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
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。