以人工智能破解政策执行难题的几点思索

〔摘要〕多年来，我国政策执行都面临着人力、情面、决策和体制等难以克服的难题。而当前人工智能的日益成熟，已经为破解这些政策执行难题提供了现实可能性。在政策执行领域引入人工智能，需要在如下几个方面进行努力：升级政府智能服务平台，建立智能化政策执行系统;建设大数据系统，构建政策执行的海量数据库;构建优质算法，形成算法森林;建立完善人工智能执行系统的监管机制和问责机制。在建立智能化政策执行系统方面，既要确保决策执行的科学性合理性，又要实现决策执行的自动性流畅性和高度智能性，因此，在关键的决策点、执行点的启动时机及行动方式上需要精心构建。

〔关键词〕人工智能，政策执行，执行系统，大数据

〔中图分类号〕D630 〔文献标识码〕A 〔文章编号〕1004-4175（2021）06-0058-10

一、问题缘起：难以破解的几个政策执行难题

提升政策执行力一直都是各级党委和政府的重要任务。近年来，各级政府在打造高效执行力方面取得了一定的成效，促进了社会发展和人民生活的提高。然而，当前我国仍然存在着阻碍政策执行力进一步提升的难题，需要破解。随着人工智能技术日益成熟，我们已经到了运用人工智能技术破解政策执行难题的时候了。具体来说，我国各级政府中存在的制约政策执行力提升的难题有这样几个：

（一）受人员能力制约的“人力难题”

“人”是政策执行的核心要素，政策执行的其他要素如管理体制、执行资源、执行技术、执行方法都必须通过“人”（执行人员）才能发挥效用。“人”的数量、意愿、能力决定着执行力的水平高低：执行人员的数量足够、执行意愿强、能力高，执行力就较高;反之，执行人员数量不足、执行意愿低、能力弱，执行力就较差。而执行人员的内在利益需求则起着原始的动力作用，影响着执行人员的执行意愿和能力。一些政策执行人员在非理性的个体利益考虑下，可能会出现敷衍执行 、拒绝执行甚至对抗执行的现象，而在一些地方政府内部，“下级对上级政策往往以自己的利益损益值作为对策参考，得益越多，越乐于执行;受损越多，越不乐于执行，乃至抵制、变换”〔1〕443，政策执行力自然受损。概而言之，政策执行力始终受制于“人”，包括人员数量、人员意愿、人员能力等，这就是本文所讲的政策执行的 “人力难题”。

（二）受人情关系制约的“情面难题”

中国是一个注重人情面子的社会，交往双方平时必须讲究礼尚往来与投之以桃、 报之以李，以维系彼此间的情感关系 〔2〕。重视人情关系，能够有效融洽社会关系，促进社会和谐。然而，过分注重人情关系却会对政策执行力起到负面作用，行政学家夏书章早就指出，人情关系“如不能正确对待，将这种感情夹杂在政策运行中，往往就扰乱了政策的执行”〔3〕156。而丁煌也曾指出，“这种传统的人情面子统治方式深深地影响着我们当今许多政策的有效执行”〔4〕，制约、侵蚀和干扰着政府的执行过程，起着严重的掣肘作用。在某些基层单位，干部很容易被“朝见口、晚见面”的亲情与友情所绑架，导致政策执行行为出现扭曲。

（三）受人治模式制约的“决策难题”

人治模式源自于历史上漫长的封建集权统治。当前，一些地方政府在政策执行中仍然存在着“唯上决策”“唯令是听”的人治现象，削弱了下级执行人员的主观能动性和执行主动性、积极性，造成所谓的“领导依赖”现象：“领导推一推就动一动，领导不推就不动。”在“唯上决策”模式中，领导的决策水平成为至关重要的因素，领导决策水平低，就很容易出现执行偏差的后果，如前些年南方某市领导曾经提出过 “禁猪”“禁人”的决策，都被人们所诟病。

（四）受行政体制制约的“体制难题”

行政体制是政府机关运行必备的核心要素。尽管我国近年来不断改革行政管理体制，但所谓的“科层化溢出效应”依然存在。由于强调政府的层级结构与专业分工，有些地方政府的上下级组织及横向部门间存在着协调、信息、合作、监督等诸多方面的障碍，政府组织间摩擦现象普遍〔5〕72，政策执行人员在执行相关任务时的请求汇报环节众多，部门协调困难，乃至于出现手續繁琐、公文旅行以及相互扯皮、相互拆台的现象，直接降低了政策执行的效率。

二、现实可能：人工智能为破解政策执行难题提供了可能

AI （Artificial Intelligence）普遍翻译为“人工智能”，有人认为是“用电子计算机模拟或实现的智能” 〔6〕1，马云则坚定地认为AI应该翻译为“机器智能”而不是“人工智能”①，也有人认为叫作“智能机器”更恰当，原因是“人工智能是能够在各类环境中自主地或交换地执行各种拟人任务的机器”〔7〕63。中科院院士、中国人工智能学会理事长李德毅认为，人工智能就是“机器人与智能系统，也就是各种各样的机器人、智能制造、智慧城市、智慧医疗、智慧金融等”〔8〕。不论人们如何看待人工智能，它都在深刻地改变着人们的工作与生活，成为当前不争的现实，各主要发达国家已把人工智能提升到国家竞争战略地位上来。虽然人工智能的影响有两面性，但关键在于如何运用。如果运用得当，完全可以帮助我们破解政策执行的难题。

（一）人工智能有助于克服政策执行的 “人力难题”，在某些方面高效替代人力执行工作

人工智能在以下方面具有不可比拟的优势，能够弥补人力之不足。

人工智能不但可以替代部分人类工作，而且可以在执行某些任务上超越人类能力。1997年电脑深蓝击败国际象棋冠军卡斯帕罗夫，2016年机器人阿尔法多次击败围棋冠军李世石，都充分说明智能机器可以在某些方面超越人类能力。目前人工智能已经在数据应用、搜索信息、翻译、人脸识别、棋类博弈、无人驾驶、AI金融等多个领域超越并替代人类工作，而通过引入和应用数据挖掘、机器学习、计算机视觉、知识处理系统、自然语言理解和自动程序设计等多个复杂技术，人工智能将在越来越多的领域超越人类能力并能够被用来执行更为复杂的任务。

人工智能可以突破人类的局限，忠实地执行并完成任务。人类存在生理局限，人脑的信息存储量有限，认知有限，工作久了身体会劳累、会厌烦，而人工智能却可以通过机器学习和精准算法，突破信息存储局限和认知局限，并且可以无休止地不知疲倦地快速工作，没有生理局限的困扰。在忠实执行既定任务方面，人工智能这种“机器”更有着人类所不具备的优势，只要向其输入必须执行的特定任务和执行规则，智能机器就会按要求坚定执行，直至任务完成，不会受外界干扰，也不会受到 “人力困境”中个人能力、意愿、心态、责任心、疲劳度的影响，从而确保执行力的达成。

人工智能的迅速发展，为政府引入人工智能提供了条件。当前我们正在由“弱人工智能时代”迈向“强人工智能时代”，人工智能技术日益成熟，在实践中的应用也越来越多。一些先进企业如海尔、富士康已经在生产车间大量使用智能机器人代替人力工作，同时这些企业也广泛研制和应用产、供、销一条龙的智能执行系统，实现自动接收和处理订单、实时库存配送、实时计算、实时回复，实现自动生产、自动装货、自动出货等。由阿里巴巴集团打造的钉钉管理系统可以在考勤、日志、智能报表、审批、通知、公告等方面实现自动化，如在审批方面，可实现随时随地申请和随时秒批，即“零等待”。由此可见，运用人工智能管理公共事务、执行政策任务的条件已相对成熟。随着机器学习能力的增强、计算机视觉与语音语言处理技术的日益成熟，人工智能的智能化程度将越来越高，也将越来越能够部分替代政府人员执行工作。事实上，近年来各地政府已相继引入人工智能，如杭州的“城市大脑”、上海的“一网通办”、深圳的“智慧城市”、北京的“最多跑一次”，均取得较好实效。

（二）人工智能有助于规避 “情面难题”，减少政策执行的外在干扰

早期的研究专家多认为人工智能没有思维与意向，只会按事先规则行事。如维特根斯坦在其著作中自问自答道：“机器会思想吗？它会疼吗？” “机器当然不会思想！”〔9〕174塞尔也认为，人工智能只是“机械式的程序，是不能产生意向性的”，它“并不是思维机器”。〔10〕203-204而侯世达则明确指出，“机器所表现出来的意向是事先已明确化的人类程序员的意向， 或是依照程序员所指定的规则从这些意向中导出的子意向”〔11〕905。 人工智能不具有意愿、没有明确的意向，只要事先设定“执行意向”的这个“程序员”属于设定执行任务的“人”或机构，那么，机器就会完全按照这个既定执行意向坚定不移地执行下去，直至完成。

人工智能也不会产生情感活动，李开复就指出，“虽然人工智能可能在大部分工作上高出人类一筹，但人工智能却没有情感，没有爱”，“阿尔法狗或许能在围棋比赛中击败世界冠军，但它无法从胜利中感受到喜悦，也不会在胜利后产生拥抱所爱之人的渴望”。〔12〕人工智能虽然也叫“人”，但它终究不是人，所以不会有人的情感，也就不会有人情面子这样的心理活动。因而，用人工智能执行相关任务，可以轻而易举地破解政策执行中的“情面难题”。

人工智能还具有情感中立性、客观性的特点。人类的价值观和情感会影响数据的获取与分析加工，这也是不同调研方法（人力和人工智能）在分析同一调查问卷时会得出截然不同的两种数据和结论的原因。相反，人工智能“数据信息的客观性、要素抽取标准的一致性、算法建模的统一性以及决策方式的标准化，保障了算法决策的中立性、客观性，从而可以有效避免人类决策的偏见性”〔13〕。人工智能在政策执行中剔除人的价值观和情感因素，从而可以有效获得和分析客观数据，这就能够为政府的行动方案和执行决策提供科学依据，有效提高决策质量。

（三）人工智能有助于破解“体制难题”，突破政策执行的瓶颈局限

基于互联网技术人工智能时代的到来，必然会导致社会权力结构的多元分化，导致多中心社会治理格局的出现。而将建基于互联网和大数据基础上的人工智能运用到政府管理中，可以有效促进政府的“扁平化”和“去中心化”，减少政府层级节制，从而突破繁琐的官僚风气，减少因权力庞杂而导致的执行效率问题。人工智能有助于破解政府的“体制难题”，主要有三个理由：其一，将人工智能嵌入政府的管理系统中，必然要求将各个不同层级政府及部门的海量数据输入到统一的智能系统中来，也必然要求建立统一的部门协调规则和执行规则，并由人工智能统一指挥、统一协调，这样就使得多部门的沟通协调变得简单，甚至变得不必要。其二，建立一個可以指挥协调各政府部门的统一的人工智能系统，可以有效打破部门行政壁垒，减少部门摩擦，规避部门协调难题，有效提高执行效率。其三，人工智能可以实现多节点联动和自动化执行，减少执行环节，缩短乃至优化政府办事流程，真正解决政府“体制难题”中的流程冗长和效率低下问题。

从实践上看，当前各地推进的政府智能化服务平台都较为有效地破解了政府的“体制难题”。在没有建立智能化服务平台之前，民众要到政府机关办事，往往要往返很多部门，耗时费力，效率很低，即使有些地方政府推出了“一站式”行政服务中心，但也由于各部门信息没有对接、分别审批现象普遍，民众办事仍需等待较长时间。而在建立智能化服务平台之后，各部门的数据与审批权限得到了统合，部门间协调与部门审批问题不再存在，“实时答问、一次性快速办妥”变成了现实，这大大提高了政府的办事效率。

（四）人工智能有助于解决“决策难题”，提高政府的决策能力

人工智能可以存储和分析海量大数据，提高政府决策的科学性。传统上，由于各级政府收集数据来源有限，收集渠道和处理方式单一，数据的质量和数量都有限，政府决策容易出现偏差。而借助于大数据技术及复杂算法，人工智能可以有效收集和存储大数据，也可以有效分析数据和处理数据，为政府的决策提供科学依据，有效提高决策质量。

人工智能可以运用优质算法，提高政府决策的速度与精确度。谷歌高级工程师王晶就指出，人工智能之所以能够进行精确决策，除了有海量数据的保障外，最重要的原因就是“计算机产业的发展提供了足够的计算力，使我们能够运行一些复杂的人工智能算法”〔14〕。通过创建综合决策树算法模型，智能机器可以从大规模数据中发现普遍规律并寻得最优对策，从而对政府的执行事务作出科学判断和科学决策。从这个意义上来讲，人工算法可以“在特定情况下采取最佳行动，对数据作出最佳解释，这种算法往往起到增强或取代人类的分析和决策作用”〔15〕。

人工智能通过建立专家系统，可以实现对复杂问题和专业问题的科学决策。“专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题”〔16〕。专家系统可以依靠某个领域或多个领域专家的知识经验及推理、判断和决策模型，根据实际数据/信息的变化向人们提供多元、多维、多向的科学决策方案，从而确保决策的正确性。

杭州的“城市大脑”正在逐步建设成为城市的智能中枢，通过图像识别、数据汇总、实时计算分析，让人工智能控制和管理城市的交通、能源、供水、安防、城建等，还“可以对整个城市进行布局实时分析，自动调配公共资源，修正城市运行中的缺陷，最终将进化成为能够治理城市的超级人工智能”②。“城市大脑”是政府与企业合作运用人工智能进行公共决策的有益尝试，目前来看效果良好，这将给各级地方政府建立人工智能决策系统提供极佳的参考案例。

（五）人工智能有助于提高政策执行效率，提升执行有效性

有关数据显示，通过自动化计算机执行的常规任务，“在全球低端范围内每年可节省 9670 万个小时和 33 亿美元，在高端范围内每年甚至可节省12 亿个小时，并因此省下411 亿美元”〔17〕。从实践上看，人工智能以实现自动化、机器化、高效化为基本特征，已经在多个领域有效地提高了工作效率与生活效率：在生活领域，电子支付、智能家居、扫地机器人、共享单车等应用，大大提高了人们的生活效率与生活质量;在经济领域，工业智能机器人、物流智能管理系统、智能安保系统等应用，极大地提高了企业生产效率，降低了制造成本;在社会领域，智能社交软件（如微信）、智能医疗系统、智能购物平台等应用，有效提升了社会效率。目前IBM公司研发的“沃森”智能医疗机器人已经可以在10分钟内（比人工快1000倍）诊断出癌症病人并迅速找到最佳治疗方法。沃森不但在医疗领域崭露头角，而且已在金融、娱乐和零售等领域辅助许多人工作。IBM首席执行官罗梅谛（2016年）宣稱，“在未来五年内，沃森将成为人们的助手，届时无论是企业还是个人，他们的每一个重要的决定都将在沃森的帮助下完成”〔18〕。

在政府领域引入人工智能执行系统，并强化其自动化执行、自动化监控和自动化修正等功能，可以有效减少政府在监控、奖惩方面的局限性，促进政策执行效率的提升。据报道，“城市大脑”2016年9月在杭州市萧山区进行了初步试验，道路车辆通行速度平均提升了3%至5%，部分路段提升了11%〔19〕; 深圳市政府2020年推出的“秒报秒批一体化”模式，实现了无需人工审核的真正的瞬间“秒报秒批”;上海市2020年启动的 “一网统管”智能治理模式，有效地促进了城市智慧治理的升级迭代与效能提升。当前各地政府建立的智能自助政务大厅，实现一站式服务，大大减少了民众的时间成本。有民众说：“以前排队一个多小时，现在几分钟办完，而且一天24小时都能办理。”③

因而，从实践上看，人工智能有助于在政府服务和执行事务方面提升效率。今后随着人工智能技术的日益完善，其将在更多方面更广领域促进政策执行效率的提升。

三、路径选择：推进政策执行智能化建设

目前政府领域的人工智能建设滞后于经济社会领域。可以说，经济社会领域人工智能的发展为政府推进人工智能建设提供了很好的经验和基础性条件。当前，可从以下方面着手推进政府人工智能执行系统建设。

（一）升级政府智能服务平台，建立智能化政策执行系统

奥莱立最先提出了“政府服务平台”的理念，从而将平台模式扩展到政府治理领域〔20〕，世界上主要国家目前也正在致力于建设政府服务平台并取得较大进展。在我国，2018年国务院就专门出台了《关于深化“互联网+政务服务”推进政务服务“一网、一门、一次”改革实施方案》，为各地推进智能化政府建设提供了非常好的政策条件。今后要进一步优化提升各地政府政务服务平台的智能化水平，提高智能化自动化的比例。一要进一步运用新技术如语音识别技术、图像识别技术、数据共享技术等来提升政府服务平台的智能化水平，实现政府服务的进一步便捷化简单化。二要扩大服务平台执行事务的范围，在原来的客服和办理行政许可、办证、行政处罚等事项的基础上，把服务范围扩大到包括关系民生的教育、医疗、社保、安全、交通等绝大多数事务上来。三要升级改造政府的各种办公系统（如OA平台）和政务平台，提高其自动化水平，促进人—机的无缝衔接，如在诸如考勤、通知、文件送审、审批、资料、命令下达、监控、考核等大部分政府办公事务上实现智能化自动化。同时，还要建立政府管理（监管、服务）的自动感知、智能识别和自动执行（实施、管理、监控、服务）系统，提高其自动化智能化水平。四要建立政府智能化执行系统，打造智能化政策执行流程。安徽省扶贫办2017 年建立的基于人工智能的扶贫平台，不仅可以精准地找到最需要扶贫的对象，还可以自动在省内乃至全国匹配到最合适的扶贫项目〔21〕;河北省法院2016年开始建立智能化执行办案系统，全省192个法院已统一应用该系统执行各类案件，“有效地减轻了法官工作量，缩短了执行案件办案周期，提高了工作效率”④ 。各级政府可在借鉴上述经验及海尔OEC管理系统的基础上，设计出一套全流程自动化的政策执行系统，如可按照“设定目标→制定计划→筹划资源→决策→实施→监控→评估→修正→总结”的流程设定政策执行的自动化程序。自动化执行系统的建设可采取从点到面、由易到难、逐步推进的方法，先开展试点，再扩大范围，最终实现大部分政策执行事务均可运用人工智能自动化执行落实的目标。

（二）建设大数据系统，构建政策执行的海量数据库

海量大数据是人工智能运行的基础性条件。哈佛大学心理学家斯蒂芬·平克认为，“AI的进步不是来自于对于智力机制的理解， 而是来自于处理速度更快、能力更强的芯片和丰富的大数据”〔22〕26。人工智能虽然并不能使机器像人一样思考，也并不是有较高的智能引入，但海量大数据的建立与芯片的完善则使得人工智能可以进行优质决策和处理问题。

如图1所示，构建政策执行数据库的步骤是：采集→整合→分析→服务。目前，需要采集的数据可大致分为基础数据、政策专题数据、社会数据、实时监测数据等四大类。构建政策执行数据库需要注重以下几个方面：一要充分用好用足政府各部门的统计数据（包括基础数据和政策文件数据），打通各地各政府部门及社会间的大数据系统（如各领域的统计数据），实现信息共享，切实解决当前存在的“信息孤岛”和“数据烟囱”的问题，解决平台数据口径不一的问题，实现统计口径的统一。二要运用物联网的感应设备、影像设备等先进技术，实时监测、实时采集数据，实时充实政策执行的大数据系统。三要依靠社会力量，特别是将著名企业的数据充实到大数据系统中来。有些企业的统计数据，如百度的搜索指数、淘宝的价格指数、360 的企业诚信指数等，虽然在全面性、权威性方面不如政府的统计数据，但却在实时性、超前性方面具有优势，可尽量予以采用。四要充分利用互联网数据，特别关注头条、微信、抖音、微博、知乎、豆瓣等公众网呈现的热点问题、群体行为、公众情绪及事件信息（包括群体性事件、灾害事件、舆论事件等），并及时将之数据化，充实到大数据系统中。五要建立优质大数据分析和处理系统，对政府采集到的大量数据进行分类组合与处理，进行深度挖掘与分析，为政策执行的不同阶段提供适宜可用的数据。

（三）构建优质算法，形成算法森林

算法是人工智能的关键，优质的算法森林则是智能系统的重中之重。何为算法？汝绪华认为：“算法（Algorithm） 指的是解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。”〔23〕智能算法依靠其存储数据、收集数据和精细计算的优势，能够改变政策执行中人力计算的被动、滞后和低效困局，有效实现大数据计算秩序与现实政府行为的“交叠”，同时凭借其自动化特点，促进人工操作向机器“自主计算”的转变。优质算法可以支持高效决策及执行。袁岳指出，借助于优质算法，“只要有一定数量和条件的政务数据输入，就能形成一定的分析成果、判別结果、行动对策与预测预警信息，从而支持高质量决策判断与决策执行”〔24〕。

构建政策执行算法主要有六个步骤（参见图2）。第一步是区分不同的场景类型。要将政策执行中可能遇到的场景作详细分类，如可分为制定计划、筹划物资、人员调度、场地巡视、监察评估等不同场景。要尽可能按部门按类别详细区分可能的场景，分类排序，力求概括准确。第二步是罗列相关场景中的事项和问题，尤其是要罗列决策事项和问题，避免遗漏。可以请教那些有多年工作经验的政策执行人员和相关的政策业务人员，让他们对所罗列的内容进行补充和完善。第三步是构建初步算法。首先，从相关的法律法规、制度、流程、模式、经验、做法、伦理出发，构建合规合理的算法逻辑;其次，从这些算法逻辑出发，由各部门各工作岗位经验丰富的政府人员针对不同的事项/问题细目一一提出初步算法方案;再次，由相关法规人员、领导对初步算法进行法规、流程和伦理等方面的审核和公示;最后，由程序技术团队将其转化为软件化的算法模块。由于政策执行事项/问题众多，共性的事项/问题可以设置共性的统一算法，差异性事项/问题则可以在遵守法律法规的基础上，形成差异化的甚至创新性的算法方案。第四步是进行算法训练，即对初步算法进行数据测试和调整以提高其精度的活动。要利用真实场景的数据对初步算法进行测试，比如变换不同状况输入规定数据以求出相应的算法计算结果，在此基础上对不太理想的算法进行调整优化，经过多轮测试调整后就可以把算法精度提高到理想程度。第五步是实践试用和评估优化。经过算法训练之后的算法并不能立即大范围投入使用，还要在小范围的实践中进行试用，经评估确认效果较好后再经优化精进便可正式投入使用，而效果不太好的初步算法则还需要继续修改并再进行算法训练。第六步是建立算法森林。为数众多的决策算法汇集在一起，就形成了算法森林。算法森林是算法的集合，但又不是简单的集合，是相应算法按照一定的逻辑组合起来的算法集合。实践中，当形成算法森林后，只要有相关的数据输入，算法森林就会进行判断分析并确定其归属类型及细目，最终又归属算法进行计算决策。

（四）建立完善人工智能执行系统的监管机制和问责机制

智能执行系统在政策执行中是否会出现执行不力、执行偏差的现象呢？当然会有。究其原因，一方面可能是智能执行系统不完善所致，另一方面可能是政府机构及人员失误或失职渎职所致。因此，有必要建立专门的人工智能监管机构及问责机构。如何追责？有学者认为，智能系统及算法出现问题，不宜追究算法系统责任而应主要追究政府机构责任，“对政府机构的追责恰恰是倒逼政府主动参与或监督系统设计、实施和测试的有益尝试，这对于提升算法决策的科学性和公正性具有积极意义;同时，由于政府属于算法的购买方，其还可以通过事后追偿或者更换供应商的方式激励算法供应商提升算法决策的可靠性”〔13〕。上述观点具有一定的参考意义。

建立人工智能系统的问责机制，首先要解决“责任鸿沟”问题，解决“到底是算法的失误，还是工作人员的错误判断 ”〔25〕问题 。若是因为政府工作人员未按算法系统的指令行动从而导致出现政策执行不力和执行偏差的问题，那么毫无疑问，问责对象就是政府工作人员。不过，智能系统既然是以自动化为基本特征，人的直接操作行为减少，由“人”——政策执行机构及人员的失职渎职导致的政策执行问题应该不会很多。若是政策执行不力及执行偏差的直接责任者是智能系统及算法，比如因为智能系统及算法存在漏洞和不完善导致政策的执行问题，那又如何追究呢？美国公共政策理事会就此指出，“应用算法的机构即使对算法的结果不能作出合理的解释，但是也应该对采用算法作出的决策负责”〔26〕。通俗一点讲，就是“谁设计谁负责”“谁主管谁负责”，算法及系统的设计者和管理者必须对算法的漏洞负责，他们都应该是问责对象。问责对象有责任确保系统算法的合法合规和完善高质，除了必须确保算法遵从于相关的法律规范外，还要通过算法训练来提高算法的精度。同时，算法管理者还要对初步算法进行系统全面的法规审查及公示，发现问题要立即修补。对于已经运行的智能系统及其算法，可定期聘请专业的监督机构进行独立年检和依法审计，以堵塞漏洞。

对算法及系统问责的难点在于对算法系统的“自我进化”决策的问责。很多智能系统的初始算法由人为设定，但随着“机器自主学习”，算法系统会在学习模仿前期成功案例及试错改错中获得算法编造能力，并通过对现实的观察和思考来自主设定新算法，然而“这种产生知识的原理、过程就成为了‘黑箱，一旦决策失误，问责对象反而难以确定”〔27〕。尽管如此，我们也必须看到，“政府治理与算法之间存在着某种‘委托—代理关系，政府委托算法代其行使治理决策与行为，算法则被赋予了某种行政执行权”〔28〕。作为“委托—代理”关系中的一方，系统及算法的设计者及管理者都需要承担相应的责任，这就意味着设计者及管理者有责任对“机器自主学习”获得的新算法进行审查。不过，由于智能系统及算法构建都属于创新探索的新事项，从鼓励创新的原则出发，应该给予相关责任者一定的豁免期，如头两个月（或半年）可豁免算法设计者的设计责任，不予追究，但要求及时纠正错漏，豁免期结束后若出现错漏则必须追究责任。这也说明在算法系统构建初期，多轮算法训练是非常重要的。

四、愿景预判：智能化政策执行系统构建的几点要项

建立基于大数据和优质算法基础之上的智能化政策执行系统，是实现政策执行智能化的最重要载体，也是实现政策执行智能化的最终形式。如图3所示，智能化政策执行系统有如下几点要项：

（一）决策点

政策执行中有各种各样大大小小的决策点，小的决策点如：同意（否定）申请者的请求，给予某人补助金，增加投入物资和人手，巡视工地场所，发布通知，等;大的决策点如：制定执行战略/策略，制定执行计划（行动计划），调整工作重心，确定投资重点，确定引进（某项）先进技术，等等。与政策制定阶段公共决策的“大决策”特性不同，政策执行阶段的决策多属于执行行动中的自由裁量权，是“小决策”，既受公共政策的大方向大目标限制，也可以体现一定的主动性灵活性。

何时启动决策点？可以从三个方面进行考量：一是按计划启动，即按政策规定、政策计划设定的时间，或按常规（约定俗成）的时间点启动，如确定次日开始实施某行动，那么当天就是决策点。二是数据超阈启动。数据阈值是某一系统设定的离散区间数，超出界限意味着脱离正常情况，出现新情况甚至是出现新风险。当实时监测的大数据系统中某一项或多项数据超出阈值，就要立即启动决策点，如某项环保数据超阈、某项经济指标超阈，或因为某个突发事件、某个舆论热点而导致公众情绪数据超阈，就需要立即启动决策点。三是人为启动，如某领导根据实际情况要求马上开始执行某项计划，或某行政相对人到相关政府机关请示办理某件事项，都需要实时启动决策点。

（二）决策方式

当启动决策点后，智能系统必须根据不同情况确定决策方式。基于大数据的算法决策有三种模式：算法自主决策、算法辅助决策、算法咨询决策〔29〕。算法自主决策是一种由算法完全自主决策的模式，人类完全听命于算法，适用于常规性、机械性、重复性的工作事项;算法辅助决策是由算法辅助人类作出决策的模式，适用于人类决策占主导但需要大数据辅助决策的较复杂的事项，如社会救助对象的确定、垃圾分类重点区域的确定、重点项目经费的分配等;算法咨询决策是算法介入程度最低的决策模式，人类决策处于中心地位，算法只起辅助作用，这类决策模式适用于需要较高自由裁量权及价值判断的高度复杂的决策事项，如科技攻关的下一步重点工作、社会舆论事件的处置、公平分配物资的方案等。

需要指出的是，政策执行阶段有些决策也有可能涉及各方利益的损益，这类决策有必要征询相关利益主体的意见，需要体现公平性透明性原则，因此，有必要建立参与式的算法决策框架，避免“黑箱”操作，如可在算法咨询决策中设立公众议程（公众调查、听证会、协商会）和决策公开制度。对一些专业性较强的复杂决策，要通过专家系统来决策，如涉及环境发展与保护、科研技术攻关、反新型金融欺诈等问题，必须由系统交由相关的专家委员会进行专业的公开讨论并作出决策。

（三）决策方案及执行指令

决策方案即为执行某项政策某项行动的行动方案，可能包括非常简单的指令如回复、巡视、印制奖牌、罚款等，也可能包括复杂的执行方案，如以金桔为主业的特色农业发展方案、以建立覆盖全区老人的平安社区养老方案等。决策方案确定后，系统就会自动发出一个或多个执行指令，要求系统或政策执行人员在规定的时间内按质按量地合规执行。

（四）执行方式

执行方式分为系统自动执行与人工执行两种。一般来说，机械性、简单性的指令由系统自动执行，可提高效率、减少错漏及人为干预;而一些目前还无法由机器完成的事项如联络开会、协商等指令则需由人工完成，由系统直接通知岗位人员，要求他们限时合规执行;而较为复杂方案的执行则需要人工反馈回决策点，再进行方案的细化，以便执行落实。可在系统中建立包含有清晰工作清单的“日事日毕，日清日高”OEC执行模式。

（五）监测评估与总结提升

无论是系统自动执行，还是人工执行，其执行过程及结果，都必须接受系统在大数据支持下的监测评估。如果执行结果良好，则可由系统进行总结提升;但如果未执行或出现执行偏差、执行不力的情况，系统就会立即发出警告，同时再发出执行指令，或在反馈的基础上调整指令和执行方案，或者要求重新进行算法咨询决策，以改进执行工作，保证执行效果。

当前人工智能的蓬勃发展，正在日益深刻地改变着人们的生活方式和工作方式。未来各国之间的竞争，将是效率与质量之争，而其核心则是科技之争。我国在发展应用人工智能方面已经走在了世界的前列，将人工智能系统嵌入政府的政策执行工作中，正逢其时，也必将大有可为。但是，智能算法难以完全达到100%的准确率，数据偏差或算法漏洞都有可能导致算法风险，需要科学规避这种风险;在以算法为主的决策体系中，人类“臣服”于算法权力，而算法晦涩难懂，其设计权、话语权都掌握在少数技术专家手中，这就很容易形成“算法暴政”问题，需要避免出现这种情况;基于算法决策和快速執行等基础的人工智能，可以显著提高工作效率，但却不可避免地对治理的民主化产生阻碍作用，需要在人工智能系统中体现治理民主化。

注释：

①参见马云：AI应翻译为机器智能，人类把自己看太大了，http：//sh.sina.com.cn/news/k/2018-09-17/detail-ifxeuwwr5201206.shtml。

②参见赵云合：两年前，马云给城市安装上了“大脑”，https：//finance.ifeng.com/c/7fjONd8g2vM。

③参见史睿雯：芜湖市网上办事自助服务大厅内的自助终端办事区，http：//www.in.ah.cn/showArticle.jsp？articleID=B9DAD0CE-EDD0-4E07-84DF-016951867118。

④参见宁晓雪、李全：让执行不再艰难 河北省法院打造智能化执行办案系统，http：//news.ifeng.com/a/20161113/50249767_0.shtml。

参考文献：

〔1〕张金马.公共政策分析〔M〕.北京：人民出版社，2004.

〔2〕黄光国.人情与面子〔J〕.经济社会体制比较，1985（03）：55-62.

〔3〕夏书章.市政学〔M〕.北京：高等教育出版社，1991.

〔4〕丁 煌. 传统的“人情面子”观念及其对当前政策执行的影响〔J〕.行政与法，1997（09）：46-48.

〔5〕黄德发.政府治理范式的制度选择〔M〕.广州：广东人民出版社，2005.

〔6〕凯文·渥维克.机器的征途〔M〕.李碧，等译.呼和浩特：内蒙古人民出版社，1998.

〔7〕蔡自兴，徐光祐.人工智能及其应用〔M〕.北京：清华大学出版社，1996.

〔8〕小 羿.院士李德毅：讲不清AI内涵的人，都是瞎忽悠〔EB/OL〕.https：//www.sohu.com/a/233747433_465984.

〔9〕维特根斯坦.哲学研究〔M〕. 陈嘉映，译.上海：上海人民出版社，2001.

〔10〕John Searle.Minds Brains and Programs〔C〕// John Hugeland. Mind Design II： Philosophy， psychology，Artificial Intellilence.Cambridge：MIT press，1980.

〔11〕侯世达.哥德尔、艾舍尔、巴赫——集异璧之大成〔M〕.严勇，刘皓明，莫大伟，译.北京：商务印书馆，1997.

〔12〕李开复.人工智能可以与人类共生吗？〔N〕. 电脑报，2018-08-20（11）.

〔13〕王文玉.算法嵌入政府治理的优势、挑战与法律规制〔J〕.华中科技大学学报，2021（04）：26-28.

〔14〕王 晶.人工智能的历史和前景〔N〕. 中国教育报，2018-03-05（09）.

〔15〕Mittelstadt B，Allo P，Taddeo M.The ethics of algorithms：mapping the debate〔J〕.Big data & society，2016（02）：1-68.

〔16〕刘 毅.人工智能的历史与未来〔J〕.科技管理研究，2004（06）：121-124.

〔17〕国脉研究院.德勤报告：人工智能如何增强政府治理〔EB/OL〕.https：//www.sohu.com/a/159177740_224692.

〔18〕谭 思.IBM CEO：沃森AI智能系统将在五年内普及〔EB/OL〕.http：//tech.qq.com/a/20161027/042770.htm.

〔19〕溯游寻.杭州城市大脑运营一年回顾 最大受益竟是缓解了交通拥堵〔EB/OL〕. http：//www.sohu.com/a/158656486_451068.

〔20〕Tim OReilly.Government as a Platform〔J〕.Innovations，2010（01）：13-40.

〔21〕胡洪彬.人工智能时代政府治理模式的变革与创新〔J〕.学术界，2018（04）：75-79.

〔22〕Steven Pinker.Enlightenment Now：The Case for Reason， Science， Humanism and Progress〔M〕.New York ： Viking，2018.

〔23〕汝绪华.算法政治： 风险、发生逻辑与治理〔J〕.厦门大学学报（哲学社会科学版），2018（06）：27-38.

〔24〕袁 岳.用好政务算法 赋能政府服务〔J〕. 群众，2021（08）：38-39.

〔25〕牟莉娜， 阳 杰.人工智能时代的机遇与挑战：基于算法的审计决策〔J〕.中国内部审计，2018（12）：4-6.

〔26〕Association for Computing Machinery US Public Policy Council （USACM）. Statement on Algorithmic Transparency and Accountability（2017-01-12）〔EB/OL〕. https：//www.acm.org/binaries/content/assets/public-policy/2017_joint_statement_

algorithms.pdf.

〔27〕迪莉娅.大数据算法决策的问责与对策研究〔J〕.现代情报，2020（06）：122-128.

〔28〕任 蓉.算法嵌入政府治理的风险及其防控〔J〕.电子政务，2021（07）：31-41.

〔29〕吴进进，符 阳.算法决策：人工智能驱动的公共决策及其风险〔J〕.开放时代，2021（09）：194-206+10.

责任编辑 周 荣

〔收稿日期〕2021-10-10

〔作者簡介〕莫勇波（1969-），男，广西岑溪人，广东财经大学公共管理学院教授、管理学博士，主要研究方向为政府执行力、政策执行。