當我們每天在用 ChatGPT，主權到底在哪裡？
2026 年，生成式 AI 已經悄悄進了政府公文和學術研究。但問題是，這些工具幾乎全是美國公司做的。誰擁有數據、誰決定模型怎麼推理、誰能在必要時切斷服務——這些問題開始讓歐洲政府坐不住了。今年的歐洲 AI 週，「數位主權」不再只是研討會上的關鍵字，而是各國公共行政部門正在實際面對的問題。
真相一：主權不是「自己全部做」，是搞清楚哪些環節不能讓別人卡住你
很多人一聽到「數位主權」，就以為是要閉關鎖國、什麼都自己來。UCLouvain 的 Alan Strowel 教授對這個理解直接潑了冷水。他提出的框架叫 ASAP——As Sovereign As Possible，意思是「在現實條件下，盡量爭取主權」，而不是追求一個做不到的百分之百獨立。
重點是找到「被卡脖子」的環節。技術鏈這麼長，不可能每一層都自己做，但哪些環節一旦被外國壟斷、對方隨時可以斷你的路，那就得優先處理。法國的 SecNumCloud 認證就是一個例子：就算底層用的是外國雲端服務，只要要求由歐洲公司持有多數股權、數據在當地託管，就算在依賴中留了一道防線。
「主權不是非黑即白，不是你突然就有了，或者你根本沒有。問題是怎麼在不同條件下，盡量爭取到更多。」——Alan Strowel, UCLouvain 教授
真相二：「影子 AI」出現，根本原因是沒有夠用的本土工具
公務員偷偷用沒有經過核准的 ChatGPT 處理公文、學生拿它寫論文——這種「影子 AI」現象在歐洲已經很普遍。但與其怪人，不如先問：政府有沒有提供好用的替代品？
答案大多是沒有。本土工具不夠用，人自然去找方便的。這個現象帶來的不只是數據外洩風險，更直接的問題是：當政策草案、研究論文的推理架構都是外國模型幫你想的，那個「邏輯」是誰的？正因如此，荷蘭的 GPTNL、比利時的 Piccolo 才會被提出來——政府必須自己把工具端補上，否則就是把流程的控制權拱手讓出去。
真相三：跟美國比規模根本沒意義，歐洲應該做「有用的小模型」
歐洲沒有必要、也沒有條件在通用大模型上跟 OpenAI 硬拼參數量。與會的專家基本上都同意這一點。公共部門要的不是一個什麼都會但法規不明的大模型，而是針對特定任務做好的專用模型。
荷蘭的 GPTNL 和比利時的 Piccolo 都走這條路：專注在法律文件摘要、公文簡化、本地語言處理。這類模型的優勢很實際——從頭訓練、確保 GDPR 合規、運算資源消耗少、在行政場景的準確率反而比通用模型高。
「只要你不違法，其實可以做出很強的專用模型……不需要海量數據和龐大體積，也能把特定任務做得很好。」——Saskia Lensing, GPTNL 產品經理
真相四：研究做得出來，公司卻長不大——歐洲新創的四個老問題
歐洲不缺研究能力，缺的是把研究變成公司、把公司養大的環境。投資人 Bart Becks 給出的數字很難堪：95% 的研究成果停在論文階段，只有 5% 走向商業化。
問題不是單一原因，是幾個因素疊在一起：各國市場各自為政，新創沒辦法一套方案打整個歐洲；成長資金嚴重依賴美國；GPU 算力幾乎沒有自己控制的；公司想擴張，要麼遇到法規障礙，要麼乾脆直接去美國。
歐盟現在的做法是雙管齊下：「AI 工廠」提供新創和中小企業使用的公共算力；「千兆工廠」則是更大規模的公私合作算力中心，目標是讓歐洲至少在基礎運算資源上不要完全靠別人。能不能真的補上這個缺口，還有待觀察。
真相五：AI 從「聊天」變成「自己做決策」——那誰來管它的邏輯？
現在 AI 發展的方向是「代理人 AI」——不只是回答問題，而是能自己判斷、規劃、執行任務。這個轉變讓主權問題變得更具體。
Bart Becks 用了一個比喻：想像數據中心裡有五千萬個博士在連線協作、自動處理事情。如果這些「博士」的判斷標準全部是美國公司設定的，歐洲社會的決策邏輯就會被一點一點帶著走。這不是陰謀論，而是一個很現實的工程問題：模型在哪裡訓練、用什麼數據、誰設定對齊目標，最終影響的是它在自動決策時偏向哪一套價值觀。
「想像數據中心裡有五千萬個博士級的智慧在連線……我們得決定，誰來控制這股力量，要基於什麼來建構它。」——Bart Becks, 歐洲創新委員會 (EIC) 董事會成員
最後：不是要閉關，是要在關鍵地方留住選擇權
歐洲 AI 週傳達的訊息其實很簡單：數位主權不是說要跟全球切斷，而是在承認彼此依賴的情況下，確保自己在關鍵時刻還有選擇的餘地——選擇換工具、選擇不配合、選擇自己定規則。工具可以用別人的，但推理的邏輯、數據的控制、算力的取得，總要有幾塊是自己掌握的。
