【摘要】数智治理作为数字智能技术与治理现代化深度融合的产物，正推动治理范式加速转型。数智治理新范式的核心要义，即以数据智能推动决策从经验驱动转向预测与生成式驱动，以人机互融促进技术系统与人类认知协同进化，以多元协同构建统一治理生态，以赋能实现个体与社会整体效能的跃迁，最终形成“智能—智治—智效”的良性循环。数智治理面临数据质量、算法黑箱、数字鸿沟、组织惰性等多重约束，阻碍其从理论到实践的全面落地。未来应在理论、技术、实践与制度等多维度持续推进，包括加强跨学科理论整合与伦理规范构建，开展典型场景实证以提炼最佳实践，前瞻应对通用人工智能、脑机接口等颠覆性技术带来的机遇与风险，完善算法治理、数据权属等制度设计，并积极参与全球规则制定，以实现更加智能、高效、公平和可持续的数智治理。
【关键词】数智治理 决策指向 人机互融 多元协同 技术赋能
【中图分类号】D630 【文献标识码】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.17.011
【作者简介】清华大学数字政府与治理研究院 杜玉春 张小劲
引言
数字智能技术与治理场景的加速互嵌及融合，正以前所未有的广度和深度影响公共治理的实践样态和理论模式发展。[1]回顾公共治理范式的演进历程，自工业革命催生的韦伯式科层治理，至信息时代依托信息通信技术（ICT）提升效率与公众参与的数字治理，每一次重大技术革新均对国家与社会治理的理念和实践产生深远影响。现阶段，面对“乌卡时代”新型治理环境及任务，既有治理范式（尤其是当前主流的数字治理），虽然在打破“数据孤岛”、加强跨域连接与整合方面成效显著，却在应对复杂决策、实现动态适应性，以及整合多元价值方面逐渐显现出不足。[2]原因包括：既有范式的决策过程依赖静态经验，难以实现动态响应；技术应用多停留于工具层面，未能实现深度融合；价值取向上，往往陷入效率与公平的两难权衡。数字治理进程本身还客观地存在非均衡性——不同区域和层级之间的数字化能力差异，限制治理效能的释放与提升。[3]
在上述背景下，数智治理应运而生。数智治理的萌芽与发展，始终与数字和智能技术的融合演进，以及社会应用的不断深化紧密相连。数智治理的概念雏形最早可追溯至2005年，随着大数据、人工智能等技术的发展，相关研究和实践在21世纪10年代从分散走向聚焦，标志性事件包括国际服务计算领域期刊开始推出数据智能专刊。同一时期，公共管理与行政学界则积极致力于厘清“数智”概念的内涵。有研究在系统梳理“数智”的演变谱系后提出，“数据智能”“数智化”“数智技术”“数字智商”构成“数智”范畴的核心要素矩阵，[4]这也为理解数智范畴奠定基本模型。此后，数智的衍生概念不断出现，代表性的有“数智时代”“数智赋能”“数智防灾”等，[5]进一步拓展数智相关讨论与实践范围。
数智治理范式源于对上述范畴及实践的发展，是对数智技术迭代与应用场景拓展的现实需求的回应。总体上，数智治理范式旨在通过将大数据、人工智能、物联网、区块链等智能技术与数字治理深度融合，推动多维度技术集成与系统性创新，以有效应对数字治理当前面临的现实困境，进而驱动治理理念、组织形态与运行机制，朝着智能化、智慧化的方向持续演进与革新。数智治理范式下的研究视角，从初期关注技术特性与应用潜力，[6]逐步深入到提炼数智化引发的底层变革逻辑。[7]当前，具有代表性的数智治理模式有“知识型治理”“生成式治理”。[8]
作为一种新范式，数智治理并非对数字治理的简单替代，而是一种承前启后的关键过渡，其标志着治理范式正从“连接整合”转向“智能生成”，这体现在认知、主体和价值等多个层面。以生成式人工智能等技术突破为核心驱动，数智治理正在认知层面推动决策由经验驱动转向“预测—生成”，以期实现跨域知识萃取与多情景策略构建；在主体层面，强调人机互融共生，追求技术智能与人类认知的深度耦合；在价值层面，致力于构建“个体—组织—社会”赋能闭环，全面提升数字智商与治理效能。也就是在这个意义上，数智治理范式通过弥补数字治理的非均衡短板，为更高阶的智能与智慧治理奠定技术、数据和认知基础。就此而论，从数字治理、数智治理到智能治理和智慧治理的公共治理范式演进，呈现“基础—过渡—执行—目标”四阶共生的特别图景。
数智治理新范式的核心要义
承前所述，数智治理作为数字治理向智能和智慧治理演进的关键过渡，其核心特征与内在要求正随着技术与实践的深度融合日益凸显。基于对当前数智治理实践和理论演进的长期跟踪与细致考察，本文凝练出“决策驱动”“人机互融”“协同路径”“赋能依归”四大核心要义。这些要义不仅整合早期研究中关于技术要素的讨论，更试图从整体上揭示数智治理作为公共治理重大变革的本质，进而构筑“智能—智治—智效”良性循环。[9]
以“决策”为基本面向。与以往工业革命所推动的机械化、电气化及自动化不同，第四次工业革命背景下的数智治理，更加注重依托数据智能对决策机制进行深刻重塑。该过程遵循“数据—信息—知识—智慧”的演进路径，[10]借助机器学习、深度学习等智能分析技术，从海量、多源、异构数据中，提炼具有揭示性与可操作性的洞见。数据智能的实践目标在于服务复杂情境中的预测与决策，旨在将原始数据转化为支撑精准判断与行动的有效依据，从而奠定数智治理实现智能化与精准化决策的基石。
数智驱动的决策范式，核心价值体现为决策精准性、效率性与适应性的大幅提升。相较于传统依赖经验或有限信息的决策方式，该范式能够深度分析历史数据与实时动态，更准确地预判趋势、识别风险；依托对系统状态与需求的精确洞察，实现资源的优化配置；针对不同场景与对象特征，定制化制定与执行策略，有效避免“一刀切”。这种基于数据洞察的新型决策模式，成为应对复杂多变环境中不确定性、实现从“经验驱动”向“数据驱动”治理转型的关键所在。[11]
以“人机互融”为演进特征。数智治理新范式的“人机互融”特征，体现为技术系统与人类认知能力之间的深度耦合与相互塑造。[12]支撑数智治理的技术体系，是具备持续学习与自我优化能力的动态实体，通过不断吸纳新数据、响应环境反馈，实现算法迭代与模型优化，从而持续提升预测精度和环境适应力。与此同时，技术的智能演进并非孤立进行，其目标设定、边界约束与价值导向始终处于人类的主导与监督之下。人类凭借价值判断、伦理考量与情境理解能力，为技术演进提供方向指引与规范框架；而技术能力的提升则不断拓展人类的认知边界与行动效能，构建出“技术赋能人、人控制技术”的双向增强闭环。
“人机互融”亦外显于数智化实践的动态融合进程中。数智化并不是在数字化完成之后才线性启动的智能化阶段，而是数字化与智能化深度交织、相互推动的螺旋式演进过程。随着数据采集日益精细、算力持续提升、算法不断突破以及应用场景持续拓展，智能化水平不断提高；而更高级的智能应用又进一步反哺数字化进程，推动数据采集范围扩大、处理效率提高与应用价值深化。在这一进程中，人类的角色逐渐由操作者转变为目标设定与价值仲裁者，技术则从辅助工具演进为具备感知、分析、建议乃至自主执行能力的协同伙伴。
以“协同”为实现路径。数智治理价值的充分释放与持续提升，在很大程度上依赖多层次、多维度、多场景的有效协同，其基础体现为技术体系内部的有机融合。以“大智移云物区链”与5G等为代表的数智技术生态，并非彼此孤立，而是构成一个功能互补、相互依存的整体。[13]物联网与传感器作为感知层，持续采集海量数据；5G与移动互联网提供高速、低延迟的数据传输通道；云计算为各类应用提供弹性可扩展的算力支持；大数据技术负责数据的存储、清洗与模式挖掘；区块链则保障数据的可信共享与溯源；而人工智能技术居于顶端，驱动智能分析、推理与自主决策。这种内生的技术协同，可有效克服单一技术的功能局限，构建起“感知—传输—存储—计算—分析—决策—执行”的完整行动链，为复杂数智治理应用的落地奠定坚实技术基础。
协同机制还深刻体现在人机协作与跨域协作两个方面。在人机协作方面，数智治理并非旨在替代人类，而是以人机互补实现效能提升。具备数字智商的人类作为核心决策者与价值仲裁者，负责目标设定、过程监督与伦理权衡；[14]数智技术则作为赋能工具，承担信息洞察、任务执行、情景模拟与方案生成等支持功能。在跨域协作方面，数智治理涉及政府、企业、社会组织和公众等多方主体的协同互动，以及跨部门、跨系统、跨平台的业务联动。这要求打破原有的组织壁垒与“信息孤岛”，通过建立统一的数据共享协议、互操作标准与信任机制，推动数据要素有序流动与业务协同，最终构建“政府引导、企业主体、社会参与、公众受益”的协同治理网络。
以“赋能”为价值依归。个体赋能构成数智治理的价值基石，其核心在于培育面向数字智能时代的核心素养——数字智商。数字智商不仅涵盖技术操作能力，更是一种根植于社会伦理价值观的综合能力体系，包括数字身份管理、安全防护、权利意识、使用素养与创造力等多个维度，并呈现从“数字公民”到“数字创造者”、再到“数字引领者”的递进式发展路径。[15]通过系统的教育与实践，数字智商的提升使个体能够批判性理解信息、负责任地运用技术、创造性解决问题，并有效维护自身数字权益，为积极参与数智治理奠定坚实的能力基础。
在个体能力拓展的基础上，数智治理进一步驱动组织与社会的效能转型。依托“大智移云物区链”等前沿技术的融合应用，以及数据智能洞察，[16]数智治理重构治理体系的底层逻辑，业务流程得以持续优化，自动化与智能化技术逐步取代人类重复性劳动，不断提升运行效率与精准性；运营模式实现深度升级，基于实时数据监控与预测性维护，持续改善资源配置效能；治理体系加速向数据驱动和整体性治理转型，推动传统依赖经验决策和碎片化管理的模式发生根本性变革。
新范式面临的挑战
数智治理面临多方面的系统性、结构性与机制性难题。这些挑战既包括技术本身的局限，也涉及制度适配、组织转型与价值融合等深层次议题。
“决策”科学化的基础性约束。现实中，数智治理推进科学决策仍面临制约。在数据层面，“数据孤岛”现象依然存在，跨部门壁垒限制数据整合与共享；同时，数据质量参差不齐，噪声干扰、信息缺失以及潜在偏见影响数据的可靠性。在技术层面，“算法黑箱”问题（尤其是在深度学习与大语言模型中）妨碍决策的透明度与可解释性。生成式人工智能所固有的“幻觉”（hallucination）风险或将加剧这一困境，模型可能生成看似合理实则严重失实的政策解读或处置建议，误导决策方向。在认知层面，部分决策者存在数据素养不足的问题，容易导致对技术输出的误读或过度依赖，忽视传统经验、伦理考量与现实情境的复杂性，引发决策偏误甚至算法权力滥用。[17]这些因素共同动摇数据驱动决策的科学基础，并对治理效能构成实质性威胁。
“人机互融”的可持续性危机。“人机互融”的首要矛盾，表现为技术迭代与人力适配之间的脱节。人工智能模型持续高速迭代，远超人类在数字智商高阶认知与创造力等方面的能力发展速度，导致出现“机进人滞”的失衡局面，影响人机协同的实际效能。同时，频繁的技术更新与相应的人员再培训，带来持续的财务与运营资源压力，加剧协同难度。此外，人机权责动态协调机制尚不健全。目前多数组织缺乏清晰的制度框架，难以在不同情境下合理界定人与机器的责任边界与决策权限，易引发权责模糊、信任缺失和决策效率下降等问题。[18]
知识双向流动方面的阻滞与组织惰性，构成“人机互融”的另一大挑战。一方面，人类经验难以有效转化为机器可学习的高质量标注数据，而机器生成的洞察也常因人类理解有限或缺乏反馈机制，未能被充分采纳，导致知识循环断裂、协同演进停滞；另一方面，是否具备灵活的组织结构、规避风险的文化氛围以及相应的学习与激励制度，也是人机协作模式的优化与制度化进程的重要影响因素。
“协同”耦合面临的多重壁垒。现实中的协同耦合实践，往往面临来自多方面的严峻挑战。在技术集成层面，遗留系统与新兴技术栈之间存在差异，标准不一、互操作性不足，易造成系统连接困难、拉高整合成本；数据格式与元数据定义缺乏统一规范，形成“语义鸿沟”，阻碍数据融合与知识共享的有效实现。
组织层面的协同困境，主要源于部门本位思想、数据主权意识以及潜在利益冲突，由此形成的制度性壁垒，表现为数据共享意愿较低、协议磋商进程缓慢；跨域协同机制缺乏权威统筹主体，显得松散低效。更深层次的问题在于，传统依赖层级权威、专业分工与稳定规则的运行模式，虽然有助于维持组织秩序与执行力，却与技术赋能所倡导的跨边界数据流动和敏捷响应之间存在结构性张力。
安全与信任风险，伴随协同进程的深化而凸显。数据流动与系统交互范围的扩展，模糊传统安全边界，增加数据泄露、滥用和系统性风险的隐患；而信任机制缺失（如担忧数据被用于竞争或问责），则成为阻碍主体间开放协作的心理障碍。这些深层次的耦合挑战，共同制约数智治理协同机制所能实现的整体效能。
实现“赋能”公平普惠的困境。首要困境在于数字鸿沟的多维深化。经济条件、地域分布（如偏远地区网络覆盖不足）、年龄结构（如老年群体的适应障碍）及教育水平等因素，交织形成明显的“接入沟”（物理层面的使用门槛）、“使用沟”（数字智商与技能差距）与“收益沟”（价值分配的不均衡）。困难群体在数智化进程中难以获得平等的能力发展与参与机会，埋下数智时代社会“公正风险”的隐患。[19]
其次，转型过程中的阵痛与结构性失业风险亦不容忽视。自动化与智能化技术的广泛应用，对低技能岗位造成一定程度的冲击，可能引发就业压力与社会不稳定。[20]与此同时，新兴高技能岗位出现人才供给短缺的问题。教育培训体系难以及时响应技术迭代需求，现有劳动力技能结构与数智治理所引发的市场需求部分错配，反映出当前转型过程中普惠机制的缺失。
算法偏见对公平原则的侵蚀日益凸显。基于数据智能的算法决策，因训练数据中隐含的社会偏见而被放大和固化，易在招聘、信贷审批、公共服务分配等领域形成歧视性结果。[21]算法的“黑箱”特性增加识别与纠正上述不公的难度，不仅损害特定群体的合法权益，也从根本上冲击数智治理所依托的社会公平价值基础。
共同体形成与价值制度化迟滞。当前，数智治理研究实践虽呈现多学科交叉融合态势，却尚未形成一个真正深度融合、具有共识的共同体。这首先表现为，学科间存在明显的话语体系隔阂。技术研究者多聚焦模型精度与架构优化，公共管理学者侧重权力配置与公共价值实现，法学专家则强调权责界定与算法正义。各学科之间缺乏有效的对话机制与概念整合。其次，目前数智治理领域尚未形成明确的主流学术流派。技术赋能主义（突出效率提升）、制度适配学派（关注规则重构）、批判赋权路径（侧重公平包容）等多种研究视角并存，[22]缺乏统一的理论框架与研究议程。
数智治理所倡导的核心价值，如算法透明、数据正义、人机共责等，亟待通过法律法规、组织流程与技术标准予以固化。然而，现实中，技术的迭代速度远超制度构建的能力。以大模型为例，其更新周期可短至数月，而立法与政策调整往往需经历较长周期。尽管我国已陆续出台一系列相关政策法规，但在算法备案与审计、公共数据授权运营的权责规则、人机协同决策的法定程序等关键制度安排上，仍存在一定空白。
中国场景下的范式突破路径
党的十八大以来，以习近平同志为核心的党中央高度重视新一代人工智能的发展，将其视为推动国家治理现代化的重要引擎。习近平总书记强调：“面对新一代人工智能技术快速演进的新形势，要充分发挥新型举国体制优势，坚持自立自强，突出应用导向，推动我国人工智能朝着有益、安全、公平方向健康有序发展。”2025年8月，国务院印发《关于深入实施“人工智能＋”行动的意见》，人工智能应用有望迎来新一轮发展。然而，在数智治理从理念构建迈向广泛实践的过程中，仍面临多方面的现实挑战。破解这些难题，既需要适应和依靠技术的内生演进，更需立足中国制度环境与本土实践，开展系统性、多层次的探索与创新。
夯实技术基座，突破核心瓶颈，系统性推进数据治理与算力基础设施的共建共享。具体可从数据要素化与关键技术融合两方面协同发力：强化数据基础能力，建设数据枢纽节点，建立数据要素授权运营等市场化机制，持续系统推进数据质量治理；聚焦关键核心技术攻关，通过设立政府与市场联合基金，推动隐私计算、国产人工智能芯片在政务场景的适配应用，同时依托“东数西算”等国家战略节点，试点推行“算力券”等政策，有效降低地方政府获取与使用智能算力的门槛。
在推动技术普惠与可持续发展方面，着力构建包容性生态并完善制度保障。生态建设上，实施针对性举措弥合数字鸿沟，加强职业技能转型培训，提升公众数字素养；制度层面，充分发挥“制度型技术”在破解治理瓶颈中的杠杆作用，比如，借助政务区块链构建可信数据共享机制，推广智能合约以优化跨部门协同流程，为技术集成与创新应用提供坚实支撑。
在应用推广层面，优先采取“分领域试验、分区域推广”策略，推动制度创新与技术适配深度融合。分领域推行监管沙盒机制，在医疗数据跨境流动等高敏感场景开展试点，并在基层治理中逐步部署智能合约系统。分区域实施差异化策略：东部发达地区主导“全域数智治理”，形成可复制可推广的标准与经验；中西部地区推广“轻量化数智治理工具包”，优先布局低保核验、灾害预警等高效益场景，实现技术赋能与区域发展需求的有效对接。
（本文系北京市习近平新时代中国特色社会主义思想研究中心重大项目“北京构建超大城市现代化治理体系的理论和实践研究”的阶段性成果，项目编号：24LLZZA097）
注释
[1][9]孟天广：《智能治理：通用人工智能时代的治理命题》，《学海》，2023年第2期。
[2]陈振明：《“乌卡时代”公共治理的实践变化与模式重构——有效应对高风险社会的治理挑战》，《东南学术》，2023年第6期。
[3]沈逸：《数字时代均衡治理的新需求与新框架》，《人民论坛》，2021年第1期。
[4]王秉：《何为数智：数智概念的多重含义研究》，《情报杂志》，2023年第7期。
[5]参见江小涓：《数智时代的秩序重构与治理合作：合理合意双重目标》，《管理世界》，2025年第5期；单宇、许晖、周连喜等：《数智赋能：危机情境下组织韧性如何形成？——基于林清轩转危为机的探索性案例研究》，《管理世界》，2021年第3期；蓝蔚青：《推动政府治理数字化转型与效能提升——以杭州实践为基础》，《国家治理》，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]参见邓理：《知识型治理：生成式人工智能重塑基层治理的变革逻辑及实践指向》，《学习与实践》，2025年第7期；米加宁：《生成式治理：大模型时代的治理新范式》，《中国社会科学》，2024年第10期。
[10]郭华、宋雅雯、曹如中等：《数据、信息、知识与情报逻辑关系及转化模型》，《图书馆理论与实践》，2016年第10期。
[11]张小劲、陈波：《以数据治理促进政府治理：政务热线数据驱动的“技术赋能”与“技术赋权”》，《社会政策研究》，2022年第3期。
[12]齐延平：《数智化社会的法律调控》，《中国法学》，2022年第1期。
[13]张建锋、肖利华、叶军等：《数智化敏捷组织》，北京：人民邮电出版社，2022年。
[14]王佑镁、赵文竹、宛平等：《数字智商及其能力图谱：国际进展与未来教育框架》，《中国电化教育》，2020年第1期。
[15]DQ Institute, 2017 DQ Institute White Paper, 2017.
[16]姚伟、周鹏、柯平：《计算知识管理科学：数智化时代的知识管理研究路径》，《情报理论与实践》，2023年第2期。
[17]R. Binns, “Algorithmic Accountability and Public Reason,“ Philosophy & Technology, 2018, 31(1).
[18]谢小云、左玉涵、胡琼晶：《数字化时代的人力资源管理：基于人与技术交互的视角》，《管理世界》，2021年第1期。
[19]李猛：《人工智能时代的社会公正风险：何种社会？哪些风险？》，《治理研究》，2023年第3期。
[20]A. Chander, “The Racist Algorithm,“ Michigan Law Review, 2017(6).
[21]刘友华：《算法偏见及其规制路径研究》，《法学杂志》，2019年第6期。
[22]彭小宝、侯思涵、程慧文：《数智治理的理论模型框架与链式发展路径——基于B区治理模式创新的探索性案例研究》，《管理世界》，2025年第8期。
责 编∕李思琪 美 编∕梁丽琛
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
