政府機構和國防組織在使大多數商業 AI 產品無法使用的限制條件下運作。不是不方便——是真正的無法使用。當您的資料被分類為 IL5 或以上時,將其發送到雲端 API 不是政策偏好——這是聯邦犯罪。
這造成了根本性的張力。商業企業在數週內採用的 AI 能力——文件分析、物流優化、預測性維護 ——在政府背景下需要數月或數年的基礎設施規劃。大多數 AI 供應商不明白為什麼。
本指南描繪了政府 AI 部署實際需要滿足的要求、架構和合規框架。它是為正在評估本地端 AI 基礎設施的計劃經理、國防承包商技術長和聯邦機構 IT 負責人撰寫的。
為何商業雲端 AI 不適用於政府
主要雲端供應商的說法很直接:使用我們的 AI 服務,我們將處理 FedRAMP 授權,您的資料保留在政府區域。對於影響級別 2 的未分類工作負載,這可以起作用。對於任何更高級別的內容,說法在四個具體方面失效。
資料主權不只是合規核選方塊
當商業 AI 供應商處理政府資料時,資料受供應商的法律義務約束——不僅僅是美國法律,還可能包括供應商業務所在的任何司法管轄區的法律。在擁有強制性資料披露法律的國家有業務的供應商造成了任何業務夥伴協議或合同附加條款都無法完全消除的法律風險。
對於機密資料,這不是理論性的。第 14028 號行政命令(改善國家網路安全)明確要求機構了解和控制其軟體供應鏈。一個在數百個來源的資料上訓練的 AI 模型,運行在共享基礎設施上,更新周期由供應商控制,不符合該標準。
模型行為無法被稽核或控制
當您使用雲端 AI API 時,您正在調用供應商控制的模型。他們可以更新它、重新訓練它、調整其安全過濾器,或者完全棄用它——通常不提前通知。對於商業企業,這意味著偶爾的輸出品質波動。對於根據 AI 輔助情報分析做出決策的政府機構,未宣布的行為變化是操作風險。
您無法稽核您不託管的模型。您無法版本固定供應商不允許您下載的模型。您無法對昨晚更改的模型運行回歸測試。
更新在沒有政府監督的情況下發生
商業 AI 供應商按自己的時間表推送模型更新。OpenAI 以最少六個月的通知棄用了模型。對於花了 18 個月獲得運行授權(ATO)的國防系統,模型棄用通知意味著重新開始認證過程——或在不受支援的模型上運行。
外國情報收集風險
雲端 AI 服務在資料中心處理資料。資料中心有員工。員工可能成為攻擊目標。對於機密工作負載,共享雲端環境的攻擊面——即使是政府指定的——從根本上比具有持有通行證人員的氣隔本地端安裝更大。
合規框架映射
政府 AI 部署必須滿足多個重疊的合規框架。以下是它們如何映射到部署架構決策:
| 框架 | 範圍 | 主要 AI 含義 | 雲端相容? |
|---|---|---|---|
| FedRAMP High | 具有高影響資料的聯邦系統 | 所有 AI 基礎設施必須在 FedRAMP High 邊界內 | 是,使用授權 CSP |
| NIST 800-171 | CUI(受控非機密資訊) | 包含 CUI 的 AI 訓練資料必須按照 110 個控制措施保護 | 有條件 |
| ITAR | 國防文章和技術資料 | 處理 ITAR 資料的 AI 不能在外國可訪問的基礎設施上進行 | 受限 |
| NIST AI RMF | AI 系統風險管理 | 需要 AI 系統行為、測試和監控的文件 | 架構中立 |
| IL4 | DoD 系統中的 CUI | 專用雲端基礎設施,僅限美國支援 | 僅 DoD 雲端 |
| IL5 | 更高敏感性 CUI 和任務資料 | 物理分離的基礎設施,國家安全審查的人員 | 雲端選項非常有限 |
| IL6 | 機密(最高 SECRET) | 氣隔,SCIF 級別保護 | 無商業雲端 |
實際含義:任何在 IL5 或以上處理資料的 AI 系統都需要本地端基礎設施。對於 IL6 及以上(SIPRNet、JWICS),氣隔操作不是可選的——這是唯一合法的部署模型。
NIST AI 風險管理框架(AI RMF)
AI RMF 不要求特定的部署模型,但其圍繞治理、映射、測量和管理的要求在本地端基礎設施中實質上更容易滿足:
- 治理(Govern):建立 AI 行為的責任要求控制模型生命周期。當供應商控制更新時,這很難做到。
- 映射(Map):理解 AI 系統的背景和潛在影響需要對訓練資料和模型架構的可見性。專有雲端模型兩者都不提供。
- 測量(Measure):對 AI 輸出的持續評估需要針對生產模型運行基準測試套件。這需要訪問模型,而不僅僅是其 API。
- 管理(Manage):應對識別的風險——回滾模型版本、調整推理參數、修補漏洞——需要基礎設施訪問。
政府 AI 架構
政府級 AI 部署有特定的架構要求,與商業本地端設置不同。
核心基礎設施組件
氣隔計算集群:物理隔離網路上的 GPU 節點(通常為 NVIDIA A100 或 H100)。無網路連接。無 DNS 解析。無外部伺服器的 NTP 同步(使用本地時間源或 GPS 接收器)。
本地模型倉庫:存儲在機密網路上的批准模型的版本化倉庫。模型在安全審查後通過跨域解決方案或手動媒體傳輸導入。每個模型版本都經過雜湊驗證並記錄日誌。
本地端推理伺服器:在本地 GPU 上運行的 vLLM、TGI 或 Triton Inference Server。推理伺服器在運行時沒有任何外部依賴的情況下處理所有 AI 請求——沒有授權檢查、沒有遙測、沒有模型下載。
資料準備管道:大多數政府 AI 架構中最不成熟的組件,通常是瓶頸。下面詳述。
稽核和日誌基礎設施:每個推理請求、模型加載、資料訪問和配置更改都記錄到防篡改的稽核系統中。NIST 800-53 AU 控制措施適用。
網路架構
對於機密工作負載:
[機密資料來源] → [資料準備管道] → [訓練/微調] → [模型倉庫]
↓ ↓
[分析師工作站] ← [推理伺服器] ← [批准的模型版本]
↓
[稽核日誌聚合器] → [SIEM / 合規報告]
每個組件都在機密網路邊界內運行。對於機密資料,沒有「混合」選項。唯一的外部接觸點是用於導入已清理基礎模型和導出解密結果的跨域解決方案。
政府的模型選擇
政府部署出於實際原因絕大多數偏向開放權重模型:您無法稽核您無法檢查的東西。
| 模型類別 | 參數量 | 典型使用案例 | 分類適用性 |
|---|---|---|---|
| Llama 3.x (70B) | 70B | 複雜分析,報告生成 | 通過適當傳輸適用所有級別 |
| Mistral/Mixtral | 70 億至 470 億 | 通用,多語言 | 所有級別 |
| Phi-3/Phi-4 | 38 億至 140 億 | 邊緣部署,資源受限 | 適合戰術/前線部署 |
| 微調領域模型 | 70 億至 140 億 | 特定任務(NER、分類) | 所有級別;生產環境首選 |
較小的模型(70 億至 140 億)在生產部署中更受偏好,因為它們需要更少的計算資源、響應更快,並且可以在特定領域的政府資料上進行微調,以在目標任務上超越更大的通用模型。
OpenAI 國防部合同背景
2025 年初,OpenAI 與美國國防部和其他政府實體簽署了合同。這被廣泛報道為驗證雲端 AI 可以服務於政府需求。現實更為微妙。
即使這些合同到位,國防和情報界也在並行建立獨立的 AI 能力。為什麼?
供應商依賴風險是國家安全問題。 當單一 AI 供應商的業務決策——領導層變化、政策轉向、定價調整、外國合作夥伴關係——可能影響國防行動時,這就是戰略漏洞。這種擔憂不是假設性的:OpenAI 的組織結構已多次改變,其安全領導層經歷了重大人員流失,其商業優先事項每季度都在演變。
盟國政府正在建立主權能力。 英國的 AI 安全研究所、法國的主權 AI 投資、澳大利亞的國防 AI 計劃——這些都不依賴於單一的美國供應商。他們正在建立國內 AI 基礎設施,正是因為依賴另一個國家的商業實體來提供國防能力是不可接受的風險,無論當前關係如何。
許多機構和工作負載永遠不會具有雲端資格。 情報界最敏感的工作負載在根據法律和物理上無法連接到商業基礎設施的網路上運行。這些工作負載仍然需要 AI 能力,而且需要在本地端部署。
國防部合同是真實且有意義的。它們也不是全部故事。跨政府的趨勢——美國和盟國——是向沒有單一供應商控制的多元化、自主託管的 AI 基礎設施發展。

