转自:中国政府采购报
【圆桌论坛·大模型应用全景扫描】
编者按:在国家治理现代化与数字中国战略并行推进的关键时期,政务大模型正成为驱动治理效能跃升的重要引擎。政务场景凭借数据资源的权威性、算力设施的国产化、业务场景的深度耦合三重优势,为大模型构建安全可控的落地生态。本期聚焦底层支撑体系,与业内专家共同探索政务大模型在数字治理效能提升与普惠服务落地等方面的实践路径。
主持人:
本报记者 张明柳
嘉宾:
博思数采科技股份有限公司副总裁 陈 旭
国泰新点软件股份有限公司副总裁 何永龙
浪潮云总经理助理 陈 尧
采招云数智化采购研究中心 宋 军
“数据燃料”助政务腾飞
——业内专家共议大模型社会价值
主持人:政务领域在长期发展中积累了大数据局、公有云建设基础等资源。这些既有优势如何助力大模型的应用?
何永龙:数据是DeepSeek等大模型训练与学习的核心底座,其质量直接决定模型性能的高度。在推进招标采购领域数智化转型的进程中,国家层面制定了《电子招标投标办法》《公共资源交易平台系统数据规范(V2.0)》等一系列从业务流程到数据治理的标准规范体系,为高质量招标采购数据生态筑牢根基,也为大模型深度学习招标采购领域知识开辟了专属“高速通道”。在实践过程中,一方面数据质量的提升有助于咨询类问题的回答准确率,有效避免模型“误判”;另一方面,政府部门积累的大规模算力为大模型的运行提供有力支撑。
招标采购业务长期积累的丰富数据资源,为DeepSeek等大模型的深度应用提供了核心“燃料”。这些数据覆盖广泛,为模型训练提供了全景视角。得益于数据来源的权威性、严格审核流程,其固有的高准确性与安全合规性显著提升了模型输出的可信度。大数据管理部门建立的数据分级分类标准明确界定了数据的敏感度与使用边界,为模型在权限管控下的高效安全学习提供了制度保障。尤为关键的是,招标采购数据持续更新的动态特性,确保了模型能够实时学习最新政策导向与业务演变,保障输出内容的时效性与实用价值,为招标采购服务智能化升级提供有力支撑。
陈旭:近年来,我国各级政府大力建设大数据管理局、政务云平台和智算中心等数字基础设施。这些资源从数据、算力、数据治理三个层面,为DeepSeek等国产大型人工智能模型的落地和规模应用提供了坚实底座。
各地建设的政务云平台、人工智能公共算力中心和政务专网,为大模型的训练与部署提供了安全高效的算力环境。许多政务云已部署国产CPU/GPU和信创技术,能够支持千亿级参数模型的本地化训练推理。各地政府可以依托本地的人工智能公共算力中心,完成DeepSeek-R1等大模型对国产硬件的深度适配,并通过政务专网的强大算力来推动大模型在政务场景的应用,借助已有算力底座,政府部门无需依赖昂贵的外部云服务,即可获得大模型所需的推理与训练能力,保障模型运行高效且成本可控。
政务系统长期沉淀了庞大的结构化和非结构化数据资产,覆盖公共事务、民生服务、行政审批、财税管理、交通出行、医疗健康等各领域。这些权威且更新及时的政务数据,具备高质量和高价值,可作为大模型预训练、微调及知识库构建的宝贵素材。例如,各地大数据平台通过“聚、通、用”整合了海量数据资源,打破了部门间“数据围墙”。这提供了覆盖广泛且规范的数据源,有助于提升模型在政务事务中的知识掌握和语言理解能力。此外,大数据管理部门在保障数据安全和隐私合规方面的经验,也为模型训练提供了可靠保障——模型可以在“数据不出域”的前提下使用真实政务数据进行训练,既丰富了模型语料,又避免了敏感信息外泄 。综上,完善的数据治理生态为大模型持续优化提供了必要条件,使模型能够更好地贴合政务业务语境。
从海量的数据资源到强大的算力环境,再到完善的数据治理体系,政务领域为国产大模型提供了全方位的基础支撑。依托这一坚实底座,像DeepSeek这样的本土大模型才能更快融入政务应用场景,规模化地发挥“AI公务员”的价值,助力政府数字化治理迈上新台阶。
陈尧:首先,政府侧具有政务云的基础,有全国大数据局的支撑能力,各地市大数据局整合的社保、医疗等政务数据具有结构化程度高、领域垂直性强、覆盖范围广的特点,可为大模型训练提供优质语料。其次,在数据治理方面,政务领域的数据在清洗、标注、分类、脱敏等方面已形成规范流程,能快速适配大模型训练需求,减少数据准备成本。公有云的高性能计算集群和分布式架构为大模型训练提供稳定支撑,同时支持弹性扩容,能够应对突发算力需求。最后,基于政务云已有的容器化、微服务架构,可快速部署轻量化的大模型应用(如智能客服、文档摘要),并通过负载均衡优化响应速度。
数据质量方面,政务数据涵盖经济、民生等多个垂直领域,提供跨行业、跨场景的全域数据,帮助大模型突破通用语料的局限性。此外,政务系统积累了长期的历史数据,比如十年经济统计、政策演变记录等内容,可以支持模型学习领域动态规律,提升模型预测能力。政府数据更加注重隐私合规与安全性,政务数据已建立分级分类标准(如公开数据、受限数据、机密数据等),结合隐私计算技术可在合规前提下释放数据价值。计算能力方面,政务云部署国产化算力池,支持千卡级分布式训练,能够满足百亿参数模型的训练需求。同时,通过公有云弹性扩展算力+私有云处理敏感数据,实现安全与效率的平衡,降低DeepSeek的训练成本。结合分布式云节点,可支持大模型的本地化轻量部署,减少响应延迟。业务理解方面,借助海量垂直领域知识增强模型专业性,通过打造知识图谱构建,作为外部记忆库增强大模型的推理能力,同时通过提供业务专家标注的高质量指令数据,针对性优化模型输出。
宋军:政务大数据体系构建了高质量的数据基础。各级政府通过人口库、法人库、信用信息库等基础数据库,沉淀了覆盖经济社会全维度的结构化数据资源,其权威性、连续性和规范性远超互联网数据。同时,政务云平台构建了弹性算力支撑体系。国家电子政务外网已实现四级全覆盖,各地政务云平台通过集约化建设形成规模化GPU算力池,能够满足大模型分布式训练的高并发需求。更重要的是,政务场景的深度业务理解赋予大模型专业化能力。政府部门在智慧城市、应急管理等领域积累的行业知识图谱和业务规则库,为模型微调提供了丰富的领域特征。例如,税务领域的政策法规知识库、社保领域的业务流程图解等结构化知识,能有效解决通用大模型在专业场景中的“幻觉”问题。这种“数据+算力+知识”的三重优势,使得政务领域成为大模型落地的重要试验场,也为DeepSeek等模型在准确性、安全性和可解释性方面的提升提供了独特支撑。
主持人:政务领域应用大模型具有深远影响。您认为这一应用将带来哪些社会经济效益?
何永龙:数字经济蓬勃发展的当下,在智慧招采领域引入大模型,将在社会与经济层面释放巨大价值,主要体现在以下几个方面:一是促进构建全国统一大市场,通过大模型能力对招标(采购)文件进行公平竞争审查,提升文件编制的质量和公平性,清理交易过程中各类不合理限制和壁垒,为打造公平竞争的市场秩序提供基础;二是极大提升了招标采购效率,基于大模型打造智能编标助手,根据项目实际情况自动推荐符合项目的资质等内容,通过大模型构建招标采购项目的智能评审,促进人机融合提升评标质效,实现从经验驱动向数据驱动的转变;三是交易服务的便利性得到提升,降低交易成本,基于大模型的智能助手可以结合实际情况进行法律法规咨询、操作引导等,从用户角度出发提升各类交易主体的便利性。
陈旭:一是提升公共服务可及性。大模型驱动的政务服务可实现7×24小时在线响应和跨地域办理,使基层群众也能平等便捷地享受公共服务。智能问答和政策解读功能提高了服务的专业性和准确度,让偏远地区也能获得高质量服务。二是增强服务普惠性。自然语言交互降低了数字技能的门槛,使老年人和残障人士等弱势群体更容易获得政务信息和服务。同时,城乡、区域间因技术差异导致的服务落差明显缩小,数字服务更加公平普惠。三是提高政务运行效率、优化支出结构。大模型自动处理公文撰写、表单审核、咨询答复等重复事务,大幅提升办事效率。流程提速也减少了人力和时间成本,节省的财政资源可投向基层民生等领域,优化支出结构。四是优化营商环境。政务服务在大模型赋能下更加便捷透明。企业和群众办事流程简化、等待时间缩短,智能政策顾问提供精准指引(如清晰列出不同企业类型所需材料),减少跑腿和不确定性。高效透明的服务增强了市场主体信心,激发了投资创业热情。五是支撑高质量发展。政务大模型提升了政府治理效能和决策科学性 。更高效、公平的治理环境为经济社会高质量发展提供了有力支撑,并推动数字政府与数字经济良性互动。
陈尧:第一,通过大模型整合多部门数据,具备实时监测企业异常行为或社会风险的条件,可辅助政府提前干预。在应急管理中,大模型结合历史案例和实时数据生成预案,能够提升突发事件的响应速度和处置科学性。第二,大模型打破传统服务的时间和空间限制,使特殊群体也能便捷获取政务服务,而且多模态交互技术支持方言识别和模糊表达理解,减少因语言或文化差异导致的沟通障碍,提升服务包容性。第三,降低信息不对称,促进政策透明化。大模型可将复杂的政策文件转化为通俗易懂的对话式解读,帮助公众更直观理解政策内容,还可以通过数据可视化,帮助公众直观掌握政府决策依据。
宋军:通过降低技术使用门槛和提升公共服务普惠性,大模型能够有效缓解城乡、代际及不同教育背景群体间的数字能力差异。据有关研究机构小范围的统计,大模型可降低政府服务成本约30%,行政审批智能预审系统上线后单件业务处理时间可大幅度下降,有的可从15分钟压缩至3分钟。更深远的社会效益在于,通过AI赋能让偏远地区居民获得与城市对等的服务响应速度,如边远地区和少数民族地区应用的双语政务大模型可使民众政策咨询效率提升5倍。这些实践表明,政务大模型不仅是技术升级,更是实现数字包容的关键基础设施,其普惠特性将加速社会数字化转型的公平性进程。
本报拥有此文版权,若需转载或复制,请注明来源于中国政府采购报,标注作者,并保持文章的完整性。否则,将追究法律责任。