政府正大規模投入人工智慧，真正的課題已經不只是模型做不做得出來，而是政府能不能掌握整個 AI 鏈路。產業界人士指出，治理不能等到系統上線前才補做，必須從第一天就內建在架構裡，否則做好的試點專案，很可能在要落地時被迫打掉重練。
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——當 AI 進入公共服務、行政決策、國家安全與關鍵基礎設施，這些問題必須先有答案。AI 判斷出錯時誰能追溯、誰要負責，更是制度設計的核心。
業界把這種概念稱為主權 AI，指的是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、在地價值與法規要求的框架。關鍵不在於政府自己從頭打造所有技術，而在於關鍵控制權不能完全交給外部。
一份今年 2 月發布的調查訪問了 258 位政府 IT 決策者，其中 58% 認為，「強健的主權資料治理、品質與掌控」是主權 AI 平台最關鍵的要求，排名甚至高於本土 AI 基礎設施與主權雲端整合。
調查將主權 AI 拆成三個面向理解。資料主權，是政府必須掌握資料儲存位置、受哪一套法律體系管轄，以及在什麼條件下可以跨境流動。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。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。
這三者彼此連動。模型缺乏在地語言與法規情境的資料，輸出會和實際需求脫節；資料無法受控，模型再先進也難建立可信度；基礎設施缺乏控制力，資料與模型的主權同樣受限。主權 AI 已不只是選哪一個大型語言模型，而是政府能不能掌握整條鏈路。
在 AI 架構裡，資料是模型產出結果的原料。政府資料來源橫跨不同機關、系統與年代，權限、格式、保存年限與更新頻率都不同。如果資料來源不清楚、品質不穩定，甚至用了過期法規或歷史版本資料，模型回答得再流暢，也可能不符合現在的行政需求。業界人士提醒，過時資料有時比沒有資料更危險。
用業界常說的「AI 工廠」來理解，邏輯就是「資料進、智慧出」。真正困難的，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。資料治理不再只是 IT 部門的工作，來源、權限、更新與保存方式，都會直接影響 AI 最後的產出。
安全設計要從晶片級的信任根開始，把信任鏈延伸到供應鏈、硬體、部署與推論環境，讓使用單位能驗證設備與運算環境，而不是單純「相信」設備安全。政府處理的多是敏感資訊，一旦底層系統在供應鏈環節被竄改，風險在模型開始運作前就已經存在。
模型選擇也不是越多越好。目前公開的模型資源超過 200 萬個，政府選模型要看任務需求、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，以及語言與領域的適用性。開源模型不代表自動擁有主權，仍可能依賴特定硬體或維運廠商。
政府 AI 專案常做得出概念驗證，卻難以進入日常營運。關鍵瓶頸在第二階段：如果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。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。
AI 進入代理式時代後，治理更不能往後放。調查顯示，71% 的政府領導者認為代理式 AI 將加速政府採用。當 AI 能自行規劃任務、呼叫工具、存取資料甚至執行工作，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，都要在設計階段先定義。
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。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。
