推荐文章丨王丛虎：生成式人工智能赋能监管能力提升的内在逻辑及优化路径——基于公共资源交易领域案例的分析

摘要：生成式人工智能正在深度融入政府监管体系,成为推动监管能力现代化的重要驱动力量。本文聚焦公共资源交易领域,结合湖南、安徽及贵州等地的创新实践,系统揭示了生成式人工智能提升监管能力的微观机制。基于所构建的“解析—研判—处理”三层分析框架,研究阐释了人工智能赋能监管能力提升的内在逻辑:其一,规则解析能力,体现了生成式人工智能系统从知识汇聚到智能问答的提升逻辑;其二,情境研判能力,体现了生成式人工智能系统从深度思考到决策分析的发展逻辑;其三,协同处理能力,反映了生成式人工智能系统从智慧分析到协同处理的进阶逻辑。为充分释放人工智能在监管中的潜能,未来应进一步拓展应用场景,加强地方政府算力资源统筹,推动高质量数据共享并提升人工智能技术标准化水平。

关键词：生成式人工智能；监管能力；公共资源交易

一、问题的提出

人工智能的场景化应用已成为治理现代化的核心议题之一,特别是以GPT-4和DeepSeek-R1等大语言模型为代表的生成式人工智能(GenerativeAI)的快速发展,正深刻改变着社会运行与政府治理方式。其不仅在医疗、教育等公共服务领域展现出卓越的内容生成和交互能力,也推动了公共部门在政策分析、方案生成和风险预测中的智能化尝试。大模型借助自然语言处理技术,能够完成大规模语料的无监督学习,掌握语言结构与语义逻辑,并结合特定任务的有监督学习,完成复杂判断与推理任务。这一技术进展,为政府在复杂监管场景中引入智能识别、风险预警与决策辅助奠定了坚实基础。

如何将人工智能技术的潜能转化为治理效能,尤其是将其运用于强化公共部门的监管能力,是一个亟须破解的重大课题。公共资源交易作为资源配置的重要环节,因其权力集中、资金密集、流程复杂等特征,长期以来被视为易发生腐败的领域。党的十九届四中全会提出:“构建一体推进不敢腐、不能腐、不想腐体制机制。”十九届中央纪委五次全会明确要求:“聚焦政策支持力度大、投资密集、资源集中的领域和环节,坚决查处基础设施建设、项目审批、国企改革、公共资源交易、科研管理等方面的腐败问题。”党的二十届三中全会提出,“建立健全统一规范、信息共享的招标投标和政府、事业单位、国有企业采购等公共资源交易平台体系,实现项目全流程公开管理”。党的二十届四中全体审议通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出,“消除要素获取、资质认定、招标投标、政府采购等方面壁垒”。二十届中央纪委四次全会提出:“纵深推进反腐败斗争,深化拓展……招投标等重点领域反腐。”二十届中央纪委五次全会进一步提出:“强化标本兼治,用好一体推进不敢腐、不能腐、不想腐战略抓手。……深化整治金融、国企、能源、教育、学会协会、开发区和招标投标等重点领域腐败。”上述一系列党中央的决策部署,为运用科技手段深化招投标等权力集中、资金密集、资源富集领域的监管改革,提供了根本遵循和明确的战略导向。因此,将人工智能引入公共资源交易监管,不仅是对反腐败战略的积极回应,而且也为检验技术赋能监管能力的效度提供了现实场域,具有重要的理论和现实意义。

已有研究多聚焦于人工智能的概念界定及其应用场景,对其如何赋能监管能力、通过何种机制重塑监管过程,尚缺乏较为深入的理论解释。《国务院关于深入实施“人工智能+”行动的意见》明确提出,加快提升“‘人工智能+’治理能力”,“开创社会治理人机共生新图景”,“加快人工智能在各类公共资源招标投标活动中的应用,提升智能交易服务和监管水平”。随着“人工智能+”治理能力场景应用的深入推进,探讨人工智能提升监管能力的内在逻辑显得尤为紧迫。基于此,本文以公共资源交易领域案例为例,旨在揭示人工智能赋予监管能力提升的内在逻辑,探究其从技术工具转化为治理效能的现实路径,以期为推动政府治理能力现代化提供理论参考与实践启示。

二、文献梳理与分析框架

（一）文献梳理

随着人工智能技术不断嵌入社会生产生活的方方面面,其对公共治理的影响引发了学界的广泛关注。人工智能技术赋能监管能力提升,已成为数字政府建设的核心议题。 已有研究主要从技术驱动监管范式转变、生成式人工智能应用场景落地以及生成式人工智能赋能监管风险三个层面展开。

第一,技术嵌入监管环节不仅代表治理工具升级,而且助推了监管体系的变革。传统监管模式依赖人工监测,存在成本高昂、响应滞后等固有缺陷。生成式人工智能通过数据挖掘、机器学习等技术,实现了监管模式的巨大变革。 首先,生成式人工智能推动了监管方式循数化,借助深度学习构建统一的数据分析平台,为决策提供客观科学的依据,克服了经验主义的认知偏差。其次,监管流程趋向智能化,人机融合的治理模式有效弥补了人类理性局限,提升了对复杂问题的处理能力。最后,监管体系实现了协同化。语义技术与算法逻辑有效打破了部门间的信息壁垒,促进了跨层级、跨领域的信息流动,缓解了治理碎片化的困境。

第二,人工智能技术赋能监管能力的应用场景不断扩展。随着生成式人工智能技术的不断发展,数字监管能力已成为国家治理能力现代化的重要指标。在金融领域,生成式人工智能被广泛应用于系统性风险监测、反洗钱识别、征信评估及监管协同等方面,显著提升了监管的精准性与公平性。在公共安全与社会治理领域,生成式人工智能视觉识别与行为分析技术已用于校园餐食安全管理以及考场智能巡考等场景。人工智能的引入正在重塑政府监管的运行方式,其通过突破过往较多依赖经验判断和碎片化监管的局限,实现了数据驱动的全链条监管。在此基础上,相关实践案例共同构成了中国探索生成式人工智能赋能监管的典型样本。

第三,人工智能引入监管领域,既是治理现代化的发展机遇,又是一项伴随系统性风险的深刻挑战。首先,数据风险是整个监管环节风险的源头。训练数据的质量直接决定了生成式人工智能系统的性能和公平性。若训练数据本身存在偏见与歧视,就会通过机器学习的过程不断放大。其次,算法黑箱使得决策逻辑难以解释,削弱了外部监督的可能性,引发问责难题。最后,多重风险的叠加效应放大了治理难度。数据质量影响算法效能,而算法黑箱又掩盖了数据问题,两者相互交织形成了恶性循环。虽然生成式人工智能深度嵌入数字政府意义重大,但其引发的全周期数据安全风险同样不容忽视。学界主张应通过技术审查与管理制度相结合的方式进行全方位规制,如建立算法伦理评估体系、实施算法偏见规制、强化全周期数据安全管理等。 只有通过构建全方位的规制框架,才能在释放技术红利的同时,确保技术应用符合公共利益。

综上所述,现有研究为人工智能在监管领域的应用筑牢了坚实基础,在人工智能赋能监管能力的内涵、特征、要素、路径等方面形成了共识。然而,既有研究多聚焦于基础理论阐释和宏观层面制度分析,对人工智能如何提升监管能力的微观机理缺乏深入探讨。

（二）研究框架

监管能力是一个宽泛概念,指在特定治理体系中,监管主体及时掌握信息、发现问题、预警风险,进而直接干预与快速处置的动态能力水平。数字监管能力是以信息为核心,通过信息引导监管场域中各主体之间的多元互动,赋能政府、市场和社会,形成预防性、精准性以及适应性治理的能力。在公共管理实践领域内探讨政府监管能力,从根本上而言,是要以治理理念创新为先导,通过资源整合实现治理结构的适应性调整,依托流程再造与机制优化推动治理过程科学化,最终实现治理模式的范式性跃迁。

相较于传统政府监管模式中可能存在的信息不对称、响应迟缓、反应滞后、处理不精准等问题,生成式人工智能嵌入监管领域能够显著增强监管的时效性与精准性,具体表现为对知识的及时掌握、对问题的及时发现、对风险的及时预警与快速处置。因此,本文将人工智能赋能监管能力提升的内在逻辑概括为“解析—研判—处理”三个维度。第一,“解析”维度指向理解与解释规则的能力。基于对海量法律文件、政策文本与标准规范的深度学习,生成式人工智能大模型能够围绕维护市场秩序、保障公共利益、防范系统性风险等监管目标,精准解读法律、法规、规章、标准,并针对规则中的模糊地带作出解释,从而确保规则的统一性和稳定性。第二,“研判”维度指向风险识别与判定能力。通过融合历史交易记录、企业信用评价等多元异构数据,生成式人工智能能够敏锐洞察监管领域的行业规律和技术发展趋势,精准识别违规风险点,并基于数据和事实作出理性判断,以辅助监管部门研判招标文件可能存在的歧视条款、数据泄露等风险。第三,“处理”维度指向组织协同与及时处理能力。生成式人工智能通过打破部门间、层级间、区域间的数据壁垒,构建起高效协同的监管网络,实现了监管主体之间的信息共享与执法联动,有助于引导社会力量参与监管,进而推动建立覆盖风险预警到闭环处理全流程的高效运转体系。

三、研究设计与案例呈现

（一）案例选取

本文选用多案例比较分析方法,主要基于以下考量:一是多案例能够深入描绘复杂监管场景中各要素的互动关系及制度演变过程,有助于揭示人工智能赋能监管能力提升的现实路径。二是多案例比较分析能够避免单案例的偶发性,提炼出生成式人工智能赋能监管的共性逻辑,并阐明不同行政环境下各地实现监管目标的方式,从而提升研究结论的外部效度。本文选择湖南省、安徽省以及贵州省作为研究对象,主要基于:首先,安徽省和贵州省是我国首批公共资源交易平台整合试点地区,在制度设计与监管机制创新方面具有先行先试优势。湖南省虽是第二批试点省份,但在公共资源交易领域改革中成效突出,多次荣获国家级表彰,具备典型性。其次,这三个省份在发展水平、财政能力及治理基础上具有显著差异,有助于构建多案例的比较框架,增强研究的外部效度与理论解释力度。最后,公共资源交易改革创新及新技术应用通常由省级政府牵头,且上述三个地区在智能监管领域率先创新并积累了丰富的实践经验,可以为本文提供翔实的实证素材。

（二）资料收集

在资料收集方面,课题组于2024年12月至2025年11月,在湖南、安徽、贵州三省开展实地调研,通过座谈会、访谈、非正式交流等方式,对信息中心工作人员、公共资源交易中心技术人员、纪检监察干部、评标专家及软件平台开发人员等进行了多轮追踪调查,获得了监管系统设计、预警规则设定、线索处置流程等方面的一手资料。同时,课题组还收集了湖南、安徽、贵州三省通过政府网站、公共资源交易中心平台等发布的相关政策文件,以及新华社和相关微信公众号发布的新闻报道,作为调研资料的补充。

（三）案例呈现 

1. 湖南省:“机器管招投标”改革 

湖南省推行的“机器管招投标”改革以人工智能、大数据和区块链技术为支撑,构建起覆盖招标、投标、评审与履约全周期的智能监管体系。一是在招标环节,在依托《湖南省公共资源交易数字化、模块化招标文件范本框架导引及编制导则》构建的智能化招标文件编制系统中,招标人只需输入项目关键参数,如公路里程、建筑面积等,生成式人工智能系统就会自动匹配对应的资质要求和业绩门槛,文件编写过程全程留痕,从源头上遏制了量身定制式招标行为。 二是在投标环节,将企业资质、人员、业绩等核心信息在交易平台预先录入并锁定,投标时只需一键同步;开标后,所有投标人的信息都会在“阳光房”系统公示。 这能显著提高围标串标行为的成本。三是在评标环节(这也是改革的核心),对于客观评分项,生成式人工智能会自动完成资格审查,并计算出客观评分项得分;主观技术标则由专家进行“盲评”,隐去投标人信息,并辅以“六随机、五区间”机制;专家身着能够记录行动轨迹的电子马甲,以最大限度地避免人情因素的干扰。四是在履约阶段,合同签订流程被内置到交易平台之中,生成式人工智能系统能够通过大数据研判精准识别合同延期签订情形并发出预警,同时持续检测合同条款变更等潜在风险。截至2025年12月,湖南省公共资源交易单个项目平均投标数由14.4家增至44.1家,民营企业中标率从73.65%提升至82.9%,外地企业投标和中标占比也大幅增长。该模式通过技术赋能重塑交易生态,有效破解了传统招投标领域易受人为干预、流程不透明等问题,显著提升了公共资源配置的效率与公平性。 

2. 安徽省：类人化“青天大模型” 

安徽省合肥市公共资源交易监督管理局针对当前存在的招标人主体责任空心化、围标串标隐蔽化、评标专家裁量非理性化等现象,积极探索“人工智能+招标投标”新模式,创建了以算力为支撑、数据为基础、模型为核心、应用场景为导向的“青天大模型”。 该模型的核心创新在于实现生成式人工智能“类人”评审的技术突破,即生成式人工智能通过深度学习海量招投标文件、行业规范与专家评审标准,模拟多领域专家的评审逻辑,为评标委员会提供智能辅助。 合肥市于2025年3月完成全国首个生成式人工智能“类人”电梯类采购项目评审,其生成式人工智能系统在15分钟内完成了原需3.5小时的人工评审工作,且评分结果获评委全票通过。此后,生成式人工智能评审应用逐步拓展至土建工程、装饰装修、道路工程、农田水利等12类项目,覆盖范围持续扩大,评审效果获得专家与业主单位广泛认可。在制度保障方面,印发了《合肥公共资源交易大模型开发建设与应用管理暂行办法》,为大模型的研发、训练、部署与应用提供了规范化制度框架,明确了数据安全、算法透明、责任追溯等管理要求,确保生成式人工智能赋能过程合法合规、可控可信。此举不仅强化了技术应用的权威性,也为在全国范围内推进“人工智能+公共资源交易”提供了可复制的制度样本。

3. 贵州省:“人工智能+辅助评标”系统 

州省以国家大数据综合试验区建设为契机,依托“全省一张网”和“云上贵州”(省属国有企业)平台的基础数据,整合全省企业资质、业绩、信用等多维数据资源,构建电子交易体系,推进“人机协作”在评标环节的应用,显著提升了公共资源交易治理能力与监管效能。在客观评审部分,“人工智能+辅助评标”系统根据招标文件范本,梳理出44个可量化、可对比的客观评审点,依托“全省一张网”收集的企业资质等数据,由系统按照评审要点自动提取比对并生成评审结果,供专家复核。在主观分评审部分,“人工智能+辅助评标”系统针对技术方案、施工组织设计等难以量化的主观指标,依托招标文件明确的九大评审项,结合行业政策与技术规范,细化出256个评审要点。运用多模态数据识别、自然语言处理及混合专家模型等先进技术,系统能够对投标文件中的文本、图表等内容进行语义解析与深度分析,生成包含评分依据、优劣对比和风险提示等内容的初步评审意见,从而为专家评审提供重要参考。同时,人工智能系统还可以对评审中的风险问题进行预警,并及时推送给监管部门进行处理。

四、案例分析:生成式人工智能赋能监管能力提升的内在逻辑

（一）解析:从知识汇聚到智能问答的提升逻辑 

生成式人工智能赋能监管能力提升的第一个环节是解析交易规则,其本质是通过技术手段有效汇集分散化的存量信息,实现高质量的智能问答。湖南省、安徽省以及贵州省在这一维度中形成了各具特色的实践路径。湖南省借助生成式人工智能技术将监管规则嵌入公共资源交易平台之中,压缩了各个环节的自由裁量权。“机器管招投标”改革将招标文件和投标文件的范本内嵌到交易系统之中,投标门槛选择实现了从大多依靠人工经验判断向由人工智能依据项目特征自动匹配标准化指标的转变。这种解析能力从源头上消除了“萝卜招标”的困境,确保了监管规则在不同项目、不同情境下的统一性与稳定性。

安徽省通过构建“类人”知识结构智能模型,突破了原本生成式人工智能局限于文本识别的困境,实现了其规则推演的智能辅助功能。“青天大模型”通过学习法律条文、模拟专业评审人员的推理路径,能够对规则中的模糊条款进行情境化解释,并以交互问答的方式生成具有“类人”逻辑的辅助决策意见。这就有效规避了传统模型生成虚假信息的生成式人工智能幻觉难题,也表明该类模型已具备基于知识开展理性推理的能力。贵州省“人工智能+辅助评标”系统推动了监管规则从宏观调控向精细监管转型。该模型在解析过程中的核心能力在于切实提升了规则执行的精细化程度,使监管行为深入到具体的交易环节之中。例如,在招投标系统将招投标文件拆分为44项可量化的客观评审指标以及256项评审要点后,生成式人工智能模型会围绕具体条款与指标开展针对性问答并实时比对,一旦发现评分偏差和异常判断会及时提示。如此,通过智能问答的精细化解析,可以将监管行为嵌入每一个评审节点。 

（二）研判:从深度思考到决策分析的发展逻辑 

生成式人工智能在公共资源交易监管中的研判逻辑,本质上是通过数据驱动,将海量多元的交 易信息转化为线索,以辅助决策。湖南省、安徽省、贵州省构建了差异化的研判体系,体现了从深度思考到决策分析的多元化发展理念。湖南省“机器管招投标”改革通过用户行为画像进行合规性研判。具体而言,系统先对招标人、投标人和评标专家的历史数据进行长期画像,构建标准化行为模型,再将个体行为与模型标准进行持续比对,若发现异常行为会及时预警。 例如,在招投标文件录入环节中,系统会实时同步相关文件数据;在评审及专家现场活动环节,系统能借助定位芯片汇集专家活动轨迹,实时测算个体行为偏离常态的概率,一旦偏离度超过阈值,系统会立即生成风险等级并触发监管预警。安徽省“青天大模型”构建了类人化仿真研判模式。该模型通过模拟评标专家的知识结构,对招投标文件、过程信息、评审记录进行多轮推演与交叉验证,能够识别出招投标文件中隐蔽的违规线索,复刻专家在复杂情境中的监管逻辑,有效挖掘投标企业之间的关联交易和招标文件中的隐性门槛,从而为最终决策提供专业建议。贵州省招投标监管模型注重微观语义洞察。“人工智能+辅助评标”系统通过对比技术指标与行业规范,开展监管与审查。其能在深度思考中捕捉招标文件、投标文件在技术参数、资质关联等细节上的违规风险,并及时向评标专家发出预警,提供风险成因与审查建议。这一生成式人工智能模型,通过微观语义的研判,促使监管过程下沉到具体交易细节,将其在语义层面的深度思考转化为评标审查的决策依据。

（三）处理:从智慧分析到协同处理的进阶逻辑

在研判环节发现监管风险后,通过跨部门协同与信息共享机制进行处置,不仅为提升监管能力提供了有力支撑,也增强了监管透明度与应对违规行为的灵活性。

湖南省是将跨部门、跨层级的交易活动整合到同一平台进行监督。在跨部门协同方面,“机器管招投标”系统打破了住建、交通、水利、自然资源等七大行业监管部门之间的信息壁垒,借助生成式人工智能算法统一了全省招投标范本,实现了招投标文件的在线填写。进一步地,该系统还整合了原本分散于各部门的专家库、行业信息、企业信用体系。在跨层级协同层面,“机器管招投标”系统坚持省建市用原则,构建了省、市、县三级贯通的监管闭环。系统在市级交易环节自动预警的违规风险点,除在本地预警并处置外,其相关失信信息会同步上传至省级监管中心,实现了监管数据从下至上的有效汇聚与业务联动。

安徽省依托合肥市公共资源交易中心（平台）着力构建省市互联的信息系统,实现政务数据的异地共享。通过将交易平台与行业监管系统、信用管理平台及纪检监察平台等对接,该系统将交易行为数据同步推送至相关行业主管部门与综合监管部门,打造了跨部门、跨层级的信息系统。生成式人工智能模型,系统能自动识别异常报价、关联企业投标、高频中标主体、专家评分偏离等风险特征,并向发改部门、行业监管部门及纪检监察机关同步发出预警。 这一机制改变了以往多部门分段管理、事后移送的碎片化监管模式,推动了监管的全程化与一体化。

贵州省致力于打造部门信息共享的数字协同监管生态。 作为全国首批“全省一张网”试点省份,贵州构建了纵向贯通、横向协同的数智化监管体系。 在横向协同方面,依托统一数据底座,交易系统汇聚了来自多个行业监管部门的项目审批、履约监管及市场信息等数据。 在纵向贯通方面,构建了覆盖省、市、县三级共1222个监管部门的统一平台,实现了监管指令与风险预警的穿透式连接。通过设立33个预警监测点,生成式人工智能系统能够实时分析全省各级交易数据,精准识别陪标行为,并驱动各级监管主体进行同步处置。 此外,贵州运用区块链数据共享平台,确保跨层级流转数据的真实性与不可篡改性,形成“链式”协同机制,从而构建起从省级统筹到县级执行的完整监管闭环。

五、生成式人工智能赋能监管能力提升的优化路径

人工智能凭借其强大的数据处理、逻辑推理和内容生成能力,在以公共资源招投标为代表的多个领域重构了治理流程、革新了监管范式,大幅提升了监管的效果、精准度与协同性。然而,在生成式人工智能赋能监管能力提升实践中,技术逻辑与行政逻辑的张力引发了一系列深层挑战:第一,在解析层面,生成式人工智能模型的治理效能高度依赖训练文本与算力资源的支持。然而,既有的招投标文件可能存在表述不规范、标准不统一的问题,由此可能将有瑕疵的范本内嵌入系统之中。此外,部分地区在建设智能系统时受制于高额的算力成本,难以对模型进行充分的训练优化,这也会限制其智能解析能力。第二,在研判层面,模型所作出的决策不仅可能存在“黑箱风险”,即无法解释决策的生成逻辑,而且同一个模型对相同问题作出的多次判断,其结果也可能存在差异,进而对监管决策的稳定性造成影响。第三,在处理层面,生成式人工智能本质上是一项技术工具,其在协同治理中的主要作用在于提供风险识别与决策支持。真正实现协同治理目标,仍需依靠制度规则的完善与组织机制的有效衔接。为应对生成式人工智能赋能监管场景的诸多挑战,未来可从以下路径着力,构建技术可靠、数据可信、机制协同、制度健全的智能监管体系。

（一）推动人工智能场景精准落地是提升智能监管能力的基础 

在市场经济条件下,监管能力是国家治理体系高效运转的重要支撑,其本质是将监管理念、制度规则转化为解决实际问题的行动力。而人工智能应用场景作为监管需求的具象载体、治理工具的实践场域、治理效能的检验标尺,是连接人工智能应用与提升监管能力的关键桥梁。智能社会治理,本质上是技术理性与监管需求实现动态适配,关键在于通过具体的场景中介,将抽象的技术转化为具体的监管效能。为实现上述目标,应从以下两个维度加以完善。

一方面,以问题导向重塑智能监管场景。推动人工智能监管场景落地的重点不在于数量的增长,而在于构建问题导向型的应用空间,以动态适配技术理性与治理需求。在公共资源交易场景中,需要重点识别围标串标、异常报价、非法分包等隐蔽风险,在关键交易环节嵌入算法模型,将长期依赖人工监测与经验判断的情境转化为可计算、可预警、可追溯的制度化流程,以补齐传统监管在穿透式识别与事前防范方面的短板。

另一方面,借助试点机制推广智能监管场景。推动人工智能场景精准落地,通过先行先试单位的标杆示范作用,可以引领更多地方开展创新实践。具体而言,国务院可以委托国家发展和改革委员会,在已经开展了“人工智能+公共资源交易招投标”的地区,选择部分城市作为试点试验单位,明确试点试验的期限,给予一定的政策倾斜和资金激励,同时及时总结经验,尤其是要完成标准制定和指导工作,为在全国范围内推广智能监管提供支持。

（二）统筹算力资源是生成式人工智能赋能监管能力提升的关键 

人工智能应用场景落地普遍面临算力、算法与数据要素协同不足的瓶颈。这是因为,一方面,人工智能大模型的训练高度依赖高性能基础设施,如计算机芯片(GPU、NPU)、生成式人工智能专用加速卡,以及支撑大模型训练的公有云或混合云平台。而这些基础设施价格昂贵、费用不菲,对于单个部门而言,是一笔不小的投资。另一方面,数据是人工智能模型训练的核心资源。在实践中,大模型落地应用时往往面临有模型而无数据的“无米之炊”的困境。

生成式人工智能在监管领域的应用正日益拓展,其中的算力设施不仅是一项技术资源,更已成为各级政府应该提供的公共产品。实践表明,省级政府在资源整合与制度供给方面具有显著优势。以全国首个国家级大数据综合试验区——贵州省为例,该地通过省级政府统一规划算力布局,系统整合政务云、行业数据资源,构建起集约高效的智能算力体系。 数据显示,2025年,贵州省在建及投运的数据中心达50个,全省算力总规模已突破150EFLOPS,较2024年增长近2倍,其中智算占比超过90%,已成为全国智算能力最强、智算资源最集中的地区之一。 贵州省公共资源交易中心在完善全省数据“一网共享”、交易“一网办理”、服务“一网集成”、监管“一网协同”的基础上,进一步与“云上贵州”建立起算力资源共享机制,为交易环节中的生成式人工智能模型训练提供了有力支撑。

由此可见,由省级政府统筹算力规划的模式能够有效破解资源碎片化问题。为进一步推动生成式人工智能在监管领域的规模化应用,建议各地探索由省级财政统一购买或租赁算力资源,建立覆盖全省的共享共用机制。同时,统筹盘活现有算力与算法资源,提升资源整体配置效率,实现动态灵活调度,支撑智能监管体系建设。

（三）高质量数据共享是生成式人工智能赋能监管能力提升的保障

在生成式人工智能逐渐融入政府监管体系的背景下,高质量的数据共享已成为实现精准、高效、协同监管的重要保障。人工智能系统的决策效能,很大程度上依赖于输入数据的数量、质量与结构,如果缺乏有效的共享机制,数据将长期滞留在各部门内部,形成“信息烟囱”,进而限制生成式人工智能模型的学习与决策能力。

从数据治理的角度看,人工智能对数据质量的要求涵盖了准确性、完整性、时效性与有效性等多个方面。任何基础数据的偏误都可能在算法处理过程中被放大,进而削弱监管决策的可靠性。因此,需要确立统一的数据标识规则,对数据采集、存储、处理以及应用的全流程进行规范化管理,构建覆盖数据全生命周期的质量控制体系。

从数据共享的途径看,多数省份已经通过搭建专属数据共享平台、出台配套制度等方式,实现了省内基础数据的跨部门、跨层级共享。例如,贵州省、江苏省已实现将省内市场主体的注册、税务、社保等数据,与公共资源招投标数据进行共享。然而,由于全国性数据主要集中存储于各部委系统,中央与地方之间、部门与部门之间的“信息孤岛”现象依然较为突出。因此,实现高质量基础数据共享,必须依托于中央层面的顶层设计与部际协同,通过制定统一的数据资源目录与共享边界,打破纵横交错的数据壁垒。例如,市场主体注册数据的共享应由国家市场监督管理总局负责统筹,市场主体税务数据的共享则应由国家税务总局负责统筹,等等。唯有如此,才能真正实现全国性基础性数据的共建共享。

具体到公共资源交易领域,应充分发挥全国公共资源交易平台整合工作部际联席会议的牵头作用,协调市场监管、税务、人社及纪检监察等部门,制定统一的数据资源目录与共享边界,构建覆盖市场主体全生命周期的基础信息共享网络,进一步打破公共资源交易中的数据边界,提升整体监管与服务效能。

（四）技术标准化是生成式人工智能持续提升监管能力的驱动力

技术标准化旨在消除因技术多样性导致的壁垒,在确保技术安全与兼容的基础上,提升应用效率与质量,最终使同一技术事项能够在不同场景和主体间实现标准化、可重复的应用。在行政监管领域,技术标准化是实现数字化治理、促进跨部门协同、保障监管公正的关键举措。具体而言,规范政务和公共服务数据采集、存储、共享等环节,并建立统一的数据口径与接入标准,有助于打破“数据孤岛”,从而提升政务服务效率与监管效能。在公共资源交易领域,技术标准化是规范市场秩序与提升监管效能的重要制度基础。 一方面,对招投标文件中的技术参数与指标口径进行统一规范,可以有效防止招标主体通过隐性或排他性条款限制竞争,从而维护公平有序的市场环境。另一方面,统一全国公共资源交易平台的技术接口与数据格式,是实现交易信息互联互通、实时共享以及开展智能分析的前提。因此,推动“人工智能+公共资源交易招投标”场景落地,关键在于标准先行与规范引领。在推行试点试验的同时,应强化“人工智能+”所需的数据标准、技术标准、服务标准建设,并统筹制定适应不同场景的实施规范与操作指南。具体而言,可以由国家发展和改革委员会主导,安排试点试验的交易中心或研究机构承担数据标准、技术标准、场景落地指南的起草工作,同时吸收行业龙头企业参与测试;待实践经验成熟后,再制定全国通用标准,为生成式人工智能持续赋能监管能力提升提供制度支持。

六、总结与讨论

我国生成式人工智能应用的场景已广泛铺开,不仅在推动公共服务精准化、政务服务高效化、社会治理精细化、政府决策科学化和行政执法非现场化等方面取得了积极成效,而且在赋能公共资源招投标监管领域实现了巨大突破。 然而,“人工智能+监管能力”建设也面临着多重挑战:一是技术应用仍存在瓶颈,如核心技术自主可控性不足、技术融合的整体性不强等。二是数据治理仍存在诸多问题,如数据安全与隐私保护风险凸显、数据质量与标准化尚待提高、数据共享机制不够健全等。三是组织管理体系仍存在短板,如组织架构与“人工智能+”业务模式的契合度不足。四是政策法规体系还有待完善,如现行法律法规对生成式人工智能在监管场景中的应用缺乏有效规范,相关权责边界、程序规则与问责机制尚不明确等。五是人才支撑仍显不足,既精通人工智能技术又熟悉监管业务的复合型人才较为短缺,且现有管理型人才的知识结构更新滞后于技术迭代速度,难以满足智能化监管的实践需求。

生成式人工智能赋能监管能力提升是一项系统性工程,需要从技术、数据、组织、政策和人才等多维度协同发力。其核心在于构建起多元共治生态体系,打破传统监管模式中政府、企业、公众的边界,形成三方共建的协同监管网络。在这一体系中,政府作为规则制定者,应该主导组织重构、政策创新、技术创新,授权运营并开放基础数据;科技企业应提供智能算法支持与云计算资源;市场主体及公众则通过数据反馈参与监督,成为监管网络的关键节点。唯有如此,才能真正架构起政企民协同监管的模式,推动监管向“多方参与、共同治理”的共同体转变,并通过完善政企协作监管的智能调度系统,提升整体监管效能,更好服务于民生福祉。

（中国人民大学公共管理学院博士研究生邹艳为本文写作作出了重要贡献,特此感谢！）

（责任编辑：舒隽；责任校对：刘险峰）