FedRAMP、ITAR 與氣隙 AI：無雲端暴露的資料準備

政府和國防組織面臨合規要求的獨特交叉，這使大多數 AI 資料準備工具從考量中排除。FedRAMP 管理雲端服務使用，ITAR 限制技術資料處理，機密環境需要氣隙運作。這些框架共同為 AI 採用創造了一條窄路——一條通往本地、支援離線的工具的路。

FedRAMP：當雲端在理論上可行時

聯邦風險與授權管理計劃（FedRAMP）為聯邦機構使用的雲端服務提供標準化的安全評估方法。有三個授權級別：

• FedRAMP Low：用於低影響資料系統（公共網站、非敏感資訊）
• FedRAMP Moderate：用於處理 CUI 和大多數政府運作的系統
• FedRAMP High：用於支援最敏感非機密政府工作負載的系統

AI 資料準備的現實

即使有 FedRAMP 授權，基於雲端的資料準備也面臨實際障礙：

授權時間線：獲得 FedRAMP 授權通常需要 12-18 個月，花費 100-300 萬美元。大多數 AI 資料準備供應商沒有追求它，因為單靠政府市場不足以證明投資的合理性。

資料分類差距：FedRAMP 涵蓋非機密系統。任何涉及機密資訊的資料準備都超出範圍——而機密資料通常是最有價值的 AI 訓練資料所在地。

持續監控負擔：FedRAMP 授權系統需要持續監控、年度評估和事件報告。對於機構可能只用於單一項目的資料準備工具，開銷可能不足以證明這種方法的合理性。

實際結果：大多數政府 AI 團隊完全跳過 FedRAMP 問題，在本地、在他們已經控制的認可系統上處理資料。

ITAR：當資料不能跨越邊境時

國際武器交通法規限制國防物品和技術資料的出口。對於 AI 資料準備，ITAR 創造了特定的限制：

什麼是 ITAR 管控的

• 直接與國防物品相關的技術資料（武器系統、軍用車輛、衛星）
• 專門為國防應用設計的軟體
• 源自國防相關研究的技術資料

ITAR 對資料準備意味著什麼

• 不得有外國人員訪問：處理 ITAR 資料的資料準備工具不得被非美國人士訪問。這包括由非美國人員駐守的資料中心的雲端服務。
• 不得使用外國伺服器：ITAR 資料不能在美國境外的伺服器上儲存或處理——即使是在外國資料中心的美國擁有的伺服器。
• 供應商員工限制：如果資料準備供應商有可能訪問系統的非美國員工（用於支援、除錯、更新），該工具可能被取消資格。
• 衍生資料繼承管控：從 ITAR 管控文件衍生的 AI 訓練資料本身也是 ITAR 管控的。

實際影響

ITAR 實際上要求國防技術資料的 AI 資料準備發生在實體位於美國、由美國人員運作、且無可能將資料暴露給外國訪問的雲端連線的系統上。

安裝在認可工作站上的原生桌面應用程式設計上就滿足 ITAR 要求。沒有網路暴露，沒有雲端後端，沒有外國伺服器風險。

氣隙環境：當離線是強制要求時

機密網路（Secret 的 SIPRNet，最高機密/SCI 的 JWICS）與網際網路物理隔離。這些系統和公共網際網路之間沒有網路路徑。

工具「真正氣隙」的意義

許多工具宣稱「離線能力」，但實際上需要：

• 授權驗證：定期向授權伺服器「打電話回家」（氣隙環境失敗）
• 遙測：發送給供應商的使用分析（氣隙環境失敗）
• 自動更新：自動更新檢查（氣隙環境失敗）
• 雲端 AI 功能：呼叫雲端 API 的「AI 輔助」功能（氣隙環境失敗）
• 容器登錄：從登錄拉取映像的基於 Docker 的工具（氣隙環境失敗）

真正的氣隙運作意味著無論是否存在網路連線，工具的工作方式都相同。每個依賴項、每個模型、每個功能都必須捆綁在安裝包中。

氣隙環境中的 Docker vs 原生桌面

基於 Docker 的工具（Label Studio、許多開源 ML 工具）在氣隙環境中面臨特定挑戰：

• 映像傳輸：容器映像必須被匯出、通過物理媒介（DVD、安全 USB）傳輸、並匯入——每次更新都是手動過程
• 依賴鏈：Docker 映像從多個登錄拉取；確保所有層都包含在氣隙包中容易出錯
• 網路複雜性：Docker 的網路模型增加了配置複雜性和安全攻擊面
• 容器編排：基於 K8s 的工具需要在機密網路上可能不存在的額外基礎設施

原生桌面應用程式（通過單個二進位或安裝包安裝）避免了所有這些問題。應用程式像任何其他認可的軟體一樣安裝——沒有容器、沒有編排、沒有網路配置。

匯聚的解決方案

FedRAMP 複雜性、ITAR 限制和氣隙要求都指向同一架構：完全在本地基礎設施上運行、無雲端依賴的原生桌面應用程式。

這就是為什麼 Ertas Data Suite 被構建為 Tauri 2.0 原生桌面應用程式：

• 無需雲端連線：安裝並在沒有網際網路訪問的情況下運行
• 無 Docker/K8s：單個應用程式二進位，無容器基礎設施
• 本地 AI 推論：AI 輔助功能使用 Ollama/llama.cpp，在本地運行模型
• 完整的審計跟蹤：每個操作都在本地記錄，帶有操作員歸因
• 美國人員可控：無外國伺服器暴露，無供應商遙測

對於政府和國防組織，問題不是是否在本地處理 AI 訓練資料——合規框架已經回答了這個問題。問題是哪個本地工具最適合安全要求，同時對理解資料的分析師仍然可用。

FedRAMP、ITAR 和氣隙要求的交叉大大縮小了選擇範圍。處理完整資料準備管道的專用原生桌面應用程式——從文件攝取到標記和匯出——是滿足所有三者的架構。