从本地LLM到主权AI：行业如何界定界限？

我一直关注从云端托管AI到本地模型，再到私有/主权AI基础设施的转变，有一点越来越明显：“本地”和“主权”未必相同。我最近读到这篇论文：《AI Compute Sovereignty: Infrastructure Control Across Territories, Cloud Providers, and Accelerators》作者：Hawkins, Lehdonvirta & Wu — 牛津/阿尔托 我喜欢它的一点是，它不将主权视为二元对立。它将其分解为三个层次：计算在哪里？—领土控制；谁操作它？—云/提供商所有权；谁提供加速器？—硬件/加速器控制 数字使得这种区分相当有趣。作者对九大主要公共云提供商的普查发现，43个国家有225个云区域，33个国家有132个支持加速器的区域。数据集中只有24个国家拥有训练相关的计算。例如，印度有5个支持加速器的区域，其中3个具有训练相关的计算。但这些区域并非全部由国内控制：普查记录了4个美国提供商区域和1个中国提供商区域。论文将这种对多个外国提供商的依赖描述为“对冲”。 然后是硬件层。普查中95.5%的支持加速器的区域由美国拥有的加速器提供动力。因此，即使计算在物理上位于一个国家内，在栈的更深层仍可能存在重大依赖。 但我认为论文更重要的点是，不应该从中得出什么结论。它并不主张每个国家都应该尝试构建自己完整的AI栈。更多的国内计算可能意味着更大的控制和供应安全，但也意味着对能源、水和土地的巨大需求，以及建设和运营基础设施的成本。 因此，主权开始看起来不那么像：“我们拥有GPU吗？”而更像：“我们实际上需要控制AI栈的哪些部分？”这似乎也是行业发展的方向。 NVIDIA和HPE主要从基础设施/计算角度来探讨主权AI，而像Red Hat OpenShift AI这样的平台则更多从AI平台和混合部署角度出发。 然后还有另一层我特别感兴趣：治理，AI控制平面。Microsoft正在将其构建到Foundry中，IBM在watsonx Orchestrate中引入了Agentic控制平面，而Lyzr通过其控制平面，采取了一种更框架无关的方法来治理跨不同栈和环境的代理。 这对我来说是一个有趣的方向，因为它再次转移了主权问题——从“我的模型在哪里运行？”到“谁控制我的AI系统如何部署、访问、监控和治理？” 这让我想知道，“主权AI”最终是否会更少地定义为拥有每个组件，而更多地定义为控制对特定威胁模型真正重要的层次。对于本地LLM用户来说，这可能仅仅意味着本地模型、本地推理和本地数据。对于企业或政府部署，定义可以扩展到计算、身份、部署、治理和控制平面本身。 你会如何划定界限？