誰掌控數據，誰就掌控AI的未來

一個企業可以購買最先進的AI模型，但如果它不掌控自己的數據，它只是在別人的地基上蓋房子。

在MIT科技評論主辦的EmTech AI峰會上，HPE（慧與科技）副總裁Chris Davidson與橡樹嶺國家實驗室計算科學部門主任Arjun Shankar的對話，觸及了一個被許多企業決策者忽視的核心問題：在AI競賽中，真正的護城河不是模型，而是數據的所有權與治理能力。

什麼是AI工廠——不只是比喻

「AI工廠」這個詞，描述的是一種將數據作為原料、將可信AI洞察作為產品的可擴展基礎設施體系。它與傳統雲端AI服務的根本差異在於：前者是「租用」，後者是「自建與掌控」。

Davidson強調，這個模型的核心不是技術選擇，而是治理選擇。哪些數據進入AI訓練？誰有權存取輸出結果？如何審計模型的決策過程？這些問題的答案，直接決定了一個組織在AI時代的自主性與可信度。

Shankar所領導的橡樹嶺國家實驗室，是這一理念的極致體現。其Frontier超級電腦具備全球頂尖的運算能力，支撐從氣候模擬到藥物研發的大規模科學計算。在這個層級，數據品質與控制可靠性不是加分項，而是科學結論成立的前提。對企業而言，邏輯同樣成立：AI的精準度，最終取決於數據的品質與可控性。

為何是現在——主權AI的地緣政治時刻

2026年，「主權AI」已不再是學術概念，而是各國政府與跨國企業的政策現實。

廣告

廣告合作

[email protected]

廣告

歐盟《AI法》自2025年起分階段實施，對高風險AI系統與跨境數據流動設下嚴格要求。美國持續收緊對先進晶片與AI技術的出口管制。在此背景下，將核心業務數據存放於他國雲端平台，已從「效率選擇」演變為「主權風險」。

對華人世界而言，這場討論有著特殊的複雜性。中國大陸早已透過《數據安全法》與《個人信息保護法》構建本土數據主權框架，並大力投資國產算力基礎設施。台灣在半導體製造上具備全球關鍵地位，但在AI應用層的數據治理體系仍在建構中。東南亞各國則面臨在美國、中國、歐盟三種數據規範體系之間尋找平衡的壓力。

Davidson的論點是：主權AI不是「閉關自守」，而是「戰略自主」——在確保高品質數據安全流通的同時，不放棄對其的控制權。這個平衡點，正是各國政府與企業當前最難解的方程式。

數據控制的真實代價——沒有免費的主權

然而，「掌控自己的數據」說來容易，做來困難。

首先是成本門檻。建構企業級AI工廠需要可觀的基礎設施投資與專業人才，這對中小企業而言是真實的障礙。HPE等廠商雖提供整合解決方案，但「數據主權」在現實中往往是資本密集型組織的特權，這種不對稱性值得正視。

其次是數據孤島的悖論。AI模型的精準度依賴多元且大量的數據，而這要求一定程度的數據共享與流通。過度強調數據自主，可能導致組織與全球AI生態系統脫節，反而削弱競爭力。

Shankar提示的答案，不是非此即彼的選擇，而是精細的設計：哪些數據必須嚴格保護，哪些數據可以在受控條件下流通？這個設計本身，已超越技術範疇，進入經營策略與公共政策的核心地帶。

對台灣與香港的企業而言，這個問題尤為現實。在地緣政治不確定性持續升高的環境下，數據存放於哪個司法管轄區、受哪個法律體系保護，已成為企業風險管理的必要考量，而非可選項。