摘要：随着人工智能技术从专用走向通用、从工具走向主体，人类社会正站在智能化时代的门槛上。这一变革不仅意味着生产效率的提升，更对既有的政治体制与经济体制提出根本性重构的要求。本文立足政策改进视角，提出“未来国策”框架下的核心命题——人工智能治理与智能化混合治理。在政治维度，主张建立“人机协同的民主集中制”，引入“非委办核心”原则确保关键权力保留于人类之手，并通过算法审计法院、数字协商社区等制度创新实现治理逻辑与技术逻辑的有机统一。在经济维度，提出“三元劳动力市场”模型与“数字员工”产权制度，分析智能化对劳动价值论的修正及分配机制的转型。本文认为，智能化时代的核心命题不是机器替代人，而是通过制度设计实现技术赋能人、联结人、成就人，使智能化成果真正惠及全体人民。

一、引言：智能化时代的治理悖论

当国务院《关于深入实施“人工智能+”行动的意见》提出“开创社会治理人机共生新图景”时，这一表述既是对未来的憧憬，也是对现实的诊断。当前，人工智能已从实验室走向经济社会各领域：语言大模型通过图灵测试，多模态模型具备世界理解能力，具身智能开始进入生产车间，“AI数字员工”在电力调度、门店运营、政务服务等场景中实质性地承担劳动职能。技术突破的速度远超预期，而治理体系的演进却步履蹒跚。

这便是智能化时代的核心悖论：技术能力越强，治理滞后性越明显；系统自主性越高，责任归属越模糊。有学者将其概括为“问责—能力悖论”——当人工智能系统在特定任务上超越人类能力时，人类便失去了对其决策过程的有效监督能力，而那些技术上的“完美运行”，恰恰可能意味着治理上的“灾难性失败”。

面对这一悖论，传统的治理思维显露出三重局限：其一，工具性思维，将人工智能视为“外挂工具”叠加于既有体系之上，重数据采集轻问题解决，重效率提升轻价值对齐；其二，条块分割思维，各部门各自引入智能系统，形成新的“算法孤岛”，加剧治理碎片化；其三，被动应对思维，往往在风险事件发生后才启动规制程序，缺乏对技术演进的前瞻性预判。

本文提出的“未来国策”框架试图超越上述局限。其核心主张是：智能化时代必须实现从“技术加持”向“系统重塑”的范式跃升，而这一跃升的关键在于构建“人工智能治理与智能化混合治理”的双重机制——前者解决“如何管好AI”的问题，后者解决“如何用AI管好社会”的问题。两者互为表里，共同构成智能化时代的制度基石。

二、理论基石：混合治理的认知框架

2.1 从单一治理到混合治理

既有的人工智能治理研究呈现出四种主要进路：原则导向、权利导向、风险导向与伦理导向。原则导向提出“可信AI”“负责任AI”等价值准则，但往往停留于宣言层面；权利导向将治理锚定于基本人权保护，强调算法透明与数据隐私；风险导向根据应用场景的风险等级实施分级监管，如欧盟《人工智能法案》的分类框架；伦理导向关注算法偏见、公平性约束等价值对齐问题。

这四种进路各有侧重，亦各有局限。原则导向缺乏强制力，权利导向应对技术迭代的灵活性不足，风险导向可能忽视累积性伤害，伦理导向则面临“可解释性”的技术瓶颈。对此，前沿研究提出“混合治理”范式——将四种进路整合为相互强化的有机整体，使原则提供方向、权利划定底线、风险决定强度、伦理嵌入设计。

2.2 治理逻辑与技术逻辑的有机统一

混合治理的更深层意涵在于实现治理逻辑与技术逻辑的统一。治理逻辑关注权力运行、责任归属、民主参与、公平正义；技术逻辑关注系统效率、算法精度、数据驱动、迭代优化。两者并非天然兼容：追求效率的算法可能侵蚀公平，强调精度的模型可能牺牲可解释性，数据驱动的决策可能排斥人的经验判断。

实现两者统一的路径不是让一方征服另一方，而是通过制度设计使技术系统内生于治理体系。这意味着：在结构维度，打破条块分割，通过统一数字底座实现多元主体的互联互通；在过程维度，在议题发起、方案协商、执行监督、效果评估等全链条中嵌入动态反馈；在价值维度，将公平、包容、民主、责任等治理价值编码进算法逻辑与平台规则。

2.3 非委办核心：人机关系的制度边界

在混合治理框架中，最关键的制度设计是确立“非委办核心”。这一概念的核心主张是：某些治理职能之所以必须保留于人类之手，不是因为人工智能技术能力不足，而是因为民主合法性要求如此。当人工智能系统开始监督其他人工智能系统时，责任链条便会无限延伸而最终消解——如果一套完全由算法构成的治理体系作出错误决策，谁应当承担责任？开发者？部署者？还是算法本身？

“非委办核心”划定了不可让渡的人类权力领域：涉及基本权利限制的决策（如人身自由的剥夺）、涉及重大利益分配的裁决（如社会福利资格的认定）、涉及价值冲突权衡的判断（如伦理困境的取舍）、涉及紧急状态的处置（如公共安全事件的应对）。在这些领域，人工智能可以提供决策支持，但最终决定必须由人类作出，且必须有明确的责任主体可追溯、可问责。

三、政治体制：人机协同的民主集中制

3.1 人工智能君主制的歧路警示

在探讨人工智能与政治体制的关系时，有一种极端设想值得警惕——“人工智能君主制”。这一主张将人工智能系统置于国家治理的最高位置，由AI全面接管人类的治理权，就像传统君主制中的君主一样主导决策。支持者认为，AI决策更精准、更高效、更少偏见，可以避免人类决策的情绪化与短视。

然而，这一设想从根本上误解了政治的本质。政治不仅是求解“最优解”的技术问题，更是协调多元利益、凝聚公共意志的价值过程。算法可以优化资源配置，但无法替代利益相关者之间的协商对话；可以预测政策后果，但无法替代公民对政策正当性的认同。正如肖峰所指出的，“人工智能君主制”所追求的“完美政治”既无理论合理性，也无现实可行性——它扭曲政治本质、消解人类主体性，是政治智能化应当规避的歧路。

3.2 人机协同的民主集中制

摒弃“AI君主制”并不意味着退回前智能化时代。相反，智能化技术可以成为完善民主集中制的有力工具——这便是“人机协同的民主集中制”的核心构想。

在“民主”环节，智能化技术可以拓展参与的广度与深度。数字协商平台使利益相关方能够跨越时空限制参与公共议题讨论；算法听证会为受算法决策影响的群体提供表达渠道；社区数据合作社使居民实质性参与数据资源的管理与收益分配。通过这些机制，全过程人民民主得以在智能化条件下实现制度化的嵌入。

在“集中”环节，智能化技术可以提升决策的科学性与执行力。基于多源数据融合的态势感知系统，为决策者提供全面准确的情况判断；可解释人工智能辅助决策支持，使决策依据对决策者保持透明；智能协同平台确保决策意图在纵向层级与横向部门间高效传导。重要的是，所有这些技术辅助都必须在“非委办核心”原则约束下运行——算法可以提供方案选项，但方案选择权保留于民主程序产生的决策主体；系统可以预警风险，但应对决策由人类作出。

3.3 算法审计与民主监督

人机协同的政治体制需要配套的监督机制。算法审计法院是其中最具创新性的制度设计。这一机构独立于算法开发与部署部门，负责对公共部门使用的重大算法系统进行周期性审计，评估其公平性、透明性、安全性。审计结果向公众公开，并作为算法是否可继续使用的依据。

与算法审计法院相配合的是算法影响评估制度。在部署任何可能对公民权益产生实质性影响的算法系统前，必须进行事前影响评估，识别潜在风险并制定应对措施。评估过程应当公开透明，接受公众质询。这些制度设计确保算法权力始终处于民主监督之下，防止“技术霸权”或“算法黑箱”侵蚀公共权力的人民属性。

3.4 数据主权的制度保障

政治体制的智能化运行以数据为基础。没有数据主权，就没有治理自主权。习近平总书记强调，“确保人工智能关键核心技术牢牢掌握在自己手里”。这一要求同样适用于数据资源。建立和完善数字主权框架，强化对数据资源和数据流动的控制与保护，是智能化时代政治体制建设的基础工程。

这包括：明确数据采集边界与使用权限，防止过度采集与滥用；建立数据分类分级保护制度，对涉及国家安全、商业秘密、个人隐私的数据实施严格保护；完善数据跨境流动监管机制，在积极参与国际数据治理的同时守住安全底线；推动公共数据开放共享，打破“数据孤岛”的同时确保“数据可用不可见”。

四、经济体制：三元劳动力市场与数字员工产权

4.1 劳动力市场的结构性重塑

人工智能对经济体制的冲击首先表现为劳动力市场的结构性变革。“AI数字员工”——作为虚拟劳动力实质参与生产、运营、服务流程的智能体——正在重新定义“劳动者”的边界。与传统的自动化软件不同，AI数字员工具备“感知—规划—行动—学习”的闭环能力，能够根据任务情境智能选择工具、完成复杂工作流程，成为名副其实的“数字同事”。

这一变革催生了“三元劳动力市场”结构：第一元是传统的人类劳动力市场；第二元是AI数字员工市场——企业按需调用数字员工服务，支付低于人类劳动力的“数字工资”；第三元是人机协作市场——人类与AI数字员工组成混合团队，协同完成复杂任务。

这一结构的形成将深刻影响就业形态与收入分配。一方面，重复性、流程化的岗位面临被替代的风险，劳动者需要向更具创造性和情感温度的岗位转移。另一方面，人机协作创造新的职业类型——数据标注师、智能训练师、人机协作工程师等岗位应运而生。劳动者不再只是操作工具，而是成为智能系统的协作者、训练者、监督者。

4.2 数字员工产权制度

AI数字员工的经济地位引发一个根本性问题：数字员工创造的剩余价值归谁所有？现行法律框架难以给出明确答案——数字员工既非劳动者，亦非传统意义上的生产工具，而是一种新型的“智能生产资料”。

对此，本文提出“数字员工产权制度”的构想。核心原则是：对AI数字员工的训练数据、算法模型、运行记录享有权益的主体，按其贡献参与数字员工创造价值的分配。具体包括：数据提供者（如提供个人数据用于训练的用户）享有数据收益权；算法开发者享有技术收益权；部署企业享有运营收益权；若数字员工替代了人类岗位，部分收益应通过税收或基金形式用于被替代劳动者的再培训与生活保障。

这一制度设计试图在激励技术创新与保障社会公平之间取得平衡。一方面，明确的产权预期激励企业投资数字员工研发与部署；另一方面，通过数据收益分享和社会补偿机制，使AI红利惠及更广泛群体，避免“技术性失业”与“贫富分化”的恶性循环。

4.3 劳动价值论的扩展解释

数字员工产权制度需要理论支撑。马克思主义劳动价值论认为，价值是抽象劳动的凝结。在智能化条件下，这一命题面临新的解释空间：当AI数字员工承担了原本由人类完成的劳动，它所创造的价值从何而来？

一种可能的解释是：数字员工的价值创造本质上是人类过去劳动的转移——算法是人类智能的对象化，训练数据是人类实践活动的记录，算力基础设施是人类物化劳动的积累。因此，数字员工创造的价值，归根结底是人类社会总体劳动的产物，只是其实现形式从“活劳动”转变为“对象化劳动的活化”。这一理解既坚持了劳动价值论的基本原理，又为智能化条件下价值分配的调整提供了理论依据——既然价值源于人类总体劳动，那么参与这一劳动过程的所有主体（包括数据提供者、算法开发者、算力建设者）都应当参与价值分配。

4.4 智能化时代的分配制度

基于上述理论，智能化经济体制需要建立新型分配制度。在初次分配环节，明确数据、算法、算力的要素报酬，通过数字员工产权制度实现按贡献分配。在再分配环节，建立“智能红利”共享机制——对大规模使用数字员工的企业征收智能化调节税，用于全民基本数字素养培训、被替代劳动者再就业支持、社会保障体系完善。在第三次分配环节，鼓励数据捐赠、算法开源、算力共享，形成智能化时代的公益新形态。

值得注意的是，分配制度的调整不应简单采取“技术悲观主义”立场——不是限制技术进步以保护旧岗位，而是通过制度创新使技术进步的红利更公平地惠及全体人民。正如《关于深入实施“人工智能+”行动的意见》所强调的，要“创造更加智能的工作方式”，在劳动力紧缺、环境高危岗位推广智能应用的同时，也要通过技能培训、岗位调整保障劳动者权益。

五、制度实现：可知、可控、可问责、可参与

上述政治与经济构想需要落实到具体的制度设计中。本文提出“四可”原则作为人工智能治理与智能化混合治理的操作化框架。

5.1 可知：算法透明与可解释性

可知，意味着智能系统的决策依据、数据来源、算法逻辑对相关主体保持适度透明。这不是要求公开所有源代码——这在商业机密和安全保密意义上并不可行——而是通过可解释性技术实现“算法透明”的实质目标。

具体制度包括：对公共部门使用的重大算法系统，实施强制性的可解释性要求，通过决策树可视化、关键特征高亮、反事实解释等技术，使受决策影响的公民能够理解“为何是我”“依据是什么”。对商业领域的算法应用，建立算法备案制度，监管部门可审查其逻辑与数据，确保其不违反公平竞争和消费者权益。对高风险场景（如信贷审批、招聘筛选），赋予用户要求人工解释的权利。

5.2 可控：人工复核与最终决定权

可控，意味着无论算法多么先进，最终决策权必须掌握在人手中。这是“非委办核心”原则的直接体现。

在涉及人身自由、重大财产权益、基本公共服务分配等场景，必须设置“人工复核”环节。算法可以提供建议方案，但最终决定必须由经过授权的人类决策者作出，且该决策者必须了解算法建议的依据、能够质疑算法输出的结果、有权否决不符合实际情况或价值判断的算法建议。在紧急状态下，如确有需要由算法自动执行决策，必须在事后立即进行人工复核，并对可能造成的伤害承担责任。

5.3 可问责：责任链条与算法审计

可问责，意味着建立清晰的责任链条，明确技术开发者、数据管理者、决策执行者的权责边界。在人工智能系统中，责任的界定远比传统工具复杂——当一个决策由算法自动作出时，责任归属容易在“代码黑箱”中消解。

具体制度包括：通过算法备案制度记录算法开发、训练、部署、运行的全过程，确保每一步操作可追溯；通过算法审计制度定期审查算法系统的运行情况，评估其公平性、安全性、合规性；通过责任清单制度明确各主体的具体职责，确保“谁开发、谁负责，谁使用、谁担责”。对造成实质损害的算法决策，建立司法救济渠道，受害者可以向法院起诉相关责任主体。

5.4 可参与：数字协商与算法听证

可参与，强调公众不仅是治理的对象，更是治理过程的共同设计者与监督者。智能化不是用技术替代民主，而是用技术支持民主、拓展民主。

具体制度包括：在算法设计阶段，通过算法听证会等形式，邀请受影响的群体代表参与讨论，使多元价值诉求在算法设计之初就得到考虑；在数据收集阶段，通过社区数据合作社等形式，使居民实质性参与数据资源的治理与收益分配；在系统运行阶段，通过数字协商平台，使公众能够反馈问题、提出建议、监督运行；在影响评估阶段，通过公开质询机制，接受公众对算法系统的质疑与批评。

六、风险防范与伦理保障

6.1 算法偏见与公平性约束

人工智能系统可能延续甚至放大既有社会偏见。基于历史数据训练的模型，如果历史数据本身存在歧视（如某些群体在信贷、就业等领域的历史记录系统性地不利），模型可能“学习”并固化这种歧视，形成“算法偏见”。

防范算法偏见需要多管齐下：在数据层面，审慎评估训练数据的有偏性，必要时进行数据增强或重新加权；在算法层面，在目标函数中嵌入公平性约束，使模型在优化的同时满足公平性指标；在应用层面，对高风险系统进行偏见检测，发现歧视性结果及时纠正。更重要的是，将公平、包容等价值理念贯穿算法全生命周期，从设计源头防止偏见产生。

6.2 隐私保护与数据治理

人工智能以数据为食。个人隐私在智能化时代面临前所未有的威胁——从无感数据采集到深度画像，从数据泄露到滥用，风险无处不在。

技术层面的应对包括：发展联邦学习、安全多方计算等隐私计算技术，实现“数据可用不可见”；推广差分隐私等统计披露控制技术，在数据发布时保护个体隐私。制度层面的应对包括：明确数据采集的“知情—同意”原则，防止强制授权与变相采集；建立数据最小化原则，只收集实现特定目的所必需的数据；完善数据泄露通知与追责制度，对违规行为形成有效威慑。

6.3 伦理审查与价值对齐

确保人工智能系统与人类伦理价值保持一致，是智能化治理的核心挑战。这不仅涉及“不作恶”的底线要求，更涉及“如何作好”的价值引导。

推动建立算法伦理委员会，对重大算法应用进行伦理审查与风险评估。伦理委员会应当由多学科背景的成员组成，包括技术专家、伦理学者、法律工作者、公众代表等。在系统设计阶段，开展伦理影响评估，识别可能引发的伦理问题；在运行阶段，持续监测伦理风险，发现偏离及时纠正。同时，加强人工智能伦理教育，将数字素养、算法意识、数据权益等内容纳入国民教育体系，提升全社会对智能治理的认知与参与能力。

七、结语：走向人机共生的未来国策

站在技术革命与治理变革的历史交汇点，我们有理由保持审慎的乐观。智能化不是人类命运的终结，而是人类文明的新起点。技术本身无所谓善恶，关键在于我们选择用什么样的制度去引导它、规范它、赋能它。

本文提出的“未来国策”框架——人工智能治理与智能化混合治理——试图为这一选择提供初步的思路。在政治维度，我们拒绝“人工智能君主制”的技术乌托邦，主张在“非委办核心”原则下构建人机协同的民主集中制，使智能技术成为完善人民民主、提升治理效能的工具。在经济维度，我们直面劳动力市场的结构性变革，通过“数字员工产权制度”与“智能红利共享机制”，使技术进步的成果惠及全体人民。

贯穿这一框架的核心精神是：不是用机器替代人，而是以技术赋能人、联结人、成就人。让治理更贴近民意、让服务更便捷普惠、让劳动更富有尊严、让分配更公平正义——这才是智能化时代应当追求的未来图景。实现这一图景，需要政策制定者的智慧，需要技术开发者的责任，需要市场主体的自律，更需要每一位公民的参与。

正如习近平总书记所强调的，要“推动人工智能朝着有益、安全、公平方向健康有序发展”。这是中国特色人工智能治理的根本遵循，也是“未来国策”的最终指向。让我们在智能化浪潮中保持清醒、坚定前行，共同开创人机共生的美好未来。