7月6日，《北京日报》第十版理论周刊发表文章《人工智能大模型辅助决策大有可为》，作者为中国人民大学智慧治理学院副院长、智慧治理战略研究院执行院长、国家发展与战略研究院研究员宋鹭，中国人民大学智慧治理学院硕士研究生卢喜洋。

全文如下——

政府科学决策能力关乎国家治理效能、经济社会发展与公共利益。中央网信办、国家发展改革委联合印发的《政务领域人工智能大模型部署应用指引》把政务服务、社会治理、机关办公、辅助决策并列为政务领域的几类应用方向。其中，辅助决策与其他几类区别明显，其目标并非提高办事效率或改善公众体验，而是提升政府决策本身的质量。围绕这一目标，一类专门面向政府决策的大模型正在出现。当前正值新一轮科技革命和产业变革迅猛发展期，生成式人工智能的快速迭代正在重塑知识生产与公共决策的技术基础与方法体系。那么，决策辅助大模型将在何种时机下出现并发展成熟？又将承担什么样的功能、具有怎样的意义与价值？

大模型应用走向治理纵深具备现实基础

当前，通用大模型应用已广泛渗透至公众日常生活领域，垂直行业大模型亦在医疗、金融、教育等关键行业中取得显著成效。而任何一种新技术形态的广泛应用，都需要同时具备成熟的技术能力、可被有效组织的知识资源，以及来自现实场景的需求。因此，把握这一时代之机，需从技术、制度、需求三个维度剖析决策辅助大模型出现的现实基础。

人工智能大模型自身的能力跃迁，为专业化应用提供了技术前提。近年来，大模型在自然语言理解、长文本处理和多模态数据综合分析等方面的能力明显提高，已能处理较为复杂的专业任务。检索增强生成（RAG）等方法的成熟，使模型在作答前先从指定资料库中检索相关材料，减少凭空编造的成分，也使得面向特定领域的定制开发变得可行。医疗、金融、司法等领域已有不少面向专业场景的垂直大模型投入使用，表明大模型在专业场景中确有实用价值。

更关键的条件在于专业知识资源的组织方式发生了变化。研究机构和智库在长期工作中积累了大量行业数据、政策文件、研究报告和分析方法，这些材料过去分散保存，彼此难以联通，也难以重复使用。大模型提供了一种新的组织方式，使分散的专业知识能够被系统整合，用于支持研究判断。需要指出的是，仅靠公开互联网语料训练的通用大模型并不掌握这类专业知识，因而难以胜任面向政府决策的任务。而在相关领域有长期积累的高校、科研机构和智库，则有条件重新整合已有的专业资料、数据，开发并直接使用决策辅助大模型，生成研究成果并帮助政府部门进行科学决策。

公共政策本身的复杂化，构成了这类工具的现实需求。当前公共治理所面对的问题日益复杂，常常跨越多个地区、多个层级和较长的时间周期。以长江经济带发展战略为例，沿线11个省市的协调推进，既要统筹生态保护与经济发展，又要协调上中下游利益关系，还要应对气候变化和产业转型等长期议题。传统以经验研判为主、辅以分散式信息分析的决策方式已难以充分应对，因此，研究机构对更系统的分析工具产生了实际需求。

决策辅助大模型需要解决的问题

现有大语言模型仍面临幻觉生成、领域知识薄弱、隐私保护脆弱等固有短板，而政府决策对信息权威性、流转机密性、处理精准性与知识专业性的极高要求，又进一步放大了技术能力与决策需求之间的结构性落差。因此，需从数据、响应、安全三个维度系统推进，破解这一困局。

通用大模型直接用于政府决策，最突出的问题是结果可能不可靠。通用大模型主要以公开互联网文本训练，材料数量大但来源庞杂，有时会生成缺乏依据的内容，由此产生“幻觉”问题。这类错误在普通对话场景中影响有限，一旦进入关乎公共利益的政策制定环节，则可能导致严重后果。应对的办法是为模型配备经过筛选的知识库，内容包括权威统计数据、政策文件、优质研究报告与典型实践案例，同时将研究团队长期积淀的分析方法和专业模型纳入其中，定期更新，使结论能够追溯到具体的数据来源和分析过程。

政府决策涉及大量未公开信息，对工具的安全性和可控性提出了通用模型难以满足的要求。通用大模型常见的开放式云端调用架构无法满足数据不外流、分级权限管控与涉密场景适配的基本要求，这是制约人工智能进入治理决策核心领域的根本性障碍。可行做法是在本地部署模型、隔离数据、按权限管理使用范围，并记录每次调用以备查核。因此，专业化与安全化的协同构建，恰是垂直大模型区别于通用大模型的关键所在。

决策辅助大模型拓展了

“人工智能+”应用的战略边界

决策辅助大模型与已有的几种应用形态——尤其是面向公众的政务服务大模型，以及学界讨论较多的“AI for Science”——存在明显差异。其战略意涵远超单一技术应用的范畴，将在更广阔的维度重塑智能时代的发展格局。

首先，大模型的服务对象从政务流程拓展到政府决策。过去一段时间，各地政府部门已经尝试推出政务服务大模型，用于政务办理、智能问答、信息检索等环节。而决策辅助大模型面向的是公共政策的研判与制定。长期以来，公共决策主要依赖专家经验、调研访谈与分散式信息分析，决策质量易受信息不对称、认知局限与时间压力的影响。垂直大模型将人工智能深度嵌入决策核心环节，使经验研判得到数据印证，部门壁垒得以穿透，原本需要漫长周期的影响评估也可以前置到方案设计阶段。这一变化为治理能力现代化提供了一种全新的方法论基础。

其次，人工智能赋能科研范式的边界向决策支持环节延展。近年来，“AI for Science”已成为学术界和政策界关注的重要议题，推动人工智能赋能科研范式变革的讨论日益深入。“AI for Science”的关注焦点主要在自然科学领域的研究方法变革，而决策辅助大模型是人工智能进入哲学社会科学研究的一种具体形式。研究机构和智库借助大模型，把长期积累的研究方法和领域知识转化为可以持续运行的分析工具，研究成果不再止于报告和论文，而是能够直接用于决策支持的系统。

最后，人工智能从规模竞逐走向价值深耕。过去几年，全球人工智能竞争主要围绕参数规模、算力体量与数据资源展开。随着通用模型能力逐步趋同，仅靠规模扩张实现突破的边际效益正持续下降，应用价值的重心正在向具体场景的深度应用迁移。决策辅助大模型恰好处于这一迁移的重要位置，与其他垂直大模型应用同步拓展，标志着人工智能发展进入以价值为牵引的新阶段。对中国而言，依托丰富的应用场景与深厚的专业积累，在这一方向上形成自主能力，是大模型产业走出差异化路径的一种可行选择。

总结而言，决策辅助是人工智能大模型最具战略意义，也最具挑战性的应用场景之一，代表了大模型应用谱系中的一种新形态，这也是“人工智能+”应用服务国家治理的一条具体路径。