資料主權是數位自保還是自我設限？DeepMind 高管提出反直覺的全球化資料主張

本文整理自 AI Across Borders Podcast 2026 年 1 月 24 日發布的單集，由 Dr. Ayesha Khanna 主持，來賓為 Google DeepMind VP of Frontier AI Global Affairs Tom Lue。

誰在說話？

Tom Lue 是 Google DeepMind 前沿 AI 全球事務副總裁，掌管法務、公共政策和前沿安全治理。他的父母來自臺灣，本人橫跨法律、公共政策與科技領域，從歐巴馬白宮到 Waymo 再到 DeepMind。在這集訪談中，他對當前全球 AI 治理的兩個熱門議題——資料主權和開放模型——提出了不太一樣的看法。

主持人 Dr. Ayesha Khanna 是新加坡 AI 教育公司 Amplify 創辦人，長期從亞洲視角追蹤全球 AI 政策動態。

資料在地化的陷阱

當被問到在 AI 治理上，他和各國政府之間最大的歧見是什麼時，Tom Lue 毫不遲疑地指向了「資料主權」這個議題。

他觀察到一股全球性的趨勢：越來越多政府要求資料在地化，強調主權 AI，希望把資料收集範圍縮小、存放在本地、封鎖在高度安全的在地環境裡。Tom Lue 認為這個方向在長期來看是錯的。

他的理由很直接：如果你要建造真正通用、真正智慧的 AI，你需要的是全球多元且具代表性的資料。這種 AI 要能理解世界各地不同社會的完整人類脈絡。把資料鎖在國界之內，只會讓模型的世界觀受限於本地數據的範圍。

主持人 Ayesha Khanna 立刻提出了對立面的論點：如果你不保護自己的主權資料，你就會被主流訓練文本的價值觀「數位殖民」——不管那是法國的、英國的、美國的還是中國的。

Tom Lue 的回應是：這恰恰說明了為什麼需要更開放的全球化資料策略，而不是更封閉的。如果沒有一個讓全球都能取用多元資料的機制，AI 就會被擁有最多網路數據的國家所主導。與其築牆，不如建公路。

他舉了新加坡的例子。新加坡推動了 SEA-LION 和 SEALD 計畫，利用公開的資料集來訓練東南亞語言模型，並以開源方式讓整個東南亞地區使用。Tom Lue 認為這是「資料公地」（data commons）概念的最佳實踐——用公開可用的資料確保 AI 不被少數網路大國壟斷。

他也建議，各國應該投入更多資源在資料公地上，例如把鎖在政府機構裡的資料開放出來，或與世界銀行等國際機構合作，建立更具全球代表性的公共資料集。

開放模型的不可逆風險

談完資料，話題轉向了另一個全球 AI 界的辯論焦點：模型到底應該開源還是封閉？

Tom Lue 先表態：Google 是開源的堅定支持者。從 TensorFlow 到 Android，Google 長年維護著龐大的開源生態系。DeepMind 自己也有開源模型 Gemma，在社群中獲得了廣泛使用。許多學者告訴他，開源模型讓他們能做更多測試、研究、開發和微調，靈活度大幅提升。

但他話鋒一轉：在最前沿的模型上，必須謹慎。

原因在於兩個字：不可逆。一旦你把前沿模型開源出去，就收不回來了。而前沿模型的一個核心特性是「湧現能力」（emergent capabilities）——模型展現出開發者事先沒有預料到的能力。Tom Lue 講了一個具體的例子：他的一個同行告訴他，某家前沿實驗室發布了一個模型之後，接到了冰島政府的電話——原來這個模型的冰島語能力是所有模型中最強的，但開發團隊根本沒有刻意訓練它說冰島語。這種能力是自己冒出來的。

湧現能力可以是驚喜，也可以是風險。如果一個模型在你不知道的情況下展現出某種危險能力，而你已經把它開源了，那你完全沒有補救的空間。所以 DeepMind 的策略是：前沿模型先以封閉方式發布，觀察幾個月，確認能力範圍和使用方式之後，再考慮開源。而且前沿模型的技術迭代速度極快——今天的前沿模型六個月後就會被超越——所以這個等待期其實不長。

Tom Lue 也回應了來自開發中國家的關切。主持人提到 UAE 和中國都在積極推動開源模型，全球南方普遍相信開源能民主化 AI 的取用。Tom Lue 不反對這個目標，但他強調這是一個風險與效益的權衡問題，而不是一個意識形態的選擇。

全球 AI 治理的演變

Tom Lue 還分享了他參與國際 AI 高峰會的觀察。他追溯了一條演變軌跡：2023 年在英國 Bletchley Park 舉行的首屆全球 AI 安全高峰會，焦點放在最嚴重的風險上；法國高峰會轉向了行動導向，討論如何把握 AI 的機會；而即將在 2026 年 2 月於印度舉行的高峰會，傳出的訊號是要以「民主化」和「全球南方」為核心議題。

他提到 Google DeepMind 倡導的幾個治理原則：第一，各國應投資 AI 基礎設施（資料、能源、算力、人才）；第二，建立促進創新的監管框架而非壓制性的水平監管；第三，推動國際標準的協調一致，避免企業面對五十套互相矛盾的法規。

在國家層面，他點名了幾個他認為做得比較好的：新加坡（推出 AI Verify 等標準化工具）、日本（大力投資基礎設施和能力建設）、美國（現任政府的 AI 行動計畫方向正確）。

最後，他用 AI 在全球公益上的兩個案例收尾。第一個是 Google 與芝加哥大學合作，利用 AI 在印度預測季風——結果在 30 天的預測窗口內大幅提升了準確度，讓參與試驗的農民年收入翻倍。第二個是 AlphaFold，DeepMind 解決了生物學界五十年的大挑戰——從胺基酸序列預測蛋白質的 3D 結構。過去一個博士生整篇論文只能預測一個蛋白質結構，現在 AlphaFold 幾秒鐘就能完成。DeepMind 已經將兩億個已知蛋白質的結構全部公開，供全球研究者免費使用，用途涵蓋被忽視的疾病、抗藥性研究，甚至設計能分解海洋塑膠的酵素。

我的觀察

臺灣在資料主權的議題上，處境比大多數國家都更微妙。

一方面，臺灣是全球半導體供應鏈的關鍵節點，美中兩大陣營都在拉攏臺灣的產業資源，同時也各自建構自己的資料治理體系。美國推動的資料流通框架和中國的資料在地化要求，方向截然不同，臺灣夾在中間，不可能兩邊都站。另一方面，臺灣自身的資料體量和語言資源在全球 AI 訓練的版圖中微不足道——繁體中文在全球網路內容中的佔比極低，如果臺灣選擇把資料鎖在國內，訓練出來的模型只會更狹隘。

Tom Lue 提出的「資料公地」概念，對臺灣其實是一條值得認真考慮的路。臺灣不需要自己從零訓練一個基礎模型來跟 Gemini 或 GPT 競爭，但可以積極參與多語言、多文化的開放資料集建設——類似新加坡的 SEA-LION 計畫。繁體中文的高品質資料集如果能成為全球 AI 訓練的標準素材之一，臺灣的語言和文化就不會在 AI 時代被邊緣化。

至於開放 vs. 封閉模型的辯論，Tom Lue 的「不可逆」論點特別值得臺灣的政策制定者注意。臺灣目前在推動公部門和企業導入 AI 時，對於該使用開源模型還是商業模型，往往缺乏系統性的風險評估框架。「開源比較便宜」或「開源比較透明」的直覺判斷，忽略了一個前提：前沿模型的湧現能力意味著風險也是湧現的，而開源之後的補救空間幾乎為零。這不是說臺灣不應該用開源模型，而是在選擇的時候，需要一套更細緻的判斷標準——這正是臺灣目前欠缺的。