ARTICLE

Volume 2,Issue 9

Cite this article
2
Download
12
Citations
67
Views
20 October 2026

超越工具论:政务AI 应用的认知误区、适配挑战与数据基础构建

剑芳 谷1 ,  阳 张2 ,  丹丹 王3 ,  云云 袁4 ,  玲 金5 ,  奎 杨1
Show Less
1 河南省政务大数据中心, 中国
2 河南省数据局, 中国
3 河南科技大学商学院, 中国
4 河南省遥感院, 中国
5 河南省自然资源厅, 中国
ASDS 2026 , 2(10), 4–11; https://doi.org/10.61369/ASDS.2026100002
© 2026 by the authors. Licensee Art and Technology, USA. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution -Noncommercial 4.0 International License (CC BY-NC 4.0) ( https://creativecommons.org/licenses/by-nc/4.0/ )
Abstract

2025年是一个明显的分水岭。DeepSeek 等国产模型在中文语境下的表现显著提升,私有化部署的门槛又降了下来,各地政务系统引入AI 的节奏随之加快,智能客服、工单分派、公文辅助一类应用密集上线。问题也随之暴露:不少系统上线即闲置,答非所问,知识库长期不更新。笔者在参与省级政务数据治理与多地调研中感到,这类失败多半不在技术侧,而在决策者对大模型能力边界的判断上。本文据此梳理出三类偏差:最要紧的是把大模型当成查得准、不会错的政策知识库,忘了它的答案其实是按概率拼出来的,不是从库里查出来的;其次是立项时先看指标参数、后看业务痛不痛,又犯了只管建、不管用的老毛病;还有一条常被忽略—— 按“验收即完”的传统信息化方式管AI,既没留数据更新的口子,也没留模型迭代的钱。为检验这三类偏差能解释多少结果,本文对比了四个样本:先看福田那批“AI 公务员”;再看漳州的“候喜”;杭州城市大脑是第三个;还有一个不在政务系统里,是沃尔玛。沃尔玛不在政务系统内,放进来是为了隔离一个变量—— 当数据不缺、预算不缺,工具本身碎片化会造成什么后果。案例分析沿“场景嵌得多深”与“平台统得多广”两条线索展开,由此归纳出需求、场景、数据、平台四个落地条件,并做成一张四维评分表(业务价值40%、数据基础25%、技术可行性20%、风险可控性15%),供地方在立项前对候选场景打分排序。文章最后讨论支撑条件,认为标准、数据、平台三件事里,从数据供给侧到模型消费侧的那段加工链路最容易被跳过,也最值得先投。相比已有研究,本文想留下的不是又一个技术框架,而是一张能拿去开会用的打分表。

Keywords
人工智能
政务服务
大语言模型
认知误区
场景适配
高质量数据集
平台治理
References

[1]Wirtz ,Weyerer ,Geyer .Artificial Intelligence and the Public Sector—Applications and Challenges[J].International Journal of Public Administration,2019,42(7):596-615.
[2]Sun Q T ,Medaglia R .Mapping the challenges of Artificial Intelligence in the public sector: Evidence from public healthcare[J].Government Information Quarterly,
2019,36(2):368-383.
[3] 孟庆国、鞠京芮. 人工智能支撑的平台型政府:技术框架与实践路径[J]. 电子政务,2021(9):37-46.

[4] 施敏,杨海军. 大语言模型数据隐私保护的难点与探索[J]. 大数据,2024(5):174-182.
[5] Bender E M, Gebru T, McMillan-Major A, et al. On the dangers of stochastic parrots: can language models be too big?[C]//Proceedings of the 2021 ACM Conference on
Fairness, Accountability, and Transparency, 2021: 610-623. DOI: 10.1145/3442188.3445922.
[6] Huang L, Yu W, Ma W, et al. A survey on hallucination in large language models: principles, taxonomy, challenges, and open questions[PP/OL]. arXiv(
2023-11-09)[2026-09-09]. https://arxiv.org/abs/2311.05232. DOI: 10.48550/arXiv.2311.05232.
[7] Ji Z, Lee N, Frieske R, et al. Survey of hallucination in natural language generation[J]. ACM Computing Surveys, 2023, 55(12): 1-38. DOI: 10.1145/3571730.
[8]Janssen M ,Brous P ,Estevez E , et al.Data governance: Organizing data for trustworthy Artificial Intelligence[J].Government Information Quarterly,2020,37(3).
[9] 赵娟, 孟天广. 数字政府的纵向治理逻辑: 分层体系与协同治理[J]. 学海,2021(2):90-99.
[10] 刘泽垣, 王鹏江, 宋晓斌, 张欣, 江奔奔. 大语言模型的幻觉问题研究综述[J]. 软件学报,2025,36(3):1152-1185.
[11] 王秀平. 人工智能司法应用法律风险及法治应对[J]. 政法论丛,2024(2):151-160.
[12] 韩旭, 张正彦, 刘知远. 知识指导的预训练语言模型[J]. 中兴通讯技,2022,28(2):10-15.
[13] 李雪晴, 王石, 王朱君, 朱俊武. 自然语言生成研究综述[J]. 计算机应用,2021(5):1227-1235.
[14]Bender E M, Gebru T, McMillan-Major A, et al. On the dangers of stochastic parrots: Can language models be too big?[C]Proceedings of the 2021 ACM Conference on
Fairness, Accountability, and Transparency,2021:610-623.
[15] 欧阳康. 基层数字形式主义:表现、成因与对策[J]. 国家治理,2024(13):10-14.
[16] 曾维和.DeepSeek 嵌入政务智能生态的风险及治理[J]. 理论探讨,2025(5):37-47.
[17] 林锋. 持续训练在机器学习平台中的应用研究[D]. 上海:上海交通大学电子信息与电气工程学院,2021.
[18] 王静, 张红. 人工智能在数字政府建设中的应用及其法治化路径 —— 基于 DeepSeek 在数字行政中应用场景的分析[J]. 中外法学,2025,37(3):625-643.
[19] 霍旻含.AI“公务员”,表现很亮眼[N]. 人民日报海外版,2025-02-24(8).
[20] 毛伟杰. 动态能力视角下跨国零售企业供应链数字化转型路径研究 —— 以沃尔玛为例[J]. 广西民族大学硕士电子期刊,2025-06-16—2025-07-15,2025(7).
[21] 赵路, 屠友军. 杭州全面启动城市大脑3.0 建设[N]. 浙江日报,2025-04-01(1).
[22] 王燕, 方晴. 广州:全国首个城市“三维数字底座”将这样支撑数字政府改革[N]. 广州日报,2022-08-25(1).

Share
Back to top