框架；平臺提供硬體信任、資料管理與模型部署能力；場景則證明AI真的能解決行政問題，且成果可以衡量。

「三者缺一不可。」他說，只有治理沒有平臺，政策可能停留在文件；只有平臺沒有治理，技術能運作卻不一定能進入正式流程；只有場景，則容易形成無法跨機關複製的PoC。

因此政府選擇技術夥伴時，不應只看價格，更要看對方能否把安全性、可稽核性、資料主權與規模化能力放在同一個架構中。但這不代表政府把治理責任交給廠商，主權AI的核心仍是政府掌握控制權。

AI越走向代理化，治理越不能往後放

AI下一階段的發展，還會讓治理問題變得更重要。當AI從回答問題、產生內容，逐漸進入能夠自行規畫任務、呼叫工具、存取資料甚至執行工作的代理式AI，AI與政府業務系統之間的距離會愈來愈近。

IDC調查顯示，71％的政府領導者認為代理式AI將加速政府AI採用。這意味著政府不能等到代理式AI大量進入業務後，才開始思考權限、稽核與風險。

一個能自行執行工作的AI代理，如果擁有資料存取權、系統操作權或跨系統工作能力，治理要求自然會比單純的聊天工具更高。哪些資料可以讀、哪些系統可以操作、哪些決策必須交由人員確認，都需要在設計階段先定義。

李百飛認為，這讓「治理內建」從AI治理原則，逐漸成為政府AI規模化不可迴避的基礎條件。

政府真正要建立的，不是一個永遠不會出錯的AI，而是一套即使AI犯錯，仍然可以被發現、被追蹤、被限制與被修正的制度與技術環境。

從「能不能用AI」走向「能不能負責任地用AI」

李百飛表示，這正是主權AI的價值：它不是把AI關在國界之內，也不是要求政府自己完成所有模型、硬體與軟體，而是讓政府清楚哪些事必須掌握、哪些可透過合作完成，以及整套系統在資料、模型、基礎設施與政策上，誰具有最終控制能力。

資料不能被信任，模型就難以被信任；模型不能被掌握，結果就難以被問責；基礎設施不能被驗證，主權AI就缺乏完整的安全底座。

這個轉變最關鍵的時間點，不是系統上線之後，而是第一天。李百飛直言，只有當治理、平臺與場景同時成立，政府AI才有機會真正走出試點，成為每天都能運作的行政工具。

IDC將主權AI分為資料主權、模型主權與基礎設施主權三大面向，涵蓋資料的儲存位置與法律管轄、模型訓練與產物的控制權，以及運算與資料儲存環境的掌控。戴爾科技與NVIDIA共同贊助的IDC報告指出，主權AI須結合國家安全、在地價值與法規要求，並由政府與私人企業共同建立互補的治理與技術架構。
資料來源：IDC，2026年10月