各地数字政府建设如火如荼,效能究竟如何?
近年来,政府数字化转型力度不断加大,区块链、人工智能等信息技术的全面应用,更进一步加快了各地数字政府建设的步伐。在政府数字化转型的这场“考试”里,各政府部门“答题”情况如何?有没有针对性的解题思路和答题技巧呢?近日,在“2022数字化转型发展高峰论坛”上,浪潮科技总经理张峰对此作了深度分享。
|
读懂考试大纲 研判出题趋势
中国政府治理体系遵循着“条”“块”结合的政府管理模型。张峰指出,在政府数字化转型的过程中,区域政府的信息化和行业政府的信息化,其内在驱动力虽不尽相同,各自定位和侧重也有区别,但总体相辅相成。
2000年左右,税务、海关、工商等部门率先开启信息化进程,行业政府的信息化一时间引领了政府体系信息化的趋势;2010年后,随着一体化政府概念的不断推进,加上“智慧城市”、“互联网+政务”等概念的兴起,地方政府加快推进数据的整合、共享和开放,区域政府的信息化逐渐引领起整个政府体系的信息化发展。张峰表示,下一个阶段,“块”政府将拉动“条”政府向着政务服务一体化、数据治理体系化方向发展,带来新一轮行业政府数字化的转型的热潮。
分析“主症” 明确答题方向
无论是“条”还是“块”,通过近十几年的发展,政府信息化建设确实取得了一定成效。在信息化、数字化的加持下,政府管理能力实现倍增,社会治理水平获得提升,便民服务不断丰富完善。但是近两年,由于疫情常态化以及自然灾害的频发,各级政府管理部门面临着突发事件的高压挑战;同时,政府信息化建设的成果也遭受着诸如数字化手段“失效”、智慧城市“失灵”等声音的质疑。
以疫情防控为例,用于疫情研判的数据由多部门汇聚形成,但是由于信息“壁垒”,相关部门的数据并未完全打通,还处在“各自为战”的阶段,导致无法形成有机整体,还是要靠人海战术、手工作业来完成数据的收集汇聚。在张峰看来,前期区域政府在拉动大行业时已经有一定的成效,但因各行业内部数据的流通共享问题没有彻底解决,对政府综合业务能力的提升效果并不显著。
如今,在行业政府内部实现数据共享,成为新的重点和难点。张峰进一步指出:“要达到数据信息线上线下协同,则需要打破各级部门机构的‘壁垒’,打通各行业部门之间的平行‘孤岛’,连接成网状协作的互联互通‘新大陆’,才能让多元主体参与城市的管理和服务中,达到‘一体化’政务服务能力,让政府数字化转型发展达到最佳成效。”
把握答题节奏 明主次 分缓急
“如果将政府数字化转型比喻成一场‘考试’,在这场‘考试’中,80%的必答题是业务数据化,20%的选做题是数据业务化。”张峰指出,当前政府数字化转型已然进入一个全新的,纵深、高效的发展阶段,以往的建设模式已不能完全满足政府的诉求,政府数字化转型正在从业务数据化向数据业务化的方向发展,即:从强调业务数据的沉淀和收集向让数据产生价值,辅助决策分析的方向转变。
基于对政府业务场景的理解,以及多年在政府行业信息化建设领域取得的经验,浪潮在整个政府体制机制优化过程中,梳理出了政府数字化转型中业务、数据、技术、方法、参与者(政府、厂商)和运营这六项要素,形成了面向政府行业数字化转型领域打造的全方位能力支撑,并在此基础上各将部门之间的业务内容梳理出共性,总结推出了政府行业数字化转型能力“方程式”,为各地政府部门提供一套可借鉴、可复制的 “解题路径”,使其在新一阶段的转型路上有章可循。张峰指出,在政府数字化转型过程中,这六项“生产力要素”缺一不可,只有互相融合,协同发展,才能达到将数字技术广泛应用于政府管理服务的最佳成效,进一步推进政府治理流程优化、模式创新和履职能力提升。
面对政府数字化转型这场“考试”,无论答题快慢、能力高低,准时交卷、实现及格是最基本的要求。张峰表示,因为各地、各部门数字化水平不尽相同,并不是所有的“考生”都必须做选做题,但是必须要做好必答题,再根据自己的状况做选做题,才能真正摸索出适合自身的数字化转型之路。
好文章,需要你的鼓励
这项研究提出了"交织式推理"方法,通过强化学习训练大语言模型在复杂推理过程中穿插输出中间答案。与传统的"先思考后回答"模式不同,这种方式让模型像人类一样边思考边给出阶段性结论,不仅将首词响应时间平均减少80%以上,还在某些任务上将准确率提升高达19.3%。研究表明,模型本身就具备交织推理的潜力,通过适当的奖励机制可以显著增强这一能力,并泛化到未见过的复杂推理任务中。
冯轶春、王嘉伟等研究人员开发了DoctorAgent-RL,一种基于强化学习的多智能体协作医疗对话系统,彻底改变了AI医疗咨询模式。与传统单轮问答系统不同,该系统通过医生智能体与患者智能体间的多轮互动,动态优化提问策略,实现主动信息收集。实验表明,DoctorAgent-RL在诊断准确率和临床推理能力上均优于现有模型,展示了在辅助临床咨询中的实际应用价值。
这篇研究介绍了DC-CoT,首个专门评估数据操作如何影响思维链(CoT)知识蒸馏的基准系统。北卡罗来纳大学教堂山分校等机构的研究者使用多种教师模型(如Gemini-Pro、Claude-3.5)和学生架构(3B-7B参数),系统评估了数据增强、选择和混合对学生模型在多个推理任务上的表现影响。研究发现数据增强(尤其是逆向思维)最为有效,不同任务需要不同的最优策略组合,且存在"小模型学习能力差距"—较小学生模型可能从匹配其容量的较小教师中学习更有效。
这项由普林斯顿大学和加州大学欧文分校研究人员完成的研究揭示了一个令人担忧的发现:恶意行为者可以利用多种自由度来增强AI网络安全助手的攻击能力,且无需外部帮助。研究表明,即使只有约36美元的计算预算,这些改进也能使性能提高40%以上。这一发现对网络安全风险评估提出了新要求:必须从动态角度考虑AI系统可能被改进的各种途径,而非仅进行静态评估。