本期嘉宾：
清华大学社会治理与发展研究院院长
张成岗
近日，国务院印发《关于深入实施“人工智能+”行动的意见》提出，加快实施“人工智能+”治理能力行动。这对政府治理能力提出了新的挑战。
人工智能将为社会治理带来哪些变革？人工智能+治理，怎么干，钱从哪来，数据、安全、伦理等问题如何破局？针对这些关键问题，本期节目特别邀请清华大学社会治理与发展研究院院长张成岗做客“人民播客”，共同探讨AI如何让城市更“聪明”？
张成岗：AI正从多维度重塑社会治理体系。在技术层面，整合政务、民生等多源数据、优化治理流程；在治理模式层面，推动治理从经验决策转向数据决策、从通用服务转向精准供给；在能力上，则实现了治理从被动响应到主动预防、从科层制到多元协同的转变。
同时，信息公开和智能监督增强了治理透明度，提升了公众对治理的信任，推动社会治理迈向民主、高效、智能的新阶段。
中央如何统筹实施，地方层面应如何分解任务？如何开放政务场景，鼓励企业参与AI治理创新？
张成岗：中央层面，要强化基础能力供给，如建设一体化算力网络、开放高质量数据集，同时完善算法歧视、数据安全等治理规则，为地方创新筑牢安全底线；地方上，各区域应结合自身禀赋基础差异化探索，省级层面应聚焦制度整合，市级层面应努力打造标杆场景，县级注重应用推广和普惠服务。
政企协同很关键，地方政府可通过“揭榜挂帅”机制开放城市治理、公共服务、安全生产、生态治理等场景，鼓励企业采用“本地化部署+隐私计算”技术保障数据安全。
AI治理涉及大量算力、算法、数据平台建设，在当前地方财政紧平衡的背景下，资金从何而来？
张成岗：“人工智能+”治理项目资金要探索“财政优化+社会参与”双路径。财政端做好加减法：减法是整合现有数字政府专项经费，归集部门算力需求，避免重复建设；加法是用好专项债，部分省份已将智慧交通、智慧应急等项目纳入支持清单。
民间资本可深度参与，关键要设计好风险共担、收益共享的机制。比如深圳引入企业共建AI市场监管平台，既缓解财政压力，又发挥企业技术优势，值得借鉴。
“不追求技术‘高大上’”
人工智能如何赋能社会治理，地方上有没有可以借鉴的经验和成熟案例？
张成岗：近年来，人工智能正通过“数据驱动+场景重构”重塑治理范式，地方上进行了一些探索。比如，鄂尔多斯国家智能社会治理实验综合基地的建设：在基层治理上，搭建AI驱动的数字孪生体系，实现数据互联互通；在智慧场景上，聚焦民生刚需；在城市治理上，推动治理从被动应对转向主动预判。其经验在于，让智能治理既有效率，又有温度。
当前AI治理项目多由地方数据部门牵头，但实际应用涉及公安、民政、卫健、应急等多个业务部门。如何破解“技术部门推不动、业务部门不愿用”的困局？
张成岗：
破解这一困局，核心是让业务部门从被动配合转为主动主导。首先建立“业务牵头、技术支撑”跨部门专班。其次，完善需求反馈机制，如浙江部分地市通过业务需求清单明确场景，技术部门按需开发迭代；最后，建立考核激励机制，如广东部分地市将AI辅助应急处置时效纳入应急部门考核指标。
近年来，不少地方热衷建设“城市大脑”“智慧中枢”，但部分项目建成后使用率低，沦为“展厅工程”。如何避免AI基础设施“一哄而上、建而不用”？
张成岗：关键要把握“需求牵引、场景落地、长效运营”三大原则。规划阶段，地方政府需深入调研本地治理痛点，精准定位“城市大脑”功能，防止盲目跟风建设；建设阶段，要强化场景驱动，将项目与具体业务深度融合；运营阶段，需探索可持续模式，可引入社会资本参与后期运维，形成“以用养建”的良性循环，既提升治理效能，又实现自我造血。
同时，注意构建全周期闭环、多维度把关的评估机制：立项阶段得过技术、业务和财政“三重关”，实施中要强化动态监控，评价阶段建议实施“硬指标+软感知”双评价。
“小步快跑、场景先行”
提升“人工智能+”治理能力，仍面临数据孤岛、AI“幻觉”、智能鸿沟、数据安全等一系列难题，我们如何破局？当前最需要突破的问题是什么？
张成岗：从实践视角看，“人工智能+”治理要破解数据、安全、伦理难题，需精准发力。数据层面，关键在于打通壁垒，可制定跨部门数据共享清单，实现“数据可用不可见”，在保障安全前提下实现数据共享；安全层面，要构建分层防护体系，对医保、户籍等高敏感数据实施分级分类管理，同时建立AI风险动态监测机制；针对智能鸿沟，应开展适老化改造、简化基层操作；针对AI“幻觉”，需强制算法透明化，在矛盾调解等关键场景保留人工复核。
当前，最迫切需要突破的是“数据共享与安全的平衡”，部分地方因担心担责不愿开放数据，导致AI模型“无米下炊”。
数据是AI治理的关键，我们应该从哪些方面去突破“无米下炊”这一难题？
张成岗：实现数据共享，第一个就是技术层面要能够打通。同时在场景探索方面，各地可以结合自己的实际禀赋，包括治理禀赋、资源禀赋，进行特色化的一些探索。
另外，在制度层面上，从不同的管理层级要实现一个制度的协同，形成“技术+制度+区域特色”的一个嵌套式治理结构。
基层数据普遍存在“碎片化、非结构化、更新滞后”等问题。在数据基础薄弱的地区，如何实现AI+治理的“冷启动”？
张成岗：在数据基础薄弱的基层推进AI+治理“冷启动”，核心是遵循“小步快跑、场景先行”原则，不贪大求全。首先要选准切口，优先聚焦数据需求少、治理价值高的场景，比如垃圾分类监管，仅需摄像头图像加少量标注数据，就能训练基础识别模型，大幅降低启动门槛。
技术上选轻量化方案，运用小样本学习、迁移学习等技术，将其他地区同类场景成熟模型参数迁移过来，再用本地数据微调。同时，要建数据动态更新机制，把AI应用中产生的新数据反哺模型训练，形成应用、数据、优化的持续迭代。这样即便数据基础弱，AI也能快速在基层治理中发挥实效。
