隨著人工智慧（Artificial Intelligence, AI）技術邁入以大型語言模型（Large Language Models, LLMs）和生成式 AI 為主導的「工業化」階段，計算能力（Compute，以下簡稱「算力」）已徹底超越其作為單純硬體基礎設施的傳統定義。在當前的地緣政治與經濟格局中，算力演變為決定國家未來經濟競爭力、科研創新能力、國防安全以及文化主權的核心戰略資源。算力不再僅是技術擴張的問題，而是國家治理能力是否能跟上技術複雜度的嚴峻測試。
當前，模型參數規模呈指數級增長，訓練前沿模型所需的資金門檻已逼近十億美元量級，能源消耗更是挑戰國家電網的極限。這種極端的資源集中化趨勢，導致算力資源正迅速向少數跨國科技巨頭（Hyperscalers）集中，形成潛在的寡頭壟斷局面。對政府而言，如何調配、管理並確保算力的公平、安全與永續取得，已非單純的市場機制所能解決，而必須上升至國家戰略層次進行干預。
全球主要經濟體——包括美國、歐盟、日本、英國、加拿大及新加坡——已陸續提出各自的算力治理策略。整體趨勢顯示，各國政府正從早期的「放任市場發展」轉向「積極戰略干預」，試圖在依賴商業雲端巨頭與建立「主權 AI 雲」（Sovereign AI Cloud）之間尋求平衡。美國透過 NAIRR 計畫追求科研資源的民主化；歐盟利用 EuroHPC 與 AI 工廠計畫強調監管合規與技術主權；日本則透過 GENIAC 計畫實施積極的產業補貼政策以扶持本土基礎模型。
在這樣的國際政策背景下，算力逐漸被視為與水電同等重要的「新型公共基礎設施」。相對應的治理重點，已不再只是算力的總量擴張，而是如何建立透明、高效且具備戰略導向的分層分配機制，並將能源永續性正式納入算力發展的硬性約束條件。
從技術層轉向治理層：算力即國力
在過去的數位化浪潮中，算力主要被視為資訊科技產業的後端支撐，是企業資本支出（CapEx）的一部分。然而，隨著深度學習技術的突破，算力已成為與數據（Data）、演算法（Algorithms）並列的 AI 發展三大支柱。不同於數據的非競爭性（可無限複製）與演算法的開源趨勢，算力具備高度的「排他性」與「物理限制」——它依賴於昂貴的硬體、精密的供應鏈與龐大的電力供應。
根據長期追蹤研究顯示，前沿 AI 模型的訓練算力需求在過去八年中呈現驚人的增長態勢，平均每年增長幅度達 2 到 3 倍。這意味著算力的供給速度必須遠超摩爾定律（Moore's Law）的歷史軌跡，才能勉強支撐技術的迭代需求。當 GPT-4 或 Gemini Ultra 等模型的訓練成本從數千萬美元攀升至數億美元，並被預測在數年內突破十億美元門檻時，算力已不再是任何單一學術機構或中小企業所能獨立承擔的資源。
從國家治理的宏觀視角來看，算力同時具備公共財屬性與戰略資產屬性。
如同交通網絡、電力網或供水系統，算力是支撐數位經濟運作的基礎底座。若缺乏普惠、可負擔的算力存取權，學術界的研究人員與初創企業的創新者將難以參與 AI 發展，導致技術紅利與話語權集中於少數科技巨頭手中，進而加劇社會不平等。
同時，高階算力（如 NVIDIA H100 或 Blackwell 架構 GPU）受限於極度複雜且脆弱的全球供應鏈。在中美科技競爭的背景下，算力已成為出口管制與地緣政治博弈的核心標的。掌握自主可控的算力資源，直接關係到國家在危機時刻的韌性、數據主權的完整性以及國防技術的自主性。
治理挑戰的核心命題
政府當前面臨的算力治理挑戰，其複雜度已遠超傳統基礎設施建設的範疇。這不是一個單純關於「購買更多 GPU」或「建設更多資料中心」的預算問題，而是一場涉及多重維度的治理考驗，直接測試政府的資源調度能力與戰略判斷。
首先，是分配正義的兩難。在高階算力資源極度稀缺的情況下，政府應如何設計分配機制？是優先支持能夠產生巨大商業價值、具備全球競爭潛力的企業，還是致力於維護基礎研究，保障大學實驗室與非營利組織的存取權？這牽涉到效率與公平之間無法迴避的結構性權衡。
其次，是基礎設施主權的選擇。政府究竟應自行投資數十億美元建設國家級超級電腦中心，承擔技術快速迭代所帶來的高折舊與淘汰風險；還是向商業雲端供應商採購算力服務，透過營運支出模式換取彈性與即時性，同時承受數據隱私、法律管轄以及供應商鎖定所帶來的長期依賴風險？
第三，是能源與永續之間的衝突。算力本質上是能源的轉化形式。隨著 AI 模型規模擴大，資料中心用電量快速攀升，已開始對國家電網穩定性構成挑戰。在追求算力擴張的同時，若未同步納入碳中和與能源轉型目標，算力政策終將受到物理條件的限制，無法持續推進。
算力治理的深層結構：經濟學與供應鏈脆弱性
要理解算力治理為何成為迫切的國家議題，必須回到其背後的結構性條件，包括成本結構的急遽變化，以及全球供應鏈的高度集中與脆弱性。這兩個因素共同構成政府介入算力治理的現實基礎。
訓練成本的「十億美元障礙」與階級固化
人工智慧發展正經歷一場資本密集化的質變。前沿模型的訓練成本快速逼近十億美元等級，並被普遍預期在未來幾年內持續上升。這種成本結構的轉變，主要來自幾個關鍵因素。
首先，是硬體資本支出。高階 GPU 本身價格昂貴，加上構建數萬顆晶片互聯集群所需的高速網路設備，使得硬體採購往往佔據整體成本的近半比例。隨著模型規模不斷擴大，硬體投資門檻持續拉高。
其次，是能源營運支出。雖然能源成本在總成本中的比例未必最高，但其絕對值隨模型訓練規模呈線性甚至超線性成長。訓練單一前沿模型所消耗的電力，已可與中小型城鎮數個月的用電量相提並論。
再者，是高階人才與研發投入。頂級 AI 科學家與工程團隊的薪酬、長期研發與組織維持成本，同樣構成無法忽視的支出項目。
這樣的成本結構，正在形成明顯的「算力階級固化」。傳統上作為創新源頭的學術界與中小企業，因無法負擔前沿模型訓練的高昂成本，逐步被排除在最前端的技術競賽之外。當大多數具指標性的 AI 模型由產業界主導，技術路線與研究議題自然更容易受到商業誘因影響。這正是市場失靈的典型情境，也是政府必須介入算力治理的核心經濟學理由之一。
供應鏈瓶頸與地緣政治風險
算力的另一個關鍵結構性問題，來自高度集中且脆弱的全球供應鏈。這使得算力不只是產業資源，而逐步被納入國家安全的討論範圍。
首先，在晶片製造端，高階 AI 晶片幾乎完全依賴極少數先進製程節點。先進製程的高度集中，使得任何地緣政治衝突、產業事故或政策限制，都可能對全球算力供給造成系統性衝擊。
其次，更直接限制 AI 晶片出貨量的，往往不是晶圓製造本身，而是先進封裝產能。將邏輯晶片與高頻寬記憶體進行高密度整合的封裝技術，本身門檻極高，產能擴張速度有限。即便整體晶片需求明確存在，實際可交付的算力仍受到封裝產能的嚴重制約。這也意味著，即使國家具備足夠預算，也未必能在短期內取得所需算力資源。
第三，在算力部署與服務層面，全球市場高度集中於少數大型雲端服務商。對非美國家而言，這種集中化結構帶來實質的數位依賴風險。若發生地緣政治衝突、法律管轄權爭議，或大型雲端服務中斷事件，國家級關鍵系統與公共服務可能直接受到影響。
國際算力政策路徑的比較觀察
在上述成本結構與供應鏈條件下，各主要經濟體依其產業結構、科研體系與地緣政治位置，逐步形成不同的算力政策路徑。
美國：科研資源民主化與安全要求並行
美國在算力政策上的主要關切，在於維持其技術領先地位的同時，避免科研資源過度集中於少數科技企業。透過跨部會協作與公私合作機制，美國嘗試降低學術界與非營利研究單位取得算力的門檻，並將安全與信任要求前置於資源分配流程中。
在實務運作上，算力資源的配置並非齊頭式分配，而是透過同儕審查機制，評估研究計畫的科學價值、公共利益與安全風險，再進行資源配對。可用資源來源同時包含政府部門所屬的高效能運算設施，以及私部門提供的雲端算力。這種作法，使算力不僅成為研究工具，也成為引導研究方向與行為的重要政策槓桿。
歐盟：以主權與合規為核心的算力架構
相較於美國，歐盟在算力政策上的出發點明顯不同。歐盟缺乏具全球規模的本土雲端服務商，因此其算力布局與其一貫的監管取向高度結合，將算力政策視為推動數位主權與法規合規的重要工具。
歐盟以 EuroHPC 聯合執行體為核心，整合成員國資源，建構跨國的超級電腦網絡。這些原本主要服務於科學計算的高效能運算設施，逐步被重新定位為支撐人工智慧發展的關鍵基礎。隨著政策調整，算力資源開始對新創企業與中小企業開放，並透過「AI 工廠」的形式，結合算力、技術支援與法規指引，形成一套以公共投資為主軸的算力支撐體系。
在分配機制上，歐盟的顯著特徵，是將算力存取與合規要求直接掛鉤。申請使用算力資源的計畫，必須通過技術與倫理審查，確保模型開發與應用方向符合歐盟既有的人工智慧規範。算力在此不僅是技術資源，更成為推動法規落實的實質手段。
這樣的設計，反映出歐盟的政策判斷：在缺乏平台型企業的情況下，透過公共算力投資與制度性合規要求，維持對人工智慧發展路徑的實質影響力，避免在新一輪技術競爭中完全受制於外部技術體系。
日本：以產業補貼算力投入策略
日本在算力政策上的選擇，呈現出明確的產業政策取向。面對算力高度集中於國際雲端服務商的現實，日本並未嘗試由政府直接營運大型算力設施，而是透過高比例補貼的方式，降低企業使用算力的實際成本。
相關政策聚焦於鼓勵企業投入生成式人工智慧與基礎模型的研發。補貼設計針對不同規模企業設定不同強度，對中小企業提供更高比例支持，以加速整體產業對算力與模型開發的吸收能力。政策選擇的重點，不在於建立國有算力設施，而在於迅速提升產業端實際使用算力的密度。
在實際案例中，政策資源明確鎖定語言模型與本土應用場景，目的在於確保語言、文化與商業邏輯不完全依賴外部技術體系。透過補貼方式導引企業行為，日本試圖在有限資源條件下，保有一定程度的技術自主性與產業主導權。
英國與加拿大：以科研導向與制度分流回應算力集中
英國在算力布局上，選擇以科研體系為核心支點，將高效能運算與人工智慧發展明確錨定在國家級科學任務之上。相關政策投資重點，放在支撐藥物研發、材料科學、核融合、氣候模擬等長期且高度專業化的研究領域。算力在此被視為加速科學突破的關鍵工具，而非全面鋪開的產業資源。
在分配邏輯上，英國採取明確的優先排序機制，將算力資源優先配置給與國家任務高度相關的研究計畫。這種設計，刻意避免算力資源被零散分配至短期商業應用，確保有限的公共投資能集中於具有結構性影響力的研究方向。同時，英國也透過公私合作，引入硬體與系統整合商參與建設，以降低政府單獨承擔技術更新風險。
加拿大的做法則呈現出更為清楚的制度分流設計。公共資源一方面用於建設政府主導的高效能運算設施，主要服務學術研究與公共研究機構；另一方面，則透過專門的算力存取基金，補貼中小企業與新創公司租用商業算力。這樣的設計，刻意區分「公共科研算力」與「產業應用算力」，避免兩者在制度上相互擠壓。
此外，加拿大也透過競賽與誘因機制，引導私人資料中心投資，試圖在公共投資之外，培養本土算力供給能力。整體策略並非追求全面自給，而是在公共利益與產業發展之間建立相對穩定的平衡。
新加坡：以高度彈性的公私合作模式取得算力
新加坡在算力策略上的選擇，反映出小型經濟體在資源有限條件下的務實考量。相較於大規模自建算力設施，新加坡更傾向透過高度結構化的公私合作模式，引入外部技術能力，同時保留對關鍵應用場景與資料的實質控制。
在具體操作上，政府部門提供場地、電力與高品質資料資源，科技企業則提供最新一代的硬體與軟體技術，醫療或公共服務體系負責實際應用與驗證場景。這種分工方式，使各參與方能各自投入其最具比較優勢的資源，而非重複投資。
同時，新加坡在算力擴張上，明確納入能源與土地限制考量。資料中心建設需符合嚴格的能源效率標準，並搭配再生能源使用承諾，以避免算力成長對國家能源體系造成不可承受的壓力。算力在此並非無限制擴張的目標，而是需嵌入整體國家資源管理框架中加以衡量。
關鍵議題：能源、主權與依賴風險
算力相關政策不僅涉及資源分配，更直接觸及能源安全與國家主權的底線。當算力成為人工智慧發展的必要條件，能源承載能力、數據主權控制與對外部服務體系的依賴程度，就不再是附屬議題，而是政策設計必須先行處理的核心限制。
能源：算力發展的硬約束
「沒有能源，就沒有 AI。」這已不再是口號。資料中心與 AI 訓練用電量快速攀升，正在實質改變能源需求結構，也迫使政府把算力政策與能源政策綁在同一個決策框架內思考。
用電需求的增長已在部分國家與地區出現具體壓力。資料中心耗電占比提高，導致電網負載緊繃，並可能排擠民生用電與其他產業用電需求。當電網無法承受新增負載，算力的擴張將首先遇到物理極限，而不是技術瓶頸。
因此，算力政策必須納入明確的能源效率要求與再生能源配置。新建資料中心若缺乏能源效率上限、再生能源使用承諾與對電網衝擊的評估機制，將無法在長期維持政策一致性。綠色算力不再是加分項，而是准入條件。
主權雲與超大規模服務商之間的結構性拉扯
在算力部署與服務層面，過度依賴少數大型雲端服務商意味著長期的制度性風險。除了商業模式上的價格波動與供應商鎖定，最關鍵的是法律管轄權與資料控制權問題。當關鍵系統與敏感資料落在外部雲端服務體系內，國家在危機時刻的控制能力會受到限制。
因此，各國開始推動主權雲的概念。主權雲並不必然等同於完全排除外部技術，而是透過制度與技術手段，確保資料主權與控制權仍掌握在本國體系內。常見手段包括資料駐留、金鑰管理自主權，以及更高強度的實體隔離部署，以降低外部法域與服務中斷對關鍵系統的衝擊。
在部分安全等級要求更高的場景中，甚至會採取與公共網路物理隔離的部署方式，以確保關鍵資料與系統運作不受外部網路環境干擾。這類做法的政策含意很清楚：算力不是單純的 IT 採購，而是涉及國家控制權配置的制度選擇。
公私合作模式的必要性
純政府投資往往面臨效率與迭代速度限制，純市場運作則可能忽略公平性與國家戰略需求。因此，在算力政策上，公私合作逐步成為主要解法之一。
公私合作可以採多種形式，包括基礎設施共享、共同投資與風險分擔，以及透過政府採購承諾或算力券等工具創造需求，降低私部門投資風險。政府在此不必全面自建，但必須能透過制度設計確保公共利益與安全底線不被市場邏輯侵蝕。
政策方向：建構國家層級的算力制度框架
在前述國際經驗與結構性限制下，算力相關政策若僅停留在專案層級，將難以回應長期風險。算力必須被納入國家層級的制度設計中，以確保在技術快速變動與外部環境不確定性升高的情況下，仍具備基本的可控性與延續性。
將算力納入關鍵基礎設施體系
算力已具備與電力、供水、交通相近的系統性重要性。在制度設計上，應明確將算力視為關鍵基礎設施的一部分，使政府在面對重大網路事件、供應鏈中斷或國家安全風險時，具備相應的調度與優先配置能力。
同時，過度依賴即時商業市場，將使公共部門在價格波動與服務中斷時承受高度不確定性。因此，有必要保留一定比例由國家可直接控制的算力資源，作為基礎科研、公共服務與高敏感任務的穩定支撐，而非完全交由市場供給。
建立分層分流的算力使用機制
在算力高度稀缺的情況下，齊頭式分配容易導致資源錯置。更可行的作法，是依用途與公共性質建立分層分流的使用機制。
針對國防、氣候模擬、精準醫療與基礎模型研究等具有高度公共性與戰略性的任務，應提供長期且穩定的算力支持，避免因市場波動而中斷。
針對中小企業與新創團隊，則可透過補貼、算力券或租用支持方式，降低試錯成本，促進應用端多樣化發展。
而在高等教育與研究體系中，則需維持相對開放且可預期的存取機制，以確保人才培育與長期研究不被短期商業需求排擠。
把能源條件正式納入算力政策設計
算力政策若未同步考慮能源條件，將在實務上無法落地。新建資料中心與大型算力設施，必須同時評估電網承載能力、能源來源結構與長期供電穩定性。
在政策工具上，可透過能源效率標準、再生能源使用比例與區位引導，調整不同類型算力的部署位置。對延遲敏感度較低、但能耗極高的訓練型算力，可優先配置於能源條件較佳或氣候較冷涼地區；而對即時性要求較高的推論型算力，則配置於接近使用端的位置，以平衡效能與能源成本。
降低對單一算力供應體系的依賴
在制度層面，避免對單一雲端或單一技術體系形成長期鎖定，是提升整體韌性的必要條件。多雲與混合架構，有助於分散技術與法域風險。
對涉及個人資料、政府運作或國防相關的應用，應明確要求使用符合資料駐留、在地管理與實體隔離等條件的部署模式，以確保關鍵系統在極端情境下仍具備基本可控性。
結語
當算力成為人工智慧發展的主要瓶頸，它所反映的已不只是技術能力，而是制度設計與治理能力。能否在市場效率、公共利益、能源條件與主權風險之間建立可運作的平衡，將直接影響一個國家在人工智慧時代的位置。
算力不是中性的技術資源，而是一種會決定誰能創新、誰能設定議題、誰能長期掌握技術方向的結構性條件。當各國陸續意識到這一點，算力相關政策也不再只是科技政策，而是國家整體競爭力的一部分。
這場轉變已經發生，差別只在於是否具備足夠清醒的制度回應能力。
留言
張貼留言