泰国扩大政府 AI 推进力度，但数据才是真正考验

泰国因一项面向政府机构、持续至 2027 年的人工智能扩展计划登上了 Google News。标题勾勒出一个看似直接的采用故事。但更棘手的现实是，在 AI 能够重塑政府服务之前，泰国必须打通分散的公共数据、培训公务员，并建立相应保障措施。

眼下的催化因素是泰国首个国家大数据战略。根据一份英文政府公告，内阁于 2026 年 7 月 27 日确认了该计划草案。该战略将 AI 部署与国家数据基础设施、泰语模型、数字服务及人才发展联系起来。

这一组合构成了核心张力。泰国并非在“使用 AI”与“避免使用 AI”之间做选择。政府正试图从各机构零散的试验，转向共享基础设施，同时防止数据风险以同样速度扩大。

更具揭示意义的对比，并不是泰国与某一家科技供应商之间的比较，而是政府的公开承诺与其现有行政现实之间的对照。AI 可以帮助处理文件、分流请求、分析政策数据，并支持公职人员。但当各机构无法交换准确且受治理的信息时，这些好处便无法可靠实现。

泰国政府 AI 扩展实际改变了什么

泰国正将数据基础设施、劳动力技能和 AI 服务视为一项公共部门计划，而非三个彼此独立的技术项目。

内阁 7 月的决定涉及《2025 至 2027 年推动大数据利用战略计划》草案。数字经济与社会部提交了该框架，公共组织大数据研究院则负责制定。

官方的大数据计划确定了四项相互关联的优先事项。泰国计划建设国家数据基础设施、扩大大数据在重点领域的应用、将 AI 用于服务和产业，并提升劳动力技能。

基础设施层包括 Government Cloud、Government Data Catalog 和 National Big Data Platform。这些系统并不能互相替代。云基础设施提供计算与存储能力，而数据目录可帮助机构发现可用数据集。国家级平台则能够支持跨机构边界的信息交换、处理与分析。

政府还希望将数据应用于医疗、旅游、环境管理、农业、贸易和经济发展。这些领域的信息格式、所有权规则、敏感程度和更新周期各不相同。将它们整合起来，绝不只是把文件放进一个共享存储库。

该计划呼吁建设泰语 AI 模型和数据集。这一点很重要，因为主要针对英语优化的模型，可能难以应对泰国行政语言、本地术语和官方文件结构。政府应用对一致性的要求也高于普通消费者场景。

劳动力发展是最具体、规模最大的承诺。泰国的目标是到 2027 年至少培训 16 万人掌握大数据和 AI 技能。公告并未说明其中有多少受训者将成为高级实践者、数据管理者、服务设计师，或具备相关知识的日常用户。

这种差别至关重要。短期课程可以提升认知，却未必能赋予员工改变工作流程的权限。有效部署需要员工理解底层服务、所处理的数据，以及错误结果可能带来的后果。

该战略还设定目标：到 2027 年，与大数据应用相关的经济价值至少实现 35% 的同比增长。泰国希望跻身全球大数据应用数字竞争力前 25 名。

这些目标为各机构指明了方向，但尚未提供一套成果评分卡。数据带来的经济价值可以通过多种方法衡量。即使个别公共服务依然缓慢或难以获取，排名也可能有所提升。

这正是 Google News 版本的报道需要补充背景的原因。政府扩大了围绕 AI 的政策框架，但这项公告并不证明每个机构都已部署了可运行的系统。它是一项承诺，即建设能够让部署规模化的条件。

因此，最重要的变化是制度层面的。AI 正更接近公共行政的核心，并与数据政策和服务交付相连接。它不再仅被视为面向技术机构的创新项目。

Google News 捕捉到 AI 雄心，却未呈现行政负担

该计划能否成功，取决于泰国能否将共享基础设施转化为更好的公共服务，而不是以数字形式复制现有官僚流程。

政府 AI 往往通过可见的界面吸引关注。聊天机器人可以回答问题、总结法规，或引导公民完成申请流程。这些工具比其背后的数据工程和流程再设计更容易展示。

一个有用的助手仍需要最新规则、准确的机构记录，以及明确的升级处理路径。如果其源材料不完整，系统可能会生成自信却错误的指引。如果机构之间对一名公民的状态存在分歧，AI 只会更快地重复这一冲突。

泰国自身的公告承认，数据存储分散、连接不完整、网络安全担忧、个人数据保护、法律限制以及合格人才短缺等问题。这些并非次要的实施细节，而是 AI 将要进入的运行环境。

碎片化会带来多重问题。不同机构可能对同一概念采用不同名称或格式，也可能按不同时间表更新信息。它们还可能针对访问、保留、更正和删除适用彼此不兼容的规则。

Government Data Catalog 可以让数据集更容易被发现，但可发现性并不保证可用性。每个数据集都需要有负责的所有者、清晰的说明、质量控制措施以及界定合法访问的规则。敏感记录还需要额外保护。

National Big Data Platform 可以降低分析的技术门槛，也可能集中风险。共享平台连接的信息越多，价值就越高，这也使安全架构和访问监控不可或缺。

泰国将基础设施计划与更广泛的公务员技能计划相结合。2026 年 6 月，政府为公职人员提出了七项数字技能。这些技能涵盖数字素养、治理、领导力、应用技术、服务设计、数据共享和网络安全。

这一框架认识到一个关键点：政府 AI 并不只是信息技术部门的责任。管理者决定系统是否应纳入工作流程；一线服务人员会遇到错误输出；法务和安全团队则决定哪些数据可以处理。

公务员计划面向不同员工角色，包括业务工作人员、主管、高管、技术专家和一般技术用户。这种基于角色的方法，比在整个政府范围内推行同一种 AI 课程更有用。

所列出的服务场景依然较为常见，而非投机性的设想。它们包括电子服务、表单、支付、文件，以及移除不必要步骤的流程再设计。AI 可以支持这些系统，但基础数字化仍承载着大量即时价值。

例如，一个机构无需生成式模型，就能让公民以电子方式提交表单。之后，它或许会利用 AI 对请求进行分类、识别缺失信息、翻译文本，或推荐正确部门。但底层交易本身必须已经可靠。

正是在这里，公开承诺与行政现实相遇。官员可以在国家层面宣布 AI 战略，而服务质量仍将由各机构逐一决定。这些机构在采购、领导力、数据成熟度和人员配置上各不相同。

压力首先落在机构领导者身上。他们必须证明 AI 支出改变了服务结果，而不只是改善内部演示。他们还需要决定何时适合自动化，以及何时必须保留人工审核。

技术供应商面临不同的负担。政府采购方需要证据表明，系统能够适配泰语、满足本地数据要求、支持审计，并可在既有基础设施上运行。一场精美的演示并不能回答这些问题。

当实施失败时，公民承担的潜在成本最大。私人生产力工具中的错误建议最多浪费时间；错误的政府决定则可能影响福利、许可、税收、医疗服务或法律义务。

泰国的 AI 战略正转变为一项交付计划

2026 年的推进建立在既有国家战略之上，但重点正从广泛的 AI 能力建设转向具体的公共部门交付。

泰国的《国家 AI 战略与行动计划》覆盖 2022 至 2027 年。内阁于 2022 年 7 月 26 日批准该计划。其结构涵盖社会准备度、基础设施、人力资源、研究，以及公共和私营部门的应用。

该计划列出十个目标领域。政府服务与食品和农业、医疗、教育、安全、能源、物流、旅游、制造和金融并列。第一阶段覆盖 2022 年和 2023 年，第二阶段则从 2024 年持续至 2027 年。

这份国家 AI 计划设想建立一个集成的国家数据和 AI 服务平台。它还呼吁提高采用率、增强研究能力，并扩大技术人才队伍。

2026 年 7 月的大数据战略让这一早期愿景更具可操作性。它明确了基础设施组件、培训目标、经济目标，以及数据应支持公共决策的领域。

这一进展比单个机构宣布推出聊天机器人更重要。泰国正将长期 AI 政策与较少引人关注的目录、云服务、数据集、岗位角色和跨机构协调工作连接起来。

其机制相对清晰。各机构首先需要盘点并治理自身数据。共享基础设施随后可以让适当的信息用于分析。AI 系统可以在这一基础上运行，同时由经过培训的员工审核输出并重新设计服务。

每一步都可能独立失败。机构可能上传文档说明不充分的数据；技术上准确的模型仍可能支持不公平的流程；员工可能接受培训，却没有时间、权限或激励将其付诸应用。

该计划也提出了集中化的问题。共享的国家平台可以减少重复建设、标准化安全措施，并让较小机构获得更好的基础设施。然而，集中控制也可能形成瓶颈，或将通用要求强加给专业服务。

或许有必要采取混合模式。中央机构可以制定基础设施、互操作性、安全和治理标准。各个机构仍需对服务规则、数据质量、人工审核和公民申诉承担责任。

泰语模型是该计划的另一重要组成部分。它们可以改进文档搜索、分类、摘要和用户辅助。其价值将取决于针对真实政府语言的评估，包括地区用语和专业行政术语。

模型在通用泰语文本上表现良好，仍可能在福利申请或法规解释中失效。公共部署需要针对具体任务的测试，而不是对语言流畅度作出笼统宣称。

对于部分服务，知识检索提供了更可控的方法。检索系统会在生成答案前查找相关的已批准材料，从而减少对模型内部记忆的依赖。它们仍需要持续维护的信息源和清晰的引用。

处理密集档案记录的政府团队，也可以受益于严谨的知识管理。可迁移的经验很简单：当底层信息有序、最新且可追溯时，AI 答案会更有价值。

这并不意味着每个公共工作流程都需要生成式 AI。当资格条件明确时，规则引擎仍然合适。当用户需要精确的法律文本时，搜索可能效果更好。当事实存在争议或后果严重时，仍需要人工判断。

因此，泰国战略更有力的版本应当是选择性的。机构应在语言处理或模式识别能够改善明确服务的场景中应用 AI，而不应仅为满足创新目标而将其附加到每个工作流程中。

真正的较量是公共承诺与数据现实之间的落差

泰国最大的对手并非其他国家的 AI 计划，而是全国公布的能力与各机构参差不齐的准备程度之间的差距。

国际比较仍可揭示这种差距的重要所在。OECD 的 2026 年国别说明发现，泰国在数据可访问性和数字政府表现方面低于 OECD 平均水平。该说明也认可了泰国的战略、培训工作和 AI 治理举措。

这份国别评估显示，泰国的数据可访问性得分为 0.30，而 OECD 平均值为 0.67。该指标早于 7 月内阁决定，因此它提供的是基线，而非对新计划的评判。

这一差异有助于解释为何基础设施引领 2026 年议程。AI 的采用无法弥补公共信息不可访问或连接不畅的问题。它只能在现有数据的限制范围内运行。

泰国加入 OECD 的进程带来了外部压力。政府机构并非只是为了提升国内曝光度而采用技术。它们也在朝着与透明度、问责制和可靠数字行政相关的公共治理实践迈进。

2026 年 6 月，泰国国家经济和社会发展委员会在巴黎与 OECD 讨论了可信赖的公共部门 AI。该框架将相关工作分为赋能条件、防护措施和参与机制。

赋能条件包括基础设施、数据库和员工技能。防护措施涵盖伦理规则、安全的数据保护、监测和评估。参与机制则让机构、公民和服务对象参与决定政府如何适当使用 AI。

这一可信赖 AI 框架为泰国提供了比单纯部署目标更有力的结构。它认识到，技术能力、制度控制和公众参与必须同步推进。

当速度成为政治目标时，权衡就会出现。中央资金和共享服务可以加快采用进程；全面的影响评估、采购审查、安全测试和征询意见则需要时间。

这些保障措施并非进步的障碍。它们保护着公共 AI 所需要的正当性。一个公民无法质疑的系统，即便缩短了处理时间，也难以赢得信任。

透明度也必须超越一般性声明。机构应说明 AI 何时影响服务、使用何种数据、是否有人审查其输出，以及受影响用户如何申请更正。

模型采购也带来另一层不确定性。公开公告并未说明各机构将使用哪些系统、模型是否会在政府控制的基础设施上运行，或供应商将如何处理敏感提示词和输出内容。

这些选择会影响数据主权、迁移成本和长期维护。专有服务可以加快部署，但可能造成对单一供应商的依赖。由本地控制的模型可改善监督，但需要更多专业人员和计算资源。

衡量标准同样尚未明确。培训目标统计的是人数，但完成培训并不等于具备能力。经济增长目标衡量的是国家层面的价值，却未必能显示某项公民服务是否有所改善。

更好的运营指标应包括处理时间、更正率、成功完成率、服务可用性、用户满意度和申诉结果。机构应在部署前后比较这些指标。

它们也应公开事故记录。失败案例、纠正措施和经验教训的公开记录，有助于其他机构避免重犯相同错误。沉默或许能暂时保护一个项目，但会削弱整个系统的学习能力。

Google News 的报道标题让泰国的倡议获得国际影响力。更艰难的故事将会在采购文件、机构评估、数据标准和公民体验中展开。这些记录将显示，该政策是否会成为一个可运转的系统。

政府的 AI 目标无法证明什么

培训人数、基础设施名称和竞争力目标体现了雄心，却无法证明 AI 准确、公平、安全或有用。

至少培训 160,000 名人员的目标规模可观。然而，政府的公开摘要并未定义课程时长、评估标准、岗位分布，或预计有多少参与者将构建生产系统。

了解基本 AI 风险的公务员获得了有用知识，但这并不自动意味着其已准备好验证模型、审计数据集、保护应用安全，或重新设计公共服务。

计划中的经济目标同样需要谨慎解读。大数据应用价值同比增长至少 35% 听起来很精确，但公告并未说明衡量基数、归因方法，或公共价值与私人价值之间的划分。

跻身竞争力前 25 名的目标也有类似局限。排名可以推动协调并吸引投资，但无法替代直接证据，证明人们能更快完成政府事务或获得更准确的决定。

基础设施公告同样容易被夸大。Government Cloud 并不保证每个机构都能成功迁移。数据目录并不保证记录是最新的。国家平台也不意味着可以合法地整合每一套数据集。

风险最高的应用需要更严格的控制。用于汇总内部文件的 AI，与用于标记欺诈、排序申请、建议执法行动，或影响公共支持获取的 AI，风险截然不同。

风险分类应决定审查要求。低影响的辅助应用可以采用较轻的流程。影响权利、资格、安全或法律地位的系统，需要有文档记录的测试、人工监督和有实质意义的申诉途径。

偏见测试必须反映泰国的人口和服务情况。不同语言形式、地区、残障人士、收入群体和数字接入水平之间的表现可能存在差异。全国平均值可能掩盖小型社区所面临的严重失败。

网络安全是另一个压力点。公共机构持有有价值的身份、财务、健康和行政信息。连接更多数据集可以改善服务，同时也会增加未经授权访问的后果。

生成式 AI 引入了额外的攻击路径。恶意文档可以操纵模型的指令。员工可能因将敏感信息输入未经批准的工具而泄露数据。攻击者可以试探公共助手以获取受保护内容。

培训有所帮助，但技术控制仍然必要。机构需要身份管理、访问限制、日志记录、经批准的工具、数据泄露防护、事件响应和定期测试。责任不能完全落在个人用户身上。

监督也需要独立性。负责交付 AI 项目的团队有突出成功的动机。独立的安全、法律、审计和服务质量职能应能够暂停或缩小部署范围。

公民需要切实可行的应对方式。若没有更正渠道，“使用了 AI”的通知价值有限。人们应知道相关信息来自何处，以及谁仍对最终行动负责。

这些不确定性并不否定该战略。它们界定了使其可信所需开展的工作。泰国正确地将治理、安全、数据和技能与采用并列。实施过程将揭示各机构是否将这些要素视为具有约束力的要求。

关键错误将是把采用等同于影响。统计系统数量奖励的是活动；衡量服务结果奖励的是实用性。

这一差异应塑造未来 Google News 报道该计划的方式。新平台、合作伙伴关系或培训批次都是投入。结果则是政府服务变得更快、更易获得、更准确或更容易被质疑。

三个信号将显示泰国能否兑现承诺

下一阶段应以机构层面的证据、可执行的治理和可衡量的公民结果来评判。

第一个信号是公开的实施记分卡。泰国的中央机构应明确哪些机构已连接数据集、推出服务、完成风险审查并衡量结果。

如果记分卡报告了处理时间、完成率、准确性或用户满意度的改善，将增强政府的论据。若清单只包含项目和受训人员，则会削弱该战略已超越能力建设阶段的说法。

第二个信号是发布具有约束力的 AI 使用规则。泰国与 OECD 的讨论已勾勒出赋能条件、防护措施和参与机制。各机构现在需要涵盖风险分类、采购、测试、监测、披露、人工审查和申诉的运营要求。

明确规则会增强该战略，因为供应商和公务员将清楚部署需要哪些证据。若反复提及伦理却没有可执行的程序，核心风险将仍未得到解决。

第三个信号是一组经过评估的泰语公共服务。这些服务应涉及真实的行政任务、已有文档记录的数据集，以及按相关用户群体报告的结果。

成功的试点将表明，泰国对本地模型和数据的投资能够产生实际价值。薄弱的评估、无法获取的结果或持续存在的事实错误，则表明语言层面的成熟度仍低于政策雄心。

读者还应关注国家基础设施与个别机构之间的关系。共享平台只有在机构能够使用它们、同时不放弃对自身决定的问责时，才能创造价值。

对开发者而言，泰国提供了一个严苛的政府 AI 架构测试场景。产品必须适配本地语言、遗留系统、敏感记录和正式监管。仅靠技术性能无法确保落地采用。

对企业采购方而言，该计划说明了为何数据治理往往会成为 AI 项目的制约因素。组织可以迅速获得模型，却无法以同样的速度修复数据所有权、访问权限、质量和工作流问题。

知识工作者应当关注，因为公共部门的采用可能让可追溯性的新要求成为常态。如果政府机构要求使用获批准的信息来源、记录决策过程并进行人工审核，私营组织也将面临采用类似控制措施的压力。

公民拥有最直接的利害关系。该计划可以减少重复性文书工作，让服务更易于办理；但当自动化建议隐藏在官方界面之后时，也可能令错误更难被发现。

泰国已经集齐了许多关键组成部分：国家战略、共享基础设施、泰语开发、大规模培训目标，以及国际治理框架。剩下的问题是，这些组成部分能否在准备程度不同的机构之间，形成可问责的服务。

Google News 的标题反映了真实的扩张，但并不意味着转型已经完成。当泰国公布某项服务得到改善的证据、说明 AI 如何影响该服务，并为公众提供可靠的纠错途径时，这一故事才真正具有重要意义。

关注评分卡、具有约束力的规则，以及经过评估的服务。这三个信号将表明，泰国是在建设 AI 赋能型政府，还是只是在扩充 AI 项目组合。