主權AI的自主悖論與企業韌性
本文作者:資策會MIC產業顧問/高雅玲
本文作者:資策會MIC產業顧問/高雅玲
今(2026)年美東時間9月3日上午,ChatGPT、Claude與Grok等AI平台服務在相近時段先後發生異常,至中午前後陸續恢復。OpenAI事後將自身異常歸因於路由設定更新,SpaceXAI(現SpaceXSI)表示Memphis運算中心故障影響Grok與部分算力夥伴,但未點名Anthropic。各家事故並未發布是否有共同原因,也不能把異常時間重疊視為同一故障所致。然而此一事件卻隱含著,外表上看似各自獨立的AI平台,底層依賴是否真正分散的疑慮。當AI日益成為基礎設施時,公私部門均大量導入AI,如何掌握依賴並維持數位韌性,已是必須正視的課題。
主權建設未必真能減少依賴
根據美國智庫新美國安全中心(CNAS)的《主權AI的第二波浪潮正在湧現》分析,截至2026年上半年,已追蹤的67個國家184項政府支持計畫中,有59%涉及AI資料中心、超級電腦、GPU叢集等基礎設施,32%涉及模型開發或調整。各國相繼投入主權AI計畫,自建資料中心、培育人才,並開發符合本地語言與文化的模型,潛藏著許多國家希望透過自主開發、自主部署的方式,降低對特定外國供應商依賴的期待。然而,投資增加是否等同依賴減少,答案似乎不然。CNAS指出,許多主權AI計畫仍高度仰賴外國、尤其美國企業的技術;即使自建資料中心,依賴也可能只是從雲端服務轉移到晶片與系統設備。
AI供應鏈由能源、晶片、算力、資料、模型到應用相互串接而成。譬如能源供應不足或中斷,便會限制運算與資料中心營運,影響AI平台的可靠度與跨境服務交付。由於各國在供應鏈上的優劣勢不同,也牽動地緣政治與產業競合。以美國為例,近期就透過行政命令與AI出口計畫,結合夥伴國資源、補足供應鏈缺口,並推動AI全堆疊輸出。
企業主權AI的核心在於知識掌握
國家層級的主權AI,在供應鏈缺口、地緣政治與資源等條件下,尚且難以追求完全自主;企業層級的挑戰,除了能否持續取得AI服務,還包括使用AI所累積的知識與價值,能否留在自己手中。
衡量AI自主程度,除了設施與模型,更要看兩項能力:自主性(Autonomy),所謂自主性是關心能否依自身需求作決定,包括資料如何使用、模型如何部署,以及關鍵資產由誰控制;韌性(Resilience),所謂韌性是關心供應商、法律或外部環境改變時,能力能否持續。而兩者的根基在企業採購與系統設計時便已奠定。價格與模型表現易於比較,然而背後算力來源、技術授權、維運責任與適用法律較難掌握。企業需要追問:服務雖在本地提供,管理權是否仍在海外?資料可以移轉,模型、工作流程與累積的知識,是否也能隨之帶走?
美國軟體公司Palantir於2026 年7月所發表的《AI時代的機構主權》白皮書中,即提出涵蓋基礎、模型、算力與控制層的15項行動,主張企業須掌握資料、知識與技術決策權,讓AI使用所產生的知識與價值持續累積於機構自身。其建議包括與供應商約定零資料留存(ZDR),檢視提示詞、輸出與衍生資料的留存與訓練用途。白皮書也主張掌握模型調校、評測與回饋累積的知識,並依資料敏感度選擇自有、專用或可驗證的算力環境。
微軟執行長納德拉(Satya Nadella)也於7月12日在個人部落格發表《反向資訊悖論》,指出企業為使AI更好用,必須提供自身的專有知識;若學習與價值只向供應者累積,企業就可能失去獨特優勢。他主張企業保有組織記憶、評測、回饋與運用自身任務輸出的能力,讓學習持續留在機構內,提醒企業應查明契約與技術邊界:誰能使用這些互動資料,所形成的知識能否保存、移轉並繼續運用?
電商平台Shopify提供了一個具體做法。該公司於2026年10月公布,AI商務助理Sidekick仍由前沿模型負責與商家對話、理解需求與規劃流程,但將GraphQL查詢生成與執行等高Token消耗的特定子任務,交由Shopify自行後訓練並部署的開放模型處理,可協助檢索店鋪資料,例如找出即將缺貨的商品。
Shopify團隊從實際使用中找出未達標的案例,透過自動修正與重新評測,將符合品質要求的案例納入訓練資料;未能自動修正的案例則交由人工處理,並以人工標註結果校準評測模型。在GraphQL子任務的內部測試中,Shopify表示後訓練模型的品質評測分數略高於前沿模型,回應時間縮短至約七分之一,模型服務成本降低約90%。不過,這些結果僅適用於特定任務與測試條件,不能推廣為所有AI工作的普遍成效。
從掌握依賴建立企業自主韌性
從Shopify的實踐可以看出,企業AI自主不必以完全掌握技術為前提,而應從降低關鍵依賴與保留替代能力著手。具體而言,企業可從三方面著手:首先是盤點依賴,列出硬體、雲端、網路、模型與資料的供應者、管轄地與替代路徑,評估中斷時最先受衝擊的業務,以及影響傳導至營運所需時間;也須盤點提示詞、評測、回饋與工作流程存於何處,釐清使用與移轉權利。其次是演練斷鏈,以模型撤回、雲端區域停機、出口限制或能源短缺設想情境,檢查單點失效,並將結果落實於系統架構、合約與預算,保留模型替換、資料移轉與必要的本地推論能力,同時測試平台切換後,企業知識與工作流程能否延續。最後是納入治理,持續追蹤供應限制、業者政策與法規變化,定期檢視改善進度,將供應商集中度、基礎設施依賴與知識使用權,列入經營階層與董事會的監督項目。
每項措施都應對應真正關鍵的業務,並驗證切換後的品質與成本。主權AI的自主關鍵不在擁有多少,而在於能否掌握關鍵依賴、替代方案是否已備妥,以及運用AI所累積的知識與價值,能否持續掌握在企業自己手中。
【未經MIC許可,不得轉載與作其他用途使用】