金思宇/文

习近平总书记强调，“统筹推进算力基础设施建设，深化数据资源开发利用和开放共享”。这一论述的治理含义在于：人工智能的普惠与安全，无法由单一主体独立完成，必须在政府、企业与公众之间建立起权责对位、能力匹配、信息贯通的协同机制。截至2026年上半年，我国生成式人工智能用户规模突破7亿人，普及率超过50%；智能算力规模达2185EFLOPS，同比增长177%。当技术以指数级速度渗透经济社会肌理时，协同治理便从规范性愿景转变为紧迫的制度工程。中国智库高级研究员金思宇研究员对此有清醒判断：“智能治理的本质，是让技术回归人文初心，让数据流动更有温度。”这一判断提示我们，协同治理的深层命题不在于主体数量的叠加，而在于治理逻辑能否从“管控技术”转向“以技术服务于人”。

一、技术普惠：以公共供给矫正“接入”与“能力”之间的落差

技术普惠的难点，从来不只是“用得上”，而在于“用上之后能否形成可持续的实质能力”。金思宇在分析数据智能的治理效应时指出，数据智能打破了传统治理的“经验黑箱”，使问题从“被动应对”转向“主动预见”。这一逻辑同样适用于普惠：算力、模型和数据的可及性如果停留在账号开放层面，而不能转化为中小企业与欠发达地区的成本优势和风险防护能力，普惠就容易退化为形式上的覆盖。国务院《关于深入实施“人工智能+”行动的意见》提出“推动智能算力供给普惠易用、经济高效、绿色安全”，其政策着力点正在于把公共供给嵌入创新链条的起始环节。贵州枢纽算力调度平台通过“一键申请、快速获取”和算力券3.0版将模型服务与语料购买纳入支持范围，顺德区工业智能体赋能平台以免费开源版大模型算力词元支持中小企业“试错”，深圳福田依托大湾区大数据中心向中小微创业者开放云端算力与模型资源。这些探索的共同取向，是以公共性基础设施压低“第一道门槛”，使普惠从接入端的平等走向创新能力的对等。

公共数据开放同样需要精度。国家数据局推动数据基础设施互联互通，已有4万余个主体接入、6万余个产品上架，但开放不等于无差别供给。更可行的路径是“目录管理+授权运营+分级利用”，让中小企业在合规框架内获得可用的数据能力。与此同时，适老化、无障碍设计与数字素养培训应被纳入公共算力平台的配套体系，避免算力供给与使用能力之间形成新的断层。

二、多元共治：让每个风险环节找到“最有能力处置它的主体”

政府、企业、公众三方协同，容易被简化为静态的主体并列。但人工智能的风险传导具有跨环节、跨主体的特征：研发阶段的数据缺陷可能在部署阶段放大，应用阶段的偏差可能追溯至训练数据的结构性失衡。协同的关键不在于罗列主体，而在于让每一个风险节点都有能力匹配的责任承担者。金思宇在论述AI安全建设时提出，安全理念需要从传统“外挂式防护”向“内生式治理”转型，将安全能力嵌入研发、上线、运营全流程。“内生式治理”的启示在于：协同治理的有效性，取决于治理能力是否被“嵌入”技术与组织的运行逻辑，而非作为外部约束附加于其上。

2026年4月，工业和信息化部等十部门联合印发《人工智能科技伦理审查与服务办法（试行）》，在此基础上于5月启动人工智能科技伦理审查与服务先导计划，依托国家人工智能产业创新应用先导区所在省份，部署细化省级审查规范、指导创新主体建设伦理委员会、开展高风险活动专家复核、构建部省市三级联动敏捷治理网络四项任务，实施周期为2026年6月至11月。这一安排的制度意义在于，它把伦理审查从原则倡导转化为具有程序刚性的治理节点，同时为公众监督和行业评价提供了可追踪的接口。协同治理的“咬合”，正需要这样可核查的程序设计。

三、政府主导：分级监管的制度精度与“敏捷”能力

政府主导的核心命题，是在“管得住”与“放得活”之间找到可操作的精度。分级监管不是简单的风险排序，而是要在风险等级、应用场景与监管工具之间建立对应关系。对医疗诊断、金融风控、司法辅助等高风险场景提高准入门槛并实施周期性复核，对低风险创新应用留出试错空间，以监管沙盒和强制保险承接中间地带的治理需求，这一思路已在具身智能等前沿领域的政策讨论中形成相当共识。先导计划所部署的“部省市三级联动敏捷治理网络”和科技伦理风险信息报送机制，正是把分级治理从静态分类推向动态响应的制度尝试。

《人工智能安全治理框架》2.0版则从全生命周期角度深化了这一逻辑：风险分类从“内生—应用”扩展为技术内生、技术应用与应用衍生三类，新增模型开源风险和就业结构冲击等社会外溢效应，并提出“安全左移”策略。“人类最终控制”被列为基本准则的首要条目——在涉及重大权益的场景中，人工复核和人工接管程序不得省略。随着智能体开始自主调用工具、执行跨系统任务，可控性要求还将进一步提高。政府主导的制度精度，正体现为把这类原则转化为可执行、可验证、可追责的监管节点，而非停留在原则宣示层面。

四、企业履责：伦理审查的“基因化”与透明的可核验性

企业是风险的第一现场，也是治理的第一道闸门。伦理审查若停留在项目审批和合规文本层面，就无法应对模型持续迭代带来的累积性风险。金思宇所强调的“智能向善需要制度护航”，在企业层面的落实，意味着伦理考量必须进入模型设计、数据选择、训练对齐和部署监控的全周期，而非在技术完成之后附加。优必选的实践提供了一个值得分析的样本：在具身智能伦理治理尚无成熟行业标准的条件下，该公司构建了涵盖专门委员会、伦理运作章程、审查管理办法和风险评估指引的制度架构，并向社会公开招募法律、心理学、伦理学、哲学、社会学等领域专家参与伦理治理的共建、咨询与评审，同时建设用户伦理反馈渠道。这一做法的治理含义在于，企业伦理治理的独立性不能仅依靠内部层级来保证，还需要外部专业力量的制度化嵌入。

透明运营则需要从“原则披露”走向“可核验的透明”。企业应规范留存技术运行记录，合理披露模型能力边界与已知局限，建立偏差发现、整改与追溯机制。对于掌握核心技术和数据资源的企业而言，履责的深度最终取决于是否愿意把治理能力转化为可被外部审视的公共产品，而非将其封闭为合规成本。

五、公众参与：从“事后监督”到“治理信息的前端输入”

公众在协同治理中的角色，不应被窄化为产品使用者和侵权投诉者。公众既是风险的最先感知者，也是治理合法性的最终来源。2026年6月，中央网信办举报中心开设“涉AI应用乱象举报专区”，受理范围涵盖生成合成内容标识落实不到位、利用AI制作虚假信息、侵害未成年人权益等14类问题，举报渠道包括12377电话及网络平台。这一机制的价值不仅在于拓宽监督入口，更在于把分散的社会感知转化为可归集、可分析的治理信息。

但监督闭环的形成还需要两个方向的延伸。向前延伸，是在治理规则论证和风险评估阶段吸纳行业组织与各群体代表参与，使公众诉求进入决策前端，而非仅在损害发生后启动投诉。向后延伸，是要求政府和企业对监督意见作出可核验、可落地的整改反馈，使“举报—处理—反馈—制度调整”形成完整回路。对于老年人、未成年人等数字弱势群体，公众参与还应与数字素养教育和适老化设计相衔接，使监督权利与使用能力同步生长。

结语

人工智能的协同治理，本质上是在技术权力快速扩张的条件下重建责任分配的制度能力。政府提供制度基础设施与底线监管，企业承担全周期的技术伦理责任，公众以监督和参与注入合法性资源——三者各司其职而又相互嵌入，治理才能跟上技术的节奏。金思宇关于“智能向善需要制度护航”的判断，指向的正是这种制度能力建设的紧迫性。与此同时，国内协同必须与国际多边治理形成呼应。世界人工智能合作组织在上海成立并已有近40个国家作为创始成员国加入，中国在联合国框架下持续推动人工智能能力建设与国际合作。以“大安全”理念统筹国内协同与国际协调，在促进创新发展的同时守住安全底线，方能使人工智能真正服务于人民福祉与中国式现代化的长远进程。

（作者金思宇系中国智库高级研究员、国际问题观察家、经济学家）