当前，以人工智能大模型为代表的新一代信息技术正引发全球数字政府改革热潮，我国政府系统分析大模型赋能数字政府建设的路径，探讨研判风险问题并提出针对性建议，对于加速数字政府智能化升级、助力政府治理能力现代化具有重要意义。
在信息“爆炸”的数字时代，如何掌握和利用信息成为政府提升治理能力面临的重要挑战。相较于传统数字技术，大模型拥有更强的自主学习能力，其训练参数的快速膨胀、类比推理能力的跃迁、适应多元任务的泛化能力不仅实现了对信息的快速汇集和更新，帮助政府显著提升信息实时动态获取能力，还能实现对海量信息的综合分析、抽象归纳和应用迁移，增强公务人员对复杂数据的理解和有效应用能力，进一步激发其创新创造思维，实现认知能力的系统性升级。
针对欧盟公务员的调研显示，知识问答、文本总结和数据分析是受访者使用大模型的高频场景，65%的受访者认为大模型有助于创新能力的提升。针对我国西南地区某市公安机关交通管理部门大模型应用的研究结果显示，AI辅助显著提升了公务员的创造力水平，间接提升了其对复杂任务的适应力。
“算力”代替“人力”，提升办公效率。在政府内部事务中，公文写作、表格填写、信息录入、事项审批等任务工作量大、机械性强、重复性高。大模型的核心能力之一即文本生成，不仅能够整合并生成符合指令的通顺的新内容，为政府文书起草提供支撑，还可根据指定风格生成信息，实现文本、图片、音视频等各形态信息的转化与融合，有效增强政务信息生产传播的多样性与精准性。以广州市海珠区为例，2025年2月，该区基于DeepSeek上线AI公文辅助助手，提供校对、生成、润色、总结等功能，处置错误率低于5%，大幅提升了公文处理效率。此外，大模型具备强大的语义理解、逻辑推理等能力，还可嵌入政府业务流转环节，实现对业务材料的自动校验审核与异常提醒，减少人工核查环节，优化审批流程，显著提升办公行政效率。以深圳福田区为例，其部署的70名“AI数智员工”已覆盖公文处理、民生服务、应急管理、招商引资等多元场景，民生诉求分拨准确率从70%提升至95%，跨部门任务分派效率提升80%。
数据驱动的政府治理变革中，政府决策将日益从粗放型、经验型转向精细化、研判式和协同决策。大模型为政府充分发挥数据赋能决策的增值作用提供了新技术支撑。
此外，大模型还可以通过持续学习和强化反馈机制，对政策实施效果进行动态评估，形成“数据采集—建模分析—政策制定—效果反馈—政策优化”的闭环，支撑政府决策持续优化。例如，广州市城市规划编研中心借助DeepSeek大模型，打造了包括“查规划、问规划、比规划、谋规划、评规划、助规划”六大应用场景的规划智能体，推动城市规划决策从“经验驱动”转型为“数据与智能驱动”。
AI幻觉影响内容可信度。AI幻觉即大模型虽然能生成逻辑完整、语义连贯的内容，但仍可能包含事实性错误或虚构信息。香港大学人工智能评估实验室（AIEL）对中美37款大语言模型评测显示，即使是领先的大模型在事实性准确度方面也存在明显不足。应用在政务咨询或辅助决策等场景中，若缺乏必要的人工审核与使用规范，可能对群众理解政策或办事等产生干扰。
存在潜在伦理偏见风险。大模型的训练数据来源于既有社会结构，而现实社会本身并非价值中立，一定程度上影响模型输出结果的公平性。嵌入行政流程时，自动化决策可能在无形中延续既有偏见。
此外，数据安全风险也不容忽视。政务系统汇聚大量涉及公共安全与个人隐私的敏感信息，在模型微调和接口调用等过程中，若数据管理与安全防护措施不足，会增加信息泄露或不当使用的风险。
在治理理念与运行机制等未能与技术应用同步调整时，大模型的引入未必能充分转化为治理能力提升，甚至可能增加行政运行负担，一定程度上造成数字“负”能。
一方面，技术应用与基层治理情境间存在错配。2025年以来，国产开源大模型凭着开源化、部署成本低的特征，吸引了诸如街道、社区、村委会等基层单位接入应用。然而，基层治理往往涉及隐性知识、非正式规则以及复杂的社会关系网络。大模型决策基础建立在对既有数据模式的概率推断之上，缺乏现实互动情境中的价值权衡与经验判断，容易脱离实际治理需求。
大模型的应用不仅意味着效率工具的引入，也会对组织内部的分工与能力体系产生深层影响。
从岗位结构看，大模型强化了基础行政岗位的替代效应。大模型擅长处理结构化数据、执行预设规定与生成标准化文本等任务，能力边界与公文处理、数据汇总等基础事务性工作高度重叠，且执行效率更高，导致部分基础岗位面临技术挤压风险。
从能力体系看，大模型应用对公职人员能力变革提出新要求。工具层面，大模型的应用要求公务员具正规买球的网站备对人工智能的基本认知和使用能力，理解大模型功能、特长、风险等特征，才能在具体场景中能用善用。
因资金、技术等客观限制，信息化项目外包是我国数字政府建设的主要模式。数字政府中大模型部署应用也主要采取政企合作的外包方式。然而，大模型领域的政企合作存在显著的政府技术依赖风险。
一方面，算力、算法等关键资源高度集中于头部科技企业，政府多以接口调用、政务知识库外接等方式接入大模型能力，对模型构建和算法迭代参与有限，在算法可控性和系统迁移性等方面面临约束。另一方面，大模型的通用性和泛化性离不开海量数据训练，政府若想实现有效部署，需向企业开放更大规模、更多领域的数据以开展训练。大模型的运行、调优和维护也依赖于企业闭环服务。若缺乏有效的数据保护机制，企业在长期服务中对政府数据的积累和利用程度可能逐步加深，公共数据资源面临的滥用风险增加。
推进政务数据共享利用，夯实应用基础。加快开展大模型所需数据的标注和训练，推动数据标注服务纳入政府采购范畴；支持跨部门、跨地区、跨层级公共数据融合应用，建立政务领域专业知识库。
强化自主创新。布局建设政务智算中心等算力基础设施以及人工智能新技术基础设施，推动政府自主研发的AI中台与国产大模型深度适配，集成国内顶尖大模型，实现从底层算力到上层模型应用的全链路国产化。
树立敏捷治理理念，持续完善大模型建设部署、运行维护、应用管理、数据安全、标准规范等全流程制度规则，并根据技术发展和迭代情况动态更新；定期开展应用风险和成效评估，构建实时感知、预警与处置风险的动态治理机制，不断强化全过程全周期的安全保障能力。
坚持“以技治技”，引入专业技术力量，构建模型审计、机器遗忘等技术支撑的监管体系，强化政府AI大模型应用的可控性与安全性。
此外，明确人机工作责任边界，将大模型作为提升效率和辅助决策的工具，推动公务员从流程性事务转向更需要政策研判、跨部门协调、风险预警和人文关怀的复杂性工作，形成以技术工具为支撑、以专业能力为核心的人机协同模式。
加快推动政府信息化项目建设模式改革。政府需从单纯的项目采购者转变为项目架构主导者，通过引入技术人才、建立标准体系等手段，增强自身对大模型部署应用关键环节的把控能力。
健全项目全周期治理与评估体系。强化对企业技术透明度、数据合规性、安全保障责任等方面的要求，确保政企合作始终服务于公共利益。
探索加大资金支持力度。除在信息化预算编制中加大对人工智能的投入外，还需探索创新财政资金投入与社会资本合作机制，在确保安全的前提下，引入市场化主体参与模型训练和应用场景开发，降低政府投入负担。
作者：刘柳 韩晨阳 杨媛（中国信息通信研究院政策与经济研究所）返回搜狐，查看更多