欧洲政府把 AI 关进自家机房：NVIDIA 开放模型的新战场
当政府想用 AI 提升公共服务效率，却又不敢把公民数据交给云端大模型时，答案正在变成“开放模型”。
2026 年 10 月 21 日，在柏林 GTC 大会上，NVIDIA 公布了一组覆盖欧盟委员会、波兰、英国、德国的公共部门项目。这些项目的共同点不在于用了哪款模型，而在于同一条底线：模型可以开放，但数据必须留在政府自己控制的基础设施里。
对公共部门来说，AI 从来不只是效率问题。医疗影像、就业档案、政策文件、涉密信息，任何一项泄露都是政治风险。开放模型提供了一条中间道路。政府可以先评估模型，再按本地语言和公共服务流程做适配，在自有基础设施上运行，施加自己的安全护栏，把敏感数据留在可控环境里。部分开放模型更进一步，连训练数据集都公开，政府能核验数据是否获得授权、是否存在偏见、是否合规。
一场“去云端化”的公共 AI 实验
这一轮欧洲公共部门项目的底色是“主权”。
欧盟委员会在扩展 AI@EC 共享平台，由柏林软件公司 deepset 的 Haystack Enterprise Platform 支撑，所有应用跑在委员会自己管理的基础设施上。平台更新把智能体的开发、执行、优化和治理连成一体，新增比较运营成本、评估答案质量、追踪问题的能力；NVIDIA Triton Inference Server 则支撑用于查找和排序相关信息的共享服务。AI@EC 已经验证的运营要求包括可复用组件、基于角色的访问控制、审计追踪和护栏，应用场景涵盖文档摘要、知识管理和多语言政策分析。
波兰走的是“医疗 + 就业”双线。波兰 eHealth Centre 用 NVIDIA DGX BasePOD 和 MONAI 框架构建医学影像 Intelligent Services Platform，帮助医生分析 X 光、CT 和 MRI，检测异常并优先处理紧急病例，缩短患者等待结果的时间。与此同时，在 Deloitte 协助下，波兰家庭、劳动和社会政策部正在 NVIDIA 加速计算基础设施上搭建“智能体工厂”，支持 400 多个劳工办公室，运行 PLLuM、GPT OSS、Inkling 等模型，做文档搜索、摘要和数字助理，让工作人员更高效地帮助求职者。
英国补的是“测试数据”短板。伦敦 Locai Labs 发布了 Nemotron-Personas-UK，一个包含 100 万合成智能体的数据集，反映英国人口和地理多样性，同时降低隐私风险。它的用途不是训练模型，而是“考”模型。它测试公共服务模型在不同年龄、教育水平、城乡人群之间是否表现一致，可用于医疗评估和偏见测试。
德国最彻底。Materna 推出 Sinfonie，一个本地部署平台，把生成式 AI、语音交互和 3D 虚拟人结合起来，用 NVIDIA Audio2Face 做动画；它基于某德国州政府的项目，员工可以通过语音问答访问机构知识，数据留在本机构基础设施上。在涉密场景，secunet 联合 NVIDIA、Red Hat、deepset 正在开发一套主权云产品。这套产品基于 secunet 的 SINA Cloud 基础，其安全组件已获准用于涉密信息，基础设施由 secunet 在德国数据中心运营，上面跑 NVIDIA 加速计算和 Nemotron 开放模型、Red Hat OpenShift AI、deepset 的 Haystack 智能体编排。
把这些项目放在一起看，冲击力在于它们不是孤立试点，而是在同一套逻辑下同时铺开：模型可以开放，但数据和基础设施必须可控。
为什么政府选开放模型，而不是闭源 API
对政府而言，闭源大模型 API 有三个原罪：数据要出域、模型是黑箱、供应商锁定。开放模型恰好逐一破解。
可评估。政府可以在上线前对模型做压力测试、偏见测试、安全测试，而不是被动接受供应商的“效果声明”。英国那 100 万条合成人口数据集的意义就在这里。
可适配。欧洲的语言和政策环境高度碎片化。波兰的劳工办公室要处理波兰语就业档案，德国州政府要用德语语音问答访问机构知识。开放模型允许政府在本国数据上做微调，甚至从头构建本地化版本。德国的 Soofi（Sovereign Open Source Foundation Models 研究倡议）正在为德国工业和公共部门开发 AI 模型家族，其中包括 Nemotron-Personas-Germany。这是一个 100 万条记录的开放数据集，每条记录包含 6 个合成智能体，基于 2022 年人口普查，覆盖全部 16 个联邦州和 400 个区县。它用 NVIDIA NeMo Data Designer 生成，不碰真实个人的隐私数据，帮助开发者测试模型在不同地区的表现。
可审计。训练数据是否获得授权、是否带偏见、是否符合本地法规，这些在闭源模型里是无解问题。开放模型把数据集摊开，政府的合规部门才有了审查的抓手。这也解释了为什么多个欧洲项目都在构建 NVIDIA Nemotron-Personas 集合的地区版本。这套数据集是 NeMo User Sim 的底层，后者是 NVIDIA 的开源库，用于人口规模的用户模拟，能动态评估和训练本地语言的模型与智能体。
真正的战场在基础设施
开放模型解决了模型层的问题，但政府真正的焦虑在基础设施。
这一轮项目里，“本地部署”和“主权云”是最高频的词。Materna 的 Sinfonie 明确是本地部署，数据留在机构自己的基础设施里。secunet 的主权云更进一步。敏感数据不出境、不出公有云，连算力运维都要在本国数据中心完成。这套组合的潜台词是，欧洲政府要的不是“用 AI”，而是“在自己的地盘上用 AI”。这也是为什么 NVIDIA 要把 Triton Inference Server、DGX BasePOD、NeMo Data Designer 一件件摆出来。它卖的不只是模型，而是整套能在政府机房里跑起来的栈。
从“辅助阅读”到“辅助办事”
如果只是文档摘要和知识问答，公共部门过去几年已经试过很多轮。这一轮的不同在于“智能体化”。
波兰的就业服务系统被明确称为“智能体工厂”；欧盟委员会的 Haystack 平台更新把智能体的开发、执行、优化、治理连成一体。这意味着公共部门的 AI 正在从“辅助阅读”走向“辅助决策和执行”：医疗影像平台要帮医生检测异常、优先处理紧急病例；就业助理要真正理解求职者的处境并给出建议。
智能体化放大了效率收益，也放大了风险。一旦智能体开始替公务员做判断，可追溯性、审计追踪、护栏就变得至关重要。AI@EC 之所以强调可复用组件、基于角色的访问控制和审计追踪，正是因为这个趋势。
黄仁勋的欧洲赌注
把视角拉高一层，这件事发生在 NVIDIA 对欧洲下重注的背景下。这场发布之前，黄仁勋刚结束一周的欧洲行，足迹覆盖巴黎、伦敦、斯德哥尔摩、都柏林，承诺向欧洲技术生态系统投入近 100 亿美元，合作 12000 多家伙伴。他在 GTC 柏林开幕演讲中把开放模型定位为“构建定制化 AI 的起点”，并宣布 NVIDIA 的开放模型阵容已扩展到 Nemotron 3.5 Super VL、Bolt、Nemotron Retriever、Kumo 家族、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo、Ising。
欧洲实验室 Mistral、Black Forest Labs、H Company 也加入了 Nemotron Coalition，参与这些模型的共建。对 NVIDIA 来说，公共部门是一笔好生意：预算稳定、场景明确、一旦落地就是长期运维。更重要的是，政府项目是最好的信任背书。如果德国政府敢把涉密信息放在 NVIDIA 加速计算上，企业客户的顾虑会少一大半。
但这里藏着一个悖论。Counterpoint Research 在 GTC 柏林的分析中指出：开放模型和本地数据中心确实给了欧洲数据和部署的控制权，但底层栈，从 CUDA、NVLink 到 BlueField、Thor，仍然来自同一家供应商。欧洲买家需要在“数据主权”和“新的供应商依赖”之间做权衡。
谁会受益，谁要警惕
欧洲公共部门的这一轮 AI 建设，正在定义一种新的采购范式：模型可以开放，但数据必须留在境内；智能体可以自主，但每一步必须可审计；算力可以外包，但控制权必须在自己手里。
受益者首先是 NVIDIA 这样的全栈供应商。它既有开放模型，又有能在政府机房里跑起来的加速计算栈。其次是 deepset、secunet、Materna、Locai Labs 这类本地合作伙伴，它们懂本地语言、本地法规和本地政府的采购流程。最后是欧洲本土的开放模型生态，Mistral、Black Forest Labs 等公司借 Nemotron Coalition 获得了更多共建机会。
需要警惕的是那些只提供闭源 API、无法承诺数据驻留和审计追踪的模型供应商，它们会在公共部门招标里越来越被动。而欧洲政府自己也要面对一个长期问题：用开放模型换数据主权的同时，会不会在芯片和软件栈上形成新的单一依赖？
开放模型的真正价值，不在于代码公开，而在于它让政府第一次有了“检查 AI 作业”的权力：能评估、能修改、能追责。欧洲公共部门的选择给全球政府 AI 立下了一条新规矩：效率可以让步，主权不能。
快报