一句话定义：主权 AI（Sovereign AI）指一个国家或地区，把模型权重、算力资源和训练数据栈尽可能放在自己能控制、能审计、能替换的范围内，避免关键能力被外部供应商单方面掐断。
打个比方。一家人平时点外卖，便宜、快、省事。但真遇到平台停送、涨价、商家不接单，家里就得有自己的厨房、菜谱和粮仓。主权 AI 就是"自家厨房"的思路：不是每顿饭都必须自己做，而是关键时刻能做、知道配方、知道米面从哪来。它通常拆成三层来看：
- 算力层：芯片、集群、电力。断供时能不能继续训练和推理。
- 数据层：本地语言语料、行业数据、标注与清洗流程。这层最容易被忽略，却决定模型懂不懂本国的法律、口音和业务习惯。
- 模型层：权重、训练配方、评测标准、部署与审计工具。权重在手，才能自己微调、自己封存、自己决定谁能用。
关键点是：主权不等于全部自研。它更像"可控依赖"——任何一层被换掉，系统还能转。全部自己造，代价往往大得没必要。
和相邻概念的区别：
| 概念 | 核心问题 | 谁在操心 |
|---|---|---|
| 主权 AI | 国家/地区能否自主决策与替代 | 政府、国家级研究机构、监管 |
| 数据主权 | 数据存在哪、受谁的法律管辖 | 法务与合规 |
| 私有化部署 | 企业把模型跑进自己机房 | 企业 IT 与安全团队 |
| 开源模型 | 权重是否公开、许可怎么给 | 开发者社区 |
四者有重叠：一个开源模型放在本国机房跑，同时满足好几条；但闭源 API 也能签本地部署合同，那就只解决了后两条，权重和配方仍不在自己手里。
案例与边界。德国出现的 Kolibri 这类项目，走的就是"把德语和欧洲语言的权重放出来，让公共部门、高校和中小企业在本地跑"的路线，目标是降低对海外闭源服务的依赖。但它的边界也很清楚：训练前沿大模型要烧巨额算力和电力，人才在全球范围内流动，生态工具链又大多长在几家大厂身上。结果是主权模型常常在能力上落后于最前沿闭源模型一拍，只能靠"够用 + 可控 + 合规"来定位自己。
对从业者的实际意义。做选型时，除了看效果，不妨多问三句：权重在谁手里？数据出不出境？明年换供应商要重写多少代码？面向欧洲公共部门、金融、医疗的业务，这几条经常是硬门槛。反过来，普通职场人感受到的，可能是公司内网里那个"不太聪明但能用"的模型，以及越来越多的"数据不得外传"规范。
至于具体某个项目的许可范围、语言覆盖和可商用条件，以官方页面为准。