基金項目：四川省哲學(xué)社會科學(xué)基金重大專項“數(shù)字經(jīng)濟推動城鄉(xiāng)融合發(fā)展的機制與路徑研究”（SCJJ24ZD41）；國家社會科學(xué)基金重大項目“數(shù)字政府建設(shè)成效測度與評價的理論、方法及應(yīng)用研究”（23amp;ZD080）。

[中圖分類號]D63 [文獻標(biāo)識碼]A

[文章編號]1673-0186（2025）006-0006-017

[DOI編碼]10.19631/j.cnki.css.2025.006.001

政務(wù)大模型技術(shù)的迅猛發(fā)展，正成為重塑現(xiàn)代社會運行范式的重要驅(qū)動力。這一技術(shù)范式的演進，本質(zhì)上是算法架構(gòu)革新、計算資源躍遷與數(shù)據(jù)要素積累三重動力共同作用的結(jié)果。深層神經(jīng)網(wǎng)絡(luò)模型的突破性進展打破了傳統(tǒng)機器學(xué)習(xí)的技術(shù)瓶頸，分布式計算能力的指數(shù)級增長為復(fù)雜模型訓(xùn)練提供了強大計算資源保障，而全球數(shù)字化進程中海量數(shù)據(jù)的沉淀則為模型優(yōu)化提供了持續(xù)養(yǎng)料。在政府治理領(lǐng)域，面對日益復(fù)雜的公共事務(wù)管理需求和民眾對高效政務(wù)服務(wù)的期待，智能化轉(zhuǎn)型已成為提升現(xiàn)代治理能力的必然選擇。

在此背景下，以DeepSeek為代表的大語言模型展現(xiàn)出區(qū)別于傳統(tǒng)大模型的技術(shù)特質(zhì)，其所具備的“高性能—低成本—開源化\"等技術(shù)優(yōu)勢有效解決了政務(wù)場景中模型應(yīng)用的核心痛點。相較于需要千億級參數(shù)支撐的通用大模型，該模型通過知識蒸餾和量化壓縮技術(shù)，在保持語義理解、邏輯推理等核心能力的同時，顯著降低了算力消耗和部署門檻。特別是在中文語境下的細粒度語義解析能力，使其能夠精準(zhǔn)處理政策文本中的復(fù)雜表述。這種技術(shù)特性與政務(wù)部門在數(shù)據(jù)安全性、系統(tǒng)兼容性及運維經(jīng)濟性等方面的剛性需求形成了高度適配，為地方政府和行業(yè)主管部門構(gòu)建自主可控的政務(wù)大模型提供了強力支撐。

技術(shù)工具與治理需求的深度融合，既能通過智能決策支持系統(tǒng)提升公共服務(wù)供給效率，又可借助數(shù)據(jù)洞察能力優(yōu)化政策制定的科學(xué)性。但是，技術(shù)賦能過程中伴生的雙重效應(yīng)不容忽視：一方面，政務(wù)大模型的接入、應(yīng)用以及結(jié)果的差異化可能加劇不同區(qū)域以及政府部門間的智能鴻溝，導(dǎo)致治理效能的分化;另一方面，算法黑箱、數(shù)據(jù)偏見等技術(shù)特性與政務(wù)場景中的權(quán)責(zé)明晰、程序正義等治理原則存在內(nèi)在張力。技術(shù)邏輯與治理邏輯間的結(jié)構(gòu)性矛盾，構(gòu)成制約智能治理發(fā)展的關(guān)鍵命題，亟待從技術(shù)倫理和制度規(guī)范層面探尋解決方案。

隨著人工智能技術(shù)的縱深發(fā)展，“數(shù)字鴻溝\"的理論內(nèi)涵正在經(jīng)歷從基礎(chǔ)設(shè)施接入向智能技術(shù)賦權(quán)的動態(tài)演變。有學(xué)者認為數(shù)字鴻溝理論聚焦于物理接入（一級鴻溝）、技能使用（二級鴻溝）與價值獲取（三級鴻溝）的遞進分層[1]，其核心邏輯是技術(shù)資源占有差異導(dǎo)致的社會分化。然而，人工智能技術(shù)驅(qū)動的智能治理時代催生了新型“智能鴻溝”（Intelligence Divide）[2]，這種新型鴻溝是在傳統(tǒng)數(shù)字鴻溝的基礎(chǔ)上進一步演化升級的，但其與傳統(tǒng)數(shù)字鴻溝在生成機理、表現(xiàn)形式與影響維度上存在差異?，F(xiàn)有研究表明，智能鴻溝源于算法偏見與技術(shù)資源分布不均衡的耦合效應(yīng)，以及數(shù)據(jù)積累差異的共同作用[3]。具體表現(xiàn)為：技術(shù)層面，算法黑箱的復(fù)雜性與技術(shù)不透明性引發(fā)決策過程不可解釋[4]，加深決策權(quán)分配的不公；主體層面，人機協(xié)同能力斷層引發(fā)行政效能分化[5]；價值層面，算法歷史偏見加劇公共服務(wù)分配的非正義性[6]。相較于數(shù)字鴻溝的“技術(shù)工具屬性”，智能鴻溝更具“技術(shù)主體屬性”，人工智能技術(shù)不僅是治理工具，更是具備自主決策能力的“代理者”7]，其引發(fā)的社會排斥具有隱蔽性、系統(tǒng)性與自我強化特征。

當(dāng)前研究對智能鴻溝的學(xué)術(shù)界定仍存在三點局限：其一，概念泛化現(xiàn)象突出，多數(shù)文獻未明確區(qū)分智能鴻溝與傳統(tǒng)數(shù)字鴻溝的演化邊界，將智能鴻溝簡單歸類為數(shù)字鴻溝的延伸維度[8]。其二，分析視角單一，既有研究多從技術(shù)資源分配視角切入，忽視主體能力適配與公共利益轉(zhuǎn)化等復(fù)合機制[9]。其三，治理路徑碎片化，現(xiàn)有對策偏重基礎(chǔ)設(shè)施均衡配置，缺乏對技術(shù)倫理嵌入與制度韌性協(xié)同的體系化設(shè)計[10]。本研究基于政務(wù)大模型的技術(shù)代際特征，從接入鴻溝（技術(shù)資源）—應(yīng)用鴻溝（主體能力）—結(jié)果鴻溝（公共價值）三維框架解構(gòu)智能鴻溝的生成邏輯，揭示 AI技術(shù)自主性引發(fā)的權(quán)力重構(gòu)效應(yīng)與價值傳導(dǎo)偏差，突破傳統(tǒng)數(shù)字鴻溝研究的“技術(shù)決定論\"桎梏，為智能治理時代的鴻溝彌合提供更具動態(tài)性與系統(tǒng)性的理論解釋。

一、政務(wù)大模型與政務(wù)信息系統(tǒng)、政務(wù)大數(shù)據(jù)平臺的區(qū)別

在數(shù)字政府建設(shè)的技術(shù)代際演進過程中，政務(wù)信息系統(tǒng)、政務(wù)大數(shù)據(jù)平臺、政務(wù)大模型分別代表了流程數(shù)字化、數(shù)據(jù)整合與智能決策三個階段的技術(shù)范式，三者雖同屬數(shù)字政府的技術(shù)載體，但其在設(shè)計開發(fā)以及部署應(yīng)用方面存在顯著差異。通過對比三者的設(shè)計邏輯與部署特征，一方面可以揭示政務(wù)大模型應(yīng)用的革新性價值，另一方面還可以明晰其面臨的治理挑戰(zhàn)，為技術(shù)路徑選擇與制度適配提供理論依據(jù)。

（一）設(shè)計開發(fā)方面

1.功能定位

政務(wù)信息系統(tǒng)的功能定位以業(yè)務(wù)流程的數(shù)字化為核心，旨在通過模塊化設(shè)計實現(xiàn)行政管理流程的線上化與標(biāo)準(zhǔn)化。其核心功能聚焦于流程管理、信息錄人與基礎(chǔ)統(tǒng)計分析，本質(zhì)是對傳統(tǒng)政務(wù)流程的映射。政務(wù)大數(shù)據(jù)平臺則進一步突破了部門數(shù)據(jù)壁壘，以跨源異構(gòu)數(shù)據(jù)整合為核心目標(biāo)，通過構(gòu)建統(tǒng)一的數(shù)據(jù)倉庫與挖掘工具，支持多維度分析與宏觀決策。相較而言，政務(wù)大模型的功能定位實現(xiàn)了從“流程執(zhí)行\(zhòng)"向“智能推理”的躍遷，其核心在于通過自然語言處理、知識圖譜構(gòu)建與機器學(xué)習(xí)能力，完成復(fù)雜任務(wù)的自動化決策與動態(tài)優(yōu)化。

2.數(shù)據(jù)需求與交互設(shè)計

在數(shù)據(jù)需求層面，政務(wù)信息系統(tǒng)依賴業(yè)務(wù)全流程生成的標(biāo)準(zhǔn)化結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)維度單一且邊界清晰;政務(wù)大數(shù)據(jù)平臺需整合跨層級、跨系統(tǒng)的異構(gòu)數(shù)據(jù)，強調(diào)數(shù)據(jù)清洗與關(guān)聯(lián)分析能力;而政務(wù)大模型則進一步要求如文本、語音、圖像等多模態(tài)數(shù)據(jù)的輸人來完成模型訓(xùn)練，這一演進折射出數(shù)據(jù)治理從“標(biāo)準(zhǔn)化\"向“智能化\"的范式轉(zhuǎn)型。在用戶交互方面，政務(wù)信息系統(tǒng)通過圖形用戶界面實現(xiàn)流程驅(qū)動式操作，，強調(diào)操作的規(guī)范性與可追溯性[};政務(wù)大數(shù)據(jù)平臺借助商業(yè)智能工具提供可視化分析界面，支持用戶自主探索數(shù)據(jù)分析;政務(wù)大模型則采用對話式交互，通過自然語言指令直接觸發(fā)智能推理過程，這種交互技術(shù)方式的迭代體現(xiàn)的是從“人適應(yīng)機器\"到“機器適應(yīng)人\"的轉(zhuǎn)變。

3.技術(shù)架構(gòu)

政務(wù)信息系統(tǒng)多采用分層架構(gòu)設(shè)計，通過諸如表現(xiàn)層、業(yè)務(wù)邏輯層、數(shù)據(jù)層等的模塊化分層實現(xiàn)系統(tǒng)的高內(nèi)聚與低耦合，其優(yōu)勢在于可以維護系統(tǒng)的便捷性與功能擴展性。政務(wù)大數(shù)據(jù)平臺則基于分布式架構(gòu)構(gòu)建。由于政務(wù)大數(shù)據(jù)平臺的建設(shè)需要海量的數(shù)據(jù)作為支撐，同時還需要對這些數(shù)據(jù)進行分析和存儲，而政府各部門的業(yè)務(wù)需求不同，所產(chǎn)生的政務(wù)數(shù)據(jù)也不同，部門間會產(chǎn)生數(shù)據(jù)壁壘，這就需要采用數(shù)據(jù)技術(shù)對各部門的數(shù)據(jù)進行統(tǒng)一、標(biāo)準(zhǔn)、規(guī)范的整合。傳統(tǒng)關(guān)系型數(shù)據(jù)庫在海量數(shù)據(jù)場景下存在的處理效能制約問題，采用基于分布式架構(gòu)的存儲方案（如 Hadoop和HBase）不僅能突破數(shù)據(jù)規(guī)模限制，而且通過冗余存儲機制實現(xiàn)了系統(tǒng)故障情況下的數(shù)據(jù)完整性保障[12]。政務(wù)大模型應(yīng)用的技術(shù)架構(gòu)則以大語言模型為核心，更強調(diào)智能化能力的構(gòu)建。大語言模型是以深度學(xué)習(xí)框架為基礎(chǔ)，通過海量數(shù)據(jù)訓(xùn)練而成的大規(guī)模神經(jīng)網(wǎng)絡(luò)模型。在此類技術(shù)中，以 Transformer架構(gòu)為基礎(chǔ)的預(yù)訓(xùn)練語言建模方法（如 BERT及GPT系列模型）被視作該領(lǐng)域的代表性成果[13]，此類架構(gòu)對算力資源的高度依賴，使其技術(shù)門檻顯著高于前兩者，同時也帶來模型可解釋性與倫理風(fēng)險的新挑戰(zhàn)。

（二）部署應(yīng)用方面

1.基礎(chǔ)設(shè)施與部署策略

政務(wù)信息系統(tǒng)以普通服務(wù)器集群為核心，通過本地化部署實現(xiàn)系統(tǒng)與物理辦公場景的深度綁定，其優(yōu)勢在于物理環(huán)境可控性極高。然而隨著政務(wù)數(shù)據(jù)規(guī)模呈指數(shù)級上漲，分布式存儲與計算節(jié)點的引入則成為必然走向。在建設(shè)政務(wù)大數(shù)據(jù)平臺過程中往往需要處理跨域異構(gòu)數(shù)據(jù)，其部署多采用混合云部署模式，并結(jié)合本地存儲與政務(wù)云資源形成分布式計算節(jié)點來支持彈性擴展。政務(wù)大模型對基礎(chǔ)設(shè)施的要求進一步提升至以GPU/TPU集群為主的層次，其遵照政務(wù)云優(yōu)先的部署安排，僅在關(guān)鍵場景留存為數(shù)不多的本地化節(jié)點。政務(wù)信息系統(tǒng)向政務(wù)大數(shù)據(jù)平臺繼而向政務(wù)大模型的轉(zhuǎn)變，體現(xiàn)出技術(shù)迭代與行政資源投入之間動態(tài)平衡邏輯—即系統(tǒng)越復(fù)雜，對基礎(chǔ)設(shè)施的要求就越高。因此在基礎(chǔ)設(shè)施升級倒逼之下，部署策略從“重硬件”向“重協(xié)同”的方向轉(zhuǎn)型。

2.部署成本與資源投入

部署成本與資源投入在技術(shù)復(fù)雜度及硬件需求上息息相關(guān)。政務(wù)信息系統(tǒng)的分層架構(gòu)以模塊化設(shè)計為核心，技術(shù)復(fù)雜度較低，其硬件依托普通服務(wù)器集群即可滿足流程數(shù)字化需求，標(biāo)準(zhǔn)化硬件采購與成熟技術(shù)生態(tài)使得總體投入穩(wěn)定可控。政務(wù)大數(shù)據(jù)平臺的技術(shù)復(fù)雜度顯著提升，分布式架構(gòu)需應(yīng)對跨源異構(gòu)數(shù)據(jù)的實時清洗、存儲與計算，硬件層面依賴分布式節(jié)點集群與混合云資源協(xié)同，且需配套數(shù)據(jù)治理工具鏈，此類技術(shù)集成性需求導(dǎo)致硬件采購成本與系統(tǒng)運維費用同步攀升。至政務(wù)大模型階段，技術(shù)復(fù)雜度呈現(xiàn)質(zhì)變：大語言模型架構(gòu)依賴千億級參數(shù)訓(xùn)練與動態(tài)推理能力[14]，硬件配置需專用算力集群以支撐高密度并行計算;同時，多模態(tài)數(shù)據(jù)標(biāo)注、模型迭代調(diào)優(yōu)等環(huán)節(jié)進一步推高人力與技術(shù)投入。

3.組織結(jié)構(gòu)與人員素質(zhì)

技術(shù)形態(tài)差異驅(qū)動組織管理模式重構(gòu)，政務(wù)信息系統(tǒng)借助信息中心實現(xiàn)集中化運維，其組織結(jié)構(gòu)凸顯出垂直化的屬性，職責(zé)邊界清晰，并以實現(xiàn)系統(tǒng)穩(wěn)定性作為優(yōu)先事項。國家數(shù)據(jù)局的成立標(biāo)志著政務(wù)大數(shù)據(jù)平臺治理的重心向“數(shù)據(jù)資產(chǎn)化\"轉(zhuǎn)移[15]，由于政務(wù)大數(shù)據(jù)平臺需要聚焦于跨部門數(shù)據(jù)共享機制的設(shè)立，打破既存的信息孤島，并運用混合部署實現(xiàn)數(shù)據(jù)流橫向的暢聯(lián)，組織結(jié)構(gòu)由此呈現(xiàn)扁平化趨向。政務(wù)大模型的應(yīng)用使傳統(tǒng)管理模式被進一步顛覆，其技術(shù)特性要求系統(tǒng)需深度嵌入具體業(yè)務(wù)部門，在行政審批、輿情分析等場景通過實時推理來輔助決策，這種“嵌入式部署\"讓業(yè)務(wù)部門和技術(shù)團隊深度耦合，推動組織結(jié)構(gòu)由獨立的技術(shù)支撐單元轉(zhuǎn)變?yōu)椤皹I(yè)務(wù)—技術(shù)\"雙輪驅(qū)動模式[16]。在人員素質(zhì)層面，政務(wù)信息系統(tǒng)要求操作者具備基礎(chǔ)計算機操作能力，技術(shù)門檻較低;政務(wù)大數(shù)據(jù)平臺需配備具備數(shù)據(jù)處理、統(tǒng)計分析能力的專業(yè)團隊;政務(wù)大模型的應(yīng)用對技術(shù)人員提出兼具領(lǐng)域知識與人機協(xié)同能力的要求，技術(shù)人員需要利用自然語言交互來對模型輸出做優(yōu)化，從而對傳統(tǒng)政務(wù)系統(tǒng)人才知識結(jié)構(gòu)發(fā)起跨界挑戰(zhàn)。

綜上所述，三者差異的核心在于技術(shù)代際與功能定位的分野：政務(wù)信息系統(tǒng)是數(shù)字政務(wù)的“基礎(chǔ)骨架”，大數(shù)據(jù)平臺是“神經(jīng)中樞”，而政務(wù)大模型則是“智能大腦”。未來，三者將呈現(xiàn)融合趨勢，例如通過“大數(shù)據(jù) + AI\"實現(xiàn)精準(zhǔn)施策，但需在頂層設(shè)計層面統(tǒng)籌技術(shù)互補性與治理風(fēng)險，以推動智慧政務(wù)的可持續(xù)發(fā)展。

二、政務(wù)大模型應(yīng)用的智能鴻溝

隨著政務(wù)大模型在政務(wù)領(lǐng)域的深度應(yīng)用，其技術(shù)賦能的普惠愿景與治理實踐的復(fù)雜現(xiàn)實之間的矛盾將逐漸顯現(xiàn)。智能鴻溝的形成不僅源于技術(shù)資源分配的結(jié)構(gòu)性失衡，而且涉及主體能力適配的認知斷層與公共利益分配的非對稱性。從基礎(chǔ)設(shè)施的區(qū)域割裂到人機協(xié)同的效能損耗，再到價值轉(zhuǎn)化的正義偏離，多重維度的鴻溝相互交織，折射出技術(shù)理性與行政倫理的深層沖突。

（一）本地化接入鴻溝：技術(shù)資源分配的結(jié)構(gòu)性失衡

數(shù)字政府建設(shè)的縱深推進，使得政務(wù)大模型逐漸成為政務(wù)智能化轉(zhuǎn)型的核心驅(qū)動力。然而，技術(shù)資源的非均衡分布在實踐層面形成了顯著的接人鴻溝，這一鴻溝首先表現(xiàn)為基礎(chǔ)設(shè)施的區(qū)域性割裂。在行政層級體系中，算力中心、數(shù)據(jù)接口等核心資源的配置呈現(xiàn)鮮明的“中心一邊緣\"結(jié)構(gòu)。高層政府憑借政策優(yōu)先權(quán)與財政優(yōu)勢，率先完成智能基礎(chǔ)設(shè)施的規(guī)?；渴?，構(gòu)建起覆蓋多層級的數(shù)據(jù)互通網(wǎng)絡(luò)，例如北京門頭溝區(qū)設(shè)立5000萬元創(chuàng)新基金推動“人工智能 + 政務(wù)服務(wù)\"的建設(shè)，提升基層人員技術(shù)應(yīng)用能力①;而基層政府受限于財政能力薄弱與技術(shù)儲備不足，往往陷入“最后一公里\"的接入困境。

技術(shù)接入的失衡性進一步延伸至個體層面，形成行政人員與社會公眾的雙重分化。在政務(wù)系統(tǒng)數(shù)字化轉(zhuǎn)型進程中，行政人員群體呈現(xiàn)出顯著的“技術(shù)接人差異”，技術(shù)背景行政人員憑借專業(yè)認知優(yōu)勢，可自主通過多重身份認證形成對智能決策系統(tǒng)的深度觸達；而傳統(tǒng)行政人員受制于技術(shù)認知壁壘與制度性訪問限制，往往停滯于基礎(chǔ)賬戶權(quán)限層級，甚至因使用復(fù)雜度產(chǎn)生技術(shù)畏難情緒主動降低使用頻次。這種“用與不用\"的接入分野，實質(zhì)上暴露出技術(shù)采納過程中更深層的制度性區(qū)隔。公眾層面的接入差異則更為復(fù)雜，根據(jù)2024年《全民數(shù)字素養(yǎng)與技能發(fā)展水平調(diào)查報告》，我國50 歲以上老年人的高級數(shù)字素養(yǎng)以及技能水平僅占比 17.46^[17] ，而公眾個人的受教育程度在很大程度上影響著其數(shù)字素養(yǎng)。因此，高知群體憑借數(shù)字素養(yǎng)優(yōu)勢，可通過自然語言交互或智能終端便捷獲取個性化服務(wù);而老年人、殘障人士等弱勢群體，因數(shù)字身份認證流程復(fù)雜、智能終端操作困難，被迫退回傳統(tǒng)線下窗口。

此外，區(qū)域間的技術(shù)差距會將接人鴻溝推向系統(tǒng)性層面。根據(jù)2023年《中國算力發(fā)展指數(shù)白皮書》中公布的中國算力20強市， 85% 的城市來自東部地區(qū)，而西部地區(qū)占比僅有 15%^[18] ，這種區(qū)域算力差異就使得東部發(fā)達地區(qū)能夠通過構(gòu)建智能政務(wù)中臺，實現(xiàn)算力資源的集約化調(diào)度與跨部門協(xié)同，保障政務(wù)大模型能夠無縫對接多業(yè)務(wù)場景，服務(wù)響應(yīng)的實時性與功能完整性得以充分實現(xiàn);而西部欠發(fā)達地區(qū)受制于硬件性能落后與網(wǎng)絡(luò)基礎(chǔ)設(shè)施薄弱，同款政務(wù)大模型常因算力分配不足出現(xiàn)功能缺位，或因數(shù)據(jù)同步延遲導(dǎo)致決策依據(jù)失真。例如杭州市民通過“浙里辦\"App可實時獲取個性化政策解讀，而甘肅省定西市仍依賴線下窗口人工受理，線上智能服務(wù)使用率較低。這種技術(shù)異化現(xiàn)象不僅會加劇區(qū)域間公共服務(wù)質(zhì)量的分化，而且可能通過數(shù)據(jù)反饋機制形成“馬太效應(yīng)”。

（二）智能化應(yīng)用鴻溝：個人能力與知識壁壘的雙重制約

政務(wù)大模型效能的充分釋放不僅依賴于技術(shù)資源的可及性，更受制于應(yīng)用主體的能力適配與知識儲備水平。當(dāng)前政務(wù)機構(gòu)在推進大模型政務(wù)應(yīng)用時，普遍面臨“軟約束”與“硬制約”的雙重障礙，基層行政人員的人機協(xié)同能力不足構(gòu)成主觀層面的“軟約束”，而政務(wù)知識圖譜的構(gòu)建滯后則形成客觀層面的“硬制約”，二者的疊加效應(yīng)導(dǎo)致政務(wù)大模型從“技術(shù)可用性”向“治理有效性\"的轉(zhuǎn)化鏈條出現(xiàn)斷裂，技術(shù)賦能的價值傳導(dǎo)機制難以貫通[19]。這一困境往往是由于技術(shù)工具與行政實踐之間未能實現(xiàn)深層次的認知耦合，當(dāng)技術(shù)應(yīng)用僅停留在操作層面而未能融入行政主體的決策邏輯時，其效能必然受限于工具屬性的單向度發(fā)揮。技術(shù)賦能的“效率優(yōu)先”邏輯與行政體系的“程序正義\"傳統(tǒng)之間還存在張力，前者追求決策速度與模型輸出的精確性，后者強調(diào)決策透明性與責(zé)任追溯機制，這種張力的外化使得政務(wù)大模型的效能不僅受制技術(shù)本身，而且受限行政體系對技術(shù)理性的接納邊界。

行政人員群體的能力斷層是政務(wù)大模型應(yīng)用鴻溝的核心表現(xiàn)。具備人工智能專長的行政人員能夠通過自然語言交互實現(xiàn)政策模擬與復(fù)雜決策推演，充分釋放政務(wù)大模型的預(yù)測與優(yōu)化潛力;傳統(tǒng)行政人員因缺乏系統(tǒng)性的AI技能培訓(xùn)而僅能使用預(yù)設(shè)的功能模塊進行事務(wù)性操作，這就導(dǎo)致同一款政務(wù)大模型在不同崗位產(chǎn)生差異化的行政效能。這種能力鴻溝實際上是技術(shù)工具理性與行政經(jīng)驗理性之間的認知錯位，若技術(shù)應(yīng)用超越工具屬性而介入決策核心，行政人員無法理解模型運行邏輯，便可能陷入“技術(shù)依賴\"或“機械執(zhí)行偏差\"的雙重困境[20]。技術(shù)能力的差異可能重構(gòu)行政體系內(nèi)部的話語權(quán)分配而形成“技術(shù)精英主導(dǎo)\"的新型權(quán)力結(jié)構(gòu)。在此過程中，具備人工智能專長的行政人員憑借對算法邏輯的掌握逐漸占據(jù)政策制定的主導(dǎo)地位，而傳統(tǒng)行政人員則淪為技術(shù)決策的執(zhí)行者。這種權(quán)力重構(gòu)可能引發(fā)對行政決策合法性的質(zhì)疑，當(dāng)模型輸出被視為“客觀真理\"時，行政主體的經(jīng)驗判斷與社會價值的權(quán)衡空間被壓縮，公共利益可能被簡化為數(shù)據(jù)模型的最優(yōu)解，最終導(dǎo)致技術(shù)理性對公共價值的侵蝕。

區(qū)域知識壁壘則從客觀層面加劇了應(yīng)用鴻溝的復(fù)雜性。發(fā)達地區(qū)依托動態(tài)更新的政務(wù)知識庫與標(biāo)準(zhǔn)化的業(yè)務(wù)規(guī)則體系為政務(wù)大模型提供高質(zhì)量的知識輸入，支撐其完成精準(zhǔn)的政策解讀與決策輔助。例如，浙江省舟山市通過將知識庫與DeepSeek 大模型相結(jié)合，構(gòu)建覆蓋全市的知識庫并且支持動態(tài)更新，使得社會救助的準(zhǔn)確率達到 98.6% ，提高了社會救助的精準(zhǔn)性與效率①。廣州市海珠區(qū)通過千萬級政務(wù)問答和百萬級政策指南預(yù)訓(xùn)練，建立海珠政務(wù)知識語料庫，打造能夠思考、理解、分析、做出決策的智能政務(wù)體系②;而欠發(fā)達地區(qū)因歷史數(shù)據(jù)電子化率低、業(yè)務(wù)規(guī)則碎片化導(dǎo)致模型訓(xùn)練數(shù)據(jù)質(zhì)量參差不齊，常出現(xiàn)政策語義誤讀或決策建議偏差。此類知識供給的失衡使得政務(wù)大模型在欠發(fā)達地區(qū)的應(yīng)用效能大打折扣，甚至可能因錯誤決策引發(fā)公共信任危機。政務(wù)知識的生產(chǎn)與維護需要持續(xù)的制度化投入，而財政與技術(shù)資源的區(qū)域差異會使知識管理能力的差距隨技術(shù)迭代不斷放大，最終形成知識儲備薄弱的地區(qū)越難以積累有效數(shù)據(jù)，進而越無法優(yōu)化模型性能的“知識貧困陷阱”。

（三）差異化結(jié)果鴻溝：價值轉(zhuǎn)化與公共利益的非對稱分配

政務(wù)大模型應(yīng)用的技術(shù)紅利分配，并未遵循理想中的普惠邏輯，反而在價值轉(zhuǎn)化過程中呈現(xiàn)顯著的非對稱特征。這種差異化結(jié)果鴻溝本質(zhì)上是技術(shù)工具理性與公共行政價值理性之間的張力外化[21]，當(dāng)技術(shù)效率追求超越公共利益均衡時，數(shù)字化時代的行政正義將面臨嚴(yán)峻考驗，弱勢群體與欠發(fā)達地區(qū)在公共服務(wù)獲取、政策資源分配等環(huán)節(jié)會產(chǎn)生系統(tǒng)性價值流失。政務(wù)大模型對歷史數(shù)據(jù)的學(xué)習(xí)過程是對既有權(quán)力關(guān)系的數(shù)字化復(fù)刻，技術(shù)應(yīng)用如果未過濾掉歷史數(shù)據(jù)中的結(jié)構(gòu)性偏見，其輸出結(jié)果必然延續(xù)甚至放大現(xiàn)實中的不平等。這種技術(shù)異化的危險在于其以效率提升之名，將社會排斥機制嵌人智能決策流程，使得公共利益分配的不公獲得技術(shù)合法性的外衣[22]。

在個人權(quán)益層面，政務(wù)大模型的運行邏輯可能異化為新型排斥工具。高信用群體因數(shù)據(jù)畫像完整、行為軌跡可追溯享受“免審即享\"\"智能推送\"等便利服務(wù);而邊緣群體因數(shù)據(jù)缺失或畫像偏差則往往面臨著服務(wù)申請駁回、優(yōu)惠政策漏配等隱形排斥。政務(wù)大模型的風(fēng)險防控機制可能會基于歷史數(shù)據(jù)將弱勢群體的結(jié)構(gòu)性困境誤判為個體風(fēng)險，進而加劇其公共服務(wù)獲取障礙。這種排斥是以技術(shù)中立為表象，實際內(nèi)嵌既有社會權(quán)力關(guān)系的再生產(chǎn)邏輯使技術(shù)賦權(quán)異化為權(quán)利剝奪的合法化工具[23]。例如，針對低收人群體的公共服務(wù)需求，政務(wù)大模型會因歷史數(shù)據(jù)中該群體違約率較高自動提高準(zhǔn)人門檻而忽視其違約行為背后諸如社會保障不足或就業(yè)機會匱乏等結(jié)構(gòu)性因素。

區(qū)域發(fā)展失衡在宏觀層面凸顯結(jié)果鴻溝的累積效應(yīng)。發(fā)達地區(qū)通過政務(wù)大模型實現(xiàn)政務(wù)資源的動態(tài)優(yōu)化配置而形成“數(shù)據(jù)富集—模型優(yōu)化—服務(wù)升級\"的正向循環(huán)，持續(xù)擴大其智能治理優(yōu)勢。例如深圳市福田區(qū)通過引人DeepSeek 大模型上線的“AI數(shù)智員工\"能夠在數(shù)秒內(nèi)對上級下達的任務(wù)指令進行響應(yīng)，并且在公文處理上，準(zhǔn)確率超過 95% ，審核時間縮短了 90% ，但錯誤率卻能控制在 5% 以內(nèi)，實現(xiàn)了政務(wù)服務(wù)既快又準(zhǔn)的躍升①。而欠發(fā)達地區(qū)因數(shù)據(jù)采集能力薄弱、模型訓(xùn)練資源匱乏而陷入“數(shù)據(jù)貧困—模型失效—服務(wù)降級\"的惡性循環(huán)。這種分化不僅體現(xiàn)在公共服務(wù)質(zhì)量層面，而且深刻影響區(qū)域發(fā)展的核心競爭力，發(fā)達地區(qū)借助智能決策搶占政策創(chuàng)新高地，而欠發(fā)達地區(qū)卻因技術(shù)滯后被迫跟隨，從而會使得區(qū)域間發(fā)展差距呈現(xiàn)指數(shù)級擴大趨勢。技術(shù)紅利的非均衡分配最終可能解構(gòu)數(shù)字政府建設(shè)的整體性愿景，使技術(shù)賦能異化為區(qū)域發(fā)展失衡的加速器[24]，發(fā)達地區(qū)因早期投人形成的數(shù)據(jù)資產(chǎn)與技術(shù)生態(tài)，為其持續(xù)獲取創(chuàng)新紅利提供結(jié)構(gòu)性優(yōu)勢；而欠發(fā)達地區(qū)因初始資源匱乏，難以突破技術(shù)應(yīng)用的臨界規(guī)模而最終被鎖定在低水平應(yīng)用層面上。

政務(wù)大模型引發(fā)的智能鴻溝，本質(zhì)上是技術(shù)擴散過程中效率邏輯與公平價值的沖突顯化。本地化接人鴻溝暴露技術(shù)資源分配的等級化特征，政務(wù)大模型應(yīng)用鴻溝揭示主體能力與知識供給的適配困境，差異化結(jié)果鴻溝則折射公共利益分配的正義危機，三者相互交織構(gòu)成數(shù)字政府轉(zhuǎn)型的深層挑戰(zhàn)。破解此類鴻溝需超越單純的技術(shù)優(yōu)化思維，構(gòu)建包含資源均衡配置、能力系統(tǒng)性提升、制度倫理約束的協(xié)同治理框架，在技術(shù)創(chuàng)新與行政倫理間建立動態(tài)平衡機制才能實現(xiàn)智能政務(wù)從“技術(shù)賦能”向“價值共治\"的范式躍遷。

三、政務(wù)大模型應(yīng)用的潛在風(fēng)險

在政務(wù)智能化加速轉(zhuǎn)型推進國家治理現(xiàn)代化的戰(zhàn)略背景下，政務(wù)大模型作為政務(wù)智能化轉(zhuǎn)型的核心引擎，正深刻重構(gòu)行政決策模式與公共服務(wù)體系。其技術(shù)賦能效應(yīng)與風(fēng)險衍生特性交織共生，對治理主權(quán)、制度韌性及社會信任等戰(zhàn)略維度形成多向度沖擊。面對技術(shù)迭代與治理需求間的動態(tài)博弈，亟須在頂層設(shè)計中統(tǒng)籌安全與發(fā)展，構(gòu)建適配智能時代的風(fēng)險防控體系，為數(shù)字中國建設(shè)筑牢戰(zhàn)略防線。

（一）責(zé)任界定風(fēng)險

當(dāng)下政務(wù)大模型在政務(wù)中的應(yīng)用已經(jīng)遠遠超出了傳統(tǒng)數(shù)字技術(shù)的應(yīng)用范圍并深度嵌入政務(wù)場景之中，在運用政務(wù)大模型時所涉及的行政責(zé)任主體也越來越多元化，這就使得傳統(tǒng)行政責(zé)任體系的邊界逐漸模糊化[25]。當(dāng)政務(wù)大模型從輔助工具演變?yōu)樽灾鳑Q策主體時，多元參與主體的責(zé)任歸屬問題開始顯現(xiàn)出系統(tǒng)性張力，政務(wù)大模型的開發(fā)者、部署部門與實際使用者相互交織形成了復(fù)雜的三維責(zé)任場域。開發(fā)者通過大模型框架設(shè)定決策邏輯的初始參數(shù)，部署部門根據(jù)行政需求調(diào)整模型應(yīng)用范圍，而實際使用者在操作過程中又可能通過反饋機制影響模型迭代路徑。這種動態(tài)責(zé)任網(wǎng)絡(luò)導(dǎo)致傳統(tǒng)法律框架中的過錯認定原則面臨根本性挑戰(zhàn)，當(dāng)應(yīng)用政務(wù)大模型決策出現(xiàn)政策執(zhí)行偏差時，究竟是技術(shù)缺陷、部署失當(dāng)還是操作失誤引發(fā)的后果，難以通過現(xiàn)行歸責(zé)機制進行清晰界定。人工智能時代下的這種權(quán)責(zé)界定難題實際上反映了這樣一種境況，傳統(tǒng)行政法體系建立在“人類決策者”的行為可預(yù)測性基礎(chǔ)之上，而政務(wù)大模型的自主決策打破了行為與結(jié)果之間的線性對應(yīng)關(guān)系，使得“過錯推定”原則失去適用前提。多個參與主體共同作用于系統(tǒng)演化會模糊個人責(zé)任邊界，產(chǎn)生的責(zé)任稀釋效應(yīng)將導(dǎo)致問責(zé)機制失效。

政務(wù)大模型不同于傳統(tǒng)政務(wù)工具具有穩(wěn)定的功能邊界，它是通過機器學(xué)習(xí)機制不斷更新知識結(jié)構(gòu)，其決策邏輯呈現(xiàn)出非線性演化特征，這種持續(xù)進化特性加劇了責(zé)任追溯的復(fù)雜性，使得特定時間節(jié)點的政務(wù)大模型決策與最終行政結(jié)果之間的因果關(guān)系鏈變得模糊。例如，某次決策失誤可能源于模型早期訓(xùn)練數(shù)據(jù)的隱性偏差，也可能由后期增量學(xué)習(xí)引入的參數(shù)異化所致，這種時變特性對過錯認定的時序性原則形成挑戰(zhàn)，傳統(tǒng)責(zé)任追溯機制由于難以適應(yīng)動態(tài)演化的技術(shù)系統(tǒng)，導(dǎo)致問責(zé)實踐中出現(xiàn)“責(zé)任真空”。從法理的角度審視，這種困境折射出現(xiàn)行法律體系仍停留在“行為一結(jié)果\"的二元歸責(zé)范式，而政務(wù)大模型已形成“輸入一處理—輸出—反饋”的閉環(huán)演進機制，法律規(guī)范與技術(shù)發(fā)展之間存在著時滯效應(yīng)。

（二）倫理沖突風(fēng)險

政務(wù)大模型的應(yīng)用本質(zhì)上是對社會價值的數(shù)字化重構(gòu)，這一過程不可避免地面臨傳統(tǒng)倫理框架的適配性挑戰(zhàn)，歷史偏見產(chǎn)生的機制既不是主觀惡意也非技術(shù)缺陷，而是源于社會系統(tǒng)與政務(wù)大模型之間的價值傳導(dǎo)偏差。當(dāng)歷史數(shù)據(jù)中的非均衡發(fā)展軌跡被訓(xùn)練為政務(wù)大模型的連接參數(shù)時，技術(shù)系統(tǒng)實際上將既有社會結(jié)構(gòu)進行了數(shù)字化復(fù)刻，形成所謂的“數(shù)字鏡像歧視”[26]。以教育資源的配置優(yōu)化為例，數(shù)字化教育的發(fā)展本意是為了實現(xiàn)教育資源的共享，促進教學(xué)質(zhì)量的提高，縮小各地區(qū)的教育差距，但教育資源的傾斜往往與當(dāng)?shù)亟?jīng)濟發(fā)展的水平密切相關(guān)，這就導(dǎo)致一些欠發(fā)達地區(qū)教育水平發(fā)展落后。就比如上海地區(qū)早在2010 年就推出了“電子書包\"等數(shù)字化產(chǎn)品進行輔助教學(xué)，而我國的一些偏遠地區(qū)如百色市由于數(shù)字化發(fā)展水平滯后，網(wǎng)上教學(xué)無法取得好的效果。將場景具體到某個省市地區(qū)同樣適用，政務(wù)大模型的配置需要訓(xùn)練大量數(shù)據(jù)，上層部門如果利用大模型制定校舍擴建計劃時，模型依據(jù)以往教育政策的執(zhí)行區(qū)域以及歷史學(xué)生流動數(shù)據(jù)，建議大量擴建資金投向城區(qū)學(xué)校，而鄉(xiāng)村學(xué)校因數(shù)據(jù)表征不足（如學(xué)生人數(shù)少、硬件數(shù)據(jù)更新滯后）被系統(tǒng)判定為“低優(yōu)先級”。此類決策雖符合數(shù)據(jù)驅(qū)動的效率邏輯，卻與教育公平的公共價值目標(biāo)背道而馳。政務(wù)大模型輸出的非均衡決策結(jié)果被作為新的訓(xùn)練數(shù)據(jù)反饋給系統(tǒng)，導(dǎo)致偏見在迭代中不斷加深。

技術(shù)黑箱與政務(wù)透明的制度要求之間存在本質(zhì)性沖突。雖然當(dāng)前政務(wù)大模型通過思維鏈生成等技術(shù)手段提升了解釋性，但其決策邏輯的底層架構(gòu)仍具有不可完全解析的特性。以北京市老舊小區(qū)改造為例，模型建議“優(yōu)先加裝電梯\"并附帶了相關(guān)的支撐數(shù)據(jù)（包括老年人口密度、樓棟結(jié)構(gòu)參數(shù)等），但未說明為何未將“低樓層住戶反對率\"納入核心決策變量。決策者雖能獲取大量中間數(shù)據(jù)，卻難以判斷模型是否隱性忽略了關(guān)鍵利益相關(guān)者的訴求。運用政務(wù)大模型技術(shù)開發(fā)出來的全新系統(tǒng)，其不可知性與行政權(quán)力的強制性相結(jié)合時，可能會誘發(fā)社會公眾對“ AI+ 政務(wù)應(yīng)用\"治理模式的信任危機，其合法性基礎(chǔ)也會面臨著被技術(shù)理性消解的風(fēng)險。提升政務(wù)大模型的可解釋性往往是以犧牲模型性能為代價的，形成技術(shù)有效性與政治合法性之間的兩難選擇[27]。

（三）安全保障風(fēng)險

政務(wù)大模型不同于傳統(tǒng)數(shù)據(jù)庫的離散存儲模式，而是通過參數(shù)化的方式將海量信息編碼到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，這種分布式多源聚合特性方式使得敏感信息的提取與防護都面臨技術(shù)困境。政務(wù)大模型在持續(xù)學(xué)習(xí)過程中可能無意識地將隱私數(shù)據(jù)內(nèi)化為決策特征，形成難以檢測的信息泄露通道。傳統(tǒng)數(shù)據(jù)安全策略建立在“數(shù)據(jù)最小化\"和“使用限定”原則之上，而政務(wù)大模型的訓(xùn)練機制本質(zhì)上是對數(shù)據(jù)價值的最大化挖掘，這種根本性矛盾使得現(xiàn)有隱私保護機制陷入系統(tǒng)性失靈，即使采用數(shù)據(jù)脫敏對一些隱私敏感信息進行技術(shù)處理，模型仍然可能通過特征關(guān)聯(lián)推理還原敏感信息[28]，這就意味著單純依靠技術(shù)手段已無法應(yīng)對新型隱私風(fēng)險，必須構(gòu)建融合技術(shù)規(guī)制、制度約束的綜合防護體系。

政務(wù)大模型部署應(yīng)用的硬件與軟件的每個組件都存在著潛在風(fēng)險節(jié)點，特別是基于特定架構(gòu)的預(yù)訓(xùn)練模型，其技術(shù)路徑依賴可能演變?yōu)橄到y(tǒng)性風(fēng)險。當(dāng)基礎(chǔ)模型存在設(shè)計缺陷或遭遇供應(yīng)中斷時，整個政務(wù)AI體系都可能面臨功能性癱瘓。當(dāng)前AI技術(shù)生態(tài)呈現(xiàn)顯著的中心化特征，核心資源集中在少數(shù)技術(shù)巨頭手中，這種不對稱的技術(shù)權(quán)力結(jié)構(gòu)使得政務(wù)系統(tǒng)的自主可控性面臨嚴(yán)峻挑戰(zhàn)，爭奪技術(shù)標(biāo)準(zhǔn)的話語權(quán)已經(jīng)超越了單純的技術(shù)競爭范疇。

（四）技術(shù)依賴風(fēng)險

當(dāng)行政人員群體過度依賴政務(wù)大模型的決策建議時，可能逐漸喪失對復(fù)雜行政問題的獨立研判能力[29]。這種分析能力“空心化\"表現(xiàn)為雙重困境：在操作層面，行政人員可能陷人政務(wù)大模型輸出的路徑依賴，將政務(wù)大模型的輸出建議等同于最優(yōu)解;在認知層面，長期的技術(shù)輔助可能削弱行政人員的批判性思維，形成機械執(zhí)行大模型指令的行為定式，這種異化過程最終將導(dǎo)致行政系統(tǒng)失去必要的彈性調(diào)節(jié)能力。技術(shù)依賴的深層危害在于其可能會潛移默化地改造行政人員的認知功能，行政人員運用政務(wù)大模型處理政務(wù)問題時，由于大模型是在大量數(shù)據(jù)訓(xùn)練的基礎(chǔ)上部署應(yīng)用的，其往往會根據(jù)訓(xùn)練過程提供標(biāo)準(zhǔn)化的決策方案，行政人員的問題意識可能被既有框架所束縛而逐漸喪失發(fā)現(xiàn)非常規(guī)問題的敏感性[30]。這種認知窄化效應(yīng)將導(dǎo)致行政系統(tǒng)應(yīng)對新型治理挑戰(zhàn)的能力退化。

政府部門在享受政務(wù)大模型帶來的便捷時，也同樣面臨著因AI應(yīng)用高度集成所形成的治理風(fēng)險，當(dāng)核心系統(tǒng)出現(xiàn)故障或遭受攻擊時，可能引發(fā)跨部門、跨層級的系統(tǒng)性癱瘓。而這種技術(shù)系統(tǒng)的故障模式往往超出傳統(tǒng)應(yīng)急預(yù)案的處置范疇，它既可能源于政務(wù)大模型邏輯的隱性錯誤，又可能來自數(shù)據(jù)污染的蝴蝶效應(yīng)。傳統(tǒng)應(yīng)急管理范式建立在物理系統(tǒng)故障的經(jīng)驗基礎(chǔ)之上，而政務(wù)大模型的風(fēng)險傳導(dǎo)具有非線性、跨域性和不可逆性等特征，這對危機預(yù)警和應(yīng)急處置提出全新挑戰(zhàn)，必須構(gòu)建人機協(xié)同的彈性治理框架，在技術(shù)系統(tǒng)與人工系統(tǒng)之間建立功能冗余和快速切換機制，確保在技術(shù)失效時行政系統(tǒng)仍能維持基本運行能力。總之行政系統(tǒng)的智能化轉(zhuǎn)型不是技術(shù)對人類的替代，而應(yīng)是人機能力互補的協(xié)同進化[31]。

四、政務(wù)大模型應(yīng)用的智能鴻溝和風(fēng)險的應(yīng)對策略

作為國家數(shù)字化戰(zhàn)略的核心抓手，政務(wù)大模型的深度應(yīng)用既是治理能力現(xiàn)代化的關(guān)鍵支撐，又是區(qū)域均衡發(fā)展與風(fēng)險防控能力提升的重要命題。政務(wù)大模型的應(yīng)用能夠提升治理效能，但也需要實現(xiàn)風(fēng)險可控，需要從國家治理全局視角統(tǒng)籌智能資源配置、倫理價值對齊與制度韌性構(gòu)建，破解區(qū)域智能化發(fā)展失衡與系統(tǒng)性風(fēng)險交織的復(fù)合挑戰(zhàn)，為構(gòu)建包容、安全、可持續(xù)的數(shù)字政府生態(tài)提供戰(zhàn)略指引。

（一）智能鴻溝的應(yīng)對策略

1.階梯式算力資源均衡配置

在推進國家治理能力現(xiàn)代化進程中，政務(wù)大模型的應(yīng)用正逐步形成技術(shù)普惠與區(qū)域均衡的發(fā)展范式?；谒懔Y源分布的非對稱性特征，構(gòu)建階梯式資源配置體系成為優(yōu)化區(qū)域智能化發(fā)展瓶頸的關(guān)鍵路徑，其核心在于建立與基礎(chǔ)設(shè)施水平動態(tài)適配的技術(shù)供給機制。政務(wù)云基礎(chǔ)設(shè)施的普惠化覆蓋是彌合區(qū)域智能鴻溝的基礎(chǔ)工程，針對這種跨區(qū)域算力協(xié)同網(wǎng)絡(luò)不僅能提升國家整體算力資源利用效率，更能形成支撐區(qū)域差異化發(fā)展需求的動態(tài)適配機制。政務(wù)云的標(biāo)準(zhǔn)化接入接口與彈性擴容能力，使得不同發(fā)展水平區(qū)域都能獲得與其政務(wù)需求相匹配的基礎(chǔ)設(shè)施支撐，為后續(xù)智能化應(yīng)用奠定技術(shù)基座。

在基礎(chǔ)資源分層供給的基礎(chǔ)上，輕量化模型技術(shù)為區(qū)域差異化部署提供了精準(zhǔn)適配方案。以DeepSeek模型體系為例，其全棧式技術(shù)架構(gòu)包含從千億級參數(shù)模型到十億級微型模型的完整譜系，通過動態(tài)剪枝與知識蒸餾技術(shù)實現(xiàn)模型性能與算力消耗的精細調(diào)控[32]。梯度化部署策略既避免了算力資源的冗余配置，又確保了區(qū)域間政務(wù)服務(wù)智能化水平的基線對齊。模型版本的區(qū)域適配本質(zhì)上構(gòu)建了技術(shù)供給的動態(tài)均衡機制，通過建立模型性能參數(shù)與區(qū)域基礎(chǔ)設(shè)施指標(biāo)的映射關(guān)系，形成模型版本自動推薦系統(tǒng)。當(dāng)某區(qū)域完成政務(wù)云擴容升級后，系統(tǒng)可自動推送適配更高算力環(huán)境的模型版本，實現(xiàn)技術(shù)能力與基礎(chǔ)設(shè)施的同步躍遷。這種彈性擴展機制既保障了欠發(fā)達地區(qū)的政務(wù)智能化基本權(quán)利，又為發(fā)達地區(qū)預(yù)留了持續(xù)升級空間，在技術(shù)層面構(gòu)建起區(qū)域協(xié)同發(fā)展的良性循環(huán)。該體系的有效運轉(zhuǎn)依賴于標(biāo)準(zhǔn)化技術(shù)接口與動態(tài)評估機制的雙重保障。政務(wù)大模型通用接口的全國統(tǒng)一，確保了不同版本模型在政務(wù)服務(wù)場景中的功能一致性；區(qū)域發(fā)展指數(shù)動態(tài)監(jiān)測系統(tǒng)則為模型版本的迭代升級提供實時數(shù)據(jù)支撐。通過技術(shù)供給端的結(jié)構(gòu)性創(chuàng)新，最終形成既能尊重區(qū)域差異又可實現(xiàn)整體協(xié)同的AI政務(wù)智能化發(fā)展格局，為推進國家治理體系現(xiàn)代化提供可持續(xù)的技術(shù)支撐路徑。

2.推動人員能力與知識壁壘突破

行政人員群體的能力斷層本質(zhì)上是技術(shù)工具理性與行政經(jīng)驗理性的認知沖突。分級培訓(xùn)體系的設(shè)計需突破傳統(tǒng)技能傳授框架，轉(zhuǎn)而構(gòu)建“認知重構(gòu)—實踐嵌入一價值內(nèi)化”的三維能力培養(yǎng)模型。在初級培訓(xùn)階段，除基礎(chǔ)操作技能外，應(yīng)著重培養(yǎng)行政人員對AI工具功能邊界的認知來明確模型輸出的建議屬性與決策責(zé)任的歸屬關(guān)系;中級培訓(xùn)需引入復(fù)雜場景模擬，通過虛擬現(xiàn)實技術(shù)構(gòu)建突發(fā)事件決策環(huán)境，訓(xùn)練行政人員在AI輔助下的應(yīng)急研判能力；高級培訓(xùn)則應(yīng)強化AI倫理的批判性思維，例如通過組織跨部門研討會對AI政務(wù)偏見案例進行解構(gòu)分析來推動行政人員從被動使用者向主動監(jiān)督者轉(zhuǎn)型。

跨區(qū)域知識共享平臺通過系統(tǒng)性機制設(shè)計破解知識貧困陷阱，其核心運行邏輯涵蓋知識生產(chǎn)、流通與應(yīng)用的全鏈條協(xié)同。平臺以“規(guī)則 + 案例 + 經(jīng)驗”三位一體的政務(wù)知識圖譜為基礎(chǔ)，通過自然語言處理技術(shù)解析政策文本形成結(jié)構(gòu)化規(guī)則庫，關(guān)聯(lián)歷史案例構(gòu)建可追溯的決策邏輯鏈，并整合基層創(chuàng)新經(jīng)驗形成動態(tài)更新的非結(jié)構(gòu)化知識池，依托區(qū)塊鏈技術(shù)實現(xiàn)知識版本的可信溯源與增量更新。在知識流通環(huán)節(jié)，基于區(qū)域發(fā)展指數(shù)與業(yè)務(wù)場景特征的智能推薦引擎實施分層推送策略，為欠發(fā)達地區(qū)優(yōu)先適配基礎(chǔ)規(guī)則與標(biāo)準(zhǔn)化操作指南，同時結(jié)合可視化工具展示跨域最佳實踐案例，實現(xiàn)知識的精準(zhǔn)適配與場景化賦能。針對技術(shù)能力薄弱地區(qū)，平臺提供低代碼知識管理界面與虛擬仿真培訓(xùn)系統(tǒng)，結(jié)合駐點技術(shù)團隊支持完成知識遷移與模型優(yōu)化，確保知識資源切實轉(zhuǎn)化為治理效能。

3.公共利益導(dǎo)向的價值轉(zhuǎn)化機制

響應(yīng)速度、處理量級等傳統(tǒng)效率指標(biāo)難以捕捉技術(shù)應(yīng)用對弱勢群體的隱性排斥，因此可以引入“包容性指數(shù)\"等復(fù)合指標(biāo)對服務(wù)觸達率、操作便利性與結(jié)果公正性等進行綜合評估。比如通過自然語言處理技術(shù)對民生訴求文本進行情感分析，量化弱勢群體的服務(wù)滿意度;或利用圖神經(jīng)網(wǎng)絡(luò)建模政策資源的流動路徑，識別分配過程中的結(jié)構(gòu)瓶頸。評估結(jié)果需要與模型優(yōu)化形成雙向反饋，對存在顯著公平性偏差的AI模塊啟動強制再訓(xùn)練程序，確保技術(shù)迭代始終以公共利益為錨點。

弱勢群體技術(shù)適配性優(yōu)化的實現(xiàn)路徑需兼顧功能設(shè)計與制度保障。在技術(shù)層面，政務(wù)大模型中的方言語音交互系統(tǒng)的開發(fā)需融入語境理解能力，避免因語音識別誤差加劇操作障礙；圖文輔助解讀模塊則應(yīng)嵌入動態(tài)解釋邏輯，根據(jù)用戶反饋實時調(diào)整信息呈現(xiàn)方式。在制度層面，可以建立弱勢群體需求采集的常態(tài)化機制，通過社區(qū)網(wǎng)格員定期收集智能化應(yīng)用障礙群體的使用反饋，并將其納入模型優(yōu)化優(yōu)先級，通過技術(shù)與制度的雙重建設(shè)來有效防止政務(wù)大模型異化為新的排斥機制。

（二）潛在風(fēng)險的應(yīng)對策略

1.構(gòu)建政務(wù)責(zé)任鏈動態(tài)追溯機制

政務(wù)大模型的責(zé)任界定困境源于其技術(shù)系統(tǒng)的自主性與法律主體的確定性之間的矛盾。多主體權(quán)責(zé)清單制度需突破傳統(tǒng)的靜態(tài)劃分邏輯，轉(zhuǎn)而構(gòu)建“行為—影響—責(zé)任\"的動態(tài)映射框架。對于開發(fā)者的責(zé)任不應(yīng)該僅僅局限于初始模型的合規(guī)性，還需要對模型迭代過程中引入的風(fēng)險增量承擔(dān)連帶責(zé)任;對于部署部門的監(jiān)控職責(zé)需要延伸至模型運行的全生命周期，包括對增量學(xué)習(xí)數(shù)據(jù)的合規(guī)審查與決策偏差的實時預(yù)警;而使用者的操作責(zé)任則應(yīng)涵蓋對政務(wù)大模型輸出的合理性判斷與人工干預(yù)記錄。

在行政執(zhí)法、社會保障等高風(fēng)險場景可以引入?yún)^(qū)塊鏈存證技術(shù)，將模型輸入數(shù)據(jù)、決策邏輯節(jié)點與人工審核記錄分別存儲于司法鏈、政務(wù)鏈與審計鏈，通過跨鏈驗證技術(shù)確保存證信息的完整性與互操作性，從而超越傳統(tǒng)區(qū)塊鏈技術(shù)的數(shù)據(jù)固化功能，轉(zhuǎn)而構(gòu)建跨鏈協(xié)同的追溯網(wǎng)絡(luò)[33]。同步探索政務(wù)大模型責(zé)任險，覆蓋模型迭代導(dǎo)致的政策偏差風(fēng)險。政務(wù)大模型責(zé)任險的設(shè)計需要引入風(fēng)險分級保費機制，根據(jù)政務(wù)大模型的應(yīng)用場景的風(fēng)險等級動態(tài)調(diào)整保險條款，并設(shè)立風(fēng)險共擔(dān)基金池用于覆蓋系統(tǒng)性故障導(dǎo)致的群體性損失，從而為政務(wù)大模型應(yīng)用過程中的責(zé)任追溯提供更靈活的制度保障。

2.政務(wù)倫理嵌入與透明性設(shè)計

在政務(wù)大模型應(yīng)用中，公共價值觀對齊需轉(zhuǎn)化為可操作的技術(shù)標(biāo)準(zhǔn)，以政策咨詢生成模型為例，可通過“利益均衡指數(shù)\"量化模型對不同群體訴求的覆蓋度。例如在分析鄉(xiāng)村振興政策建議中對留守老人、返鄉(xiāng)創(chuàng)業(yè)者等群體的語義權(quán)重差異;在公共服務(wù)自動化模型中，設(shè)定“服務(wù)覆蓋完備率”，檢測模型對殘障人士多模態(tài)交互、少數(shù)民族語言變體等非標(biāo)準(zhǔn)訴求的響應(yīng)能力。測評工具需集成對抗生成技術(shù)來模擬政策目標(biāo)沖突或文化敏感場景，從而檢驗?zāi)Ｐ偷膫惱頉Q策穩(wěn)定性。對于那些未達標(biāo)模型應(yīng)啟動動態(tài)校準(zhǔn)機制，例如在政策咨詢爭議中引入跨學(xué)科專家標(biāo)注，將標(biāo)注數(shù)據(jù)轉(zhuǎn)化為強化學(xué)習(xí)的基礎(chǔ);對公共服務(wù)模型則實施“弱勢群體響應(yīng)倍增器”，在再訓(xùn)練時優(yōu)先處理特殊群體服務(wù)失敗案例，通過定向數(shù)據(jù)增強實現(xiàn)倫理缺陷修復(fù)。

可解釋性工具的政務(wù)適配需避免陷入“解釋冗余”與“解釋不足”的兩極困境。比如在政策建議生成場景中，邏輯推理鏈的呈現(xiàn)需區(qū)分核心依據(jù)與輔助信息，通過層級化展示將法律條文、歷史案例與模型推斷進行視覺分離;在執(zhí)法文書起草場景中則需嵌入法律論證框架，確保模型解釋符合司法文書的形式規(guī)范。同時，可解釋性輸出需與行政公開制度深度整合，建立模型解釋檔案庫供公眾查詢，并通過定期發(fā)布透明度報告披露模型決策的迭代過程。

3.數(shù)據(jù)安全與應(yīng)急韌性強化

聯(lián)邦學(xué)習(xí)技術(shù)為有效實現(xiàn)數(shù)據(jù)的“可用不可見\"提供了技術(shù)通道[34]，但在具體政務(wù)場景中的應(yīng)用需解決跨部門數(shù)據(jù)異構(gòu)性與隱私保護的平衡問題。為此可以通過自適應(yīng)加密技術(shù)對不同敏感級別的數(shù)據(jù)進行差異化處理，在確保數(shù)據(jù)可用性的前提下實現(xiàn)最小化隱私暴露。差分隱私的實施則需與業(yè)務(wù)場景的風(fēng)險等級動態(tài)適配，例如在醫(yī)療數(shù)據(jù)共享中采用嚴(yán)格的噪聲添加策略，而在輿情分析中則可適當(dāng)放寬精度損失容忍度。通過明確不同數(shù)據(jù)類型的脫敏標(biāo)準(zhǔn)與使用邊界，確保多源數(shù)據(jù)聚合時滿足數(shù)據(jù)安全的法律要求。

分布式容災(zāi)系統(tǒng)的設(shè)計可以將數(shù)據(jù)和應(yīng)用系統(tǒng)分散部署在多個不同地理位置的節(jié)點或數(shù)據(jù)中心，通過特定的技術(shù)和策略使系統(tǒng)在面臨突發(fā)事件時也能保證業(yè)務(wù)的連續(xù)性，確保數(shù)據(jù)的安全性[35]。在關(guān)鍵系統(tǒng)中，冗余節(jié)點的部署不應(yīng)簡單追求數(shù)量優(yōu)勢，而是需要基于業(yè)務(wù)連續(xù)性需求構(gòu)建最小必要冗余度。例如在應(yīng)急指揮系統(tǒng)中可以采用“雙活一溫備\"混合架構(gòu)，在保障實時響應(yīng)的同時控制運維成本。人工接管預(yù)案的制定則需突破應(yīng)急預(yù)案的程式化模板，針對模型邏輯錯誤、數(shù)據(jù)污染、硬件宕機等故障類型預(yù)設(shè)差異化的切換路徑與決策權(quán)限分配規(guī)則，從而在模型系統(tǒng)出現(xiàn)故障時實現(xiàn)人工介人無縫銜接，避免中心化系統(tǒng)崩潰引發(fā)的政府相關(guān)部門“休克”。

4.人機協(xié)同能力長效培育機制

為有效防范行政人員因過度依賴政務(wù)大模型而導(dǎo)致治理能力退化，亟須設(shè)計一套科學(xué)、具體且可操作的考核指標(biāo)體系，以引導(dǎo)其在充分利用技術(shù)工具的同時，持續(xù)提升自主分析研判與創(chuàng)新思維能力。該指標(biāo)體系應(yīng)緊密圍繞“抑制技術(shù)依賴”與“激發(fā)創(chuàng)新思維”的雙重目標(biāo)，轉(zhuǎn)化為可觀測、可衡量的具體行為表現(xiàn)。在評估人工干預(yù)的有效性方面，核心在于考察“人工復(fù)核的深度與效度”，這要求超越簡單的復(fù)核行為統(tǒng)計。具體而言，需明確規(guī)定涉及重大資源分配、行政執(zhí)法裁量、高風(fēng)險政策執(zhí)行等關(guān)鍵決策場景必須強制進行實質(zhì)性人工復(fù)核，并設(shè)定具體的最低復(fù)核比例閾值（例如不低于 95% ），以確保關(guān)鍵環(huán)節(jié)不失控。同時，重點評估復(fù)核意見的采納質(zhì)量，即行政人員在復(fù)核過程中提出的具有實質(zhì)內(nèi)容的修改建議或合理異議被最終采納的比例，并需進一步分析這些采納意見對優(yōu)化決策結(jié)果、規(guī)避潛在風(fēng)險或提升政策效能所產(chǎn)生的實際貢獻度，以此杜絕流于形式的復(fù)核。在激發(fā)創(chuàng)新能動性方面，建立“創(chuàng)新提案的質(zhì)量與實際影響力\"指標(biāo)，清晰區(qū)分“增量優(yōu)化型提案”（如對現(xiàn)有AI應(yīng)用流程、操作界面或業(yè)務(wù)規(guī)則的小幅改進）與“突破框架型提案”（如針對模型固有局限提出替代性解決方案、識別出AI未覆蓋的新治理問題領(lǐng)域或設(shè)計新型人機協(xié)同機制）。對于前者，重點評估其帶來的易用性提升或效率增益;對于后者，則著重評價其系統(tǒng)性價值和潛在推廣意義。最終將這些細化的考核結(jié)果深度融入行政人員的績效評估體系，并作為職務(wù)晉升的重要加權(quán)因素，切實保障人機協(xié)同能力的培育落到實處、取得實效。

政務(wù)場景沙盒實驗機制的引入能夠為技術(shù)創(chuàng)新提供安全試錯空間，同時規(guī)避系統(tǒng)性風(fēng)險的擴散，其有效性依賴于“風(fēng)險可控\"與“創(chuàng)新自由\"的邊界把控[36]。在設(shè)置政務(wù)場景沙盒試驗區(qū)時需要關(guān)注業(yè)務(wù)關(guān)鍵度與技術(shù)成熟度，優(yōu)先在文件歸檔、信訪分類等非核心領(lǐng)域開放高風(fēng)險技術(shù)測試，并在實驗過程中建立“雙軌制\"監(jiān)督體系，通過獨立技術(shù)委員會對模型輸出進行合規(guī)審查，同時引人公眾參與機制收集社會反饋。實驗成果在經(jīng)過“本地驗證—區(qū)域試點一全域推廣”的三階段評估后加以推廣，確保技術(shù)應(yīng)用的穩(wěn)健性與普適性。

參考文獻

[1］劉成，馬洋.數(shù)字素養(yǎng)、社會支持與鄉(xiāng)村數(shù)字受益溝——來自內(nèi)蒙古1694個農(nóng)牧民樣本的經(jīng)驗證據(jù)[J].電子政務(wù)，2025（4）：43-57.

[2]方興東，鐘祥銘.生成式AI與智能鴻溝：智能時代數(shù)字不平等的趨勢、邏輯與對策[J].湖南師范大學(xué)社會科學(xué)學(xué)報，2024（6）：121-131.

[3］馮彩玲，杜晚晴.類ChatGPT技術(shù)應(yīng)用的公共價值解構(gòu)與建構(gòu)：基于戰(zhàn)略三角模型的分析[J].大連理工大學(xué)學(xué)報（社會科學(xué)版），2024（3）：7-15.

[4]閆坤如.人工智能的算法偏差及其規(guī)避[J].江海學(xué)刊，2020（5）：141-146.

[5]陳悅.人機協(xié)同裁量的建構(gòu)原理、風(fēng)險檢視與因應(yīng)優(yōu)化[J].浙江學(xué)刊，2024（5）：197-205，240.

[6］賀東航.人工智能與中國式現(xiàn)代化研究——基于現(xiàn)狀、挑戰(zhàn)及對策的考察[J].社會科學(xué)輯刊，2025（2）：67-80，2，244.

[7］梁正.新興技術(shù)視域下的人工智能善治——發(fā)展現(xiàn)狀、風(fēng)險挑戰(zhàn)與治理思路[J].人民論壇·學(xué)術(shù)前沿，2024（14） ：12-22.

[8]楊峰.生成式人工智能的智能鴻溝生成[J].圖書館建設(shè)，2023（4）：22-24.

[9]刁俊文，石路.算法賦能基層治理的智能鴻溝及其彌合之道[J].領(lǐng)導(dǎo)科學(xué)，2025（2）：106-112.

[10] 張艷國，陸嘉豪.智能化賦能社區(qū)治理的要素、原則與實現(xiàn)路徑[J].江西師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2025（2）：74-86.

[11]陳婧.政府公共決策支持信息系統(tǒng)的構(gòu)建[J].情報資料工作，2012（5）：61-66.

[12]周劍濤，文劍，熊良，等.基于大數(shù)據(jù)平臺的政務(wù)數(shù)據(jù)治理體系構(gòu)建探索[J].數(shù)字技術(shù)與應(yīng)用，2024（11）：112-114.

[13]VASWANI A，SHAZEER N，PARMAR N，et al.Atention is all You Need[C].Procedings of the 31stInternational Conference on Neural Information Processng Systems，2017：5998-6008.

[14］魏子舒，韓越，劉思浩，等.2021至2023年人工智能領(lǐng)域研究熱點分析述評與展望[J].計算機研究與發(fā)展，2024（5）：1261-1275.

[15] 莊子銀.組建國家數(shù)據(jù)局帶來的新變化[J].人民論壇，2023（17）：17-20.

[16] 張欣.論人工智能體的模塊化治理[J].東方法學(xué)，2024（3）：129-142.

［17］國家網(wǎng)信辦信息化發(fā)展局.全民數(shù)字素養(yǎng)與技能發(fā)展水平調(diào)查研究組.全民數(shù)字素養(yǎng)與技能發(fā)展水平調(diào)查報告（2024）[R].北京：全民數(shù)字素養(yǎng)與技能發(fā)展水平調(diào)查研究組，2024：3-4.

[18]中國信息通信研究院.中國算力發(fā)展指數(shù)白皮書（2023）[R].北京：中國信息通信研究院，2023：43-44.

[19]蔡振華，許艾萍.數(shù)字技術(shù)何以實現(xiàn)基層智慧監(jiān)督——基于“技術(shù)嵌入—組織調(diào)適\"的分析框架[J].中國行政管理，2024（12）：118-128.

[20]段哲哲.控制算法官僚：困境與路徑[J].電子政務(wù)，2021（12）：2-16.

[21］孫斐，游鴻賓.數(shù)字政府治理的公共價值失靈發(fā)生機制及其矯正——以C市智慧城市建設(shè)為例[J].中國行政管理，2024（4）：107-119.

[22]王強強.算法推薦技術(shù)應(yīng)用中的意識形態(tài)安全風(fēng)險與防范策略[J].重慶社會科學(xué)，2024（7）：86-98.

[23]王啟帆，劉雨.生成式人工智能意識形態(tài)風(fēng)險的審視與破解[J].思想政治教育研究，2024（3）：56-62.

[24]朱玲琳.數(shù)字政府建設(shè)中的數(shù)字鴻溝彌合[J].行政管理改革，2024（11）：56-64.

[25］陳英達，王偉.由“急用先行”走向“逐步完善”：生成式人工智能治理體系的構(gòu)建[J].電子政務(wù)，2024（4）：113-124.

[26］李帥.人工智能的風(fēng)險預(yù)測與行政法規(guī)制——一個功能論與本體論相結(jié)合的視角[J].行政管理改革，2019（10） ：50-58.

[27]張成洪，陳剛，陸天，等.可解釋人工智能及其對管理的影響：研究現(xiàn)狀和展望[J].管理科學(xué)，2021（3）：63-79.

[28]李欣姣，吳國偉，姚琳，等.機器學(xué)習(xí)安全攻擊與防御機制研究進展和未來挑戰(zhàn)[J].軟件學(xué)報，2021（2）：406-423.

[29]張會平，曹景偉.算法行政對自由裁量權(quán)的影響：正向規(guī)制、負向限縮與動態(tài)平衡[J].信息技術(shù)與管理應(yīng)用，2023（3）：111-123.

[30]張文博，周馮琦.人工智能背景下的環(huán)境治理變革及應(yīng)對策略分析[J].社會科學(xué)，2019（7）：23-30.

[31］周偉.隱憂與防范：人工智能技術(shù)嵌入公共決策的價值審視[J].行政論壇，2025（1）：151-160.

[32]劉歡，張智雄，王宇飛.BERT模型的主要優(yōu)化改進方法研究綜述［J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2021（1）：3-15.

[33］易蘭麗，趙麗麗，魏娜.機理與路徑：區(qū)塊鏈技術(shù)如何賦能政務(wù)服務(wù)“跨省通辦\"？［J].電子政務(wù)，2025（2）：45-56.

[34］張會平，馬太平.數(shù)據(jù)要素市場流通的公共價值創(chuàng)造、失靈及其應(yīng)對[J].公共管理與政策評論，2024（5）：13-25.

[35］陳倩，劉曉潔，李濤，等.一種保證服務(wù)連續(xù)性的容災(zāi)系統(tǒng)的設(shè)計和實現(xiàn)[J].計算機應(yīng)用研究，2008（8）：2444-2446.

[36]魏鈺明，賈開，曾潤喜，等.DeepSeek突破效應(yīng)下的人工智能創(chuàng)新發(fā)展與治理變革[J].電子政務(wù)，2025（3）：2-39.

Intelligent Divide and Risk Governance of the Application of Government Large Models

Zhang Huipingl，2 Ma Mingzhen' Zhong Yil，2

（1.School of Public Administration， University of Electronic Science and Technology of China， Chengdu，Sichuan ;2.Laboratory of Digital and Intelligent Public Governance， University of Electronic Science and Technology of China，Chengdu， Sichuan ）

Abstract：The in-depth application of Large Language Models is reshaping the governance paradigm of digital government，and also gives rise to a structural contradiction between technological empowerment and public value.Based on the comparison of technologies among different generations，the study explores intelligent divides and governance risks triggered by the application of large language models in governmental scenarios.By comparing the technical characteristics of government information systems，government big data platforms，and government large models，the study reveals the innovative value of the government large models in terms of intelligent reasoning， multi-modal interaction，and dynamic evolution capabilities.The study systematically identifies three types of inteligent divide-an access divide stemming from the uneven regional allocation of computing resources，an application divide arising from skill gaps among civil servants，and an outcome divide resulting from the models' outputs inadvertently excluding disadvantaged groups. Further，the study identifies deep-seated challenges in deploying government large models： ambiguous responsibility attribution caused by technological autonomy; ethical conflicts driven by historical data biases;risks of privacy leakage；and the potential degradation of governance capacity due to technological dependence.To address the above issues，the study proposes comprehensive governance strategies including balancing allcation of stepped arithmetic power，construction of governmental knowledge sharing platform，and explainable AI design with embedded ethics. These strategies emphasizes the synergistic evolution of technological logic and administrative value through dynamic responsibility tracing，federated learning，and artificial synergy mechanisms. Overall， this research providesa theoretical foundation and practical pathways for bridging the intelligent divides and optimizing risk governance frameworks，ofering significant insights for promoting the sustainable application of Artificial Intelligence in digital government.

Key Words： Large Language Model； Artificial Intelligence Governance;Digital Government; Intelligence Divide;Risk Governance

（責(zé)任編輯：楊果）