（问题） 近期，国际产业界围绕大模型的新技术、新产品密集发布，进一步强化了一个共识：大模型正从企业层面的应用工具，演变为国家层面的关键基础设施。
伴随生成式技术广泛进入政务、教育、金融、传播等领域，全球竞争焦点加速转向“主权级大模型”——即由本土团队主导研发、以本地数据为主要训练资源、在安全合规框架下服务本国公共利益与国家战略的模型体系。
（原因） 推动这一趋势的直接原因，来自大模型训练路径的两大特征：其一，高性能模型对海量高质量数据依赖显著，数据的来源、结构和标注方式在很大程度上决定模型知识边界与输出倾向；其二，模型在对齐阶段需要大量人类反馈，反馈规则与偏好设置会影响模型对敏感议题、价值判断和叙事方式的呈现。
正因如此，各国对“模型是否与本国制度、文化、法律与治理目标相适配”日益重视，并将其与数据主权、内容安全、关键行业韧性等议题并行考量。
与此同时，算力资源的集中度、芯片与云基础设施的供应链安全，也使大模型能力供给具有明显的地缘经济属性。
（影响） 主权级大模型的扩展效应，首先体现在国家安全与战略决策层面。
模型能够对经济运行、公共服务、舆情态势、跨国政策变化等海量信息进行快速分析与辅助研判，为风险识别、预警处置提供新的工具手段。
其次，主权级大模型具有“社会编码”效应：模型所基于的数据体系与知识组织方式，可能影响公众对本国与外部世界的理解框架，进而影响社会沟通与行为选择。
在一些国家的安全战略讨论中，围绕舆论影响、心理影响、认知影响等概念的研究与布局持续推进，也在客观上抬升了各国对模型可控性与价值对齐的敏感度。
更值得关注的是，主权级大模型能力的不均衡，可能带来新的“数字鸿沟”。
受制于资金、人才、算力与数据治理能力，一些发展中国家在模型研发与部署上面临现实困难。
若长期高度依赖外部通用模型，关键行业数据跨境流动风险上升，治理规则受制于人，甚至可能在国际竞争中处于被动。
由此，国际秩序层面或出现“模型能力—治理能力”不对称的新问题。
（对策） 业内普遍认为，构建自主可控能力需要同时夯实两类基础设施：一是物理层面的算力基础设施，包括高性能计算集群、云平台与安全可控的软硬件生态；二是数据层面的基础设施，即高质量、可持续更新、可审计可追溯的数据资源体系及训练规范。
围绕数据基础设施建设，关键在于形成“可用、可信、可控”的本地数据集：通过标准化采集、专业化清洗、分级分类管理与合规标注，提升数据质量并降低安全风险；同步完善对敏感数据、行业数据和公共数据的授权机制，推动“可用不可见、可控可追责”的治理模式落地。
在人才与知识供给方面，跨学科力量对主权级大模型尤为重要。
以区域国别研究等学科为例，其长期服务国家战略需求，强调对不同国家和地区的政治、经济、历史与文化进行系统化整理与结构化表达，可为构建高质量、低风险的数据集与知识图谱提供支撑，有助于提升模型在国际议题、跨文化沟通、风险识别等方面的专业能力与稳定性。
在国际合作层面，主权化并不意味着封闭。
面向共同安全与共同发展，具备能力的国家与企业可在尊重各国法律与数据主权前提下，探索以算力支持、工具链共享、人才培训、合规评测等方式，帮助资源相对不足的国家建立符合自身国情的模型能力，减少因能力差距带来的系统性风险。
（前景） 从发展趋势看，主权级大模型将与通用大模型长期并行：前者更强调安全合规、价值对齐与关键行业可控部署，后者更侧重开放生态与通用能力迭代。
未来竞争焦点将从单纯“参数规模”转向“数据治理能力、场景落地能力与安全评测体系”的综合比拼。
谁能在算力供给、数据质量、制度规则与应用生态之间形成闭环，谁就更可能在新一轮技术变革中赢得主动。
当算法开始承载国家意志，数据流动映射权力更迭，主权级大模型的竞争本质上是数字时代国家生存权的博弈。
这场关乎未来的竞赛既考验各国的科技实力，更检验着平衡发展与安全的智慧。
在技术民族主义抬头的当下，如何构建开放包容又自主可控的AI生态，将成为每个国家必须作答的时代命题。