台灣發展主權 AI 的第四根支柱？
一個國家的「主權 AI」國力，究竟取決於算力？電力？還是人才？
世界各國都在積極發展「主權 AI (Sovereign AI)」 並將其視為重中之重的國家戰略，台灣自然也不例外，但讓我們先問自己三個問題：
一、一個國家的「主權 AI」國力，究竟取決於算力？電力？還是人才？
二、沒有經過嚴謹考核與認證的工程師或維運人員，能夠走進主權 AI 資料中心，執行高度機敏性的工作嗎？能夠接觸高度機敏性的資料嗎？
三、什麼才叫做「合格的」主權 AI 人才？我們有具體的職能定義嗎？
為了回答這三個問題，筆者最近花了一段時間，把全球與台灣的公開數據整理了一遍。
結果比預期的更值得警惕——因為第三個問題，目前在台灣、甚至在全世界，都還沒有答案。
先從第一個問題說起。
「主權 AI 到底在爭什麼？」目前大致有兩種思路：第一是基礎設施的爭奪——算力、資料中心、晶片的境內掌控；第二則是能力的爭奪——這個國家到底有沒有人，能夠自主駕馭這一整套系統。
前者聲量極大，後者則安靜得多。
全球的錢，幾乎都砸在算力上
先看幾個數字。
法國宣布了 1,090 億歐元的 AI 投資方案；沙烏地阿拉伯的 HUMAIN 與 NVIDIA 簽下 20 萬顆 GPU 的合作，目標 2027 年進入全球算力前五；印度的 IndiaAI Mission 投入約 12 億美元；微軟對阿聯 G42 投資 15 億美元；英國則成立了 7.82 億英鎊的主權 AI 基金。
看到這裡，各位應該已經發現一個現象：這些計畫的預算幾乎全數指向硬體與模型，人才培育不僅金額相對微小，甚至常常連目標數字都沒有。
以英國為例，其主權 AI 基金在人才面向的具體做法，是「為投資組合公司的全球人才提供快速簽證」。這是很典型的處理方式——用進口解決供給。
這並不是各國的疏忽，而是一種完全可以理解的選擇：算力投資可以編列預算、可以在任期內剪綵、可以量化成效；人才養成則要五年十年，而且成果難以歸功於任何一屆政府。
但這正是問題所在。
需求端的實況：一年成長 55%
那麼真實的需求長什麼樣子？
史丹佛 HAI 與 Lightcast 合作的《2026 AI Index》分析了美國自 2010 年以來數十億筆職缺資料。2025 年，全美 2.5% 的職缺明確要求 AI 技能——比 2024 年成長 55%，過去十年成長約 300%。
更驚人的是 Agentic AI 相關技能：職缺占比從 2024 年的 0.06% 躍升到 2025 年的 0.23%，年增 280%，換算約 9 萬個職缺。
若以國家別來看 AI 職缺占比，新加坡以 4.769% 位居全球之首，其次是香港 3.5%、盧森堡 3.4%、西班牙 3.3%，美國則為 2.6%。
同一份報告還有一個值得警惕的發現：25 歲以下的開發者就業人數，自 2024 年以來下降了近 20%。 入門級的技術職缺正在萎縮——而那正是人才養成管道的入口。
回到台灣：兩種不同的時間尺度
台灣的算力推進其實相當漂亮。
國網中心規劃透過兩項政府計畫，把公共算力規模從現行的 16 PF 推升至 2029 年的 480 PF。「國網雲端算力中心」已於 2025 年 12 月在台南啟用，配置 15MW 電力，規劃至 2029 年兩館合計達 23MW。
民間也不遑多讓。台灣目前共有 36 座資料中心，既有設施總負載約 60MW；鴻海與 NVIDIA 合作的高雄 K-1 資料中心，從初期 20MW 一路規劃到 100MW；鴻海另砸 420 億元設立超算中心；中華電信啟動 AIDC 大投資，單座逾 20MW 等級；Google 在彰濱加碼超過 270 億元。整體推估，AI 資料中心用電量將於 2029 年達到 450MW。
方向明確，速度也不慢。
那麼人力呢？這一端的公開數據少得多，但既有的少數線索已具指標意義。國網中心主任張朝亮在受訪時提到，該中心雖已有模型開發團隊，仍缺乏足夠的人力，並期待中研院與各大學協助分擔模型訓練工作。
本研究要指出的是主權 AI 人才供給的量級：當國家級計畫都需要向學研單位尋求分擔，就意味著本地可調度的相關人力相當有限。
如果把不同期間的數據換算成年均複合成長率來比較，落差會更清楚：
公共算力（16→480 PF，2025→2029）：年均 +134%
AI 資料中心用電（60→450 MW，2025→2029）：年均 +66%
官方 AI 專業人才年需求推估（3,520→4,170 人，2025→2027）：年均 +9%
基礎設施以指數速度擴張，而人才規劃依循的是線性的年度推估節奏。
這兩組數字的量綱與涵蓋範圍並不相同，不宜直接相減得出「缺口人數」。資本支出以季為單位，人才養成以年為單位，兩者本來就不可能同步。這是所有推動大規模 AI 基礎建設的經濟體，共同面對的結構性課題。
那麼，台灣到底缺多少主權 AI 人才？
這個問題目前不容易回答。原因不是沒有調查，而是現有的調查各自回答的是不同的問題。
數位發展部數位產業署委託資策會執行的《AI 應用服務產業專業人才需求推估調查》是年度系列，逐年滾動更新。其中對 2026 年的基準推估如下：
發布時間 報告期間 對 2026 年的基準推估 2023 年 12 月 2024–2026 5,770 人 2024 年 12 月 2025–2027 3,830 人 2025 年 12 月 2026–2028 3,750 人
一個值得留意的現象是：推估中的人才需求，呈現逐年下降的走向。
在 AI 應用明顯加速的這幾年出現這個方向，是否與職種定義、產業範圍或樣本結構的調整有關，可能還有再進一步確認的空間。
而更值得注意的，是這些數字涵蓋了誰。
該調查的產業範圍為資訊服務業與 AI 新創（行業標準分類代碼 62、63），設計上是清楚而明確的。需要留意的只是引用時的對應關係——它常被引用為「台灣 AI 人才缺口」的整體代表數字，而其原始設計範圍其實更為特定：不涵蓋製造業、金融業、醫療、零售與公部門，也就是不涵蓋絕大多數需要把 AI 導入既有流程的組織。
若主權 AI 的目標之一是讓百工百業都能自主運用 AI，那麼人才需求的主體，恰恰落在這份調查的範圍之外。
同一份調查另有一項數據值得注意：僅 3.5% 的受訪企業認為人才充足，61.5% 回報人才不足。
主觀短缺明確，而客觀推估在滾動調整。這個落差指向的並不是「人不夠多」，而是現有的計量單位，還無法描述企業真正需要的能力。
監管部會已經走在前面了
有趣的是，台灣其實不缺 AI 職能框架。
《AI 產業人才認定指引 3.0》今年 5 月經行政院通過，把 AI 人才分為應用、開發、研究三類，定義五項核心能力，並因應《人工智慧基本法》新增「AI 治理素養」；6 月數發部又攜手人事總處發布《AI 公務人才認定指引》Beta 版。方向正確、速度也快。
而在領域別上，金管會 2024 年 6 月發布《金融業運用人工智慧（AI）指引》、衛福部發布《醫療機構應用生成式人工智慧指引》、食藥署早在 2020 年就公告了 AI/ML 醫材軟體的查驗登記技術指引、行政院也有全政府適用的生成式 AI 參考指引。
率先發布 AI 指引的，幾乎都是高度監管領域。 這並非偶然——金融、醫療、公部門對「誰可以做什麼」本來就有成熟的資格制度。
但這裡出現了一個實務上的斷點。
金管會的指引明確要求：金融機構得由具備 AI 專業之人員建立獨立的第三方審查機制；對於無法完全理解訓練過程的外部生成式 AI，機構須確保其人員對產出進行客觀且專業的風險控管。
問題是——什麼叫「具備 AI 專業之人員」？
指引並沒有定義此專業的內涵，也沒有指明任何可據以判定的鑑定管道。實務上，多半回到機構自行認定，或採認國際廠商認證。
而這就帶出一個最需要被討論的問題。
誰有資格走進主權 AI 資料中心？
主權 AI 資料中心承載的是國家級的算力資產、跨部門的敏感資料，以及具戰略意義的模型權重。
在這樣的場域中，一個人能不能存取特定資料、能不能變更叢集組態、能不能簽署一份稽核報告，本質上都是資格問題——而資格必須有可驗證的依據。
在多數受管制的高風險領域，這件事早已制度化：醫師、會計師、電機技師、資安稽核人員，都必須通過與其職責相稱的鑑定，才能執行對應業務並承擔責任。
主權 AI 的營運與治理職務，影響範圍未必小於上述任何一項，卻尚未建立對應的資格門檻。
回到開頭的第二個問題：沒有經過嚴謹考核認證的工程師或維運人員，能夠走進主權 AIDC，執行高度機敏性的工作、接觸高度機敏性的資料嗎？
而這也順帶回答了第三個問題：什麼叫「合格的」主權 AI 人才？我們目前確實還沒有具體的職能定義。
第四個問題：我們要培育的，究竟是何種 AI 人才 ?
開頭問了三個問題。寫到這裡，還想再加上第四個——而這一個，可能是最根本的。
AI Agent 的成熟，正在改變人才的價值結構。當一個人能夠設計並管理由數百個 Agent 所組成的工作流時，他的角色已經不是「更有效率的使用者」，而是一個系統的設計者與負責人。這類人力的產出，無法用人數加總來替代。
所以，在主權 AI 的命題下，台灣應該優先培育的，究竟是：
少數能夠駕馭數百個 Agent、設計整體工作流、推動部署落地，並為其結果負責的主權 AI 架構師與管理者？
還是數十萬名善於以提示工程提升個人工作成效的進階使用者？
答案其實相當清楚。但這兩者在政策上的處境完全不同。
進階使用者的普及屬於全民數位素養，重要、必要，而且台灣已經在做。更關鍵的是，這一層的成效可以用人數衡量——培訓多少人次、通過多少張證照，都是清楚可計數的指標。
而架構師與管理者，人數少、養成慢、無法以人數衡量成效，而且恰恰就是目前沒有任何鑑定方式可以對應的那一層。
於是一個結構性的風險就浮現了：若以「培育 N 萬名 AI 人才」作為政策 KPI，資源會自然流向前者。 不是因為決策者判斷錯誤，而是因為前者可計數、可快速呈現成效、可對外報告；後者則慢、貴、難以量化，在現行的計量方式下根本不會出現在報表上。
因此，主權 AI 人才政策的目標函數或許需要調整：不應追求「培育幾十萬 AI 人才」的量化 KPI，而應追求足夠數量、且經過嚴謹鑑定的高度專業人才——具備設計、部署、治理主權 AI 系統，並使其發揮轉型與創新效能的能力。
換一種說法：主權 AI 的成敗，不取決於有多少人會使用 AI，而取決於有多少人能夠設計、營運、治理，並為主權 AI 系統負責。
前者是普及，後者才是主權。
最後補一個台灣可能最被低估的優勢。
盤點全球主權 AI 的推動者，多數國家的角色是「採購者」——買晶片、買伺服器、租算力、微調境外開源模型。而台灣同時具備半導體製造、AI 伺服器與資料中心硬體、公共算力、主權模型與高複雜度應用場域。全球具備此一完整堆疊的經濟體屈指可數。
這代表台灣在談主權 AI 人才時，面對的是一組與純軟體國家截然不同的能力需求——從機房電力與散熱、伺服器整合、叢集調度，一路到模型調校、產業落地與治理問責。
我們不應該照抄純軟體國家的人才框架，因為那會漏掉台灣最強的部分。
而更值得想的是：台灣目前供應全球主權 AI 建設所需的大量硬體，而採購國在設備到位之後，普遍面臨的正是「誰來營運」的問題。如果台灣同時能提供「如何營運這套堆疊」的能力框架與培訓方案，輸出的就不只是設備，而是一整套主權 AI 解決方案，當然也包括 — 台灣最有優勢的：人才 — 與諸君共勉之。
以上內容整理自研究報告《台灣主權 AI 人才發展機會與挑戰：建立對應完整堆疊的整體解決方案框架》（AITT-WP-2026-01）。完整版含四個回饋環的系統動力學分析、能力鑑定覆蓋矩陣、三層架構設計規格與全部資料來源，可於此閱讀：
👉 https://aittlabs.org/research/sovereign-ai-talent-taiwan/
報告仍在草稿階段，歡迎各界指正、修改與擴充。