人工智能不平等为何持续

1. 引言

人工智能进入公共行政的速度正在加快。它已经不只用于内部文件分类、信息检索和流程优化，也逐渐进入公共服务设计、福利资格判断、风险识别、案件排序和政策执行。经济合作与发展组织的调查显示，人工智能在政府内部流程和公共服务中的应用明显快于它在政策制定、监督和问责领域中的应用。2025年，36个受调查的OECD国家中，31个已在内部流程中使用人工智能，27个将其用于公共服务，但只有12个将其用于监督和问责。更值得注意的是，承认算法透明重要性的国家远多于真正建立透明标准、风险评估、部署后审计和公开算法登记制度的国家（OECD, 2026）。这说明人工智能的行政应用正在扩展，但治理能力并没有以相同速度形成。

这种不对称在全球范围内更加明显。世界银行将一个国家的人工智能基础概括为连接、算力、情境数据和能力四个方面，并指出低收入国家在数据中心、服务器、技能和本地数据方面都处于明显劣势（World Bank, 2025）。联合国贸易和发展会议进一步指出，人工智能产业的市场、研发和基础设施集中于少数国家和企业，而多数发展中国家仍缺乏完整的国家战略与谈判能力（UNCTAD, 2025）。因此，所谓全球人工智能不平等并不是简单的“有没有使用人工智能”。它同时涉及谁能够定义问题、控制基础设施、训练模型、设定语言与数据标准、获得经济收益，又由谁承担错误、依赖和制度调整的成本。

公共行政和人工智能伦理研究已经识别出许多重要问题。数据可能低估或误认某些群体，模型可能复制既有的性别、种族和阶层差异，自动化可能改变行政裁量，黑箱系统可能造成问责缺口，技术采购可能带来供应商依赖，形式上的人工监督也可能因自动化偏见、能力不足或组织压力而失效（Bullock, 2019; Busuioc, 2021; Green, 2022; Zuiderwijk et al., 2021）。全球南方与去殖民人工智能研究则进一步指出，外部技术系统可能提取本地数据、边缘化本地知识和语言，并把技术依赖固化为新的权力关系（Birhane, 2020; Mohamed et al., 2020）。

这些研究构成了必要基础，但仍留下一个关键问题。Chandra和Feng（2026）对公共行政人工智能研究的梳理同样指出，现有文献已经提出大量高层原则，但对具体情境、作用机制、结果和实施过程的研究仍不充分。偏见、透明度不足、问责缺失、语言等级和数字鸿沟并不是互不相关的风险清单。它们怎样通过公共组织、采购制度和行政反馈连接起来，又为什么能够在系统上线后持续存在？如果这个过程没有被解释清楚，所谓良善治理就容易退化为原则罗列——公平、透明、问责、包容都被认为重要，却不清楚它们分别作用于哪个机制、由谁执行、需要什么权限和资源，也不清楚原则发生冲突时如何纠正。

现有理论已经提供了重要解释。社会技术系统研究揭示技术、组织与人的相互依赖；路径依赖说明早期选择怎样通过递增收益和转换成本限制后续行动；制度同构则解释公共组织为何在强制、模仿和专业压力下采用相似的制度与技术（DiMaggio & Powell, 1983; Pierson, 2000; Selbst et al., 2019）。但这些理论通常分别处理系统构成、制度延续或组织趋同，尚未把三个过程组织为一条连续机制——哪些差异首先获得行政可见度，相关选择怎样被编码为模型、合同与程序约束，以及纠正能力的分布如何决定这些约束能否被重新打开。本文引入维成论，不是为了否定上述理论，而是为了连接这三个过程，并据此解释不平等怎样从一次性的偏差转化为持续性的行政结构。

本文试图回答三个问题。第一，公共人工智能的设计和部署怎样决定哪些社会、文化、语言和制度差异能够进入行政判断，哪些差异会被压缩或排除？第二，技术、制度和政治经济约束怎样把既有资源与代表性差异转化为跨群体、跨地区和跨国家持续存在的行政不平等？第三，透明、问责、参与、申诉、纠正权限和本地能力建设在什么条件下能够使这些约束保持可修改，并形成具有公共正当性的持续一致？

本文以维成论为基础提出一个统一的动态解释。维成论认为，差异、约束与持续一致是结构形成和存在的三个基础概念。用于公共行政时，分析对象不是孤立模型，而是由政府部门、模型、数据、供应商、法律、工作人员、公众、基础设施和申诉制度共同形成的社会技术治理结构。本文据此提出“约束闭合”概念。它指本来具有偶然性并可以修改的数据分类、模型目标、绩效指标、采购安排或行政规则，因为不透明、锁定、权限集中和纠正能力不足而逐渐变得难以识别、质疑和改变。约束闭合不是维成论的第四个基础概念，而是本文为解释人工智能不平等持续化而形成的中层分析概念。

本文的中心判断是，差异不会自动变成不平等。差异经过选择性可见化，被编码为具有行政后果的约束；当约束发生闭合，而且行政结果不断进入新的数据、预算、分类和工作流程时，不平等才成为能够自我维持的结构。良善治理的主要作用不是消除一切差异或取消一切约束，而是防止约束失去纠正通道，使承担后果的人仍有能力让相关差异重新进入判断过程，并在必要时改变目标、数据、模型、程序乃至停止使用人工智能。

本文有三项理论贡献。首先，它把研究重点从单次算法偏见推进到不平等如何在技术、组织、制度和时间反馈之间形成并持续。其次，它把代表性从公务员队伍的构成扩展到问题定义、数据类别、语言、模型评价、采购和纠正机构，但不否定人的代表性仍然具有独立价值。最后，它把透明、问责、申诉、人工监督和本地能力重新组织为相互依赖的纠正结构，从而说明良善治理为何重要，以及它必须具备什么实际条件。

2. 从分散的风险解释到持续性不平等

2.1 算法偏见并不是机制的终点

算法偏见研究通常从数据代表性、标签质量、代理变量、模型误差和不同群体之间的结果差异出发。这些问题都是真实的。Sambasivan等人（2021）对印度、东非、西非和美国的人工智能从业者进行访谈后指出，上游数据工作的不足会形成“数据级联”，其影响在系统开发和部署过程中不断累积，最终以难以追溯的方式进入高风险决定。Selbst等人（2019）则提醒，公平不能被当作模型内部可以独立解决的数学属性，因为模型总是嵌入制度目标、组织实践和社会分类之中。

公共行政进一步放大了这一问题。政府不是普通服务提供者。它能够确认身份、分配福利、决定优先次序、实施检查、影响自由，并以公共权力使分类产生现实后果。相同的预测误差出现在娱乐推荐系统和社会福利系统中，制度意义完全不同。后者不仅关系到技术准确率，还关系到法定权利、程序正义、平等对待和国家责任。因此，算法偏见不能只在输出端被观察。必须追问这个系统为何采用某种问题定义，为什么选择某个代理指标，谁有权接受误差，又由谁证明系统已经伤害了自己。

数字福利领域已经显示出这种结构性。自动化可以降低处理成本，也可能把调查、证明、申诉和等待的负担转移给本就处于弱势的人。联合国极端贫困与人权问题特别报告员对“数字福利国家”的审查指出，福利自动化可能在提高行政效率的同时扩大监控、排斥和权利伤害（Alston, 2019）。荷兰SyRI案件进一步说明，即使系统以打击福利欺诈和提高效率为目标，如果其数据整合、风险分类和可质疑性无法满足人权与比例原则，技术效率也不能构成合法性的充分理由（Rachovitsa & Johann, 2022）。不平等由此不只是某个群体“被算错得更多”，而是某些群体更频繁地被怀疑、更难理解系统、更难获得人工帮助，也更难迫使组织承认并修正错误。

2.2 行政裁量并未消失，而是被重新分配

人工智能经常被描述为减少人为偏见和提高决定一致性的工具，但它并没有消除裁量。它把部分裁量从一线公务员转移到问题设定、数据选择、模型训练、阈值设定、采购合同和界面设计等上游位置，同时又在异常处理、解释输出、接受建议和决定是否推翻系统等下游位置产生新的裁量（Bullock, 2019; Young et al., 2019）。这种转移改变了谁能看见决定的形成过程，也改变了谁有能力介入。

代表性官僚制理论传统上关心公务员队伍的社会构成怎样影响公共决定以及公民对政府的信任。自动化不能使这个问题失效。Miller和Keiser（2021）的研究表明，公民对自动化决策的态度仍然与官僚代表性和公平感知有关。更重要的是，如果人工智能严格限定一线人员可以看到的信息和可以采取的行动，即使公务员具有经验、文化理解和代表性，他们也可能无法把这些能力转化为实质性判断。反过来，如果只强调保留人工确认，却不提供时间、知识、修改权限和组织支持，“人在回路”就可能变成对机器建议的形式性盖章（Green, 2022）。

因此，人工智能条件下的代表性不能只问“谁在办公室里”，也要问谁参与问题定义，谁的数据和语言进入系统，谁设定可接受误差，谁拥有复核和推翻权限，谁能够通过申诉使系统学习到此前没有看见的差异。代表性由人的构成问题扩展为贯穿整个治理结构的问题，但这种扩展不是用数据代表性代替人的代表性，而是说明两者只有通过实际权限连接起来才可能产生作用。

2.3 全球南北不是地理标签，而是约束关系

“全球南方”与“全球北方”都不是内部同质的地理实体。高收入国家内部存在显著的阶层、族群和地区差异，发展中国家也拥有不同的技术能力、制度创新和本地知识。本文使用这一对概念，是为了描述人工智能产业链中反复出现的结构关系——基础设施、模型、资本、标准和知识产权集中于少数中心，数据采集、内容审核、低成本标注、试验风险和制度适应成本则更多地分布在外围地区。

这种关系不仅表现为技术接入差距，也表现为约束制定权的不平等。一个地方政府即使能够购买全球领先模型，也未必能够审查训练数据、改变核心参数、理解语言误差、保存本地数据主权或在供应商退出时继续运行服务。缺乏算力和人才会限制采用人工智能的能力，但更深层的问题是采用之后是否仍保有独立判断、验证、议价、退出和纠正的能力。Birhane（2020）将这种由外部技术垄断、数据提取和价值输入形成的关系称为算法殖民化。Mohamed等人（2020）提出，去殖民人工智能必须把权力、历史和知识多样性带回技术实践，而不能把边缘群体只当作等待被纳入的数据来源。

语言等级是最清楚的例子之一。世界上有七千多种语言，但自然语言处理的资源和研究长期集中在极少数高资源语言（Joshi et al., 2020）。Blasi等人（2022）对数千种语言技术表现的比较进一步显示，这种资源差距会系统性地转化为性能差距。当公共服务越来越依赖聊天机器人、自动翻译、文档分类和大语言模型时，语言能力差异会直接转化为服务可及性、表达精度和被理解的机会差异。增加少数语言数据可能有所帮助，但如果数据采集缺乏社区控制、目的限制和收益回流，它也可能成为新一轮提取。差异得到表示不等于差异必须被无限数据化。隐私、集体数据权利以及选择不被编码的权利仍然构成必要约束。

3. 维成论与公共行政的理论边界

3.1 差异、约束与持续一致

维成论把存在理解为结构在变化条件下的形成和维持。其基本关系可以概括为，约束把差异组织为持续一致。差异（Difference）指结构内部以及结构与环境之间不可预先消除的区分。没有差异，就没有关系、变化和结构。约束（Constraint）限定哪些关系、路径和变化能够继续存在。约束不只是压制力量，也是结构得以形成的条件。持续一致（Sustained Coherence）不是静止稳定，更不是没有冲突，而是差异要素在约束、检验与调整中仍能维持可识别和有效的组织关系（Chen, 2026）。

纠正和有效运行在这里非常重要，但它们不是与差异、约束、持续一致并列的第四和第五个基础概念。纠正描述结构在偏差、失败和环境变化中恢复或调整关系的过程；有效运行说明一致不能只停留在语言或内部想象中，而要在相关环境和约束下实际成立。一个结构可以通过改变而持续，也可能因为拒绝改变而失去原有一致。

把这一框架用于公共人工智能时，分析单位不能是单个算法。一个公共人工智能系统至少包括政策目标、法律授权、行政规则、训练与运行数据、模型、界面、采购关系、基础设施、公务人员、供应商、服务对象、监督机构和申诉程序。模型只是其中一个能够强化或改变其他关系的节点。所谓系统运行良好，也不能只指模型准确或部门流程顺畅，而要考察这一治理结构在不同群体、地区和时间尺度上是否仍能维持公共服务的权利、可及性、问责和正当性。

3.2 持续存在不等于良善治理

必须明确，维成论首先解释结构怎样形成和持续，并不会因为某个结构能够维持就宣布它真实、善良或正当。歧视性制度、封闭官僚体系和剥削关系都可能在相当长时间内保持内部一致。它们的持续存在只能说明支撑这些结构的约束仍在运行，不能证明这些结构值得维持。

公共行政中的规范判断仍然来自民主价值、人权、法治、程序正义、公共利益和发展目标。本文所说的“具有正当性的持续一致”，是把维成论用于公共行政之后的规范性限定，不是新增的维成论基础概念。它要求公共服务不只保持运转，也继续接受外部检验、受影响者的质疑和公共价值评价。一个部门可以通过把错误、等待和证明责任转移给服务对象而提高内部效率，但这种部门尺度上的一致可能以破坏社会尺度上的权利和信任为代价。

这一区分也改变了对治理目标的理解。良善治理需要维持的不是每一个已经部署的人工智能子系统，而是公共服务整体的正当运行。如果某个系统只有在排除地方差异、压制申诉或持续转移成本的情况下才能运行，停止该系统可能恰恰是维持公共治理的必要纠正。纠正不能被缩减为调整模型参数，还必须允许重新界定问题、改变分类、修改采购关系和行政规则，必要时放弃自动化路径。

3.3 从伦理原则转向纠正结构

全球人工智能伦理指南在公平、透明、问责、隐私和人类监督方面已经形成较高程度的原则共识（Jobin et al., 2019; UNESCO, 2021）。问题在于原则本身不会自动产生执行主体、信息、权限、预算和救济。Mittelstadt（2019）指出，人工智能伦理不能简单复制医学伦理的专业制度基础，因为人工智能开发缺乏同样稳定的职业责任、监督结构和共同目标。公共部门虽然具有法律与行政责任体系，但复杂采购链和技术不透明仍可能使责任分散。

维成论在这里提供的不是另一份原则清单，而是一个关系判断。透明提供识别约束的信息，问责确定谁必须解释并承担后果，参与和代表性使被排除的差异重新进入问题定义，申诉提供触发纠正的路径，审计和人工监督识别运行偏差，修改权、退出权、预算和本地能力则使纠正真正发生。任何一个环节单独存在都不充分。透明而不能申诉，只是看见问题；可以申诉而无人有权修改模型或程序，只是记录问题；保留人工复核而公务员无法理解或推翻建议，只是形式性监督。

4. 从差异到约束闭合

4.1 运作性可见度

公共组织不可能把社会的全部复杂性纳入一个行政系统。治理必然通过类别、指标、表格、语言和程序选择哪些差异具有行政相关性。本文把某项差异能否进入问题定义、数据类别、模型评价标准和工作流程称为“运作性可见度”。这不是要求无限收集数据，而是要求组织能够说明哪些差异被视为相关，哪些被忽略，以及这种选择的权利后果。

当实际行政环境中的相关差异与系统可以表示的差异之间存在较大距离时，模型即使在总体上准确，也可能对特定群体持续失败。少数语言、非标准住址、非正式就业、跨代家庭、残障沟通方式和地方性证明制度都可能在标准化过程中失去可见度。系统输出对行政决定的约束力越强，这种表示差距造成的后果越严重。

命题1　差异可见度命题。 行政环境中的相关差异与问题定义、训练和验证数据、分类体系及评价标准所能表示的差异之间差距越大，人工智能产生系统性差别影响的可能性越高；人工智能输出对行政决定越具有约束力，这一关系越强。

4.2 约束结构与约束集中

人工智能治理中的约束包括数据规则、模型架构、绩效指标、阈值、法律、采购合同、基础设施、预算、行政程序和权力关系。它们使系统能够运行，也限制系统可能看见的问题和可能采取的行动。不能把所有约束都当作负面因素。隐私保护、正当程序、审计、数据最小化和禁止歧视同样是约束，而且是公共人工智能获得正当性的必要条件。

关键问题是约束由谁设定、谁能够理解、谁可以修改。政府采购商业人工智能时，技术控制往往集中于供应商，而法律责任和公众压力仍留在政府。地方机构可能只能配置有限参数，无法独立验证模型，也无法在合同、专有接口或基础设施依赖之外退出。资源较弱的国家和地区更容易接受由外部市场形成的默认标准，因为自行开发和持续评估的成本过高。此时，技术接入表面上缩小了差距，约束制定权的差距却可能扩大。

命题2　约束集中命题。 对数据、模型、技术标准和采购制度的控制越集中，而使用地区独立验证、调整、审计和退出系统的能力越弱，约束闭合程度越高。

4.3 约束闭合

约束闭合指原本可以修改的技术和制度选择逐渐失去有效纠正通道。它可能由商业保密、模型复杂性、数据不可追溯、供应商锁定、责任分散、缺少申诉、人员能力不足或预算依赖共同造成。闭合并不意味着系统完全不能改变，而是改变所需的信息、权限和资源被集中在远离受影响者的位置。

约束闭合使最初的选择获得类似客观事实的外观。一个风险标签可能源于历史执法数据，一个绩效指标可能只反映容易测量的结果，一个语言模型可能因高资源语言表现更好而被认为“自然”适合某些人群。随着这些输出进入正式流程，公务员、预算和公众行为都会围绕它们调整。系统由此不只是执行规则，也开始塑造后来被当作事实的数据环境。

命题3　约束闭合命题。 约束闭合在既有代表性或能力差异与持续性行政不平等之间发挥中介作用，因为它同时削弱错误发现、公开质疑、制度修改和实际补救。

4.4 反馈维持

人工智能决定会产生新的行政记录，影响谁被调查、谁获得资源、哪些案件被优先处理，也会改变公务员的工作习惯和公民是否愿意申请服务。如果高风险群体被更频繁检查，相关记录就会进一步增加；如果某种语言的服务质量较低，使用者可能减少使用，随后又因为“需求不足”而获得更少资源。初始差异由此通过结果反馈重新进入数据、预算和流程，形成自我强化。

这也是短期评估容易失效的原因。部署前准确率和一次性公平测试无法捕捉系统如何改变自身环境。真正的评估单位应当包括模型输出、行政响应、服务对象行为、资源再分配和后续数据之间的循环，并跨越足够长的时间观察谁获得纠正、谁退出服务、哪些错误被制度吸收。

命题4　反馈维持命题。 人工智能结果越多地进入后续行政记录、训练标签、预算配置、风险分类、工作人员惯例和公众行为，最初的代表性偏差和资源差异越容易形成自我强化。

5. 全球不平等的跨尺度形成

人工智能系统可以在一个尺度上提高一致性，同时在另一个尺度上制造失序。中央部门可能获得更统一的案件处理和更低成本，地方机构却承担适配复杂性；供应商可能通过统一模型实现规模经济，少数语言使用者却承担反复解释和申诉的时间；高收入国家可能通过全球数据和劳动提高模型能力，低收入地区却没有相应的模型控制权和收益回流。这可以被理解为纠正负担的跨尺度转移。

纠正能力包括发现错误、取得解释、提出质疑、修改模型或流程、暂停系统和提供补救所需的信息、资格、权限、专业能力与资源。纠正负担则是识别错误、证明伤害、进入申诉和等待改正所需要承担的时间、费用、风险与认知成本。全球不平等往往不是完全没有纠正机制，而是纠正能力集中在技术中心、中央部门和供应商，纠正负担却分散给地方政府、一线人员和服务对象。

透明度在这种结构中具有条件性。公开模型说明、数据来源或审计结果可以提高可见度，但如果受影响者没有申诉资格、可接近的程序、明确责任主体、实际修改权限和补救资源，透明不会自动转化为改变。Feng和Chandra（2026）对中国公民的混合方法研究发现，公众关注的不只是技术说明，也包括采购问责、制度性透明、审计和行政申诉。这与公共问责理论一致——信息、讨论和后果必须形成连续关系，才能构成有效问责（Bovens, 2007; Busuioc, 2021）。

命题5　透明度条件命题。 在透明度相同的情况下，受影响者缺少申诉资格、可接近的程序、明确责任主体、实际修改权限或补救资源时，透明度本身不太可能降低不平等。

代表性也存在相同条件。如果一线公务员可以感知模型忽略的文化、家庭或地方差异，却没有复核、推翻和记录异议的权限，他们的代表性难以产生实质作用。反过来，只把上游技术人员构成多样化，也不能替代服务对象参与和公共责任。代表性必须沿问题定义、数据、模型、行政决定和纠正程序形成连接。

命题6　代表性官僚制命题。 人工智能越严格地限制一线公务人员的判断空间，公务员队伍的人口代表性就越难转化为实质性代表；代表机制必须延伸到上游问题定义与采购，以及下游复核、推翻和纠正权限。

命题7　纠正能力分布命题。 纠正能力越多地分布到使用人工智能的地方机构、专业人员和受影响群体，同时申诉与纠正负担越低，模型和行政部门层面的有效运行就越可能与公共服务和社会层面的权利、可及性与正当性保持一致。

6. 良善治理作为纠正结构

良善治理不是对人工智能系统加上一层抽象伦理，而是对其约束形成、运行和改变方式进行制度设计。它至少需要在以下六个位置保持纠正通道。

第一，问题定义和参与。公共组织在决定是否使用人工智能之前，应当说明它试图解决的问题、现有程序为何不足、哪些群体可能受影响，以及自动化是否会把政治或分配问题伪装成技术优化问题。参与不能等到系统即将上线时才征求意见，而要让地方机构、一线公务员和服务对象能够影响问题定义、类别和成功标准。

第二，代表适当性。数据和语言测试不仅要计算总体准确率，也要检查相关群体、地方环境和少数语言是否具有足够的运作性可见度。同时，代表适当性必须与数据最小化、目的限制、隐私和社区控制结合，避免以公平为名扩大不必要的数据提取。对无法可靠服务的群体，系统应明确范围限制并保留非数字渠道。

第三，约束的可追溯性和正当性。公共机构需要记录目标、代理变量、阈值、模型版本、供应商责任、人工介入点和已知限制。公开源代码并非所有情境下都必要或充分，但政府必须保留独立评估、审计、修改、暂停和退出的权利。采购合同不能以商业保密消除公共问责，也不应使模型更新绕开重新评估。

第四，问责连续性。每一个具有行政后果的人工智能使用场景都应有明确的公共责任主体。供应商、数据团队、业务部门、一线人员和监督机构可以承担不同职责，但责任不能在他们之间循环转移。政府采用系统的决定本身就是一种需要解释和承担后果的行政行为。知识生产和技术执行可以分布，接受结果进入公共决定的责任仍需明确落在人类机构和具有权限的职位上。

第五，可质疑性与实际补救。服务对象需要知道人工智能是否影响了决定，能够以可理解的方式获得理由，并通过低成本程序要求人工复核。申诉机构不仅要能够修改个案，还要能识别重复错误并触发结构性纠正。纠正时限、补偿、恢复资格和暂停自动执行都应根据风险明确规定。否则，申诉只是把系统成本继续转移给受影响者。

第六，本地能力与互惠分配。发展中国家和地方机构需要的不只是购买和使用人工智能的机会，还包括本地语言数据治理、独立评价、技术维护、公共采购谈判、法律监督和退出替代能力。使用本地数据和公共资源创造的价值，应通过能力建设、公共基础设施、开放标准或合理收益安排返回当地。所谓包容不能只意味着让更多地区成为平台用户或数据供应者。

这六个位置共同构成纠正结构。它们分别处理差异进入、约束形成、运行监测、责任确认、纠正触发和能力分配。如果只有原则而没有这些关系，治理就容易停留在声明层面。如果这些关系能够持续运行，人工智能才可能成为公共判断的辅助工具，而不是一个把行政责任和社会差异隐藏起来的决定替代者。

7. 对公共行政理论的贡献

7.1 对代表性官僚制的有限扩展

本文并不主张用“数据代表性”取代代表性官僚制。人的经验、认同、信任和主动代表仍然具有不能被技术类别替代的作用。本文的扩展在于指出，人工智能改变了代表性发挥作用的通道。公务员队伍可以具有多样性，但如果问题定义、数据结构和界面已经排除了相关差异，一线人员又没有改变决定的权限，人的代表性会被技术约束截断。因此，代表性研究需要同时观察人员构成、系统表示和纠正权限怎样连接。

7.2 对行政裁量的重新定位

“人工裁量”框架已经说明机器可以在任务明确和环境复杂度不同的情况下承担不同程度的判断（Young et al., 2019）。本文进一步强调，裁量权的核心问题不仅是人或机器谁做最后决定，而是哪些上游选择被固化为约束，以及这些约束能否在下游被识别和改变。名义上的最终人工签字不一定意味着真正的人类裁量；能够重新界定问题、拒绝代理指标、记录异议和触发结构性修改，才构成实质性裁量。

7.3 对公共问责的结构化理解

公共问责通常包括行为者说明行为、在论坛中接受质询并承担后果（Bovens, 2007）。人工智能使这一关系跨越数据、模型、供应商和行政部门，容易造成信息和责任断裂。本文提出的问责连续性可以被理解为约束连续性——从问题定义到数据、模型、采购、部署和申诉，每一处具有行政后果的约束都应当可以追溯到有义务解释、有能力干预并需要承担后果的责任主体。可解释人工智能只是其中一个信息环节，不能替代制度责任。

7.4 对发展行政的推进

人工智能发展政策常把差距理解为基础设施和技能不足，因此主要目标是帮助更多国家接入技术。接入当然重要，但如果接入伴随更强的供应商锁定、数据外流和标准依赖，它可能在能力层面扩大差距。发展行政需要把采用能力与纠正能力区分开。真正的能力不仅是部署系统，也包括评估、谈判、适配、审计、暂停和替换系统。这个转变把本地能力建设从技术推广的配套措施提升为人工智能良善治理的核心条件。

8. 研究议程与可操作化

本文是一篇概念性论文，提出的命题需要通过跨国家、跨政策领域和跨时间研究加以检验。最适合的经验对象，是用于资格认定、资源分配、风险排序、执法、案件筛选和公共服务可及性的人工智能系统，尤其是技术供应者与使用地区之间存在明显能力差异的情境。生成式人工智能只有在进入这些行政决定和工作流程时才属于本文范围。

约束闭合首先是一个动态的过程概念，不宜脱离时间顺序被直接处理为静态自变量。现阶段最适合的经验路径是比较案例研究和过程追踪。研究可以从采购到申诉追踪问题定义、合同条款、模型评估、工作界面、人工复核、个案申诉和系统修改，观察相关差异何时被排除，技术与行政选择何时获得约束力，异议在哪一个环节失去作用，以及重复结果又怎样返回新的记录、分类和预算。跨国多案例研究还可以比较相同或相近的商业系统进入不同制度和语言环境后，约束闭合的程度及纠正路径有何差异。

这种研究需要区分过程证据和结果指标。过程证据用于识别约束是否以及如何闭合，包括政策与采购文件、合同修改权、模型版本记录、会议与异议记录、审计材料、申诉档案、人工推翻决定和系统暂停记录。结果指标则用于判断约束闭合产生了什么分配后果，包括群体误差、服务放弃率、申诉成功率、纠正时间、证明负担和成本分布。结果差异本身不能证明约束已经闭合，只有把结果与此前的约束形成、异议受阻和行政反馈连接起来，才能构成完整的机制证据。

在此基础上，本文的核心概念可以通过一组可观察表现进行初步操作化。运作性可见度可以观察训练与验证数据对相关群体和语言的覆盖、类别是否允许表达地方差异、利益相关者是否参与问题定义。约束集中可以观察供应商依赖、模型和数据访问权、合同修改权、独立审计权和退出成本。约束闭合可以观察异议能否进入正式记录、模型更新是否重新评估、申诉能否触发系统改变以及地方机构是否拥有暂停权限。纠正能力可以观察责任主体、专业人员、预算、审计工具、复核权限和补救资源。纠正负担可以观察申诉时间、费用、证明要求、语言与数字门槛以及报复或失去服务的风险。跨尺度一致则需要同时比较供应商、中央部门、地方执行者和服务对象获得的收益与承担的成本。

这些可观察表现不应在现阶段被强行合成为一个单一指数。大样本跨国研究需要在案例研究积累之后，先确认不同制度环境中的指标是否具有相同含义，并解决采购合同、模型更新和申诉记录难以公开取得的问题。较可行的量化路径，是分别建立代表适当性、约束集中、可质疑性和纠正能力等组成性指标，再检验它们与服务结果和负担分布之间的关系。调查与实验也可以测试不同透明度、责任主体、人工权限和申诉设计怎样影响公众信任及使用意愿，但这类研究不能代替对实际制度过程的追踪。

这种研究设计也允许证伪本文的命题。如果在约束高度集中和纠正能力薄弱的情况下，相关差异仍能长期进入系统、错误能够及时改变结构且分配结果没有持续恶化，那么约束闭合的解释力就需要被限制或修改。反过来，如果透明度提高但申诉、修改权和资源不变时不平等仍然持续，则会支持透明度条件命题。概念性框架只有进入这种可以比较、检验和修正的研究过程，才可能形成有效的公共行政理论。

9. 讨论

作为一个较新的哲学框架，维成论需要与社会技术系统、制度反馈和路径依赖等既有理论明确区分。区分的关键不在于概念名称是否不同，而在于这些理论分别解释什么，以及它们的解释边界在哪里。

路径依赖主要解释早期选择怎样通过递增收益、转换成本和制度锁定限制后续选择（Pierson, 2000）。它能够说明某种技术或行政安排为什么越来越难以退出，却较少追问哪些社会和语言差异在早期就没有获得运作性可见度，也没有系统说明受影响者是否拥有重新打开约束的制度通道。社会技术系统研究揭示技术、组织、制度和人的相互依赖，但这种整体视角本身并不必然提供一个解释不平等为何持续的具体机制。制度同构则说明公共组织为什么在强制、模仿和专业压力下采用相似的人工智能制度与技术（DiMaggio & Powell, 1983），但它主要解释组织之间的趋同，不能单独说明相似系统进入不同地方环境后为何产生不同的排斥结果和纠正能力。

维成论的增加值不在于取代这些理论，而在于把通常分开研究的三个过程连接起来——差异怎样被选择性地看见，技术与制度选择怎样被编码并发生约束闭合，行政反馈与纠正能力的分布又怎样使不平等获得持续性。这一机制不只解释某个制度为何延续，也解释延续的对象是什么、哪些差异被排除在外，以及谁仍然有能力改变已经形成的约束。

约束闭合可以包含路径依赖效应，但不能被简化为路径依赖。路径依赖关注选择如何变得难以逆转，约束闭合进一步关注这种难以逆转是否来自信息不可见、权限集中、供应商锁定、申诉失效和地方能力不足，以及这些条件能否通过纠正结构被改变。本文所提出的经验研究对象，并非维成论的全部哲学主张，而是由这一框架导出的约束闭合机制、七项命题及其可观察表现。这样既保留维成论提供的统一分析逻辑，也使本文能够与公共行政已有理论形成可比较、可修正的对话。

第二个理论边界涉及持续一致与规范价值的关系。持续一致不能把稳定等同于善。本文已经明确区分解释与规范判断。一个不平等结构可以保持持续一致，这正是它需要被解释和打破的原因。公共行政的民主价值、人权、法治与公共利益提供规范标准，维成论则帮助识别什么关系维持了现状、纠正通道在哪里闭合以及改变需要触及哪些约束。

第三个理论边界涉及如何理解全球南方。全球南方不能被写成被动、同质和缺乏能力的对象。本文把全球南北理解为权力、资源和技术依赖关系，而不是地理本质。地方知识、制度创新和社会能动性不只是需要被大型模型“纳入”的原料，而应当具有决定问题、设定边界和拒绝不适当技术的权利。本地能力建设也不能变成复制中心模式，而要提高当地形成、检验和修正自身治理结构的能力。

最后，更多代表性数据并不必然带来更公平结果。它可能扩大监控和提取，也可能把无法量化的差异强行转化为类别。运作性可见度因此必须与选择不被编码的权利并存。良善治理需要判断哪些差异必须进入行政判断，哪些数据不应收集，以及何时应当通过人际沟通、地方裁量或非数字渠道维持公共服务。

10. 结论

公共人工智能的根本治理问题，不是能否消除一切差异，也不是能否找到一个完全没有偏见的模型。真正的问题是，谁的差异能够进入系统，谁有权设定约束，谁从这些约束中获益，谁承担错误和纠正成本，以及这些约束能否在真实行政运行中继续接受检验和改变。

人工智能不平等之所以持续，是因为社会和语言差异经过选择性表示，被写入模型、指标、合同和行政程序，随后又因技术复杂性、权力集中、供应商依赖和纠正能力不足而发生约束闭合。行政结果进入新的记录、预算和行为反馈之后，最初的选择不再只是设计选择，而成为能够自我维持的制度现实。

良善治理因此不能停留在公平、透明和问责的原则声明。它必须成为一种制度化的纠正结构，使差异能够重新进入判断，使约束保持可追溯和可修改，使责任不会在技术链条中消失，并把纠正能力配置给真正承担风险的地方机构、公共工作人员和服务对象。人工智能可以成为公共判断的重要辅助工具，但它不能成为公共责任的替代者。

维成论在这里提供的不是一个预先保证正义的答案，而是一种识别结构的方法。它要求研究者和公共组织继续追问，哪些差异正在被组织，哪些约束正在形成，什么样的一致正在被维持，又是谁有能力在这种一致失去公共正当性时使它发生改变。人工智能治理的长期质量，最终不取决于系统能否持续运行，而取决于公共治理能否持续纠正自身。

参考文献

• Alon-Barkat, S., & Busuioc, M. (2023). Human–AI interactions in public sector decision making: “Automation bias” and “selective adherence” to algorithmic advice. Journal of Public Administration Research and Theory, 33(1), 153–169. https://doi.org/10.1093/jopart/muac007
• Alston, P. (2019). Report of the Special Rapporteur on extreme poverty and human rights: Digital welfare states (UN Doc. A/74/493). United Nations. 报告页面。
• Birhane, A. (2020). Algorithmic colonization of Africa. SCRIPTed, 17(2), 389–409. https://doi.org/10.2966/scrip.170220.389
• Blasi, D., Anastasopoulos, A., & Neubig, G. (2022). Systematic inequalities in language technology performance across the world’s languages. In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (pp. 5486–5505). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.acl-long.376
• Bovens, M. (2007). Analysing and assessing accountability: A conceptual framework. European Law Journal, 13(4), 447–468. https://doi.org/10.1111/j.1468-0386.2007.00378.x
• Bovens, M., & Zouridis, S. (2002). From street-level to system-level bureaucracies: How information and communication technology is transforming administrative discretion and constitutional control. Public Administration Review, 62(2), 174–184. https://doi.org/10.1111/0033-3352.00168
• Bullock, J. B. (2019). Artificial intelligence, discretion, and bureaucracy. The American Review of Public Administration, 49(7), 751–761. https://doi.org/10.1177/0275074019856123
• Busuioc, M. (2021). Accountable artificial intelligence: Holding algorithms to account. Public Administration Review, 81(5), 825–836. https://doi.org/10.1111/puar.13293
• Chandra, Y., & Feng, N. (2026). Algorithms for a new season? Mapping a decade of research on the artificial intelligence-driven digital transformation of public administration. Public Management Review, 28(3), 620–654. https://doi.org/10.1080/14719037.2025.2450680
• Chen, G. (2026). Sustenesis Theory. Sustenesis.com. https://sustenesis.com/
• Chen, Y.-C., Ahn, M. J., & Wang, Y.-F. (2023). Artificial intelligence and public values: Value impacts and governance in the public sector. Sustainability, 15(6), 4796. https://doi.org/10.3390/su15064796
• DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160. https://doi.org/10.2307/2095101
• Feng, N., & Chandra, Y. (2026). Accountability in government use of AI: Citizen concerns and preferences. Public Administration. Advance online publication. https://doi.org/10.1111/padm.70030
• Green, B. (2022). The flaws of policies requiring human oversight of government algorithms. Computer Law & Security Review, 45, 105681. https://doi.org/10.1016/j.clsr.2022.105681
• Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399. https://doi.org/10.1038/s42256-019-0088-2
• Joshi, P., Santy, S., Budhiraja, A., Bali, K., & Choudhury, M. (2020). The state and fate of linguistic diversity and inclusion in the NLP world. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 6282–6293). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.560
• König, P. D., & Wenzelburger, G. (2021). The legitimacy gap of algorithmic decision-making in the public sector: Why it arises and how to address it. Technology in Society, 67, 101688. https://doi.org/10.1016/j.techsoc.2021.101688
• Miller, S. M., & Keiser, L. R. (2021). Representative bureaucracy and attitudes toward automated decision making. Journal of Public Administration Research and Theory, 31(1), 150–165. https://doi.org/10.1093/jopart/muaa019
• Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1, 501–507. https://doi.org/10.1038/s42256-019-0114-4
• Mohamed, S., Png, M.-T., & Isaac, W. (2020). Decolonial AI: Decolonial theory as sociotechnical foresight in artificial intelligence. Philosophy & Technology, 33(4), 659–684. https://doi.org/10.1007/s13347-020-00405-8
• OECD. (2026). Digital Government Outlook 2026: Adopting and governing AI in government. OECD Publishing. 出版页面。
• Pierson, P. (2000). Increasing returns, path dependence, and the study of politics. American Political Science Review, 94(2), 251–267. https://doi.org/10.2307/2586011
• Rachovitsa, A., & Johann, N. (2022). The human rights implications of the use of AI in the digital welfare state: Lessons learned from the Dutch SyRI case. Human Rights Law Review, 22(2), ngac010. https://doi.org/10.1093/hrlr/ngac010
• Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. M. (2021). “Everyone wants to do the model work, not the data work”: Data cascades in high-stakes AI. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (Article 39, pp. 1–15). ACM. https://doi.org/10.1145/3411764.3445518
• Schiff, D. S., Schiff, K. J., & Pierson, P. (2022). Assessing public value failure in government adoption of artificial intelligence. Public Administration, 100(3), 653–673. https://doi.org/10.1111/padm.12742
• Selbst, A. D., boyd, d., Friedler, S. A., Venkatasubramanian, S., & Vertesi, J. (2019). Fairness and abstraction in sociotechnical systems. In Proceedings of the 2019 Conference on Fairness, Accountability, and Transparency (pp. 59–68). ACM. https://doi.org/10.1145/3287560.3287598
• UNCTAD. (2025). Technology and Innovation Report 2025: Inclusive artificial intelligence for development. United Nations Conference on Trade and Development. 出版页面。
• UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. 出版页面。
• World Bank. (2025). Digital Progress and Trends Report 2025: Strengthening AI foundations. World Bank. 出版页面。
• Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector—Applications and challenges. International Journal of Public Administration, 42(7), 596–615. https://doi.org/10.1080/01900692.2018.1498103
• Young, M. M., Bullock, J. B., & Lecy, J. D. (2019). Artificial discretion as a tool of governance: A framework for understanding the impact of artificial intelligence on public administration. Perspectives on Public Management and Governance, 2(4), 301–313. https://doi.org/10.1093/ppmgov/gvz014
• Zuiderwijk, A., Chen, Y.-C., & Salem, F. (2021). Implications of the use of artificial intelligence in public governance: A systematic literature review and a research agenda. Government Information Quarterly, 38(3), 101577. https://doi.org/10.1016/j.giq.2021.101577