當人工智慧從「輔助工具」進化為能自主判斷、執行任務的「代理人」，政府部門的治理難題也隨之升級。過去談 AI 治理，多半聚焦於資料該怎麼盤點、風險該如何分級；但當 AI 開始導入後，一個更根本、也更尖銳的問題浮上檯面：權限的邊界該畫在哪裡？一旦 AI 犯了錯，究竟該由誰負責？

隨著《人工智慧基本法》於今年1月正式施行，數位發展部也已依法公布《人工智慧風險分類框架》，資料治理相關指引則仍在研擬階段，台灣的AI治理架構正逐步成形。然而，當AI浪潮席捲公部門，地方政府與第一線實務單位在推動治理落地時，卻正經歷著深刻的「轉型陣痛」。

在上一篇報導中，我們探討了資料盤點與跨局處協作的難題，指出無論是資料由誰提供、風險由誰界定，答案終究要回到具體的「應用場景」才能釐清。然而，情境判斷雖然解決了資料與風險歸屬的邏輯問題，卻無法解決另一層更現實的挑戰：當各單位的AI應用逐漸開展，隨之而來的算力成本該如何分攤？風險分類框架公布之後，第一線又該如何落地執行、而非流於原則性宣示？

本文將延續前篇對「應用情境」的觀察，進一步探討台灣公部門在資料議題之外，於實務落地時可能面臨的挑戰，包括算力分配、風險分類等具體課題，以及可能的解方。

分級或分類？台灣AI風險的架構與跨部會難題

在風險管控的討論中，最關鍵的差異點在於「風險分級」與「風險分類」的界定。目前數位發展部提出〈人工智慧風險分類框架〉，主要採取由上而下的三層架構。頂層是七大倫理基石，直接源自《人工智慧基本法》第4條的抽象法律原則；中層是框架本身，將頂層抽象的倫理原則，轉化為具體的「AI風險類型表」，共分三大類、二十項子類別；底層則是評估工具與管理規範的實務落地，再交由各部會各自訂定規範。

然而，這樣的分層設計癥結點就在於，「分級」代表一套明確的高低排序標準，而「分類」則意味著各部會可依自身業務性質各自詮釋。也就是同樣一件事情，某個部會可能認為情節嚴重，換到另一個部會，卻可能被判定為無傷大雅。這與歐盟採取風險分級監管、對不同等級AI應用課以不同強度監管要求的作法，形成鮮明對比。

但因為同樣的技術評分，放進不同應用場域，意義可能截然不同；而後續落地執行的責任，仍須回歸各主管機關與產業自行承擔。但目前多數機關面對AI治理議題時，普遍傾向是以因應稽核為出發點，著重在一旦受檢時，能否清楚說明自身的AI應用究竟座落在上述三大類框架中的哪一類。然而這三類、二十項子類別的架構是否真的對應AI在不同情境的風險，仍需要進一步驗證。

城市場域的實務挑戰，數據治理仍是關鍵

與會專家表示，實務上，風險控管還牽涉資料治理，尤其在城市治理相關專案中，最令人擔憂的是未清理、受污染的數據可能扭曲分析結果。此外，各單位使用的模型版本與迭代不一，控管難度也隨之提高。更關鍵的是，資料權限管控十分嚴格，民眾個資不得任意投入AI系統運算，整套系統必須像防堵資安漏洞一樣，清楚劃分「能做什麼、不能做什麼」的操作邊界。

若參考國際上如GDPR等資料保護規範的精神，資料治理通常會區分出「數據主體」「數據提供者（或持有者）」「數據使用者」等角色，部分實務框架也會再加入「同意管理者」，負責決定資料誰可使用、何時應下架的生命週期管理，藉此釐清跨部會資料流通中各方的權責邊界。尤其在討論數據治理時，這些參與者彼此互為利害關係人，資料授權將對各方產生何種影響，正是風險框架下一階段必須深入探討的課題。

更棘手的是，許多資料礙於風險考量無法上傳雲端，而實務上仍有不少單位依賴國際公有雲廠商的服務。未來這些國際公有雲業者在整體風險框架中應扮演何種角色、又該如何因應前述的資料治理與風險控管要求，也將是後續必須面對的一大挑戰。

預算天花板與主權AI的兩難

除了風險分類與資料治理之外，預算同樣是政府部門推動AI應用時無法迴避的現實考量。由於公家機關的預算編列通常是固定額度，並不會因為AI使用成效良好、Token用量暴增，就可以立即獲得額外經費挹注，因此政府機關在推動AI應用時，必須格外正視預算控管的問題。

與上述問題緊密相扣的，則是「主權AI」議題。由於機敏資料不能委由公有雲端資源處理，機關只能在內部建置備援機制，當地端算力真正不足、需求溢出時，才動用外部算力，例如與國家高速網路與計算中心（國網中心）介接，或向外部廠商採購短期算力。不過，這類作法在實務上僅屬「過渡性質」的備案。專家認為，長遠而言，核心機敏資料仍必須「落地」於機關自身環境中。

除了前篇提及的預算分配與主權AI涉及的法規、政治角力之外，實務上最大的困難其實在於基礎建設。由於晶片技術快速迭代，業界也即將邁入新的世代，新一代機房在散熱與供電條件上有更高的要求，但地方政府所在區域的電力與水資源供應本就吃緊，幾乎不可能為了建置AI算力中心而全面翻新既有機房。因此，即便地方政府目前仍可勉強自行採購伺服器應急，未來三、五年內，這樣的作法恐難以為繼，且現階段建置的設備，也將隨技術迭代迅速面臨汰舊換新的壓力。

面對這樣的結構性限制，與會專家認為，與其讓各部會或地方政府各自採購算力，更應建立「國家級算力中心」。專家也提醒，現行國網中心的定位偏向學術研究，缺乏全天候無休的即時維運與服務級別協定（SLA）保障，若是在非上班時段遇到緊急事件，目前只能仰賴外部廠商提供24小時維運支援。因此，未來若真要成立國家級算力中心，維運規格與SLA保障勢必得同步納入設計，而非延續現行以學術研究為導向的營運模式。

大模型迷思不如以特定任務建立

除了預算與算力的結構性挑戰外，多數人常陷入盲目追求大模型的迷思。與會專家指出，自2023年起，各界才開始積極投入大模型的訓練與學習，雖然相關方法論在這幾年已日趨成熟，但業界普遍存在只要把大量領域知識與資料倒進模型訓練，模型就能自動搖身一變成為該領域專家的錯誤期待。

但實務案例顯示，若參數量未達百億等級，僅靠訓練就能讓模型直接達成期待的機率其實偏低，且台灣並不具備龐大的資源能完全投入通用人工智慧（AGI）的訓練，這些算力、AI人才稀缺，及基礎知識庫與實際應用案例的不足，形成一道難以跨越的技術瓶頸。

正因如此，若企圖透過投入大量資料、訓練一個「無所不包」的巨型模型，來解決城市治理或龐大法律論述等複雜問題，效益往往有限。因此，實務上會更建議將任務「切分」處理，選用規模較小的模型針對「特定任務」進行微調與訓練。這類小模型無須海量資料，而是側重於作業原則、特殊指令及領域知識（Domain Know-how）的累積，是一項高度專業化的工程。

且從AI治理的角度來看，若要求一個通用大模型同時處理A、B、C多項任務，並期待各任務都能達到專業單位的標準，一旦出錯，權責歸屬也難以釐清。究竟該歸咎於模型本身、訓練資料，還是準備資料的人員疏失？將形成模糊的灰色地帶。

建立容錯機制與「逃城」保護傘，讓基層公務員敢於嘗試

談到AI治理的實務挑戰，專家特別提醒事後救濟機制的重要性。AI導入或執行任務的過程中，難免可能不小心犯錯，但這並非出於惡意。

這時候，主管單位必須思考是否建立類似「逃城」的保護機制，讓基層人員在善意執行公務的前提下，仍能獲得一定的救濟空間。這樣的救濟機制不僅是為了保護可能受害的民眾，更是在保護第一線執行AI業務的公務員，避免公務員因為怕犯錯而卻步，最終不敢積極嘗試導入AI應用。

例如，當基層人員因使用AI模型而不慎踩到個資紅線、或發生違規情況時，該如何處理？有哪些救濟方式可供依循？此外，在初期導入階段，是否應該預先設定一個限定的使用範圍，以降低風險？這些都是後續需要進一步釐清的課題。

打破甲乙方框架：政府與廠商需建立新型合作關係

與會專家也提醒，AI導入是一項涉及多方協作的工程，而政府單位在推動過程中，勢必需要與外部廠商密切配合。在這樣的合作模式下，過往政府與廠商之間慣有的「甲乙方」、上對下的傳統關係，恐怕也需要重新檢視。