當我們在討論 AI 落地時，許多工程師習慣關注模型本身的參數或 Prompt 的技巧，但對於政府等級的大規模公共服務來說，真正的挑戰在於如何將一個實驗性的原型轉化為穩定、安全且可擴展的生產環境。英國政府近期在 Google Cloud Summit London 分享的兩個案例，正好展示了從內部開發到跨組織協作，以及從 Alpha 測試到全國部署的完整技術路徑。
公共部門的 AI 轉型：從 Extract 到 APD
這次分享的核心圍繞在兩個工具：Extract 與 Augmented Planning Decisions（簡稱 APD）。這兩個工具雖然都運行在 Google Cloud 之上，但其開發模式與目標完全不同。
首先是 Extract 工具。這是一個由英國住房、社區與地方政府部（MHCLG）以及政府內部的 AI 應用團隊 i.AI 自主開發的產品。它的核心目標是自動化處理複雜的規劃文件，將大量非結構化資料轉化為數位格式。對於 junior 工程師來說，可以將其理解為一個大規模的資料萃取管線，將原本需要人工閱讀的長篇公文轉化為結構化數據。據估計，這能為每個地方議會平均節省約 255 小時的人力成本。
其次是 APD 工具。這是一個更複雜的原型，旨在協助規劃人員在面對繁瑣的地方政策時能快速導航並做出決策。與 Extract 不同，APD 是由政府、Google Cloud、Google DeepMind 以及外部合作夥伴 Faculty 共同協作開發。目前它處於 Alpha 測試階段，在少數幾個行政區進行實驗，目標是在 2027 年推廣至全國。
基礎設施的關鍵：為什麼需要企業級雲端平台
在開發這類政府級應用時，不能僅僅使用簡單的 API 呼叫，必須考慮到基礎設施的彈性與安全性。
第一是彈性擴展能力（Elastic Infrastructure）。當一個工具從三個行政區的 Alpha 測試擴展到全國 300 多個地方議會時，流量與計算需求會呈指數級增長。如果缺乏彈性擴展能力，系統會在高峰期崩潰。使用雲端平台能確保工具在從實驗階段轉入正式生產環境時，依然能保持快速且可靠的反應。
第二是數據主權與安全（Data Sovereignty and Security）。政府處理的是極其敏感的公民數據，因此不能直接將數據餵給公開的 AI 模型。透過在 Google Cloud 的受保護環境中使用 Gemini 模型，政府可以在確保數據不外流、符合主權要求的前提下，利用大型語言模型的推理能力。
第三是風險緩釋（Risk Mitigation）。在實務部署中，AI 面臨的最大威脅之一是 Prompt Injection（提示詞注入攻擊），即使用者嘗試透過特殊輸入來欺騙 AI 繞過安全限制或洩露敏感資訊。透過企業級的 AI 基礎設施，開發團隊可以建立更嚴格的過濾層與安全邊界，降低模型被操縱的風險。
從實驗到生產的思考路徑
這兩個案例給工程師的啟發在於：一個成功的 AI 產品路徑應該是 實驗原型 $\rightarrow$ 局部 Alpha 測試 $\rightarrow$ 驗證效能 $\rightarrow$ 全國規模化部署。
Extract 已經完成了這個路徑，證明了 AI 能在行政流程中產生實質的工時節省；而 APD 則處在驗證階段。對於開發者而言，選擇正確的基礎設施（如 Google Cloud）並非僅僅是為了方便，而是為了確保當產品需要從 1 到 100 擴張時，不需要推翻重寫整個架構。
來源：blog.google
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。