习近平总书记强调，“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”。2025年国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出“开创社会治理人机共生新图景”。以大语言模型为代表的生成式人工智能，正深度嵌入社会治理各领域。从智能客服到政务助手，从文本生成到决策辅助，深度影响了社会治理的运行范式。这种深度影响已超越单纯的技术工具范畴，不仅体现为效率提升，更体现为信息生产、人机交互与风险结构的系统性变革。其中，信息生产关乎治理的基础，人机交互关乎治理的方式，风险防控关乎治理的边界。三者各有侧重、彼此影响，共同构成理解生成式人工智能赋能社会治理的重要维度。
一
回溯历史，信息生产方式经历了从口耳相传到文书档案、从纸质台账到数字平台的多次变化，这些变化在不同程度上深度影响了治理形态，并持续拓展着治理能力的边界。社会治理领域的信息技术应用，尽管具体形态各异，但大多遵循“采集—加工—呈现”的基本技术逻辑。与之相比，生成式人工智能不仅能够检索和匹配既有信息，还能基于概率分布生成新的内容。其输出并非对既有事实的简单复现，而是统计模式驱动下的创造性生成。这种能力正在改变社会治理中信息生产、知识服务与决策支持的方式，并在与制度、组织和人员等因素相互作用的过程中，对社会治理模式产生日益深刻的影响。
首先，信息获取门槛降低，非结构化信息的利用效率提升。借助人工智能的语义理解与文本生成能力，基层工作人员能够更加便捷地检索和利用政策文本、办事指南等信息，信息获取的门槛有所降低。值得注意的是，此前的数字治理系统主要围绕结构化数据展开，如投诉量、办结率等，而对调解记录、走访笔记、信访材料等以文本形态存在的非结构化信息，其处理能力相对有限。恰恰是这些文本，承载着社会治理中丰富的情境信息和实践经验。大语言模型的出现，使这些“沉睡”的治理文本有了被批量激活、关联分析和深度挖掘的可能。
其次，社会治理知识的生成方式发生变化。信息为知识提供素材，知识则使信息具有意义。过去，治理经验的积累主要依靠师徒传承和时间沉淀，一名优秀的基层干部往往需数年才能练就处理复杂问题的能力。人工智能不仅提供了一种将分散在一线的实践经验进行整理、提炼的技术可能，还在一定程度上参与了社会治理知识的生成过程，如通过分析大量案例提炼矛盾化解规律、通过模拟不同情境辅助政策设计等。不过，这种知识生成仍需人的验证、解释与价值判断，尤其是涉及伦理、情感与复杂情境的领域，人工智能的作用仍然有限。
最后，生成式人工智能能够通过数据分析、模式识别为治理决策提供辅助。但是，模型幻觉可能生成与事实不符的内容，统计模式匹配无法替代价值判断。因此，人工智能辅助决策必须坚持“人主机辅”的原则，确保最终决策权掌握在人的手中。当一段由人工智能生成的回复被基层干部不加甄别地直接转发给群众时，责任主体已在无形中发生转移；当一份因模型错误生成关键数据的风险分析报告被采用时，可能导致治理资源的系统性错配。信息的可靠性是社会治理赖以运转的基石，因此，“辨伪存真”在人工智能时代显得尤为重要，这也是社会治理必须面对和克服的挑战。
二
传统数字治理中的人机关系，总体上呈现为“人下指令、机器执行”的主从模式。无论是数据报送、平台审批还是监控预警，人按照系统预设路径操作，机器则完成计算、存储和展示功能。这种模式的优势在于权责边界清晰，但其局限在于人需要不断适应系统的技术逻辑。生成式人工智能的出现，使人机关系发生了新的变化：它不再只是一个被动响应的工具，而是一个能够主动提问、提供建议的“协作者”。
在服务端，政务服务的数字化改造，究其实质仍是将线下流程映射到线上。群众仍需逐一理解政策条款、准备材料、填报信息，改变的主要是交互媒介而非交互模式。以大模型为基底的智能政务服务，更适配自然语言交互，推动服务从“办事”向“对话”转变。群众只需用日常语言描述需求，系统即可辅助匹配政策、生成办事指南、预填表单、提示潜在风险。从“人适应系统”到“系统服务于人”的转向，既是交互方式的改变，更是服务理念的升级。
在治理端，变革同样值得关注。基层干部的日常工作大量涉及信息整合与文本处理，大模型能够有效压缩这类案头工作的时间成本，使干部将更多精力投入到面对面的群众工作中。更为重要的是，当大模型能够以结构化、多维度、跨领域的方式对同一件治理事务进行分析时，它有助于突破个体干部知识储备、信息获取和思维框架的局限，在多方案比较和多维度权衡中辅助决策。
当人机协作成为常态时，责任归属问题还需要审慎对待，必须同步完善责任认定机制、算法审计制度和信息可追溯体系，做到“智能辅助、人工把关、权责统一”，确保技术赋能始终在制度的轨道上有序运行。
三
传统社会治理中的技术风险，多集中于自然灾害监测预警、安全生产隐患排查、社会治安动态防控等外部领域。即便涉及技术本身，也多为网络安全攻击、数据泄露等信息基础设施层面的安全风险，防控手段相对成熟。生成式人工智能的兴起，则催生了一类新型风险——由技术内生特性引发的社会风险。这类风险并非源于技术的误用或滥用，而是技术正常运行过程中可能产生的负面外部效应。风险来源由此从“外部”扩展为“外部与内生并重”，治理逻辑亦须相应调整。
深度伪造是其中最具代表性的例证。生成式人工智能可以以较低成本制作以假乱真的图像、音频和视频，使“有图有真相”“眼见为实”这些长期以来形成的社会信任机制受到冲击。在纠纷调解、司法审判乃至公共舆论中，事实认定的难度明显上升。更为根本的是，算法驯化值得高度警惕。大模型的训练语料源于既有文本的汇集，特定文化背景下的价值偏好和认知倾向无可避免地隐藏于其中。模型在学习过程中提取的是统计规律，而非对规律本身的规范性判断。当模型的输出被纳入公共服务的推荐环节或治理决策的辅助链条，治理者未必能察觉其内嵌的价值偏好。即便有所察觉，也通常缺乏系统性的校验工具。算法隐含的价值倾向便在不知不觉中以客观输出的面貌进入社会治理实践，使结构性不平等获得了技术化、隐蔽化的复制路径。当治理者长期处于由算法构建的信息环境中，其视野便可能被限定在模型所呈现的“推荐方案”之内，失去质疑和思考的能力。这些风险与挑战提醒我们，技术应用必须与社会治理的完善同步推进，唯有如此，才能在风险防控中实现社会治理模式的优化与升级。
应对这些内生风险，必须从技术设计、制度安排和社会共识三个层面系统推进。在技术设计层面，将透明度、可解释性和公平性约束嵌入模型开发的全生命周期，而非技术定型后的伦理附加。在制度安排层面，加快建立面向生成式人工智能的分类分级监管框架，针对不同应用场景设定差异化的安全阈值和人工复核要求。在社会共识层面，培育公众的算法素养和媒介批判能力，使社会整体提升抵御人工智能信息操纵的基础性“免疫力”。
总之，生成式人工智能对社会治理的影响，绝非浅层的工具更替，而是对信息生产方式、人机关系模式和风险生成机制的系统性重构。大模型所能覆盖的领域越广，那些无法被大模型替代的能力便越显珍贵。无论是面对面的信任搭建、复杂情境中的道德判断，还是价值选择中的责任担当，均无法被算法模拟。技术赋能终究需要真实的人来检验。唯有在技术赋能与人文坚守之间保持清醒的张力，在效率追求与价值守护之间维持必要的平衡，才能真正实现“开创社会治理人机共生新图景”的战略愿景，在数字时代稳步推进国家治理体系和治理能力现代化。
（作者：张欣，系贵州财经大学副教授）
配配网提示：文章来自网络，不代表本站观点。
