内容提要：大语言模型的深度应用正在重塑数字政府的治理范式，同时也衍生出技术赋能与公共价值间的结构性矛盾。基于技术的代际比较分析，探讨大语言模型在政务场景中应用引致的智能鸿沟与治理风险。通过对比政务信息系统、政务大数据平台与政务大模型的技术特征，揭示政务大模型在智能推理、多模态交互及动态演化能力上的革新价值。系统识别智能鸿沟的三种类型，即区域性算力资源分配失衡导致的接入鸿沟，公务员技术能力断层形成的应用鸿沟，以及模型输出对弱势群体隐性排斥加剧的结果鸿沟。技术自主性引发的责任界定模糊、历史数据偏见导致的伦理冲突、隐私泄露风险及技术依赖引发的治理能力退化，共同构成政务大模型应用的深层挑战。针对上述问题，提出阶梯式算力均衡配置、政务知识共享平台构建、伦理嵌入的可解释性设计等综合治理策略，强调通过动态责任追溯、联邦学习与人工协同机制，实现技术逻辑与行政价值的协同演进。研究为弥合智能鸿沟、优化风险治理框架提供了理论依据与实践路径，对促进人工智能在数字政府中的可持续发展和应用具有重要参考价值。

关键词：大语言模型/ 人工智能治理/ 数字政府/ 智能鸿沟/ 风险治理

标题注释：四川省哲学社会科学基金重大专项“数字经济推动城乡融合发展的机制与路径研究”(SCJJ24ZD41)；国家社会科学基金重大项目“数字政府建设成效测度与评价的理论、方法及应用研究”(23&ZD080)。

作者简介：张会平，电子科技大学公共管理学院教授，电子科技大学数智公共治理实验室副主任，管理学博士，研究方向：数字政府、数据治理、人工智能治理；马明振，电子科技大学公共管理学院硕士研究生，研究方向：数字政府；钟毅，电子科技大学公共管理学院讲师，电子科技大学数智公共治理实验室研究员，研究方向：人工智能治理（四川 成都 611731）。

原文出处：《重庆社会科学》2025年第6期 第6-22页

政务大模型技术的迅猛发展，正成为重塑现代社会运行范式的重要驱动力。这一技术范式的演进，本质上是算法架构革新、计算资源跃迁与数据要素积累三重动力共同作用的结果。深层神经网络模型的突破性进展打破了传统机器学习的技术瓶颈，分布式计算能力的指数级增长为复杂模型训练提供了强大计算资源保障，而全球数字化进程中海量数据的沉淀则为模型优化提供了持续养料。在政府治理领域，面对日益复杂的公共事务管理需求和民众对高效政务服务的期待，智能化转型已成为提升现代治理能力的必然选择。

在此背景下，以DeepSeek为代表的大语言模型展现出区别于传统大模型的技术特质，其所具备的“高性能—低成本—开源化”等技术优势有效解决了政务场景中模型应用的核心痛点。相较于需要千亿级参数支撑的通用大模型，该模型通过知识蒸馏和量化压缩技术，在保持语义理解、逻辑推理等核心能力的同时，显著降低了算力消耗和部署门槛。特别是在中文语境下的细粒度语义解析能力，使其能够精准处理政策文本中的复杂表述。这种技术特性与政务部门在数据安全性、系统兼容性及运维经济性等方面的刚性需求形成了高度适配，为地方政府和行业主管部门构建自主可控的政务大模型提供了强力支撑。

技术工具与治理需求的深度融合，既能通过智能决策支持系统提升公共服务供给效率，又可借助数据洞察能力优化政策制定的科学性。但是，技术赋能过程中伴生的双重效应不容忽视：一方面，政务大模型的接入、应用以及结果的差异化可能加剧不同区域以及政府部门间的智能鸿沟，导致治理效能的分化；另一方面，算法黑箱、数据偏见等技术特性与政务场景中的权责明晰、程序正义等治理原则存在内在张力。技术逻辑与治理逻辑间的结构性矛盾，构成制约智能治理发展的关键命题，亟待从技术伦理和制度规范层面探寻解决方案。

随着人工智能技术的纵深发展，“数字鸿沟”的理论内涵正在经历从基础设施接入向智能技术赋权的动态演变。有学者认为数字鸿沟理论聚焦于物理接入(一级鸿沟)、技能使用(二级鸿沟)与价值获取(三级鸿沟)的递进分层[1]，其核心逻辑是技术资源占有差异导致的社会分化。然而，人工智能技术驱动的智能治理时代催生了新型“智能鸿沟”(Intelligence Divide)[2]，这种新型鸿沟是在传统数字鸿沟的基础上进一步演化升级的，但其与传统数字鸿沟在生成机理、表现形式与影响维度上存在差异。现有研究表明，智能鸿沟源于算法偏见与技术资源分布不均衡的耦合效应，以及数据积累差异的共同作用[3]。具体表现为：技术层面，算法黑箱的复杂性与技术不透明性引发决策过程不可解释[4]，加深决策权分配的不公；主体层面，人机协同能力断层引发行政效能分化[5]；价值层面，算法历史偏见加剧公共服务分配的非正义性[6]。相较于数字鸿沟的“技术工具属性”，智能鸿沟更具“技术主体属性”，人工智能技术不仅是治理工具，更是具备自主决策能力的“代理者”[7]，其引发的社会排斥具有隐蔽性、系统性与自我强化特征。

当前研究对智能鸿沟的学术界定仍存在三点局限：其一，概念泛化现象突出，多数文献未明确区分智能鸿沟与传统数字鸿沟的演化边界，将智能鸿沟简单归类为数字鸿沟的延伸维度[8]。其二，分析视角单一，既有研究多从技术资源分配视角切入，忽视主体能力适配与公共利益转化等复合机制[9]。其三，治理路径碎片化，现有对策偏重基础设施均衡配置，缺乏对技术伦理嵌入与制度韧性协同的体系化设计[10]。本研究基于政务大模型的技术代际特征，从接入鸿沟(技术资源)—应用鸿沟(主体能力)—结果鸿沟(公共价值)三维框架解构智能鸿沟的生成逻辑，揭示AI技术自主性引发的权力重构效应与价值传导偏差，突破传统数字鸿沟研究的“技术决定论”桎梏，为智能治理时代的鸿沟弥合提供更具动态性与系统性的理论解释。

一、政务大模型与政务信息系统、政务大数据平台的区别

在数字政府建设的技术代际演进过程中，政务信息系统、政务大数据平台、政务大模型分别代表了流程数字化、数据整合与智能决策三个阶段的技术范式，三者虽同属数字政府的技术载体，但其在设计开发以及部署应用方面存在显著差异。通过对比三者的设计逻辑与部署特征，一方面可以揭示政务大模型应用的革新性价值，另一方面还可以明晰其面临的治理挑战，为技术路径选择与制度适配提供理论依据。

(一)设计开发方面

1.功能定位

政务信息系统的功能定位以业务流程的数字化为核心，旨在通过模块化设计实现行政管理流程的线上化与标准化。其核心功能聚焦于流程管理、信息录入与基础统计分析，本质是对传统政务流程的映射。政务大数据平台则进一步突破了部门数据壁垒，以跨源异构数据整合为核心目标，通过构建统一的数据仓库与挖掘工具，支持多维度分析与宏观决策。相较而言，政务大模型的功能定位实现了从“流程执行”向“智能推理”的跃迁，其核心在于通过自然语言处理、知识图谱构建与机器学习能力，完成复杂任务的自动化决策与动态优化。

2.数据需求与交互设计

在数据需求层面，政务信息系统依赖业务全流程生成的标准化结构化数据，数据维度单一且边界清晰；政务大数据平台需整合跨层级、跨系统的异构数据，强调数据清洗与关联分析能力；而政务大模型则进一步要求如文本、语音、图像等多模态数据的输入来完成模型训练，这一演进折射出数据治理从“标准化”向“智能化”的范式转型。在用户交互方面，政务信息系统通过图形用户界面实现流程驱动式操作，强调操作的规范性与可追溯性[11]；政务大数据平台借助商业智能工具提供可视化分析界面，支持用户自主探索数据分析；政务大模型则采用对话式交互，通过自然语言指令直接触发智能推理过程，这种交互技术方式的迭代体现的是从“人适应机器”到“机器适应人”的转变。

3.技术架构

政务信息系统多采用分层架构设计，通过诸如表现层、业务逻辑层、数据层等的模块化分层实现系统的高内聚与低耦合，其优势在于可以维护系统的便捷性与功能扩展性。政务大数据平台则基于分布式架构构建。由于政务大数据平台的建设需要海量的数据作为支撑，同时还需要对这些数据进行分析和存储，而政府各部门的业务需求不同，所产生的政务数据也不同，部门间会产生数据壁垒，这就需要采用数据技术对各部门的数据进行统一、标准、规范的整合。传统关系型数据库在海量数据场景下存在的处理效能制约问题，采用基于分布式架构的存储方案(如Hadoop和HBase)不仅能突破数据规模限制，而且通过冗余存储机制实现了系统故障情况下的数据完整性保障[12]。政务大模型应用的技术架构则以大语言模型为核心，更强调智能化能力的构建。大语言模型是以深度学习框架为基础，通过海量数据训练而成的大规模神经网络模型。在此类技术中，以Transformer架构为基础的预训练语言建模方法(如BERT及GPT系列模型)被视作该领域的代表性成果[13]，此类架构对算力资源的高度依赖，使其技术门槛显著高于前两者，同时也带来模型可解释性与伦理风险的新挑战。

(二)部署应用方面

1.基础设施与部署策略

政务信息系统以普通服务器集群为核心，通过本地化部署实现系统与物理办公场景的深度绑定，其优势在于物理环境可控性极高。然而随着政务数据规模呈指数级上涨，分布式存储与计算节点的引入则成为必然走向。在建设政务大数据平台过程中往往需要处理跨域异构数据，其部署多采用混合云部署模式，并结合本地存储与政务云资源形成分布式计算节点来支持弹性扩展。政务大模型对基础设施的要求进一步提升至以GPU/TPU集群为主的层次，其遵照政务云优先的部署安排，仅在关键场景留存为数不多的本地化节点。政务信息系统向政务大数据平台继而向政务大模型的转变，体现出技术迭代与行政资源投入之间动态平衡逻辑——即系统越复杂，对基础设施的要求就越高。因此在基础设施升级倒逼之下，部署策略从“重硬件”向“重协同”的方向转型。

2.部署成本与资源投入

部署成本与资源投入在技术复杂度及硬件需求上息息相关。政务信息系统的分层架构以模块化设计为核心，技术复杂度较低，其硬件依托普通服务器集群即可满足流程数字化需求，标准化硬件采购与成熟技术生态使得总体投入稳定可控。政务大数据平台的技术复杂度显著提升，分布式架构需应对跨源异构数据的实时清洗、存储与计算，硬件层面依赖分布式节点集群与混合云资源协同，且需配套数据治理工具链，此类技术集成性需求导致硬件采购成本与系统运维费用同步攀升。至政务大模型阶段，技术复杂度呈现质变：大语言模型架构依赖千亿级参数训练与动态推理能力[14]，硬件配置需专用算力集群以支撑高密度并行计算；同时，多模态数据标注、模型迭代调优等环节进一步推高人力与技术投入。

3.组织结构与人员素质

技术形态差异驱动组织管理模式重构，政务信息系统借助信息中心实现集中化运维，其组织结构凸显出垂直化的属性，职责边界清晰，并以实现系统稳定性作为优先事项。国家数据局的成立标志着政务大数据平台治理的重心向“数据资产化”转移[15]，由于政务大数据平台需要聚焦于跨部门数据共享机制的设立，打破既存的信息孤岛，并运用混合部署实现数据流横向的畅联，组织结构由此呈现扁平化趋向。政务大模型的应用使传统管理模式被进一步颠覆，其技术特性要求系统需深度嵌入具体业务部门，在行政审批、舆情分析等场景通过实时推理来辅助决策，这种“嵌入式部署”让业务部门和技术团队深度耦合，推动组织结构由独立的技术支撑单元转变为“业务—技术”双轮驱动模式[16]。在人员素质层面，政务信息系统要求操作者具备基础计算机操作能力，技术门槛较低；政务大数据平台需配备具备数据处理、统计分析能力的专业团队；政务大模型的应用对技术人员提出兼具领域知识与人机协同能力的要求，技术人员需要利用自然语言交互来对模型输出做优化，从而对传统政务系统人才知识结构发起跨界挑战。

综上所述，三者差异的核心在于技术代际与功能定位的分野：政务信息系统是数字政务的“基础骨架”，大数据平台是“神经中枢”，而政务大模型则是“智能大脑”。未来，三者将呈现融合趋势，例如通过“大数据+AI”实现精准施策，但需在顶层设计层面统筹技术互补性与治理风险，以推动智慧政务的可持续发展。

二、政务大模型应用的智能鸿沟

随着政务大模型在政务领域的深度应用，其技术赋能的普惠愿景与治理实践的复杂现实之间的矛盾将逐渐显现。智能鸿沟的形成不仅源于技术资源分配的结构性失衡，而且涉及主体能力适配的认知断层与公共利益分配的非对称性。从基础设施的区域割裂到人机协同的效能损耗，再到价值转化的正义偏离，多重维度的鸿沟相互交织，折射出技术理性与行政伦理的深层冲突。

(一)本地化接入鸿沟：技术资源分配的结构性失衡

数字政府建设的纵深推进，使得政务大模型逐渐成为政务智能化转型的核心驱动力。然而，技术资源的非均衡分布在实践层面形成了显著的接入鸿沟，这一鸿沟首先表现为基础设施的区域性割裂。在行政层级体系中，算力中心、数据接口等核心资源的配置呈现鲜明的“中心—边缘”结构。高层政府凭借政策优先权与财政优势，率先完成智能基础设施的规模化部署，构建起覆盖多层级的数据互通网络，例如北京门头沟区设立5 000万元创新基金推动“人工智能+政务服务”的建设，提升基层人员技术应用能力①；而基层政府受限于财政能力薄弱与技术储备不足，往往陷入“最后一公里”的接入困境。

技术接入的失衡性进一步延伸至个体层面，形成行政人员与社会公众的双重分化。在政务系统数字化转型进程中，行政人员群体呈现出显著的“技术接入差异”，技术背景行政人员凭借专业认知优势，可自主通过多重身份认证形成对智能决策系统的深度触达；而传统行政人员受制于技术认知壁垒与制度性访问限制，往往停滞于基础账户权限层级，甚至因使用复杂度产生技术畏难情绪主动降低使用频次。这种“用与不用”的接入分野，实质上暴露出技术采纳过程中更深层的制度性区隔。公众层面的接入差异则更为复杂，根据2024年《全民数字素养与技能发展水平调查报告》，我国50岁以上老年人的高级数字素养以及技能水平仅占比17.46[17]，而公众个人的受教育程度在很大程度上影响着其数字素养。因此，高知群体凭借数字素养优势，可通过自然语言交互或智能终端便捷获取个性化服务；而老年人、残障人士等弱势群体，因数字身份认证流程复杂、智能终端操作困难，被迫退回传统线下窗口。

此外，区域间的技术差距会将接入鸿沟推向系统性层面。根据2023年《中国算力发展指数白皮书》中公布的中国算力20强市，85%的城市来自东部地区，而西部地区占比仅有15%[18]，这种区域算力差异就使得东部发达地区能够通过构建智能政务中台，实现算力资源的集约化调度与跨部门协同，保障政务大模型能够无缝对接多业务场景，服务响应的实时性与功能完整性得以充分实现；而西部欠发达地区受制于硬件性能落后与网络基础设施薄弱，同款政务大模型常因算力分配不足出现功能缺位，或因数据同步延迟导致决策依据失真。例如杭州市民通过“浙里办”App可实时获取个性化政策解读，而甘肃省定西市仍依赖线下窗口人工受理，线上智能服务使用率较低。这种技术异化现象不仅会加剧区域间公共服务质量的分化，而且可能通过数据反馈机制形成“马太效应”。

(二)智能化应用鸿沟：个人能力与知识壁垒的双重制约

政务大模型效能的充分释放不仅依赖于技术资源的可及性，更受制于应用主体的能力适配与知识储备水平。当前政务机构在推进大模型政务应用时，普遍面临“软约束”与“硬制约”的双重障碍，基层行政人员的人机协同能力不足构成主观层面的“软约束”，而政务知识图谱的构建滞后则形成客观层面的“硬制约”，二者的叠加效应导致政务大模型从“技术可用性”向“治理有效性”的转化链条出现断裂，技术赋能的价值传导机制难以贯通[19]。这一困境往往是由于技术工具与行政实践之间未能实现深层次的认知耦合，当技术应用仅停留在操作层面而未能融入行政主体的决策逻辑时，其效能必然受限于工具属性的单向度发挥。技术赋能的“效率优先”逻辑与行政体系的“程序正义”传统之间还存在张力，前者追求决策速度与模型输出的精确性，后者强调决策透明性与责任追溯机制，这种张力的外化使得政务大模型的效能不仅受制技术本身，而且受限行政体系对技术理性的接纳边界。

行政人员群体的能力断层是政务大模型应用鸿沟的核心表现。具备人工智能专长的行政人员能够通过自然语言交互实现政策模拟与复杂决策推演，充分释放政务大模型的预测与优化潜力；传统行政人员因缺乏系统性的AI技能培训而仅能使用预设的功能模块进行事务性操作，这就导致同一款政务大模型在不同岗位产生差异化的行政效能。这种能力鸿沟实际上是技术工具理性与行政经验理性之间的认知错位，若技术应用超越工具属性而介入决策核心，行政人员无法理解模型运行逻辑，便可能陷入“技术依赖”或“机械执行偏差”的双重困境[20]。技术能力的差异可能重构行政体系内部的话语权分配而形成“技术精英主导”的新型权力结构。在此过程中，具备人工智能专长的行政人员凭借对算法逻辑的掌握逐渐占据政策制定的主导地位，而传统行政人员则沦为技术决策的执行者。这种权力重构可能引发对行政决策合法性的质疑，当模型输出被视为“客观真理”时，行政主体的经验判断与社会价值的权衡空间被压缩，公共利益可能被简化为数据模型的最优解，最终导致技术理性对公共价值的侵蚀。

区域知识壁垒则从客观层面加剧了应用鸿沟的复杂性。发达地区依托动态更新的政务知识库与标准化的业务规则体系为政务大模型提供高质量的知识输入，支撑其完成精准的政策解读与决策辅助。例如，浙江省舟山市通过将知识库与DeepSeek大模型相结合，构建覆盖全市的知识库并且支持动态更新，使得社会救助的准确率达到98.6%，提高了社会救助的精准性与效率②。广州市海珠区通过千万级政务问答和百万级政策指南预训练，建立海珠政务知识语料库，打造能够思考、理解、分析、做出决策的智能政务体系③；而欠发达地区因历史数据电子化率低、业务规则碎片化导致模型训练数据质量参差不齐，常出现政策语义误读或决策建议偏差。此类知识供给的失衡使得政务大模型在欠发达地区的应用效能大打折扣，甚至可能因错误决策引发公共信任危机。政务知识的生产与维护需要持续的制度化投入，而财政与技术资源的区域差异会使知识管理能力的差距随技术迭代不断放大，最终形成知识储备薄弱的地区越难以积累有效数据，进而越无法优化模型性能的“知识贫困陷阱”。

(三)差异化结果鸿沟：价值转化与公共利益的非对称分配

政务大模型应用的技术红利分配，并未遵循理想中的普惠逻辑，反而在价值转化过程中呈现显著的非对称特征。这种差异化结果鸿沟本质上是技术工具理性与公共行政价值理性之间的张力外化[21]，当技术效率追求超越公共利益均衡时，数字化时代的行政正义将面临严峻考验，弱势群体与欠发达地区在公共服务获取、政策资源分配等环节会产生系统性价值流失。政务大模型对历史数据的学习过程是对既有权力关系的数字化复刻，技术应用如果未过滤掉历史数据中的结构性偏见，其输出结果必然延续甚至放大现实中的不平等。这种技术异化的危险在于其以效率提升之名，将社会排斥机制嵌入智能决策流程，使得公共利益分配的不公获得技术合法性的外衣[22]。

在个人权益层面，政务大模型的运行逻辑可能异化为新型排斥工具。高信用群体因数据画像完整、行为轨迹可追溯享受“免审即享”“智能推送”等便利服务；而边缘群体因数据缺失或画像偏差则往往面临着服务申请驳回、优惠政策漏配等隐形排斥。政务大模型的风险防控机制可能会基于历史数据将弱势群体的结构性困境误判为个体风险，进而加剧其公共服务获取障碍。这种排斥是以技术中立为表象，实际内嵌既有社会权力关系的再生产逻辑使技术赋权异化为权利剥夺的合法化工具[23]。例如，针对低收入群体的公共服务需求，政务大模型会因历史数据中该群体违约率较高自动提高准入门槛而忽视其违约行为背后诸如社会保障不足或就业机会匮乏等结构性因素。

区域发展失衡在宏观层面凸显结果鸿沟的累积效应。发达地区通过政务大模型实现政务资源的动态优化配置而形成“数据富集—模型优化—服务升级”的正向循环，持续扩大其智能治理优势。例如深圳市福田区通过引入DeepSeek大模型上线的“AI数智员工”能够在数秒内对上级下达的任务指令进行响应，并且在公文处理上，准确率超过95%，审核时间缩短了90%，但错误率却能控制在5%以内，实现了政务服务既快又准的跃升④。而欠发达地区因数据采集能力薄弱、模型训练资源匮乏而陷入“数据贫困—模型失效—服务降级”的恶性循环。这种分化不仅体现在公共服务质量层面，而且深刻影响区域发展的核心竞争力，发达地区借助智能决策抢占政策创新高地，而欠发达地区却因技术滞后被迫跟随，从而会使得区域间发展差距呈现指数级扩大趋势。技术红利的非均衡分配最终可能解构数字政府建设的整体性愿景，使技术赋能异化为区域发展失衡的加速器[24]，发达地区因早期投入形成的数据资产与技术生态，为其持续获取创新红利提供结构性优势；而欠发达地区因初始资源匮乏，难以突破技术应用的临界规模而最终被锁定在低水平应用层面上。

政务大模型引发的智能鸿沟，本质上是技术扩散过程中效率逻辑与公平价值的冲突显化。本地化接入鸿沟暴露技术资源分配的等级化特征，政务大模型应用鸿沟揭示主体能力与知识供给的适配困境，差异化结果鸿沟则折射公共利益分配的正义危机，三者相互交织构成数字政府转型的深层挑战。破解此类鸿沟需超越单纯的技术优化思维，构建包含资源均衡配置、能力系统性提升、制度伦理约束的协同治理框架，在技术创新与行政伦理间建立动态平衡机制才能实现智能政务从“技术赋能”向“价值共治”的范式跃迁。

三、政务大模型应用的潜在风险

在政务智能化加速转型推进国家治理现代化的战略背景下，政务大模型作为政务智能化转型的核心引擎，正深刻重构行政决策模式与公共服务体系。其技术赋能效应与风险衍生特性交织共生，对治理主权、制度韧性及社会信任等战略维度形成多向度冲击。面对技术迭代与治理需求间的动态博弈，亟须在顶层设计中统筹安全与发展，构建适配智能时代的风险防控体系，为数字中国建设筑牢战略防线。

(一)责任界定风险

当下政务大模型在政务中的应用已经远远超出了传统数字技术的应用范围并深度嵌入政务场景之中，在运用政务大模型时所涉及的行政责任主体也越来越多元化，这就使得传统行政责任体系的边界逐渐模糊化[25]。当政务大模型从辅助工具演变为自主决策主体时，多元参与主体的责任归属问题开始显现出系统性张力，政务大模型的开发者、部署部门与实际使用者相互交织形成了复杂的三维责任场域。开发者通过大模型框架设定决策逻辑的初始参数，部署部门根据行政需求调整模型应用范围，而实际使用者在操作过程中又可能通过反馈机制影响模型迭代路径。这种动态责任网络导致传统法律框架中的过错认定原则面临根本性挑战，当应用政务大模型决策出现政策执行偏差时，究竟是技术缺陷、部署失当还是操作失误引发的后果，难以通过现行归责机制进行清晰界定。人工智能时代下的这种权责界定难题实际上反映了这样一种境况，传统行政法体系建立在“人类决策者”的行为可预测性基础之上，而政务大模型的自主决策打破了行为与结果之间的线性对应关系，使得“过错推定”原则失去适用前提。多个参与主体共同作用于系统演化会模糊个人责任边界，产生的责任稀释效应将导致问责机制失效。

政务大模型不同于传统政务工具具有稳定的功能边界，它是通过机器学习机制不断更新知识结构，其决策逻辑呈现出非线性演化特征，这种持续进化特性加剧了责任追溯的复杂性，使得特定时间节点的政务大模型决策与最终行政结果之间的因果关系链变得模糊。例如，某次决策失误可能源于模型早期训练数据的隐性偏差，也可能由后期增量学习引入的参数异化所致，这种时变特性对过错认定的时序性原则形成挑战，传统责任追溯机制由于难以适应动态演化的技术系统，导致问责实践中出现“责任真空”。从法理的角度审视，这种困境折射出现行法律体系仍停留在“行为—结果”的二元归责范式，而政务大模型已形成“输入—处理—输出—反馈”的闭环演进机制，法律规范与技术发展之间存在着时滞效应。

(二)伦理冲突风险

政务大模型的应用本质上是对社会价值的数字化重构，这一过程不可避免地面临传统伦理框架的适配性挑战，历史偏见产生的机制既不是主观恶意也非技术缺陷，而是源于社会系统与政务大模型之间的价值传导偏差。当历史数据中的非均衡发展轨迹被训练为政务大模型的连接参数时，技术系统实际上将既有社会结构进行了数字化复刻，形成所谓的“数字镜像歧视”[26]。以教育资源的配置优化为例，数字化教育的发展本意是为了实现教育资源的共享，促进教学质量的提高，缩小各地区的教育差距，但教育资源的倾斜往往与当地经济发展的水平密切相关，这就导致一些欠发达地区教育水平发展落后。就比如上海地区早在2010年就推出了“电子书包”等数字化产品进行辅助教学，而我国的一些偏远地区如百色市由于数字化发展水平滞后，网上教学无法取得好的效果。将场景具体到某个省市地区同样适用，政务大模型的配置需要训练大量数据，上层部门如果利用大模型制定校舍扩建计划时，模型依据以往教育政策的执行区域以及历史学生流动数据，建议大量扩建资金投向城区学校，而乡村学校因数据表征不足(如学生人数少、硬件数据更新滞后)被系统判定为“低优先级”。此类决策虽符合数据驱动的效率逻辑，却与教育公平的公共价值目标背道而驰。政务大模型输出的非均衡决策结果被作为新的训练数据反馈给系统，导致偏见在迭代中不断加深。

技术黑箱与政务透明的制度要求之间存在本质性冲突。虽然当前政务大模型通过思维链生成等技术手段提升了解释性，但其决策逻辑的底层架构仍具有不可完全解析的特性。以北京市老旧小区改造为例，模型建议“优先加装电梯”并附带了相关的支撑数据(包括老年人口密度、楼栋结构参数等)，但未说明为何未将“低楼层住户反对率”纳入核心决策变量。决策者虽能获取大量中间数据，却难以判断模型是否隐性忽略了关键利益相关者的诉求。运用政务大模型技术开发出来的全新系统，其不可知性与行政权力的强制性相结合时，可能会诱发社会公众对“AI+政务应用”治理模式的信任危机，其合法性基础也会面临着被技术理性消解的风险。提升政务大模型的可解释性往往是以牺牲模型性能为代价的，形成技术有效性与政治合法性之间的两难选择[27]。

(三)安全保障风险

政务大模型不同于传统数据库的离散存储模式，而是通过参数化的方式将海量信息编码到神经网络结构中，这种分布式多源聚合特性方式使得敏感信息的提取与防护都面临技术困境。政务大模型在持续学习过程中可能无意识地将隐私数据内化为决策特征，形成难以检测的信息泄露通道。传统数据安全策略建立在“数据最小化”和“使用限定”原则之上，而政务大模型的训练机制本质上是对数据价值的最大化挖掘，这种根本性矛盾使得现有隐私保护机制陷入系统性失灵，即使采用数据脱敏对一些隐私敏感信息进行技术处理，模型仍然可能通过特征关联推理还原敏感信息[28]，这就意味着单纯依靠技术手段已无法应对新型隐私风险，必须构建融合技术规制、制度约束的综合防护体系。

政务大模型部署应用的硬件与软件的每个组件都存在着潜在风险节点，特别是基于特定架构的预训练模型，其技术路径依赖可能演变为系统性风险。当基础模型存在设计缺陷或遭遇供应中断时，整个政务AI体系都可能面临功能性瘫痪。当前AI技术生态呈现显著的中心化特征，核心资源集中在少数技术巨头手中，这种不对称的技术权力结构使得政务系统的自主可控性面临严峻挑战，争夺技术标准的话语权已经超越了单纯的技术竞争范畴。

(四)技术依赖风险

当行政人员群体过度依赖政务大模型的决策建议时，可能逐渐丧失对复杂行政问题的独立研判能力[29]。这种分析能力“空心化”表现为双重困境：在操作层面，行政人员可能陷入政务大模型输出的路径依赖，将政务大模型的输出建议等同于最优解；在认知层面，长期的技术辅助可能削弱行政人员的批判性思维，形成机械执行大模型指令的行为定式，这种异化过程最终将导致行政系统失去必要的弹性调节能力。技术依赖的深层危害在于其可能会潜移默化地改造行政人员的认知功能，行政人员运用政务大模型处理政务问题时，由于大模型是在大量数据训练的基础上部署应用的，其往往会根据训练过程提供标准化的决策方案，行政人员的问题意识可能被既有框架所束缚而逐渐丧失发现非常规问题的敏感性[30]。这种认知窄化效应将导致行政系统应对新型治理挑战的能力退化。

政府部门在享受政务大模型带来的便捷时，也同样面临着因AI应用高度集成所形成的治理风险，当核心系统出现故障或遭受攻击时，可能引发跨部门、跨层级的系统性瘫痪。而这种技术系统的故障模式往往超出传统应急预案的处置范畴，它既可能源于政务大模型逻辑的隐性错误，又可能来自数据污染的蝴蝶效应。传统应急管理范式建立在物理系统故障的经验基础之上，而政务大模型的风险传导具有非线性、跨域性和不可逆性等特征，这对危机预警和应急处置提出全新挑战，必须构建人机协同的弹性治理框架，在技术系统与人工系统之间建立功能冗余和快速切换机制，确保在技术失效时行政系统仍能维持基本运行能力。总之行政系统的智能化转型不是技术对人类的替代，而应是人机能力互补的协同进化[31]。

四、政务大模型应用的智能鸿沟和风险的应对策略

作为国家数字化战略的核心抓手，政务大模型的深度应用既是治理能力现代化的关键支撑，又是区域均衡发展与风险防控能力提升的重要命题。政务大模型的应用能够提升治理效能，但也需要实现风险可控，需要从国家治理全局视角统筹智能资源配置、伦理价值对齐与制度韧性构建，破解区域智能化发展失衡与系统性风险交织的复合挑战，为构建包容、安全、可持续的数字政府生态提供战略指引。

(一)智能鸿沟的应对策略

1.阶梯式算力资源均衡配置

在推进国家治理能力现代化进程中，政务大模型的应用正逐步形成技术普惠与区域均衡的发展范式。基于算力资源分布的非对称性特征，构建阶梯式资源配置体系成为优化区域智能化发展瓶颈的关键路径，其核心在于建立与基础设施水平动态适配的技术供给机制。政务云基础设施的普惠化覆盖是弥合区域智能鸿沟的基础工程，针对这种跨区域算力协同网络不仅能提升国家整体算力资源利用效率，更能形成支撑区域差异化发展需求的动态适配机制。政务云的标准化接入接口与弹性扩容能力，使得不同发展水平区域都能获得与其政务需求相匹配的基础设施支撑，为后续智能化应用奠定技术基座。

在基础资源分层供给的基础上，轻量化模型技术为区域差异化部署提供了精准适配方案。以DeepSeek模型体系为例，其全栈式技术架构包含从千亿级参数模型到十亿级微型模型的完整谱系，通过动态剪枝与知识蒸馏技术实现模型性能与算力消耗的精细调控[32]。梯度化部署策略既避免了算力资源的冗余配置，又确保了区域间政务服务智能化水平的基线对齐。模型版本的区域适配本质上构建了技术供给的动态均衡机制，通过建立模型性能参数与区域基础设施指标的映射关系，形成模型版本自动推荐系统。当某区域完成政务云扩容升级后，系统可自动推送适配更高算力环境的模型版本，实现技术能力与基础设施的同步跃迁。这种弹性扩展机制既保障了欠发达地区的政务智能化基本权利，又为发达地区预留了持续升级空间，在技术层面构建起区域协同发展的良性循环。该体系的有效运转依赖于标准化技术接口与动态评估机制的双重保障。政务大模型通用接口的全国统一，确保了不同版本模型在政务服务场景中的功能一致性；区域发展指数动态监测系统则为模型版本的迭代升级提供实时数据支撑。通过技术供给端的结构性创新，最终形成既能尊重区域差异又可实现整体协同的AI政务智能化发展格局，为推进国家治理体系现代化提供可持续的技术支撑路径。

2.推动人员能力与知识壁垒突破

行政人员群体的能力断层本质上是技术工具理性与行政经验理性的认知冲突。分级培训体系的设计需突破传统技能传授框架，转而构建“认知重构—实践嵌入—价值内化”的三维能力培养模型。在初级培训阶段，除基础操作技能外，应着重培养行政人员对AI工具功能边界的认知来明确模型输出的建议属性与决策责任的归属关系；中级培训需引入复杂场景模拟，通过虚拟现实技术构建突发事件决策环境，训练行政人员在AI辅助下的应急研判能力；高级培训则应强化AI伦理的批判性思维，例如通过组织跨部门研讨会对AI政务偏见案例进行解构分析来推动行政人员从被动使用者向主动监督者转型。

跨区域知识共享平台通过系统性机制设计破解知识贫困陷阱，其核心运行逻辑涵盖知识生产、流通与应用的全链条协同。平台以“规则+案例+经验”三位一体的政务知识图谱为基础，通过自然语言处理技术解析政策文本形成结构化规则库，关联历史案例构建可追溯的决策逻辑链，并整合基层创新经验形成动态更新的非结构化知识池，依托区块链技术实现知识版本的可信溯源与增量更新。在知识流通环节，基于区域发展指数与业务场景特征的智能推荐引擎实施分层推送策略，为欠发达地区优先适配基础规则与标准化操作指南，同时结合可视化工具展示跨域最佳实践案例，实现知识的精准适配与场景化赋能。针对技术能力薄弱地区，平台提供低代码知识管理界面与虚拟仿真培训系统，结合驻点技术团队支持完成知识迁移与模型优化，确保知识资源切实转化为治理效能。

3.公共利益导向的价值转化机制

响应速度、处理量级等传统效率指标难以捕捉技术应用对弱势群体的隐性排斥，因此可以引入“包容性指数”等复合指标对服务触达率、操作便利性与结果公正性等进行综合评估。比如通过自然语言处理技术对民生诉求文本进行情感分析，量化弱势群体的服务满意度；或利用图神经网络建模政策资源的流动路径，识别分配过程中的结构瓶颈。评估结果需要与模型优化形成双向反馈，对存在显著公平性偏差的AI模块启动强制再训练程序，确保技术迭代始终以公共利益为锚点。

弱势群体技术适配性优化的实现路径需兼顾功能设计与制度保障。在技术层面，政务大模型中的方言语音交互系统的开发需融入语境理解能力，避免因语音识别误差加剧操作障碍；图文辅助解读模块则应嵌入动态解释逻辑，根据用户反馈实时调整信息呈现方式。在制度层面，可以建立弱势群体需求采集的常态化机制，通过社区网格员定期收集智能化应用障碍群体的使用反馈，并将其纳入模型优化优先级，通过技术与制度的双重建设来有效防止政务大模型异化为新的排斥机制。

(二)潜在风险的应对策略

1.构建政务责任链动态追溯机制

政务大模型的责任界定困境源于其技术系统的自主性与法律主体的确定性之间的矛盾。多主体权责清单制度需突破传统的静态划分逻辑，转而构建“行为—影响—责任”的动态映射框架。对于开发者的责任不应该仅仅局限于初始模型的合规性，还需要对模型迭代过程中引入的风险增量承担连带责任；对于部署部门的监控职责需要延伸至模型运行的全生命周期，包括对增量学习数据的合规审查与决策偏差的实时预警；而使用者的操作责任则应涵盖对政务大模型输出的合理性判断与人工干预记录。

在行政执法、社会保障等高风险场景可以引入区块链存证技术，将模型输入数据、决策逻辑节点与人工审核记录分别存储于司法链、政务链与审计链，通过跨链验证技术确保存证信息的完整性与互操作性，从而超越传统区块链技术的数据固化功能，转而构建跨链协同的追溯网络[33]。同步探索政务大模型责任险，覆盖模型迭代导致的政策偏差风险。政务大模型责任险的设计需要引入风险分级保费机制，根据政务大模型的应用场景的风险等级动态调整保险条款，并设立风险共担基金池用于覆盖系统性故障导致的群体性损失，从而为政务大模型应用过程中的责任追溯提供更灵活的制度保障。

2.政务伦理嵌入与透明性设计

在政务大模型应用中，公共价值观对齐需转化为可操作的技术标准，以政策咨询生成模型为例，可通过“利益均衡指数”量化模型对不同群体诉求的覆盖度。例如在分析乡村振兴政策建议中对留守老人、返乡创业者等群体的语义权重差异；在公共服务自动化模型中，设定“服务覆盖完备率”，检测模型对残障人士多模态交互、少数民族语言变体等非标准诉求的响应能力。测评工具需集成对抗生成技术来模拟政策目标冲突或文化敏感场景，从而检验模型的伦理决策稳定性。对于那些未达标模型应启动动态校准机制，例如在政策咨询争议中引入跨学科专家标注，将标注数据转化为强化学习的基础；对公共服务模型则实施“弱势群体响应倍增器”，在再训练时优先处理特殊群体服务失败案例，通过定向数据增强实现伦理缺陷修复。

可解释性工具的政务适配需避免陷入“解释冗余”与“解释不足”的两极困境。比如在政策建议生成场景中，逻辑推理链的呈现需区分核心依据与辅助信息，通过层级化展示将法律条文、历史案例与模型推断进行视觉分离；在执法文书起草场景中则需嵌入法律论证框架，确保模型解释符合司法文书的形式规范。同时，可解释性输出需与行政公开制度深度整合，建立模型解释档案库供公众查询，并通过定期发布透明度报告披露模型决策的迭代过程。

3.数据安全与应急韧性强化

联邦学习技术为有效实现数据的“可用不可见”提供了技术通道[34]，但在具体政务场景中的应用需解决跨部门数据异构性与隐私保护的平衡问题。为此可以通过自适应加密技术对不同敏感级别的数据进行差异化处理，在确保数据可用性的前提下实现最小化隐私暴露。差分隐私的实施则需与业务场景的风险等级动态适配，例如在医疗数据共享中采用严格的噪声添加策略，而在舆情分析中则可适当放宽精度损失容忍度。通过明确不同数据类型的脱敏标准与使用边界，确保多源数据聚合时满足数据安全的法律要求。

分布式容灾系统的设计可以将数据和应用系统分散部署在多个不同地理位置的节点或数据中心，通过特定的技术和策略使系统在面临突发事件时也能保证业务的连续性，确保数据的安全性[35]。在关键系统中，冗余节点的部署不应简单追求数量优势，而是需要基于业务连续性需求构建最小必要冗余度。例如在应急指挥系统中可以采用“双活—温备”混合架构，在保障实时响应的同时控制运维成本。人工接管预案的制定则需突破应急预案的程式化模板，针对模型逻辑错误、数据污染、硬件宕机等故障类型预设差异化的切换路径与决策权限分配规则，从而在模型系统出现故障时实现人工介入无缝衔接，避免中心化系统崩溃引发的政府相关部门“休克”。

4.人机协同能力长效培育机制

为有效防范行政人员因过度依赖政务大模型而导致治理能力退化，亟须设计一套科学、具体且可操作的考核指标体系，以引导其在充分利用技术工具的同时，持续提升自主分析研判与创新思维能力。该指标体系应紧密围绕“抑制技术依赖”与“激发创新思维”的双重目标，转化为可观测、可衡量的具体行为表现。在评估人工干预的有效性方面，核心在于考察“人工复核的深度与效度”，这要求超越简单的复核行为统计。具体而言，需明确规定涉及重大资源分配、行政执法裁量、高风险政策执行等关键决策场景必须强制进行实质性人工复核，并设定具体的最低复核比例阈值(例如不低于95%)，以确保关键环节不失控。同时，重点评估复核意见的采纳质量，即行政人员在复核过程中提出的具有实质内容的修改建议或合理异议被最终采纳的比例，并需进一步分析这些采纳意见对优化决策结果、规避潜在风险或提升政策效能所产生的实际贡献度，以此杜绝流于形式的复核。在激发创新能动性方面，建立“创新提案的质量与实际影响力”指标，清晰区分“增量优化型提案”(如对现有AI应用流程、操作界面或业务规则的小幅改进)与“突破框架型提案”(如针对模型固有局限提出替代性解决方案、识别出AI未覆盖的新治理问题领域或设计新型人机协同机制)。对于前者，重点评估其带来的易用性提升或效率增益；对于后者，则着重评价其系统性价值和潜在推广意义。最终将这些细化的考核结果深度融入行政人员的绩效评估体系，并作为职务晋升的重要加权因素，切实保障人机协同能力的培育落到实处、取得实效。

政务场景沙盒实验机制的引入能够为技术创新提供安全试错空间，同时规避系统性风险的扩散，其有效性依赖于“风险可控”与“创新自由”的边界把控[36]。在设置政务场景沙盒试验区时需要关注业务关键度与技术成熟度，优先在文件归档、信访分类等非核心领域开放高风险技术测试，并在实验过程中建立“双轨制”监督体系，通过独立技术委员会对模型输出进行合规审查，同时引入公众参与机制收集社会反馈。实验成果在经过“本地验证—区域试点—全域推广”的三阶段评估后加以推广，确保技术应用的稳健性与普适性。

注释：

①北京市门头沟区人民政府.率先上线模型调优工场，门头沟区发布5000万元创新应用引导基金[EB/OL].(2025-01-07)[2025-06-24].http://gffggf570449cd2d64f7fsp6pon0o0nf906kwf.fgzb.hbpu.wttczd-86544418598.com.

②黄宁璐，李旺，王樱燃.舟山“舟到救”平台上线试运行[N].浙江日报，2025-02-24(4).

③广州市海珠区人民政府.千万级问答预训练，广州海珠上线政务云脑大模型[EB/OL].(2024-07-03)[2025-06-24].http://gffgg6c04f85e8b724cf6hp6pon0o0nf906kwf.fgzb.hbpu.wttczd-86544418598.com/gzhzzs/gkmlpt/content/9/9738/mpost_9738302.html.

④深圳市人民政府.福田区以DeepSeek为引擎加快政务智能化转型70名AI“数智员工”上岗[EB/OL].(2025-02-18)[2025-06-24].http://gffgge9d9ad5c6a6142a6sp6pon0o0nf906kwf.fgzb.hbpu.wttczd-86544418598.com/cn/xxgk/zfxxgj/gqdt/content/post_12006997.html.

参考文献

[1]刘成，马洋.数字素养、社会支持与乡村数字受益沟——来自内蒙古1694个农牧民样本的经验证据[J].电子政务，2025(4)：43-57.

[2]方兴东，钟祥铭.生成式AI与智能鸿沟：智能时代数字不平等的趋势、逻辑与对策[J].湖南师范大学社会科学学报，2024(6)：121-131.

[3]冯彩玲，杜晚晴.类ChatGPT技术应用的公共价值解构与建构：基于战略三角模型的分析[J].大连理工大学学报(社会科学版)，2024(3)：7-15.

[4]闫坤如.人工智能的算法偏差及其规避[J].江海学刊，2020(5)：141-146.

[5]陈悦.人机协同裁量的建构原理、风险检视与因应优化[J].浙江学刊，2024(5)：197-205，240.

[6]贺东航.人工智能与中国式现代化研究——基于现状、挑战及对策的考察[J].社会科学辑刊，2025(2)：67-80，2，244.

[7]梁正.新兴技术视域下的人工智能善治——发展现状、风险挑战与治理思路[J].人民论坛·学术前沿，2024(14)：12-22.

[8]杨峰.生成式人工智能的智能鸿沟生成[J].图书馆建设，2023(4)：22-24.

[9]刁俊文，石路.算法赋能基层治理的智能鸿沟及其弥合之道[J].领导科学，2025(2)：106-112.

[10]张艳国，陆嘉豪.智能化赋能社区治理的要素、原则与实现路径[J].江西师范大学学报(哲学社会科学版)，2025(2)：74-86.

[11]陈婧.政府公共决策支持信息系统的构建[J].情报资料工作，2012(5)：61-66.

[12]周剑涛，文剑，熊良，等.基于大数据平台的政务数据治理体系构建探索[J].数字技术与应用，2024(11)：112-114.

[13]VASWANI A,SHAZEER N,PARMAR N,et al.Attention is all you need[C].Proceedings of the 31st International Conference on Neural Information Processing Systems,2017:5998-6008.

[14]魏子舒，韩越，刘思浩，等.2021至2023年人工智能领域研究热点分析述评与展望[J].计算机研究与发展，2024(5)：1261-1275.

[15]庄子银.组建国家数据局带来的新变化[J].人民论坛，2023(17)：17-20.

[16]张欣.论人工智能体的模块化治理[J].东方法学，2024(3)：129-142.

[17]国家网信办信息化发展局.全民数字素养与技能发展水平调查研究组.全民数字素养与技能发展水平调查报告(2024)[R].北京：全民数字素养与技能发展水平调查研究组，2024：3-4.

[18]中国信息通信研究院.中国算力发展指数白皮书(2023)[R].北京：中国信息通信研究院，2023：43-44.

[19]蔡振华，许艾萍.数字技术何以实现基层智慧监督——基于“技术嵌入—组织调适”的分析框架[J].中国行政管理，2024(12)：118-128.

[20]段哲哲.控制算法官僚：困境与路径[J].电子政务，2021(12)：2-16.

[21]孙斐，游鸿宾.数字政府治理的公共价值失灵发生机制及其矫正——以C市智慧城市建设为例[J].中国行政管理，2024(4)：107-119.

[22]王强强.算法推荐技术应用中的意识形态安全风险与防范策略[J].重庆社会科学，2024(7)：86-98.

[23]王启帆，刘雨.生成式人工智能意识形态风险的审视与破解[J].思想政治教育研究，2024(3)：56-62.

[24]朱玲琳.数字政府建设中的数字鸿沟弥合[J].行政管理改革，2024(11)：56-64.

[25]陈英达，王伟.由“急用先行”走向“逐步完善”：生成式人工智能治理体系的构建[J].电子政务，2024(4)：113-124.

[26]李帅.人工智能的风险预测与行政法规制——一个功能论与本体论相结合的视角[J].行政管理改革，2019(10)：50-58.

[27]张成洪，陈刚，陆天，等.可解释人工智能及其对管理的影响：研究现状和展望[J].管理科学，2021(3)：63-79.

[28]李欣姣，吴国伟，姚琳，等.机器学习安全攻击与防御机制研究进展和未来挑战[J].软件学报，2021(2)：406-423.

[29]张会平，曹景伟.算法行政对自由裁量权的影响：正向规制、负向限缩与动态平衡[J].信息技术与管理应用，2023(3)：111-123.

[30]张文博，周冯琦.人工智能背景下的环境治理变革及应对策略分析[J].社会科学，2019(7)：23-30.

[31]周伟.隐忧与防范：人工智能技术嵌入公共决策的价值审视[J].行政论坛，2025(1)：151-160.

[32]刘欢，张智雄，王宇飞.BERT模型的主要优化改进方法研究综述[J].数据分析与知识发现，2021(1)：3-15.

[33]易兰丽，赵丽丽，魏娜.机理与路径：区块链技术如何赋能政务服务“跨省通办”？[J].电子政务，2025(2)：45-56.

[34]张会平，马太平.数据要素市场流通的公共价值创造、失灵及其应对[J].公共管理与政策评论，2024(5)：13-25.

[35]陈倩，刘晓洁，李涛，等.一种保证服务连续性的容灾系统的设计和实现[J].计算机应用研究，2008(8)：2444-2446.

[36]魏钰明，贾开，曾润喜，等.DeepSeek突破效应下的人工智能创新发展与治理变革[J].电子政务，2025(3)：2-39.