【摘要】數智治理作為數字智能技術與治理現代化深度融合的產物，正推動治理范式加速轉型。數智治理新范式的核心要義，即以數據智能推動決策從經驗驅動轉向預測與生成式驅動，以人機互融促進技術系統與人類認知協同進化，以多元協同構建統一治理生態，以賦能實現個體與社會整體效能的躍遷，最終形成“智能—智治—智效”的良性循環。數智治理面臨數據質量、算法黑箱、數字鴻溝、組織惰性等多重約束，阻礙其從理論到實踐的全面落地。未來應在理論、技術、實踐與制度等多維度持續推進，包括加強跨學科理論整合與倫理規范構建，開展典型場景實證以提煉最佳實踐，前瞻應對通用人工智能、腦機接口等顛覆性技術帶來的機遇與風險，完善算法治理、數據權屬等制度設計，并積極參與全球規則制定，以實現更加智能、高效、公平和可持續的數智治理。
【關鍵詞】數智治理 決策指向 人機互融 多元協同 技術賦能
【中圖分類號】D630 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.17.011
【作者簡介】清華大學數字政府與治理研究院 杜玉春 張小勁
引言
數字智能技術與治理場景的加速互嵌及融合，正以前所未有的廣度和深度影響公共治理的實踐樣態和理論模式發展。[1]回顧公共治理范式的演進歷程，自工業革命催生的韋伯式科層治理，至信息時代依托信息通信技術（ICT）提升效率與公眾參與的數字治理，每一次重大技術革新均對國家與社會治理的理念和實踐產生深遠影響?，F階段，面對“烏卡時代”新型治理環境及任務，既有治理范式（尤其是當前主流的數字治理），雖然在打破“數據孤島”、加強跨域連接與整合方面成效顯著，卻在應對復雜決策、實現動態適應性，以及整合多元價值方面逐漸顯現出不足。[2]原因包括：既有范式的決策過程依賴靜態經驗，難以實現動態響應；技術應用多停留于工具層面，未能實現深度融合；價值取向上，往往陷入效率與公平的兩難權衡。數字治理進程本身還客觀地存在非均衡性——不同區域和層級之間的數字化能力差異，限制治理效能的釋放與提升。[3]
在上述背景下，數智治理應運而生。數智治理的萌芽與發展，始終與數字和智能技術的融合演進，以及社會應用的不斷深化緊密相連。數智治理的概念雛形最早可追溯至2005年，隨著大數據、人工智能等技術的發展，相關研究和實踐在21世紀10年代從分散走向聚焦，標志性事件包括國際服務計算領域期刊開始推出數據智能?？?。同一時期，公共管理與行政學界則積極致力于厘清“數智”概念的內涵。有研究在系統梳理“數智”的演變譜系后提出，“數據智能”“數智化”“數智技術”“數字智商”構成“數智”范疇的核心要素矩陣，[4]這也為理解數智范疇奠定基本模型。此后，數智的衍生概念不斷出現，代表性的有“數智時代”“數智賦能”“數智防災”等，[5]進一步拓展數智相關討論與實踐范圍。
數智治理范式源于對上述范疇及實踐的發展，是對數智技術迭代與應用場景拓展的現實需求的回應?？傮w上，數智治理范式旨在通過將大數據、人工智能、物聯網、區塊鏈等智能技術與數字治理深度融合，推動多維度技術集成與系統性創新，以有效應對數字治理當前面臨的現實困境，進而驅動治理理念、組織形態與運行機制，朝著智能化、智慧化的方向持續演進與革新。數智治理范式下的研究視角，從初期關注技術特性與應用潛力，[6]逐步深入到提煉數智化引發的底層變革邏輯。[7]當前，具有代表性的數智治理模式有“知識型治理”“生成式治理”。[8]
作為一種新范式，數智治理并非對數字治理的簡單替代，而是一種承前啟后的關鍵過渡，其標志著治理范式正從“連接整合”轉向“智能生成”，這體現在認知、主體和價值等多個層面。以生成式人工智能等技術突破為核心驅動，數智治理正在認知層面推動決策由經驗驅動轉向“預測—生成”，以期實現跨域知識萃取與多情景策略構建；在主體層面，強調人機互融共生，追求技術智能與人類認知的深度耦合；在價值層面，致力于構建“個體—組織—社會”賦能閉環，全面提升數字智商與治理效能。也就是在這個意義上，數智治理范式通過彌補數字治理的非均衡短板，為更高階的智能與智慧治理奠定技術、數據和認知基礎。就此而論，從數字治理、數智治理到智能治理和智慧治理的公共治理范式演進，呈現“基礎—過渡—執行—目標”四階共生的特別圖景。
數智治理新范式的核心要義
承前所述，數智治理作為數字治理向智能和智慧治理演進的關鍵過渡，其核心特征與內在要求正隨著技術與實踐的深度融合日益凸顯?；趯Ξ斍皵抵侵卫韺嵺`和理論演進的長期跟蹤與細致考察，本文凝練出“決策驅動”“人機互融”“協同路徑”“賦能依歸”四大核心要義。這些要義不僅整合早期研究中關于技術要素的討論，更試圖從整體上揭示數智治理作為公共治理重大變革的本質，進而構筑“智能—智治—智效”良性循環。[9]
以“決策”為基本面向。與以往工業革命所推動的機械化、電氣化及自動化不同，第四次工業革命背景下的數智治理，更加注重依托數據智能對決策機制進行深刻重塑。該過程遵循“數據—信息—知識—智慧”的演進路徑，[10]借助機器學習、深度學習等智能分析技術，從海量、多源、異構數據中，提煉具有揭示性與可操作性的洞見。數據智能的實踐目標在于服務復雜情境中的預測與決策，旨在將原始數據轉化為支撐精準判斷與行動的有效依據，從而奠定數智治理實現智能化與精準化決策的基石。
數智驅動的決策范式，核心價值體現為決策精準性、效率性與適應性的大幅提升。相較于傳統依賴經驗或有限信息的決策方式，該范式能夠深度分析歷史數據與實時動態，更準確地預判趨勢、識別風險；依托對系統狀態與需求的精確洞察，實現資源的優化配置；針對不同場景與對象特征，定制化制定與執行策略，有效避免“一刀切”。這種基于數據洞察的新型決策模式，成為應對復雜多變環境中不確定性、實現從“經驗驅動”向“數據驅動”治理轉型的關鍵所在。[11]
以“人機互融”為演進特征。數智治理新范式的“人機互融”特征，體現為技術系統與人類認知能力之間的深度耦合與相互塑造。[12]支撐數智治理的技術體系，是具備持續學習與自我優化能力的動態實體，通過不斷吸納新數據、響應環境反饋，實現算法迭代與模型優化，從而持續提升預測精度和環境適應力。與此同時，技術的智能演進并非孤立進行，其目標設定、邊界約束與價值導向始終處于人類的主導與監督之下。人類憑借價值判斷、倫理考量與情境理解能力，為技術演進提供方向指引與規范框架；而技術能力的提升則不斷拓展人類的認知邊界與行動效能，構建出“技術賦能人、人控制技術”的雙向增強閉環。
“人機互融”亦外顯于數智化實踐的動態融合進程中。數智化并不是在數字化完成之后才線性啟動的智能化階段，而是數字化與智能化深度交織、相互推動的螺旋式演進過程。隨著數據采集日益精細、算力持續提升、算法不斷突破以及應用場景持續拓展，智能化水平不斷提高；而更高級的智能應用又進一步反哺數字化進程，推動數據采集范圍擴大、處理效率提高與應用價值深化。在這一進程中，人類的角色逐漸由操作者轉變為目標設定與價值仲裁者，技術則從輔助工具演進為具備感知、分析、建議乃至自主執行能力的協同伙伴。
以“協同”為實現路徑。數智治理價值的充分釋放與持續提升，在很大程度上依賴多層次、多維度、多場景的有效協同，其基礎體現為技術體系內部的有機融合。以“大智移云物區鏈”與5G等為代表的數智技術生態，并非彼此孤立，而是構成一個功能互補、相互依存的整體。[13]物聯網與傳感器作為感知層，持續采集海量數據；5G與移動互聯網提供高速、低延遲的數據傳輸通道；云計算為各類應用提供彈性可擴展的算力支持；大數據技術負責數據的存儲、清洗與模式挖掘；區塊鏈則保障數據的可信共享與溯源；而人工智能技術居于頂端，驅動智能分析、推理與自主決策。這種內生的技術協同，可有效克服單一技術的功能局限，構建起“感知—傳輸—存儲—計算—分析—決策—執行”的完整行動鏈，為復雜數智治理應用的落地奠定堅實技術基礎。
協同機制還深刻體現在人機協作與跨域協作兩個方面。在人機協作方面，數智治理并非旨在替代人類，而是以人機互補實現效能提升。具備數字智商的人類作為核心決策者與價值仲裁者，負責目標設定、過程監督與倫理權衡；[14]數智技術則作為賦能工具，承擔信息洞察、任務執行、情景模擬與方案生成等支持功能。在跨域協作方面，數智治理涉及政府、企業、社會組織和公眾等多方主體的協同互動，以及跨部門、跨系統、跨平臺的業務聯動。這要求打破原有的組織壁壘與“信息孤島”，通過建立統一的數據共享協議、互操作標準與信任機制，推動數據要素有序流動與業務協同，最終構建“政府引導、企業主體、社會參與、公眾受益”的協同治理網絡。
以“賦能”為價值依歸。個體賦能構成數智治理的價值基石，其核心在于培育面向數字智能時代的核心素養——數字智商。數字智商不僅涵蓋技術操作能力，更是一種根植于社會倫理價值觀的綜合能力體系，包括數字身份管理、安全防護、權利意識、使用素養與創造力等多個維度，并呈現從“數字公民”到“數字創造者”、再到“數字引領者”的遞進式發展路徑。[15]通過系統的教育與實踐，數字智商的提升使個體能夠批判性理解信息、負責任地運用技術、創造性解決問題，并有效維護自身數字權益，為積極參與數智治理奠定堅實的能力基礎。
在個體能力拓展的基礎上，數智治理進一步驅動組織與社會的效能轉型。依托“大智移云物區鏈”等前沿技術的融合應用，以及數據智能洞察，[16]數智治理重構治理體系的底層邏輯，業務流程得以持續優化，自動化與智能化技術逐步取代人類重復性勞動，不斷提升運行效率與精準性；運營模式實現深度升級，基于實時數據監控與預測性維護，持續改善資源配置效能；治理體系加速向數據驅動和整體性治理轉型，推動傳統依賴經驗決策和碎片化管理的模式發生根本性變革。
新范式面臨的挑戰
數智治理面臨多方面的系統性、結構性與機制性難題。這些挑戰既包括技術本身的局限，也涉及制度適配、組織轉型與價值融合等深層次議題。
“決策”科學化的基礎性約束?，F實中，數智治理推進科學決策仍面臨制約。在數據層面，“數據孤島”現象依然存在，跨部門壁壘限制數據整合與共享；同時，數據質量參差不齊，噪聲干擾、信息缺失以及潛在偏見影響數據的可靠性。在技術層面，“算法黑箱”問題（尤其是在深度學習與大語言模型中）妨礙決策的透明度與可解釋性。生成式人工智能所固有的“幻覺”（hallucination）風險或將加劇這一困境，模型可能生成看似合理實則嚴重失實的政策解讀或處置建議，誤導決策方向。在認知層面，部分決策者存在數據素養不足的問題，容易導致對技術輸出的誤讀或過度依賴，忽視傳統經驗、倫理考量與現實情境的復雜性，引發決策偏誤甚至算法權力濫用。[17]這些因素共同動搖數據驅動決策的科學基礎，并對治理效能構成實質性威脅。
“人機互融”的可持續性危機。“人機互融”的首要矛盾，表現為技術迭代與人力適配之間的脫節。人工智能模型持續高速迭代，遠超人類在數字智商高階認知與創造力等方面的能力發展速度，導致出現“機進人滯”的失衡局面，影響人機協同的實際效能。同時，頻繁的技術更新與相應的人員再培訓，帶來持續的財務與運營資源壓力，加劇協同難度。此外，人機權責動態協調機制尚不健全。目前多數組織缺乏清晰的制度框架，難以在不同情境下合理界定人與機器的責任邊界與決策權限，易引發權責模糊、信任缺失和決策效率下降等問題。[18]
知識雙向流動方面的阻滯與組織惰性，構成“人機互融”的另一大挑戰。一方面，人類經驗難以有效轉化為機器可學習的高質量標注數據，而機器生成的洞察也常因人類理解有限或缺乏反饋機制，未能被充分采納，導致知識循環斷裂、協同演進停滯；另一方面，是否具備靈活的組織結構、規避風險的文化氛圍以及相應的學習與激勵制度，也是人機協作模式的優化與制度化進程的重要影響因素。
“協同”耦合面臨的多重壁壘。現實中的協同耦合實踐，往往面臨來自多方面的嚴峻挑戰。在技術集成層面，遺留系統與新興技術棧之間存在差異，標準不一、互操作性不足，易造成系統連接困難、拉高整合成本；數據格式與元數據定義缺乏統一規范，形成“語義鴻溝”，阻礙數據融合與知識共享的有效實現。
組織層面的協同困境，主要源于部門本位思想、數據主權意識以及潛在利益沖突，由此形成的制度性壁壘，表現為數據共享意愿較低、協議磋商進程緩慢；跨域協同機制缺乏權威統籌主體，顯得松散低效。更深層次的問題在于，傳統依賴層級權威、專業分工與穩定規則的運行模式，雖然有助于維持組織秩序與執行力，卻與技術賦能所倡導的跨邊界數據流動和敏捷響應之間存在結構性張力。
安全與信任風險，伴隨協同進程的深化而凸顯。數據流動與系統交互范圍的擴展，模糊傳統安全邊界，增加數據泄露、濫用和系統性風險的隱患；而信任機制缺失（如擔憂數據被用于競爭或問責），則成為阻礙主體間開放協作的心理障礙。這些深層次的耦合挑戰，共同制約數智治理協同機制所能實現的整體效能。
實現“賦能”公平普惠的困境。首要困境在于數字鴻溝的多維深化。經濟條件、地域分布（如偏遠地區網絡覆蓋不足）、年齡結構（如老年群體的適應障礙）及教育水平等因素，交織形成明顯的“接入溝”（物理層面的使用門檻）、“使用溝”（數字智商與技能差距）與“收益溝”（價值分配的不均衡）。困難群體在數智化進程中難以獲得平等的能力發展與參與機會，埋下數智時代社會“公正風險”的隱患。[19]
其次，轉型過程中的陣痛與結構性失業風險亦不容忽視。自動化與智能化技術的廣泛應用，對低技能崗位造成一定程度的沖擊，可能引發就業壓力與社會不穩定。[20]與此同時，新興高技能崗位出現人才供給短缺的問題。教育培訓體系難以及時響應技術迭代需求，現有勞動力技能結構與數智治理所引發的市場需求部分錯配，反映出當前轉型過程中普惠機制的缺失。
算法偏見對公平原則的侵蝕日益凸顯。基于數據智能的算法決策，因訓練數據中隱含的社會偏見而被放大和固化，易在招聘、信貸審批、公共服務分配等領域形成歧視性結果。[21]算法的“黑箱”特性增加識別與糾正上述不公的難度，不僅損害特定群體的合法權益，也從根本上沖擊數智治理所依托的社會公平價值基礎。
共同體形成與價值制度化遲滯。當前，數智治理研究實踐雖呈現多學科交叉融合態勢，卻尚未形成一個真正深度融合、具有共識的共同體。這首先表現為，學科間存在明顯的話語體系隔閡。技術研究者多聚焦模型精度與架構優化，公共管理學者側重權力配置與公共價值實現，法學專家則強調權責界定與算法正義。各學科之間缺乏有效的對話機制與概念整合。其次，目前數智治理領域尚未形成明確的主流學術流派。技術賦能主義（突出效率提升）、制度適配學派（關注規則重構）、批判賦權路徑（側重公平包容）等多種研究視角并存，[22]缺乏統一的理論框架與研究議程。
數智治理所倡導的核心價值，如算法透明、數據正義、人機共責等，亟待通過法律法規、組織流程與技術標準予以固化。然而，現實中，技術的迭代速度遠超制度構建的能力。以大模型為例，其更新周期可短至數月，而立法與政策調整往往需經歷較長周期。盡管我國已陸續出臺一系列相關政策法規，但在算法備案與審計、公共數據授權運營的權責規則、人機協同決策的法定程序等關鍵制度安排上，仍存在一定空白。
中國場景下的范式突破路徑
黨的十八大以來，以習近平同志為核心的黨中央高度重視新一代人工智能的發展，將其視為推動國家治理現代化的重要引擎。習近平總書記強調：“面對新一代人工智能技術快速演進的新形勢，要充分發揮新型舉國體制優勢，堅持自立自強，突出應用導向，推動我國人工智能朝著有益、安全、公平方向健康有序發展。”2025年8月，國務院印發《關于深入實施“人工智能＋”行動的意見》，人工智能應用有望迎來新一輪發展。然而，在數智治理從理念構建邁向廣泛實踐的過程中，仍面臨多方面的現實挑戰。破解這些難題，既需要適應和依靠技術的內生演進，更需立足中國制度環境與本土實踐，開展系統性、多層次的探索與創新。
夯實技術基座，突破核心瓶頸，系統性推進數據治理與算力基礎設施的共建共享。具體可從數據要素化與關鍵技術融合兩方面協同發力：強化數據基礎能力，建設數據樞紐節點，建立數據要素授權運營等市場化機制，持續系統推進數據質量治理；聚焦關鍵核心技術攻關，通過設立政府與市場聯合基金，推動隱私計算、國產人工智能芯片在政務場景的適配應用，同時依托“東數西算”等國家戰略節點，試點推行“算力券”等政策，有效降低地方政府獲取與使用智能算力的門檻。
在推動技術普惠與可持續發展方面，著力構建包容性生態并完善制度保障。生態建設上，實施針對性舉措彌合數字鴻溝，加強職業技能轉型培訓，提升公眾數字素養；制度層面，充分發揮“制度型技術”在破解治理瓶頸中的杠桿作用，比如，借助政務區塊鏈構建可信數據共享機制，推廣智能合約以優化跨部門協同流程，為技術集成與創新應用提供堅實支撐。
在應用推廣層面，優先采取“分領域試驗、分區域推廣”策略，推動制度創新與技術適配深度融合。分領域推行監管沙盒機制，在醫療數據跨境流動等高敏感場景開展試點，并在基層治理中逐步部署智能合約系統。分區域實施差異化策略：東部發達地區主導“全域數智治理”，形成可復制可推廣的標準與經驗；中西部地區推廣“輕量化數智治理工具包”，優先布局低保核驗、災害預警等高效益場景，實現技術賦能與區域發展需求的有效對接。
（本文系北京市習近平新時代中國特色社會主義思想研究中心重大項目“北京構建超大城市現代化治理體系的理論和實踐研究”的階段性成果，項目編號：24LLZZA097）
注釋
[1][9]孟天廣：《智能治理：通用人工智能時代的治理命題》，《學?！?，2023年第2期。
[2]陳振明：《“烏卡時代”公共治理的實踐變化與模式重構——有效應對高風險社會的治理挑戰》，《東南學術》，2023年第6期。
[3]沈逸：《數字時代均衡治理的新需求與新框架》，《人民論壇》，2021年第1期。
[4]王秉：《何為數智：數智概念的多重含義研究》，《情報雜志》，2023年第7期。
[5]參見江小涓：《數智時代的秩序重構與治理合作：合理合意雙重目標》，《管理世界》，2025年第5期；單宇、許暉、周連喜等：《數智賦能：危機情境下組織韌性如何形成？——基于林清軒轉危為機的探索性案例研究》，《管理世界》，2021年第3期；藍蔚青：《推動政府治理數字化轉型與效能提升——以杭州實踐為基礎》，《國家治理》，2024年第24期。
[6]L. Zhang, “Editorial: Data Intelligence in Services Computing,“ IEEE Transactions on Services Computing, 2010(4).
[7]B. Wu; Y. Hu and X. Gu, Achieving Greater Educational Impact Through Data Intelligence: Practice, Challenges and Expectations of Education, Singapore: World Scientific, 2022, pp. 8-9.
[8]參見鄧理：《知識型治理：生成式人工智能重塑基層治理的變革邏輯及實踐指向》，《學習與實踐》，2025年第7期；米加寧：《生成式治理：大模型時代的治理新范式》，《中國社會科學》，2024年第10期。
[10]郭華、宋雅雯、曹如中等：《數據、信息、知識與情報邏輯關系及轉化模型》，《圖書館理論與實踐》，2016年第10期。
[11]張小勁、陳波：《以數據治理促進政府治理：政務熱線數據驅動的“技術賦能”與“技術賦權”》，《社會政策研究》，2022年第3期。
[12]齊延平：《數智化社會的法律調控》，《中國法學》，2022年第1期。
[13]張建鋒、肖利華、葉軍等：《數智化敏捷組織》，北京：人民郵電出版社，2022年。
[14]王佑鎂、趙文竹、宛平等：《數字智商及其能力圖譜：國際進展與未來教育框架》，《中國電化教育》，2020年第1期。
[15]DQ Institute, 2017 DQ Institute White Paper, 2017.
[16]姚偉、周鵬、柯平：《計算知識管理科學：數智化時代的知識管理研究路徑》，《情報理論與實踐》，2023年第2期。
[17]R. Binns, “Algorithmic Accountability and Public Reason,“ Philosophy & Technology, 2018, 31(1).
[18]謝小云、左玉涵、胡瓊晶：《數字化時代的人力資源管理：基于人與技術交互的視角》，《管理世界》，2021年第1期。
[19]李猛：《人工智能時代的社會公正風險：何種社會？哪些風險？》，《治理研究》，2023年第3期。
[20]A. Chander, “The Racist Algorithm,“ Michigan Law Review, 2017(6).
[21]劉友華：《算法偏見及其規制路徑研究》，《法學雜志》，2019年第6期。
[22]彭小寶、侯思涵、程慧文：《數智治理的理論模型框架與鏈式發展路徑——基于B區治理模式創新的探索性案例研究》，《管理世界》，2025年第8期。
責 編∕李思琪 美 編∕梁麗琛
The Essentials and Challenges of the New Paradigm of Intelligence Governance
Du Yuchun Zhang Xiaojin
Abstract: As the outcome of the deep integration between digital-intelligent technologies and governance modernization, digital-intelligent governance is driving a systemic transformation of governance paradigms. The core features of the emerging paradigm of digital-intelligent governance lies in employing data intelligence to shift decision-making from experience-based to prediction- and generation-driven models; advancing human–machine integration to enable the co-evolution of technological systems and human cognition; fostering multi-actor collaboration to build a unified governance ecosystem; and empowering both individuals and society to enhance overall effectiveness, thereby establishing a virtuous cycle of “intelligence—smart governance—governance effectiveness.” At the same time, this paradigm faces multiple constraints—including data quality deficiencies, algorithmic opacity, digital divides, and organizational inertia—that impede its comprehensive implementation from theory to practice. Looking ahead, sustained progress is needed across theoretical, technological, practical, and institutional dimensions. Key priorities include strengthening interdisciplinary theoretical integration and ethical frameworks, conducting empirical research in representative scenarios to distill best practices, anticipating the opportunities and risks posed by disruptive technologies such as AGI and brain–computer interfaces, improving institutional arrangements for algorithm governance and data ownership, and actively participating in the formulation of global rules. These efforts are essential to fostering a more intelligent, efficient, equitable, and sustainable future for digital-intelligent governance.
Keywords: intelligent governance, decision-making orientation, human–machine integration, multi-actor coordination, technological empowerment
