李厚辰 2026年08月23日
对华夏而言，AI已演变成一个系统性国策，而非单纯的商业追逐。（法新社）
8月上旬，建军节前夕的电视镜头中，一个四足机械身躯背驮着火箭弹出现了。这是解放军建军99周年纪念日的重头戏。
屏幕里，无人飞行器翱翔于空，无人舰队航行于海，地面机械部队则随步兵登陆。官媒宣传这些无人系统通过智能指挥网络实现集群配合，从而加快冲滩速度、降低人员代价。然而，这场精心编排的展示所透露的，远不止于武器能力的展现。
建军日前，党中央就召集高层进行一场战略学习会。会议强调未来五年要加快推进军队智能化转型，深化无人与自主武器的战场应用，夯实网络信息基础，推动装备、情报指挥、训练与联合作战的紧密结合。同时，领导层也再次强调政治建军的重要性、重大军事项目的监督机制与部队内部的清廉建设，确保军队绝对忠于党的领导权。国防部长则把解放军定位为「祖国统一」的战略支撑，誓言要打击分裂势力与境外干预。
不是简单的产业升级 而是整体国家改造方案
军事现代化、无人装备、项目监管、队伍整肃与政治忠诚——这些看似独立的议题，其实是一个统一军队改造工程的各个层面。因为现代化军队不仅需要新型武器，更需要可靠的传感网络、互联互通的通信体系，以及最关键的——对军队决策权、人事配置和权力结构的重新定义。这对于一个集权体制而言，涉及如同宪法般的制度框架。从习近平的讲话到那匹机械狼的亮相，都在宣告：中国军队的AI转型已经吹响了号角。
这恰好是理解北京AI政策的切入点。中央所追求的，绝非几家成功的科技企业或更先进的神经网络模型，而是把感知、识别、预测、调度、执行与监控串联成一条完整的国家权力链条。在军事层面，这条链通向侦察、目标判别、无人作战与火力协调；在社会治理层面，它则指向办事审核、医保管理、税务征收、公安执法、司法裁决、舆论监测与公共风险预警。
AI于中国，已然成为一项纵深的国政战略。
这种军事现代化并非纸上谈兵。美国智库乔治城大学安全与新兴技术中心曾分析解放军采购档案，发现AI已被广泛投入情报分析、目标识别、无人系统与决策辅助，并逐步融入C5ISRT指挥链条。
美式AI生态的核心依然由企业驱动。资本、数据中心、模型、人才与应用沿着几个科技巨头向外辐射。中国虽然也拥有字节、阿里、华为、腾讯以及众多民营AI公司，但这些企业的资金投向、芯片采购、算力配置与服务对象，始终无法突破国家安全与技术自主的红线。资金来自民间，决策权却逐渐转向政府。
北京的野心是让芯片、算力、信息、人员队伍、模型、落地应用、技术规范、治理框架与国情场景的各个层级，都实现最低程度的「自主可控」，彻底摆脱外部依赖。这就是我所理解的「全链AI国家」——不仅涵盖软件工程中的上下游，更是从硬件基础，一直延伸到行政制度、军事体制和日常生活的各个角落。
2025年夏天，国务院发布《关于深入实施「人工智能＋」行动的意见》，勾勒出了一份雄心勃勃的时间表：2027年前，新型智能终端与AI主体在政务系统中的使用率要达到七成；2030年超过九成；到2035年，全面迈入所谓的「智能经济与智能社会」。更具启示意义的是，文件的前半部分并未列举补贴项目清单，而是明确了AI进入政府事务、医疗卫生、教育培训、运输物流、司法部门、执法机构和应急处置的执行日程。这与其说是一份产业扶持计划，毋宁说是一份国家体制改造的时间表。
问题因而超越了技术层面。症结不再是中国能否研发出更优秀的模型，而是一个更深刻的提问：为何一个国家如此迫切地需要AI？它想用AI弥补什么短板？它期待把自身改造成什么形态？
北京期待通过AI以最低成本维持甚至强化既有的治理强度。这种宏大目标，唯有在极权体制下才可能实现。（法新社）
经济困难 人口衰退 治理密度却不肯放松
北京对AI的诉求可以分解为六个层面的缺口：经济增速、技术依赖、人口结构、治理财政、军事能力与意识形态。但在这六大缺口的背后，隐藏着一个根本性的矛盾：执政者可掌控的经济、财政与人口资源正在萎缩，地方债务问题早已不是秘密，生育率也在以空前速度下滑。尽管如此，中共仍然坚持「党的全面领导」，拒绝降低对社会的干预强度。
从经济维度看，房产开发、基建投资与传统出口贸易的边际效益已明显递减。北京需要寻找新的经济增长着力点。「新质生产力」因此不仅仅是一个产业术语，而是试图将技术革新这种固有不确定性，转化为可投资、可考核的行政任务。围绕集成电路、数据中心、AI模型与应用场景所构建的新产业链条，被描绘成一个从原材料、电力供给到前沿科技的贯穿性产业。
然而AI主要提升的仍是生产端效率。如果收入分配、社会保障与债务问题得不到根本解决，AI顶多让工业更快、物流更省、客服更少，却无法凭空制造出新的消费需求。若自动化率先冲击年轻人、中层职员与基层服务业，它甚至可能进一步抑制社会消费。AI就此沦为一种路径依赖的工具——绕过收入再分配的新办法：与其调整财富分配，不如继续堆砌生产效率；与其完善福利体系，不如寄望技术创造下一波增长。
其次是行政自我维系。老龄化浪潮冲击下，劳动力队伍收缩、地方财政恶化、基层公务员的工作动力也在衰退。然而上级政府仍然期望维持原有的办事规模、巡查频率、合规审查、风险管控、医保处理、税收征管、信访处置与社会管理。AI在此扮演的角色，不是替代几份公文工作，而是被寄希望成为一种廉价且永不疲劳的行政力量。
最后是制度存续。美国的出口管制迫使北京从单纯的模型竞争转向全链条自立竞争；军队期待用AI弥补现代战争经验的欠缺；宣传与舆论管制部门则想降低审查运营成本，同时提高认知战的产能。这些需求看似各自独立，实际都指向一个共同目标：在内外形势恶化的关口，增强执政能力、提升反应速率与强化控制范围。
因此，北京对AI的真实动力并非单纯的技术乐观，而是一场由多重危机交织而成的制度性豪赌。执政者希望藉由AI在成本更低的前提下，维系甚至深化对社会的治理强度。这种疯狂的目标，只有在一个极权体制中才有可能实现。
AI如何渗透权力中枢
AI参与行政操作在全球都在发生，许多民主国家也在运用AI优化公共服务，为什么中国的做法特别值得警惕？
首先，北京的AI战略并非零散地融入各个部门的工具升级，而是一项宏大的国政规划，从一开始就把AI定位为国家治理的基础工程。「数字中国」与「AI＋」这两大政策框架将经济增长、公共安全、网络管制、社会事务与国家安防统一纳入一个宏观架构。各部门都会通过某种方式参与其中。
比如算力和数据，在中国体系中都属于中央直接管理的战略资源。算力、模型与政务资料可以统一汇聚。现行政务大模型的部署方案是这样的：省级政府统一调配算力、模型与公务资料库，地市层级按照省级要求执行部署，县乡及以下原则上复用上一级的资源。这就是从中央下达指令，由省级整合能力，地市与县区将模型「大规模推进」式地嵌入具体行政流程。这是中国权力运行的基本逻辑。
进一步向下延伸，国资云平台、电信运营企业、互联网平台与地方科技企业提供基础支撑，这被视为基建投资驱动的建设工程；公安、税务、医疗保障、司法机关、街道办与网格管理则成为直接用户，这由维稳压力这个高敏感事项所驱动。地方政府本身又是公安类AI的主要采购方。地方官员的职业前景与能否规避集体事件、控制社会风险、完成上级指标紧密相连，这驱动他们为了降低风险而激进地投入AI。加之中国地方权力高度集中，这使得AI的推广速度更为迅猛。采纳AI因此兼具行政决策、政绩工程与政治风险管理的多重属性，是一项综合性的国家级举措。
这条传导机制至关重要。它揭示了中国AI治理并非由某个抽象的「国家」直接操作，而是由一系列各有利益诉求的机构集体塑造：中央需要可控性与忠诚度，省级需要统筹能力，地方官员需要政绩与责任豁免，国企需要政策市场，互联网企业需要合规与订单，基层干部则需要一个向上级交代的抓手。
最终承受模型判断的普通民众，却无力参与这条链条。他们无法决定政府采用何种模型，也很难知悉自己为什么被分类为某类风险，更难要求模型设计者、数据管理者与执行部门共担责任。
模型未必看到真实 反而生成「预测风险」
社会学者Scott在《国家的眼光》一书中曾论述，现代政治权力如何借助户口簿、地产登记、人口统计、地理测绘与证件制度，把原本纷繁复杂的社会转化为「可观察」的状态。唯有先把人口、土地、资产转换成标准化格式，国家才能有效征税、征兵、计划与管理。
AI是这场可见性革命的第二阶段升级。
当影像、交易、出行、税收、健康、社保、司法与商业行为接入同一套数据生态后，国家的获得物不再是静态的名册。它可以对个人、机构与事件进行分类、评级与实时告警。社会从「可观察」演进到「可预测、可分级、可分派、可干预」的新阶段。
第一个变化的出现形式，是「智能代理」式的公务员。
深圳福田曾为七十个「AI数字员工」配发工作证，让它们参与文件审查、任务调度、窗口答疑与民众诉求处理，覆盖数百项政务流程。官方宣布，部分文件处理效率与诉求分派效率都大幅提升。这些成绩数据均来自官方自报，理应保持审慎态度；但核心问题并非具体提升幅度，而在于AI已被官方纳入为一种公务劳动力使用。
智能代理可以自动受理、初审、分类、评级、派工、草拟与跟进。这在一定程度可以减轻基层负担，也可能减少因人而异的推诿现象。但同样的体系也让上级更容易量化下级的表现，精确追踪每项任务的完成状态。当模型输出逐渐成为标准答案，干部偏离这个答案的代价就会攀升。
因此AI首先规范的，不仅是民众，也包括官员自身。过去基层工作人员还能通过本地知识、延宕、迂回或模糊处理来调适上级指令；现在，他必须解释自己为什么没有按照系统建议行动。遵从模型会比独立判断更安全。
第二个变化的表现是「预警式国家」。
江苏常州的警方曾宣传这么一个案例：系统分析社交媒体舆论与报警记录后，提前判断某企业可能出现员工集体讨薪，公安与劳动部门遂先发制人地约谈企业领导，要求制定发薪计划。当地声称，「民事转刑事」风险预警的准确率从78%提升到了92%。这个数字既无第三方验证，自然不足为信。
但无论92%的真伪如何，政府想把什么事件转化为「可计算的风险」，已经十分明白。
工资欠发原本属于劳资关系、企业经营与地区经济问题。进入警务AI模型之后，它被重新标签为「群体事件」与「民事转刑事」风险。模型不是简单地发现一个现成的问题，它也在重塑国家用来理解世界的语言体系。失业、贫困、房贷逾期、讨薪、上访、政治不满等现象，都可能先被翻译成AI风险评分，随后再由警务、社区或其他机构提前处置。
第三个变化是「AI辅助的资源调配」。
AI不会直接让中国回到计划经济年代，但它可以帮助执政者更灵活地调度算力、数据、财政贴补、信贷放款、政府采购与试点项目。往日的产业计划依靠文件、报表与定期汇报；如今则可通过模型持续更新企业评分、技术优先级与风险排名。
这碰触到了经济学家Hayek所言的「知识难题」：社会知识分散在无数个人与企业体中，中央机构很难完整掌握。AI确实能改进信息收集效率，但无法自动化解激励变形、说真话困难与权力干扰。更多数据不必然意味着更真实的数据；更强的模型也不保证官员愿意向上报告真相。
那么模型吞进去的，究竟是现实还是文牍？
2022年上海封城阶段，中国官僚系统曾表现出一种鲜明的二元分裂：一边是文件、发布会与层层报表组成的「纸面防疫」；另一边是居民、社区、医院、物流与执法部门实际经历的「真实防疫」。表面看政策环节科学精妙，现实中却充斥资料矛盾、资源脱节、责任推卸与层层加码。
AI不会自然消解这种分裂。反而，它可能把文牍变成更难质疑的数学结论。
中国AI治理最紧迫的问题已经很清楚：模型判错了，谁来担责？被列为风险对象的个人，能否有效申诉？（法新社）
AI出错由谁买单 代价如何分配
政务数据并非社会现实的天然映射。什么事项值得记录、哪些问题被算作风险、哪些投诉被作为重复上访、哪些失业被称为灵活就业、哪些企业难点需要上报，这一切都是政治权衡与行政选择的结果。数据在进入模型之前，已经历了公务员考核、部门利益、平台审查与向上负责的多轮打磨。
换言之，AI系统能够识别的，未必是中国社会的全貌，而是官僚系统允许被填入表格的中国。
这会构成一个危险的反馈循环。地方先为了完成考核而清理数据，模型再依据清理后的数据输出高度自信的判断；上级把模型输出视作客观事实，进而要求下级按模型指引配置资源与处置风险；那些与模型不符的现实则更难进入下一轮数据收集。最终的局面不是模型逐步逼近现实，而是现实被硬生生拉向模型。其间的落差，就是治理失效的空间。
预测系统还可能制造另一类自我实现的预言。系统给某家企业打上讨薪风险标签，政府随即介入，最后没有发生抗议，部门就可以声称模型预测准确。但事件本来是否会爆发，谁都无法确知；企业与员工是否因错误警告承受额外监控、约谈或污名，更很少被纳入绩效评估。因此AI介入会形成一个单向「棘轮」：出现了AI预警的风险且被成功化解，这证明了AI的有效；出现了AI未预测的风险，这不是AI失效的证明，反而成了需要更大力度投入AI的论据。
系统与政权衡量的是「规避了多少灾难」，但个人承受的是被定义为「灾难」的代价。
这使得中国AI治理最关键的问题变得异常简洁：模型作出错误判断时，谁承担责任？被贴上风险标签的个人，能否有效进行异议？
现有框架已开始要求全程管理、人工复核与「人工兜底」（指定人员负责善后）。这些原则并非毫无意义，但它们主要回答的是政府如何安全使用工具，而非被模型误判的人如何恢复权益。谁有义务提供解释？数据错误由谁负责更正？行政处罚能否中止？名誉、职业与经济方面的损失如何赔偿？在一个本来就缺乏问责机制的体制中，AI失误的行政追责形同登天之难。
更棘手的是，「人工复核」很容易沦为走过场。AI产生海量中间产物，官员面对系统产出的千言万语时，容易像使用了生成式代码的程序员那样，闭眼点击「确认」。
对基层干部来说，按模型指令办事，即便后来出问题，也可以辩称自己遵循了制度；拒绝模型建议，若事件真的发生，责任就可能全压在自己身上。在这样的考核框架下，人工不会自然成为模型的纠偏机制，反而极可能成为替模型签字的人。
这就是所谓的「自动化偏差」：人类名义上仍在做最终决策，实际上却因模型的权威性、工作压力与责任压力而跟随系统指引。AI没有消除官僚问责，只是让责任转移变得更容易。
而最易承受代价的，通常是申诉能力最弱的群体。欠薪工人、小微商户、债务家庭、上访人员与其他被视为不稳定的人群，留下的行政痕迹最密集，最容易被分类系统捕捉，也最难要求政府公开分类依据。风险治理看似普遍适用，代价分布却极不均匀，最终主要落在政治资源最稀缺的群体身上。
权力不再遥远 而是渗入生活每个角落
借鉴社会学家Mann关于「专制权力」与「基建权力」的区分，我们可以把中国国情重新诠释为两类权力形式。
首先是禁止性权力：账号禁用、内容审查、刑事拘留、营业关闭、应用下架、强制执行。这是国家不征求社会同意就直接下达命令的能力。它曾是中国作为极权制度最便利施展社会管制的方式。
其次是生成性权力：国家通过政务网络、数据库、智能体、纳税风控、医保审批与城市管理，不断塑造民众能采取何种行动、获取什么资源、进入哪些程序。这里的「生成性」并不意指权力必然导向善果，而是说权力会生产分类、秩序、资格与行为方式。
因此，AI治理不能仅简化为监控强化。监控主要解决「看得见」的问题；真正的形态转变在于把可见性接上分类、评级、分派与执行，使中国成为「生产性权力」的国度。
国家权力不再只是从高层一纸命令就约束基层边界。它透过数据接口，住进企业的融资审查、医院的支付流程、学校的行政系统、法院的案件分派、工厂的生产链条与普通人的每一次政务办理。这类权力的施行方式不必然呈现为暴力面目，它甚至可能十分便利、高效。正因如此，它的渗透深度超越了单纯的禁止，也更难被逆转。这不是科幻想象。中国税务系统的「金税四期」就已经是毛细血管般的AI驱动的生产性权力。正是这套AI体系，让中国在经济陷入严重困难的这两年，仍能维持两位数的「个人所得税」增幅。
被削弱的官僚灵活性
官员的自由裁量权并非当然值得礼赞，尤其在中国背景下。它可能导致推诿、贪腐、选择性执法与因人施政。AI的标准化确实可能削减部分刁难行为，让办事流程更透明、更迅速。
但自由裁量的另一面是本地认知与人情考量。往日一条不合理的中央指令，需要经过省、市、区、街道、社区与具体执行人的层层传导。这条长链条中的拖延、变通、选择性落实与阳奉阴违有时构成腐败，有时却也是一层缓冲垫。
2022年上海疫情期间，一位小区门卫对居民的夜间出入一直睁一只眼闭一只眼。唯独在上级巡查时，他才严格执行规定。这当然谈不上法治，但那种「枪口抬高一寸」的变通，确实给居民在僵硬命令下保留了一点生存余地。这样的空间因小区门口安置「AI哨兵」（强制人脸识别进出系统）而宣告终结。
模型化治理会逐步挤压自由裁量的存在空间。系统会自动记录、实时上报、统一排序，基层执行人员再也难以假装没看见。中央指令在官僚链条中的流转摩擦大幅降低，错误就可能以更快的速度、更广的范围传播，也更难被本地经验所修正。
这并非说中国会突然蜕变成一个运转完美、信息互联的全知国家。部门壁垒、信息孤岛、财政差异、技术水平与执行能力仍然客观存在。真正令人担忧的不是中国AI治理必然无所不知，而在于它可能在信息仍不完整的情况下，却获得了前所未有的执行确定性。
它不是一个低能力国家，恰恰相反，它可能演变成为一个高能力却同时包含系统性脆弱的国家。
对台湾的真实威胁 不只是机械狼
回顾建军节的那幅画面。对台湾而言，真正的危险未必是那匹机械狼能否在滩头跑得有多快。
更需重视的是，解放军正在尝试把无人机、无人舰、地面部队、商业卫星、开源情报、网络攻击、舆论战争与指挥系统同步到同一个节奏上。单项的武器装备不必完全胜过美国，只要整合速度加快、使用成本降低、出动频率提高，就足以增大灰色地带的压力强度，压缩台湾与盟国的反应空间。
但还有一类更深层的隐患。
假如模型吃进去的仍是层层粉饰、报喜不报忧的情报，AI就不会自动帮助中共高层看透真相，反而可能给既有的偏见配上数学的外衣。一个依赖模型推演来指导决策的决策中枢，可能愈来愈相信自己的风险打分、舆论分析与战争演兵，最终说服自己：台湾的抵抗意志已土崩瓦解，美国不会实质介入，经济制裁可以顶住，有限军事行动能快速造成既定事实。
这类危险不源于中国过度认知，而源于它「自信地判错」。
当感知与实际的偏差进入最高决策层，错误判断不仅是行政失误，更可能成为战争的触发器。中国内部的系统脆弱性，就此直接转化为台湾海峡的外部风险。
北京期待籍由AI提升执政能力，应对超大规模社会的信息与治理成本。（法新社）
真正的对手 台湾可以成为反证
许多论者把AI竞争看成中美之间的终极博弈：谁掌控了更大的模型、更充足的算力、更完整的芯片产业链，谁就能掌控未来时代。
但从中共角度来看，AI真正的挑战也许并非美国，而是现代化理论中那个粗粒度却影响深远的命题：经济进步、教育普及与社会复杂化，最终会向多元化与参与式政治施压。
北京正在下一个赌注。它期待通过AI来强化执政能力，克服超大规模社会的信息成本与治理难度，在经济继续进步的同时维持政治垄断。它要向世人证明，发展无需伴随自由化与权力分散，管制可以替代信任，算力可以弥补社会信任的缺口。
这个赌注未必会落空。中国拥有庞大的行政体系、国有基础设施、密集的公共数据、广阔的市场与成熟的制造能力。AI真的可能让它在许多领域变得更快、更廉价、更能深入社会各处。
但能力不等同于正当性。更精准的预测，不会自动给被判错的人提供有效的申诉途径；更完备的数据，不会促使干部主动向上级讲实话；更高效的执行，也修补不了民众对制度的信任赤字。恰恰相反，打造这套能力所依赖的控制本能，反而可能把信息扭曲、责任真空与政治僵化同时放大。
台湾因此不仅是中国AI军事应用的潜在靶子。作为华语世界的自由民主体制，它还可以成为这场豪赌的活的反证。
台湾需要审查的不仅是某个具体的来自中国的App，而是数据究竟通过谁的API、哪种模型权重、什么更新渠道与云端服务；需要守护的不仅是个人隐私数据，更包括高质量繁体中文语料库与一个社会自我描述的能力；需要打造的不仅是晶圆代工产业，而是从服务器、信息安全、模型部署到数据治理的可信AI生态链；面对认知作战，也不能只靠事后澄清，而要预先建立跨机构核查、危机通讯与混合情景推演。
对抗中国的AI国家化道路，不是让民主社会变得更善于管制，而是展现另一个真理：分布式的知识体系、真实的信息流动、可申诉的制度、自由的公共议论与可信赖的体制，并非国家能力的绊脚石。
它们本身，恰好就是最强的国家能力。
李厚辰 2026年08月23日
※作者为定居日本的中国自由知识人与跨媒体内容生产者。创办YouTube「三枪手的故事」与「世界的苦茶馆」等栏目。毕业于北京中央民族大学，双修法学与经济学专业。
