人工智能主权并不意味着由一个国家独自构建从电力、芯片到模型和应用的所有生态系统组件。这是ITmedia AI Plus分析的核心结论，该分析基于Sakura Internet社长田中邦裕和Sakana AI国际政治分析师石井淳也的观点。更现实的标准是确定必须控制的层级，减少对单一外部来源的依赖，同时保留在供应商停止服务或改变使用条件时继续运行的能力。
主权的三个方面
田中将人工智能基础设施主权分为三个方面。第一是数据主权，即将数据留在国内，并在本地范围内进行管理。第二是运营主权，包括掌握基础设施运行、服务器位置及规模方面的决策权。技术主权则涉及开发模型和软件本身的能力。
田中认为，与这些方面相关的风险已经不再是理论上的。人们已经遇到数据离开境外服务器、外国供应商拒绝在日本境内投资服务器，以及软件出口禁令等问题。文章以Anthropic根据美国政府命令，于6月暂时停止提供Claude Fable 5和Mythos 5为例，说明依赖政治盟友并不能保证持续访问软件或服务器。
这些风险之所以更加棘手，是因为它们通常不会在正常情况下显现。服务可能看起来稳定且成本低廉，但在政治或商业环境发生变化时却无法使用。田中将其与“石脑油”问题进行比较：和平时期依赖廉价进口，会在条件变化时造成供应混乱。
为什么“完全本土化”还不够？
田中和石井都认为，日本不可能、也不理性地实现人工智能所有层级100%的覆盖。石井将生态系统分为四个层级：电力和半导体等基础设施材料；通过云或本地基础设施进行的数据管理层；基础模型层；以及应用层。
按照这一构想，一个国家或一家公司无法高效拥有所有这些组件。因此，石井建议在每一层降低对外国的依赖，并在使用外部技术时分散产品和供应商。他指出，日本、韩国、印度、澳大利亚和加拿大作为中等强国，正朝着同样的思路发展。
Sakura Internet并不认为放弃NVIDIA图形处理器是现实选择；即使是美国公司，这一产业部分也依赖全球供应商。但田中区分了芯片本身与其上层部分，后者包括云基础设施、推理服务和运营软件，日本可以对其进行开发。
企业在实践中需要改变什么？
Sakura Internet指出，在评估人工智能服务时，仅仅询问“数据是否保存在日本境内？”是不够的。更重要的问题是：输入数据是否被用于训练模型？数据可能确实位于日本服务器中，但如果被纳入企业无法控制的训练流程，其主权仍会受到一定程度的损失。
企业还应确认服务器是否实现物理隔离，以及服务器是否专供自身使用。这一点尤其受到制造业客户的重视。这并不一定与模型的国籍有关；田中认为，来自中国的开放模型，如Kimi或Qwen，可以在本地服务器中运行，使数据不会流向外部，但仍需评估与来源和软件相关的其他风险。
实际使用能力也是一个问题。纸面上拥有强大的GPU，并不保证在需要时能够使用，因为可能存在资源短缺、电力限制，或服务供应商设置性能上限等情况。田中提出的选项之一是使用更小、更专业化的模型，即使其通用性能低于领先模型，也可将其运行在本地推理基础设施上。当智能体应用需要消耗大量令牌时，这种方式在成本方面可能更加高效。
这种方法并不意味着让日本与外国技术隔绝。Sakura Internet正与Microsoft合作，通过Microsoft Azure控制台提供其基础设施和服务。但田中强调，在使用外国技术的同时，还必须建立本地提供类似服务的能力，以便日后能够提供替代方案，而不能只满足于消费。
调整模型，而不是从零开始构建
Sakana AI在模型层面采取了不同路径。该公司并不从零开始完整构建模型架构和权重，而是依托先进的开放模型，并使用后训练技术调整其行为，使其适应日本的要求。
石井表示，美国和中国的模型是在巨大资源投入下开发的，因此通过重复同样的方法追赶它们非常困难。另一方面，外国模型可能体现特定的价值观或政治偏见。因此，Sakana AI开发了Namazu模型，并于5月推出了搭载该模型的聊天机器人Sakana Chat。
该公司的目标并不是让输出强烈偏向日本观点。石井表示，公司力求在历史和领土问题上提供中立回答，同时明确呈现日本立场，因为单一立场的回答可能削弱海外用户的信任。后训练的优势在于可以应用于多个模型，从而降低某一特定模型停止服务所造成的影响。
国家、金融和防卫领域尤其需要这种能力。Sakana AI正与日本防卫省下属的防卫装备厅研究机构合作，在一项多年期合同下开发基础技术，并开展为期两年的试验。相关工作包括开发能够在通信条件较差的环境中运行于无人机上的轻量人工智能，以及利用无人机收集信息的指挥与控制系统。
结论：控制力比国籍更重要
Sakura Internet和Sakana AI的实践，为主权人工智能提供了务实定义：它不是一个贴着“本土制造”标签的封闭系统，而是控制数据、运营和模型的能力，同时拥有在供应商或模型失效时维持业务运行的替代方案。
因此，日本企业首先需要盘点自身现有基础设施的各个层级：数据是否被用于训练？谁在管理基础设施？如果模型明天停止服务，会发生什么？回答这些问题，比单纯依赖模型国籍更有价值。从零开始完整构建的项目，例如Preferred Networks采取的方法，仍然是重要选项，但文章将其置于多种选项之中，而不是视为唯一解决方案。此外，Sakana AI在GENIAC项目中使用Sakura Internet的“Takabi”云基础设施，也说明了本地组件如何通过不同层级实现整合。