7 月 14 日，Google 在班加羅爾舉行 I/O Connect India 2026。這場發布沒有一個可以獨佔頭條的新模型。台上出現的是一串看似分散的計畫：56 小時 AI 研究課程、給教師使用的 Gemini 助手、針對印度疾病情境開發的醫療模型、109 種印度語言資料、超過 25 種語言及方言的即時對話，以及可把模型和資料留在機構邊界內的雲端部署。
單獨看，每項都像一次產品更新。放在一起，輪廓就變得清楚。
Google 正在印度搭建的，不只是讓更多人打開聊天機器人，而是一整套讓 AI 穿過語言、學校、醫院、企業規則和公共部門的部署通道。當前沿模型愈來愈容易透過 API 取得，競爭的下一段可能不再只看誰在榜單多拿幾分，而是誰能把模型送進真實世界，讓它在本地語言裡可用、在高風險場景中受控，也讓機構願意承擔採用後的責任。
印度是很有壓力的一個測試場。它有龐大的開發者與數位公共基礎設施，也有數百種語言和方言、城鄉差距、資源不足的學校與醫療需求。這些條件會把 AI 發布會上最容易略過的問題全部放大：誰的語言被理解，誰的資料被收集，模型出錯時由誰發現，資料留在境內是否就等於技術自主。
這不是一次產品發表，而是一套「最後一公里」部署
Google 的官方公告先從人才開始。Google DeepMind 把 AI Research Foundations 帶進印度，這是一套免費、56 小時的課程，內容包括建立和微調大型語言模型。Google 稱課程在全球已有超過 38,000 次報名，印度科學理工學院 IISc 已開始採用，NASSCOM 也會透過 FutureSkills Prime 提供。
接著是學校。ATL Saathi 是一個供教師使用的桌面網頁應用，利用 Gemini 協助教授 Atal Tinkering Labs 課程、整理教材和安排實作實驗。今年先推到 100 所學校，長期目標是觸及設有 Atal Tinkering Lab 的 10,000 所學校。
再往下是醫療和語言。全印度醫學科學研究院 AIIMS 正在用 MedGemma 開發針對痲瘋病，以及性與生殖健康的本地化模型；Project Vaani 已開源 109 種印度語言的語音與影像資料。Gemini Live 則宣布能以語音和文字，使用超過 25 種印度語言及方言對話。
另一端是企業與公共部門。Google 表示，受監管機構可以在印度資料中心的 Google Distributed Cloud 執行 Gemini，提示、模型權重和輸出不離開機構邊界，支援服務也可與公共互聯網隔離。Gemini 3.5 Flash 同時向印度企業和新創提供境內機器學習處理承諾。
這一組安排可以拆成四層。第一層是能否取得模型、課程和開發工具；第二層是模型有沒有本地語言與情境資料；第三層是學校、醫院和公共機構能否把它接入原有流程；第四層是資料在哪裡、誰能稽核、出錯由誰負責，以及機構能否在不被鎖死的情況下退出。
少一層，AI 都可能停在展示。只有模型，教師未必知道怎樣把它放進課堂；只有介面翻譯，方言與專業情境仍可能失真；只有境內機房，使用者也不會自動得到安全和問責。Google 這次嘗試一次把四層接起來。
不過，接起入口和證明成效是兩回事。56 小時課程的報名數不是完課或研究成果，100 所學校是首批推行而不是 10,000 所已覆蓋，兩類醫療模型仍在開發。官方公告能證明計畫已發布，不能替代日後的獨立評估。這條界線，是閱讀整場印度發布最重要的起點。
語言不是介面選項，而是 AI 能否進入生活的基礎設施
在英文科技產品裡，新增一種語言常被寫成設定頁多了一個選項。到了印度，語言更接近基礎設施。
Project Vaani 由 IISc Bangalore 與 ARTPARK 推動，Google 提供資助。計畫網站在本次發布後顯示，已收集 31,255.10 小時音訊，來自 156,534 名說話者，涵蓋 109 種語言、165 個行政區和 31 個州及聯邦屬地，另有超過 288,000 張影像。最終目標是收集超過 150,000 小時語音，覆蓋印度全部 773 個行政區和約一百萬名說話者。
這些數字的意義，不只在「多語」。同一種語言在不同地區會有口音、詞彙、語速、教育程度和城鄉差異。模型如果主要從新聞、網頁或都市使用者學習，可能在標準測試裡看起來會說，到了地方診所、農村學校或電話語音就開始漏聽。Vaani 把資料採集拉到行政區和真實說話者，正是在補模型最昂貴、也最不容易從公開網頁取得的一層。
語音在這裡也不是打字的裝飾。對不熟悉鍵盤、識字程度有限、只能共用手機，或日常主要使用方言的人，能不能直接說出需要，會決定他是否能使用數位服務。英文或標準語使用者遇到辨識錯誤，還能改用鍵盤和搜尋；低資源語言使用者若被聽錯，往往沒有同樣方便的後備入口。語言模型的落差於是會變成服務取得的落差。
開放授權又改變了資料的流向。現行 Vaani 資料以 CC BY 4.0 開放，理論上不只 Google 可以使用，印度研究團隊、新創與公共服務開發者也能建立語音辨識、語音翻譯和自然語言工具。這令一部分由大型公司資助的資料，保留成可被其他人重用的公共資產。
開放資料仍需要治理。說話者是否清楚資料日後可能用來訓練哪些系統，敏感內容如何排除，地區和群體被怎樣標記，以及使用者能否追查版本，都是資料集長期可信度的一部分。若某些語言只有少量說話者，公開程度、再識別風險和研究價值之間尤其需要細緻處理。資料愈稀有，愈不能假設「開放」本身已回答所有權利問題。
但 109 種語言資料，不等於 109 種語言都已被模型同等理解。Vaani 目前約 31,000 小時，與 150,000 小時目標仍有距離；當中約 2,043 小時已有轉錄，不同語言的資料量也差異很大。語音辨識做得好，不代表醫療問答、合約解釋或複雜推理同樣可靠。Gemini Live 能啟動一段 Bhojpuri、Maithili 或 Sanskrit 對話，仍要再問它在不同口音、噪音、專業詞彙和長對話中會錯在哪裡。
聯合國 AI 獨立科學小組 2026 年的初步報告把這個落差說得更直接：多數語言仍被當前 AI 系統落下，低資源語言在翻譯和高風險任務上尤其容易出問題。ASEAN 的生成式 AI 治理指南也指出，主流大型語言模型對越南語等區域語言的表現和文化相關性有限，並以 SEA-LION 等區域模型說明本地資料的必要。
因此，「支援超過 25 種印度語言」是入口，不是品質證書。可靠的多語能力要看每一種語言用什麼資料評估、誰設計測試、錯誤是否集中在某些地區或群體，以及產品更新後能不能持續重測。語言覆蓋是數量，語言可靠性則是長期的資料和制度工作。
評測本身也要在地化。把英文題目翻譯成另一種語言，只能測到一部分能力，未必包含當地人尋求醫療資訊、辦理公共服務或混用多種語言時的說法。若測試資料由同一家模型公司選擇，結果還可能避開產品最弱的情境。較可信的做法，是讓語言學者、服務機構和母語使用者共同設計任務，並公開模型拒答、誤解與過度自信的分布。
學校與醫院，讓「本地化」接受最嚴格的考試
語言資料讓模型比較可能聽懂人，學校和醫院則會追問更難的一步：聽懂之後，它能不能在一個有責任人的流程裡幫上忙？
Atal Tinkering Labs 是印度既有的公共教育網絡。NITI Aayog 2025–26 年報稱，Atal Innovation Mission 已建立 10,000 所實驗室，讓六至十二年級學生接觸機械人、3D 打印、電子工具與實作創新。這表示 ATL Saathi 不是憑空尋找使用者，而是沿著一個已存在的制度入口進場。
今年先推 100 所學校，也顯示規模仍很早。100 所約等於整個 ATL 網絡的 1%。這個階段最有價值的，不是預先想像 10,000 所學校都會使用，而是看教師實際把它用在哪裡。它是否能按學生程度改寫實驗說明，替教師節省備課時間，又不會把錯誤步驟包裝成流暢答案？網路不穩、設備共用或語言切換時，工具還能否工作？教師能否看見資料來源、修改建議和回報錯誤？
教師助手這個定位很重要。好的部署不是把一個聊天視窗放進教室，然後把判斷交給模型。它應該讓教師更容易安排實作、比較解法和發現學生卡住的位置，最後仍由教師決定課堂怎樣進行。若省下的只是寫一段教材的時間，卻增加核對錯誤、處理帳號和解釋模型限制的工作，名義上的效率未必會變成可觀察的教學改善。
成效也不應只用「教師用了幾次」衡量。工具可能讓原本資源不足的學校更容易取得實驗點子，也可能把同一套範本推向差異很大的課堂。學生是否真的多做了實驗、能否解釋失敗原因、教師能不能按本地材料改寫內容，以及沒有穩定網路的學校是否被排除，才會顯示 AI 是縮小還是放大教育落差。
若首批試點能公開使用情境、教師回饋與停止使用的原因，100 所學校已足以提供有用證據。相反，若只公布生成了多少份教材，外界很難知道工具是改善教學，還是把原本由教師承擔的工作換成另一種形式。小規模試點的價值，在於及早暴露摩擦，而不是提前證明擴張必然成功。
醫療的門檻更高。Google 公告指出，AIIMS 研究人員正在開發針對痲瘋病，以及性與生殖健康的本地化 MedGemma 模型，利用影像和文字協助病人及醫療人員辨識和處理狀況，日後計畫向印度開發者生態提供。
這兩個題目確實有在地價值。皮膚表現會受膚色、拍攝設備和光線影響；性與生殖健康又牽涉語言、文化、私隱和難以開口求助的情境。本地資料與研究機構參與，可能比直接套用通用英語模型更接近真實需要。
也正因如此，不能把「本地化」或「開源」當成臨床安全的替代詞。模型用哪些病人資料訓練，是否取得合適同意；不同膚色、年齡、性別與地區的漏診率是否一致；結果是提供初步分流、教育資訊，還是影響診斷和治療；醫師怎樣覆核，病人又如何申訴，每一項都會改變風險。
性與生殖健康還多一層敏感性。使用者可能因羞恥、歧視或距離而先向數位工具求助，這令低門檻資訊特別有價值，也令錯誤建議和私隱外洩更難補救。系統必須清楚分開一般教育、風險提示和需要立即就醫的情況，不能用流暢語氣掩蓋不確定，也不能讓一段高度私密的對話在使用者不知情下流向其他用途。
WHO 對大型多模態模型的醫療治理提出超過 40 項建議，要求透明度、監督、獨立審計與真實世界成效評估。這些要求不是要阻止醫療 AI，而是避免一個在示範影像上表現漂亮的模型，被快速帶進它沒有受過測試的人群和流程。
AIIMS 的合作讓模型有機會在真實研究中接受考試，這比一家公司自行展示更有意義。現在能確定的是研究正在進行，不能確定的是臨床成效已經成立。日後最值得看的資料會是公開的評估方法、不同群體表現、醫師覆核流程和部署後錯誤，而不只是模型何時可以下載。
資料留在境內，不等於技術已經自主
如果語言和機構回答的是「誰可以用」，資料主權回答的是「在哪裡、用什麼條件」。
Google 這次為印度受監管企業與公共部門提供兩種明顯訊號。一種是 Gemini 3.5 Flash 的境內處理承諾，另一種是可以在印度資料中心運行、與公共互聯網隔離的 Google Distributed Cloud。後者讓提示、模型權重和輸出不必離開機構邊界，對銀行、政府和醫療機構尤其有吸引力。
這能降低一部分真實風險。敏感資料不必為了調用模型跨境傳輸；機構可把運算放進既有安全邊界；某些法規與採購要求也比較容易滿足。當資料涉及病歷、身份、政府內部文件或金融紀錄，處理位置不是象徵問題。
然而，「資料留在印度」和「印度擁有整套技術」不是同一句話。模型由誰研發，權重能否被機構修改，更新節奏由誰決定，運算硬件和軟件由誰供應，價格如何變動，日後能否把應用和資料帶到另一個平台，都是不同層次的控制。
這也是採購容易忽略的時間差。簽約當天，境內運算可以通過安全與法規檢查；三年後，機構要面對的是模型價格、升級相容性、技術人才和資料搬遷成本。若工作流程已圍繞單一平台重寫，即使資料沒有出境，離開仍可能非常昂貴。主權不能只在上線前驗收，也要在合約續期和退出測試中被驗證。
Times of India 報道這套 sovereign AI stack 時，引述 Google Cloud India 管理層表示，完全 air-gapped 的方式不是每個機構都需要，多數企業仍會使用具境內控制的公共雲。這個說法反而把現實講清楚：主權部署是一條光譜，不是一個開或關的按鈕。
越靠近完全隔離，資料外流面可能越小，維護、硬件、模型更新和人才成本通常越高；越靠近公共雲，取得新能力比較快，機構就更需要弄清楚權限、日誌、資料保留和供應商依賴。沒有任何一個位置能自動消除風險。
因此，評估 sovereign AI 不能只問伺服器在哪裡。還要問機構能否獨立看見系統做過什麼，能否設定不允許模型觸碰的資料，安全更新如何進入隔離環境，合約結束後資料和工作流程能否遷移，以及出現錯誤時誰有能力修正。資料位置是主權的一部分，退出能力與問責同樣是。
模型版本也是一項容易被忽略的取捨。完全隔離環境可能較慢取得新功能和安全修補，公共雲版本則更新較快、變化也更頻繁。受監管機構不能只比較哪一個模型較新，還要知道每次更新會否改變輸出、測試是否需要重做，以及舊版本何時停止支援。可控制的更新節奏，有時比最快更新更重要。
對東南亞更重要的，不是複製印度的規模
印度有十億級人口、龐大開發者社群與成熟的數位公共基礎設施，東南亞不可能照搬同一套規模。可借鑑的是部署順序。
先有本地語言資料，再讓可信任的學校、研究機構或公共服務成為共同設計者；先在有限場景累積回饋，再談全國覆蓋；在模型進入敏感流程前，同時處理資料位置、稽核和責任。這比宣布多支援幾種語言慢，卻更接近一個能被持續使用的系統。
東南亞本身就是多語市場。馬來語、華語、泰米爾語、越南語、泰語、印尼語和大量地方語言，常在同一座城市甚至同一句話裡切換。若模型只在標準書面語表現好，客服、教育、醫療和政府服務仍會把最需要協助的人留在外面。區域模型和資料計畫的價值，不是為了證明一定要排除全球模型，而是為全球能力補上在地盲點，也保留比較與退出的選項。
馬來西亞已設立 National AI Office，也有 National Guidelines on AI Governance and Ethics。這些制度提供了共同語言，但指南本身不會生成高品質的方言資料，也不會替醫院完成臨床評估。政策、資料與部署能力要同時累積：只有政策，系統可能合規但不好用；只有資料，機構未必有能力問責；只有全球模型，最在地的需求又容易排在產品路線後面。
不同角色受到的影響也不一樣。教師和醫療工作者需要的是能被覆核、能說明限制的助手；開發者需要可用資料、穩定介面與清楚授權；中小企業重視成本、語言品質和能否接入現有系統；公共部門還要處理採購、資料治理和長期依賴。把所有人都算成「AI 使用者」，會掩蓋部署最後一公里的摩擦。
近期 AI 討論常在能力與風險之間擺盪。〈AI 安全測試進入日常〉處理的是代理式工具取得更多權限後，測試和問責如何跟上；〈人形機器人熱潮真正值錢的，不是那台像人的機器〉則談模型背後的算力、模擬和部署基礎設施。印度這次發布把第三塊拼圖放到桌上：能力和基礎設施即使存在，沒有語言、機構與治理，仍不會自然變成可靠的日常服務。
這也解釋了為何 Google 願意資助開放資料、與 IISc、AIIMS、NASSCOM 和 Atal Innovation Mission 合作。大型科技公司可以提供模型與運算，卻不能只靠自己的產品團隊取得每一種方言、臨床流程、教師經驗和公共機構信任。合作伙伴補上的，不只是分發渠道，也是模型原本沒有的情境知識和正當性。
對 Google 而言，這也是一場市場與平台競爭。人才課程會培養熟悉其工具的開發者，校園和醫療合作能建立真實案例，境內雲端則把模型帶進原本因合規而難以進入的客戶。公共價值與商業利益可以同時存在，關鍵不是把合作簡化成善意或控制，而是看開放資料、可攜性、獨立評估和替代供應商是否真的存在。
合作並不代表權力已經平衡。資料由誰長期保管、研究成果能否被其他平台使用、公共機構是否有足夠技術能力談判，以及合作結束後服務能否延續，仍要逐項看。開放資料是一個好訊號，可持續的生態系還需要多個團隊能用它建立替代方案，而不是所有道路最後仍回到同一個供應商。
接下來要驗證的，不是發布會上的數字
Google 的印度發布很容易被寫成一張龐大的功能清單。更有意義的觀察，從發布會結束後才開始。
未來幾個月，ATL Saathi 在 100 所學校的實際使用會先提供答案。教師是否持續使用，常用在哪些任務，錯誤要花多少時間核對，網路和設備條件較弱的學校是否同樣受益，這些都比帳號開通數更能說明工具有沒有穿過校園最後一公里。
語言方面，需要等待第三方用真實口音、方言切換、背景噪音和專業任務測試 Gemini Live，也要看 Project Vaani 是否繼續擴大地區與轉錄覆蓋，以及有多少非 Google 團隊實際重用資料。資料被下載不是終點，能否產生新的語音工具、研究和公共服務才是開放的價值。
醫療方面，關鍵會是 AIIMS 兩類模型何時公開、用什麼資料和指標評估、不同群體的錯誤如何分布，以及它在流程裡提供建議還是影響診斷。若只有整體準確率，沒有臨床角色、分組結果與人類覆核，仍不足以判斷安全。
企業與公共部門則要看實際採用。哪些機構選擇境內公共雲，哪些真的需要 air-gap；總成本是否可承受；模型和應用能否攜出；出現漏洞或重大更新時，隔離環境要多久才能修補。這些問題會決定「資料主權」是採購標籤，還是可運作的控制能力。
還要留意這四條線是否互相帶動。更多語言資料若只停在研究網站，校園和醫療工具未必改善；工具大量進入機構，若沒有獨立評估與退出能力，也可能只是更深的依賴。較成熟的訊號，是資料被不同團隊重用、機構能公布實際成效、錯誤可以回流改善模型，並且使用者在不犧牲服務的情況下保留選擇。
負面結果同樣值得保留。某種方言表現不穩、某類教師沒有節省時間、某項醫療任務不適合自動化，並不表示整個計畫失敗。它們能替後續部署劃出邊界。若公開資料只剩成功案例，機構就會重複支付相同的試錯成本，也更難分清技術限制與執行問題。
接下來值得盯住的四個訊號
校園成效：100 所學校的持續使用率、教師節省與新增的工作、學生學習結果及錯誤回報。
語言可靠性：不同地區、方言、口音與任務的獨立評測，而不只語言支援數量。
醫療邊界：模型公開時間、臨床評估、群體差異、資料治理與人類覆核責任。
主權成本：境內及隔離部署的採用、總成本、更新速度、稽核能力與退出選項。
模型榜單仍然重要。沒有足夠能力，最後一公里無從談起。但當幾家公司的模型都能寫、看、聽和調用工具，拉開差距的會是模型到達一個人之前，經過了哪些資料、機構和規則；出錯之後，又有沒有一條能追溯和修正的路。
印度正在成為這場轉變的壓力測試。它的規模足以讓一項成功部署產生巨大影響，語言與制度複雜度也足以讓空泛的「全球可用」很快露出缺口。Google 已把入口搭得很廣，能否走得深，要等教師、醫師、開發者和公共機構在日常使用中給出證據。
下一輪 AI 競爭可能不會只有一個勝出的模型。更可能出現的是多層競賽：誰有更好的在地資料，誰能進入可信任機構，誰能提供可稽核的部署，誰又讓使用者保留離開的能力。到了那裡，發布會上的功能數量只是起跑線，真實世界願不願意長期使用，才是結果。