AI主权不仅是架构问题，更是可操作的控制能力

事件概述

ClearML 发表文章指出，AI 主权（AI Sovereignty）在政府场景中常被狭隘理解为数据隔离或基础设施自建，但这种“主权幻觉”忽略了系统依赖的不可控性。真正的主权应是一种可操作的控制能力，覆盖 AI 堆栈的五个层面：计算、数据、模型、应用和治理。

核心信息

• 主权不是孤立问题：同一机构内，不同部门（如联邦机构、州 CIO）对主权的定义各异——数据边界、私有云合规、气隙环境、避免供应商锁定。没有单一答案，核心是“控制”而非“隔离”。
• 主权堆栈的五层模型：
  • 计算层：工作负载运行位置、硬件依赖性与可迁移性。
  • 数据层：信息存储、访问控制、流动路径与处理系统。
  • 模型层：谁控制行为、更新、版本与部署。
  • 应用层：AI 嵌入实际任务工作流的环节。
  • 治理层：能否执行政策、重建决策、分配责任（对应 OMB 指南与 NIST AI RMF）。
• 各层所有权不必统一：例如可用 FedRAMP 授权云获得计算能力，同时直接控制敏感数据集；低风险任务用专有模型，高风险或涉密工作用开放权重模型自部署。关键在于有意识地选择每一层的依赖关系，而非被动接受。
• 操作层面的控制力：即使基础设施归属政府，若无法实现以下操作，主权依然空洞：
  • 将工作负载从云迁移到本地集群？
  • 复现生产模型的实验过程？
  • 查看 GPU 容量消耗？
  • 回滚模型版本？
  • 在外部服务中断后继续运行？
• 碎片化现状：政府 AI 环境已经高度分散——不同团队使用云 GPU、本地 Kubernetes、托管模型 API，实验追踪、集群管理、治理策略各自独立。这种碎片化本身就是依赖性的表现。

值得关注

文章强调，主权不是一次性采购决策，而是持续的操作能力。控制平面（control plane）是实现跨层可见性与可操作性的关键——缺乏统一控制平面时，即使基础设施归政府所有，依然会因无法调度、监控与迁移而失去实质控制。”