习近平吹响号角 中国开始疯狂的豪赌
作者李厚辰 ：2026年8月1日，一只搭载火箭弹的四足机器，出现在中国解放军建军九十九周年的电视画面中。
画面里，无人机在空中飞行，无人艇在海上前进，机械狼则与地面部队协同，投入一场两栖登陆演习。央视声称，这些无人装备可以透过智慧指挥系统进行群体协同，提高登陆效率，并减少官兵伤亡。这段画面只是一条前台广告。
不是产业计划 是国家改造时间表
人工智慧、无人武器、采购监管、军队反腐与政治忠诚，乍看是几条不同的新闻，实际上却是一套军事体系改造工程的不同部位。因为一支智能化军队需要的不只是几件新武器。它需要可靠的感测资料、可以互通的网络、更重要的，它可能正在改变中国军队这套庞大体系的决策分工和人员权责，对于一个极权国家，这些是如同宪法般关键的制度。习近平的讲话与那只机械狼，算是吹响了中国军队AI化的号角。
这也正是理解中国AI治理的入口。北京想要的从来不只是几个成功的商业企业，几个成绩更高的模型，而是把感知、分类、预测、分派、执行和监督接成一条完整的国家能力链。在军队里，这条链通向侦察、目标识别、无人作战与火力协同；在日常社会中，它则通向办件、医保、税务、公安、法院、舆情与公共安全预警。
AI在中国，是一个深度的国家计划。
上述军事体系AI化不是未来，乔治城大学安全与新兴技术中心研究解放军采购文件后发现，AI已被投入情报处理、目标识别、无人系统与决策支援，逐步进入C5ISRT指挥链。
美国的AI世界，核心仍是企业。资本、云平台、模型、人才与应用，沿著几家大型科技公司向外展开。中国当然也有字节跳动、阿里巴巴、华为和腾讯，也有大量民营模型公司；但这些企业的投资方向、芯片来源、算力部署与服务场景，始终不能脱离国家安全与技术自主的边界。企业仍然出钱，国家却愈来愈深地决定这些钱通往哪里。
中国的目标，是让芯片、算力、资料、人才、模型、应用、标准、监管与国家场景的每一层，都形成最低限度的“可控能力”，摆脱对外依赖。我把它称为“全栈AI国家”：这里的全栈，不只是软体工程中的前端与后端，而是从底层硬体一直延伸到行政制度、军事体系和社会生活。
2025年8月，中国国务院公布《关于深入实施“人工智能＋”行动的意见》，提出到2027年，新一代智能终端与智能体普及率（在政府中）超过七成；2030年超过九成；到2035年，全面进入所谓智能经济与智能社会。更值得注意的是，文件首先列出的不是一张补贴清单，而是AI进入政务、医疗、教育、交通、法院、公安和应急管理的时间表。这与其说是一项产业计划，不如说是一份国家改造时间表。
问题因而不再只是中国能不能做出更好的AI模型。真正的问题是：一个国家为什么如此迫切地需要AI？它想用AI补上什么？又希望把自己改造成什么样子？
一个资源收缩 却不愿降低治理密度的国家
中国对AI寄托的期待，可以列成增长、技术依赖、人口、治理成本、军事与意识形态六个缺口。但这六个缺口背后，其实是同一个矛盾：党国可供支配的经济、财政与人口资源正在收缩，中国政府债务问题早已不是新闻，也正在以人类历史未见的速度降低生育率。但在这个背景下，共产党依然坚持“党领导一切”，对社会的介入密度不愿随之下降。
首先是经济。房地产、地方基建与传统出口制造的边际收益下降，北京需要一个新的增长故事。“新质生产力”因此不只是一个产业名词，而是试图把高度不确定的技术创新，转换成可以投资、考核的行政任务。围绕在集成电路（台湾称积体电路）、机房建设、AI模型与应用的这个新产业，被认为是一个从金属原料，到电力，到新科技的贯穿性产业。
但AI主要提高的依然是供给端效率。居民收入、社会保障与地方债务若没有实质改善，模型可以让工厂更快、物流更省、客服更少，却不能凭空创造内需。若自动化首先替代青年、中低阶白领与基层服务工作，它甚至可能进一步削弱消费。AI于是很容易变成习近平的路径依赖——绕开需求侧改革的新办法：不愿重新分配收入，就继续提高生产效率；不愿处理社会保障，就期待技术再造一轮增长。
其次是国家的自我维持。中国正在老化，劳动人口收缩、地方财政恶化，基层公务员与编制外人员的工作激励也在下降。但政府仍然希望维持同样密度的办件、巡查、审核、风控、医保、税务、信访和社会管理。AI在这里不是单纯替代几份文书工作，而是被期待成为一种廉价且永不疲惫的行政劳动力。
最后是政权安全。美国出口管制迫使中国从模型竞赛回到全栈自主竞赛；解放军希望用AI补足缺乏现代战争经验的弱点；宣传与网络治理部门则希望降低内容审查成本，同时扩大认知作战的产量。这些需求看似分散，实际上都指向同一个目标：在国内外环境恶化时，提高党国的可见性、反应速度与控制能力。
所以，中国AI治理的真正动力不是单纯的技术乐观，而是一场由多重危机驱动的制度性豪赌。国家希望AI以更低的成本，维持甚至提高原有的治理密度。这种疯狂的目标，是只有在一个极权国家才可能的。
AI如何穿透中国的官僚体系
AI参与行政治理不奇怪，很多国家都在运用AI改善公共服务，为什么中国的发展方向尤其值得注意？
首先，中国AI并不是工具性的逐渐参与到不同的行政部门中，而是一个宏观的大计划，从一开始就把AI定义成国家治理工程。“数字中国”与“人工智能＋”政策将经济发展、公共安全、网络治理、社会管理与国家安全放在同一个框架下。不同部门都会以某种方式参与到AI中。
例如算力和数据，在中国都是中央政府强管束事项。算力、模型与政务资料可以向上集中。现行政务大模型部署方向，都是由省级政府统筹算力、模型与政务资料集，地市按省级要求部署，县级及以下原则上复用上级资源。中央确定方向，省级集中能力，地市和县区负责将模型“大跃进式”接进具体行政流程。是中国的基本架构。
再往下，国资云、电信营运商、平台企业与地方技术公司提供基础设施，这是被基建经济驱动的建设项目；公安、税务、医保、法院、街道和网格系统则成为实际使用者，这是被维稳这个高敏事项驱动的治理接入。地方政府又是公共安全AI的重要买家，地方官员的政治生涯与避免群体事件、压低风险、完成上级考核紧密相连，成为降低风险而激进投入AI的主官，中国地方政府权力极大，这会让AI推进更迅速。采用AI于是同时是一项行政选择、政绩工程与政治安全投资并重的国家级工程。
这条传导链非常重要。它说明中国AI治理不是由一个抽象的“国家”直接完成，而是由一系列具有不同利益的机构共同塑造：中央需要可控与忠诚，省级政府需要统筹能力，地方官员需要政绩与免责，国有企业需要政策市场，平台公司需要合规与订单，基层干部则需要一个可以向上级交代的工作抓手。
最后承受模型判断的普通市民，却没有能力参与这条链。他们不能决定政府采用哪套模型，也很难知道自己为何被分类成某种风险，更难要求模型、资料提供者与行政机关共同承担责任。
模型未必读到真实社会 产生“预测风险”
James C. Scott在1998年《国家的视角》中，描述现代国家如何透过户籍、地籍、统计、地图与身分证，把原本复杂混乱的社会变得“可读”。只有先把人、土地与财产转换成统一格式，国家才能征税、征兵、规划和治理。
AI是这场可见性革命的第二阶段。
影像、支付、交通、税务、医疗、社保、司法与平台行为被接入同一套资料环境后，国家得到的不再只是一张静态名册。它可以对个人、企业与事件进行分类、排序和即时预警。社会由“可读”进一步走向“可预测、可分类、可排序、可介入”。
这里发生的第一个变化，是智能体（AI Agent）干部。
深圳福田区曾为七十名“AI数智员工”发放工牌，让它们参与公文审核、任务分派、窗口问答与民生诉求处理，覆盖数百个政务场景。地方政府宣称，部分公文审核和诉求分派效率大幅提高。这些绩效数字均由政府自报，当然应当保持怀疑；但最重要的并不是它们究竟提高了百分之多少，而是AI已经被正式当成一种行政劳动力。
智能体可以自动受理、预审、分类、排序、派单、起草与催办。它确实可能减轻基层工作，也可能减少部分因人而异的推诿。但同一套系统也会让上级更容易量化基层，追踪每一项任务是否完成。当模型建议逐渐成为标准答案，干部偏离建议的成本便会上升。
所以，AI首先规训的未必只是公民，也包括干部。过去基层人员还能用地方经验、拖延、变通或模糊处理修正上级要求；现在，他需要解释自己为什么没有依照系统建议办理。服从模型，将比独立判断更安全。
第二个变化，是预测国家。
江苏常州高新区公安曾宣传一个案例：系统分析社交平台舆情与报警纪录，提前判断某企业可能发生集体讨薪，公安与劳动监察部门遂先行约谈企业，要求制定发薪计划。当地又声称，“民转刑”风险预警准确率由78%提高到92%。这个数字没有经过独立审计，自然不能直接采信。
但无论92%是真是假，政府希望把什么变成可计算的风险，已经十分清楚。
工资拖欠本来是一个劳资关系、企业经营与地方经济问题。进入公安模型之后，它首先成为“群体事件”与“民转刑”风险。模型不是单纯发现一个既有问题，它也在决定国家使用什么语言理解问题。失业、贫困、房贷违约、讨薪、信访与政治不满，都可能先被翻译成AI评估的安全风险，然后再由公安、街道或其他部门提前处置。
第三个变化，是模型辅助的计划与分配。
AI不会让中国直接回到传统计划经济，但它可以帮助国家更动态地调度算力、资料、补贴、信贷、政府采购与试点场景。过去的产业计划依赖文件、报表与定期会议，现在则可以透过模型持续更新企业评分、技术方向与风险排序。
这正好触及海耶克（Friedrich Hayek）所说的“知识问题”：社会知识分散在无数个人与企业之中，中央机构很难完整取得。AI确实可以改善资讯收集，却不能自动解决激励、诚实与权力扭曲。资料更多，不等于资料更真；模型更强，也不等于有人愿意对上级说真话。
模型吃进去的，是现实还是文书？
2022年上海封城时，中国行政展现过一种非常鲜明的分裂：一边是文件、新闻发布会和层层报表构成的“纸面防疫”；另一边则是居民、居委会、医院、物流与警察实际经历的“真实防疫”。纸面上的政策环环相扣、科学精准，现实中的制度却充满资料矛盾、资源断裂、责任推卸与层层加码。
AI不会天然消除这种分裂。相反，它可能把纸面变成更难质疑的数学结果。
中国AI治理最重要的问题变得非常简单：模型预测错了，谁负责？一个人被列为风险对象后，能不能申诉？
AI预测错了谁负责 谁在承担代价
政务资料并不是社会现实自然留下的痕迹。哪些事件可以被登记，哪些问题被算作风险，哪些投诉被归入重复信访，哪些失业者被称为灵活就业，哪些企业问题需要上报，都是政治与行政选择的结果。资料在进入模型以前，已历经干部考核、部门利益、平台审查和对上负责的层层加工。
换句话说，AI模型可以读到的未必是中国社会，而是中国官僚体系允许被写进表格的中国。
这会形成一个非常危险的回馈循环。地方政府先为了考核清洗资料，模型再根据清洗后的资料作出高置信度判断；上级把模型输出视为客观证据，进而要求地方依照模型分配资源与处置风险；不符合模型判断的现实，则更难进入下一轮资料。最后不是模型逐渐接近现实，而是现实被迫向模型靠拢。这里面的差距，就是治理的风险。
预测模型还可能制造另一种自我证明。系统把某家企业列为讨薪风险，政府提前介入，最终没有发生抗议，部门便可以把结果记作模型预测成功。但事件本来是否会发生，没有人知道；企业和工人是否因错误预警承受额外监控、约谈或污名，也很少进入绩效报表。因此AI介入会成为一个单向“棘轮”，出现AI预测的风险，介入解决证明了AI的有效；出现了AI未预测到的风险，这不证明AI无效，反而是需要更大力度使用AI的证明。
系统和党考量的是“避免了多少危险”，个人承担的则是那些被定义为危险的代价。
这使中国AI治理最重要的问题变得非常简单：模型预测错了，谁负责？一个人被列为风险对象后，能不能申诉？
现有政策已经开始要求全流程管理、人工复核与“人工兜底”（由专人负责善后）。这些原则并非毫无意义，但它们主要回答政府应当如何安全使用模型，并没有清楚回答被模型判错的人如何恢复权利。谁必须提供解释？资料错误由谁更正？行政处分能否暂停？名誉、工作与经济损失如何补偿？在一个本来就几乎没有任何问责性的社会，AI偏误的行政问责同样难如登天。
更麻烦的是，“人工复核”很容易成为一种形式，AI产出大量中间成果，官僚会像进入用Vibe Coding的人一样，面对AI写下的几千字确认文档闭眼点击“确认”。
对一名基层干部而言，依照模型处置，即使后来出错，也可以说自己遵循了系统；否定模型，若事件真的发生，责任却可能完全落到自己身上。在这种考核结构中，人工不会自然成为模型的纠错者，反而很可能成为替模型签字的人。
这就是自动化偏误：人类名义上仍然作出最后决定，实际上却因模型的权威、工作压力与责任风险而跟随系统。AI没有消灭官僚责任，只是让责任更容易被转移。
而最容易承担代价的，通常也是申诉能力最低的人。欠薪工人、小微企业、负债家庭、上访者与其他被视为不稳定的人群，留下的行政资料更多，更容易被分类，也更难要求政府公开分类依据。风险治理看似面向所有人，代价却会不均等地落在政治资源最少的人身上。
国家不再只命令 而是住进日常生活
借用社会学家Michael Mann对“专断权力”与“基础设施权力”的区分，我愿意把中国国家能力改写成两种形式。
第一种是禁止性能力：封号、审查、抓捕、停业、禁用、强制执行。这是国家不经社会同意，直接下达命令的能力。也是中国过去作为极权国家最容易施展的社会管控。
第二种是生产性能力：国家透过政务平台、资料库、智能体、税务风控、医保审核与城市管理，持续塑造人们可以采取哪些行动、获得哪些资源、进入哪些程序。这里的“生产性”，不是说权力必然带来好结果，而是它会生产分类、秩序、资格与行为。
因此，AI治理不能只理解成监控增加。监控主要解决“看见”；真正的形态改变，是把看见接上分类、排序、分派与执行，让中国成为“生产性能力”的国家。
国家不再只靠一道命令从上方落下来约束边界。它透过资料接口，住进企业的信贷审核、医院的支付系统、学校的管理平台、法院的案件分派、工厂的生产流程和普通人的每一次政务申请。这种权力不一定总以暴力面貌出现，它甚至可能非常便利。正因如此，它比单纯的禁止更深入，也更难逆转。这不是科幻小说，中国国家税务系统“金税四期”早已经是一个毛细血管一样的AI驱动的生产性能力。正是这样的AI系统，让中国在经济出现重大问题的两年，还能维持双位数的“个人所得税”增长。
被拆掉的官僚缓冲器
官僚自由裁量并不天然值得歌颂，尤其在中国。它可能意味著推诿、腐败、选择性执法和因人而异。AI标准化也确实可能减少部分刁难，让行政流程更清楚、更快速。
但自由裁量的另一面，是地方知识与人情判断。过去一道不合理的中央命令，需要穿过省、市、区、街道、居委会与具体执行人员。在这条漫长的链条中，拖延、变通、选择性执行与阳奉阴违有时构成腐败，有时却也构成一层缓冲。
2022年上海封城期间，一位在小区门口工作的保安，对居民夜间出入一直睁一只眼闭一只眼。只有领导检查时，他才严格执行规定。这当然不是法治，但那种“枪口抬高一寸”，确实让居民在僵硬命令下保留了一点生活空间。这样的空间随小区门口设置“AI哨兵”而结束，这是一个强制性人脸识别的进出系统。
模型化治理会逐步压缩自由裁量空间。系统自动记录、即时上报、统一排序，地方执行人员不再容易假装没有看见。中央命令在官僚层级间下达落实的摩擦降低，错误便可能传得更快、更广，也更难被地方经验修正。
这并不意味著中国会突然变成一个运转完美、资讯互通的全知国家。部门壁垒、资料孤岛、地方财政差异、技术品质与执行能力仍然存在。中国AI治理真正危险的地方，不是它必然无所不知，而是它可能在资讯仍然残缺的情况下，获得前所未有的执行信心。
它不是低能力国家，恰恰相反，他可能成为一个高能力却同时具有系统性脆弱的国家。
对台湾真正危险的 不是一只机械狼
回到建军节的画面。对台湾真正危险的，未必是那只机械狼能否在滩岸上跑多远。
更值得注意的是，解放军正在尝试把无人机、无人艇、地面平台、商业卫星、开源情报、网络攻击、认知作战与指挥系统接进同一套节奏。单项装备不需要全面超越美国，只要整合速度加快、使用成本降低、出动频率提高，就可能增加灰色地带施压，并压缩台湾与盟友的反应时间。
但还有一种更深的风险。
模型吃进去的若仍是层层洗白、报喜不报忧的情报，AI不会自动帮助中共中央看见真相，反而可能替偏见加上数学权威。一个依赖模型推演的决策中心，可能愈来愈相信自己的风险评分、舆情分析与战争模拟，最后说服自己：台湾抵抗意志已经崩溃，美国不会介入，经济制裁可以承受，有限行动能够快速造成既定事实。
这种危险不来自中国无所不知，而来自它“自信地错”。
当感知与现实的落差进入最高层决策，错误不再只是一次行政误判，也可能成为战争的扳机。中国内部的系统性脆弱，于是直接转化为台海的外部风险。
北京正在下注另一种可能。它希望透过AI提高国家能力，克服超大社会的资讯与治理成本
AI的真正对手 台湾可成反证
很多人把AI看成中美之间的最后一战：哪一国掌握更大的模型、更多的算力和更完整的芯片供应链，哪一国就能决定下一个时代。
但对中共党国而言，AI真正挑战的也许不是美国，而是现代化理论中那个粗略却影响深远的命题：经济发展、教育扩张与社会复杂化，终究会增加多少自由化与政治参与的压力。
北京正在下注另一种可能。它希望透过AI提高国家能力，克服超大社会的资讯与治理成本，在经济继续发展的同时维持政治控制。它要证明，发展可以不伴随自由化和分权，控制可以取代信任，算力可以弥补社会契约的缺失。
这场赌注未必会失败。中国拥有庞大的行政组织、国有基础设施、密集的公共资料、巨大的市场和成熟的制造能力。AI确实可能让它在许多领域变得更快、更便宜、更能深入社会。
但能力不等于正当性。更精密的预测，不能让一个被判错的人自动获得申诉；更完整的资料，不能使干部愿意向上级说真话；更快速的执行，也不能修补公民对制度的不信任。相反，建构这套能力所依赖的控制本能，恰恰可能把资讯失真、责任真空与政治僵化一并放大。
台湾因此不只是中国AI军事应用的潜在对象。作为华语世界的自由民主政体，它也是这场豪赌的活体反证。
台湾需要审查的不只是某一个中国App，而是资料究竟流过谁的API（应用程式介面）、模型权重、更新通道与云端服务；需要保护的不只是个人资料，也包括高品质繁体中文语料，以及一个社会描述自身历史与政治现实的能力；需要建设的不只是晶圆代工，而是从伺服器、资安、模型部署到资料治理的可信AI供应链；面对认知作战，也不能只依赖事后辟谣，而要预先建立跨部门验证、危机沟通与复合情境演练。
回答中国AI化国家的方式，不是让民主社会变得更会控制，而是证明另一件事：分散的知识、真实的资讯、可以申诉的程序、自由的公共讨论与被信任的制度，并不是国家能力的障碍。
它们本身，就是更强的国家能力。
※作者为旅居日本的中国独立知识分子与多栖内容创作者。主持YouTube“三个水枪手”、“世界苦茶”等节目。北京中央民族大学毕，双修法学与经济。本文授权转载自《想想论坛Thinking Taiwan公共思辨，想想台湾》。
