当政府与 AI 共同思考：认知治理系统的新框架

人工智能已经进入政府的反欺诈、资源配置、公共服务规划与风险预测。但多数治理理论形成于“人作决策、技术当工具”的时代。Kamal Singh Kunwar 指出，当算法开始筛选信息、生成建议并影响官员能够看到的选项时，这一传统区分已经不足以描述现实。

研究提出“认知治理系统理论”（CGS），把公共治理理解为分布在人与机器之间的认知活动。它不只追问政府应当如何监管 AI，也追问一个更基础的问题：当机器参与观察、分析和推荐时，一项公共决策究竟是怎样被共同形成的？

CGS 将六个要素放进同一系统：人类智能、人工智能、认知互动机制、民主问责、适应性学习能力与治理韧性。人类提供情境判断、价值解释与伦理责任；机器提供大规模处理、模式识别与预测能力；二者通过具体界面和程序发生关系——算法何时提出建议，人员何时复核，谁能够推翻结果，出现错误时由谁负责。

其中，民主问责不是附加项。公共决策不能只凭效率获得正当性。如果 AI 系统缺乏透明度，责任便可能在官员、供应商和模型之间被不断转移。CGS 因而主张，把可解释性、可审计性、复核机制与清晰的责任分配直接嵌入决策架构，而不是等系统上线后再补上一层外部监督。

框架还把治理视为持续学习的过程。适应性学习能力让机构能够根据政策结果与公众反馈调整行动；治理韧性则要求机构在数据受损、模型失效或突发环境下仍能安全运行。由此，一个成熟的数字政府并不等于“自动化程度更高”，而在于它能够质疑工具、从错误中学习，并在压力下守住民主原则。

对公共部门而言，这意味着：重要决策必须保留实质性人工复核；算法设计和运行记录应当可审计；人机共同决策需要明确责任规则；公务人员要具备足够的 AI 素养；受决策影响的公民也必须拥有申诉和质疑渠道。随着公共部门 AI 跨境扩散，各国还需要围绕基本民主规范开展协调。

需要强调的是，CGS 目前是一项建立在系统文献综合上的理论建构，尚未成为经过大规模数据验证的模型。作者提出未来可通过专家访谈、德尔菲法、调查和结构方程模型开展检验。因此，它更适合作为提出问题和设计制度的框架，而非已经盖棺定论的证据。

这项研究最重要的提醒是：当 AI 进入公共决策的形成路径，治理就已经成为一种混合认知系统。真正的选择并非“人还是机器”，而是如何设计二者的关系，让更强的分析能力同时带来更清晰的责任、更可靠的正当性与更持久的公共信任。