数智化时代的决策范式变革

■ 夏子叶

中国科学院大学公共政策与管理学院 北京 100049

0 引言

数字技术加速重构了经济社会发展方式，催生了数据成为新生产要素，革新了传统生产方式，引领人类社会迈向数智化时代。以大数据、人工智能、物联网、5G、边缘计算、时间敏感网络等为代表的智能技术，正以前所未有的速度和颠覆力驱动着决策活动向智能化转型升级。我国高度重视智能决策，国家自科基金委就曾将“决策智能”作为优先发展领域写入“十四五”规划。同时，我国智能决策市场也增长迅速，IDC 中国2022 年报告显示，2021 年中国智能决策解决方案市场规模为8.9亿美元，较上年增长66.4%，未来5 年其复合增长率将达到54%；Gartner 预测到2024 年，60%的政府人工智能与数据分析投资将直接影响实时决策和结果。迈入数智化时代，决策范式将有何变化？现有研究对该问题的探讨聚焦于以下内容：第一，探讨数字技术如何成为公共决策活动的技术基础。如大数据技术能够为决策提供实时连续的数据技术支持，全面分析事物间的相关关系[1][2]，结合人工智能技术解读外部数据，并从数据中自动感知、推理、学习，实现对未来趋势的预测，为循证决策提供支持[3]；区块链技术的去中心性、可追溯性与不可篡改性有利于保障决策的科学性与民主性[4]。第二，探讨智能决策的潜在风险与防范措施。智能决策系统的风险包括AI 模型不可解释、不可问责的内生风险，如算法歧视、算法偏见与决策伦理等风险[5]；数据不全面与不安而导致的大数据内生风险，如数据篡改、数据伪造、对抗样本与数据隐私等风险；人机交互中的信任风险等[6]。第三，探讨环境、决策者与决策系统的互动过程。智能决策系统会影响决策数据分析活动、决策者的价值观与注意力[7]，决策者也在法律制度、伦理规范与文化融合等方面为机器决策设定应用范围，二者互相影响实现决策活动的人机协同[8][9]。但现有研究缺乏对决策范式变革的系统梳理与数智化时代决策活动发展趋势展望，这是当下研究需探讨的关键议题。基于此，本研究系统化梳理了决策范式发展历程，明晰了数智化时代的智能决策系统支持要素、阐明了智能决策的内涵与特征，并总结了数智化时代决策范式变革的趋势及应对策略。

1 决策系统发展历程

基于对决策系统特征的分析，本研究将决策系统发展历程划分为3个阶段，参见图1。

图1 决策系统的发展历程与阶段

第一阶段：传统决策阶段（～1960s）。该阶段的特征为依靠人脑决策，以经验决策与统计决策为主。决策活动始于人类诞生。在传统决策阶段，由于缺乏科学的决策理论与方法，决策活动往往以决策者自身所掌握的知识、智慧与经验为依据展开。尽管有专家、谋士与智囊团在决策活动中担任参谋角色，其本质还是以自然人的经验为决策准则。自1946 年世界上第一台计算机诞生后，信息技术快速发展，并催生了决策科学学派的诞生，该学派的开创性研究者Simon就曾阐述过管理依靠信息和决策这一概念[10]。20 世纪50 年代，在该理论指导下，电子计算机开始应用于决策之中，如美国自1950年起便开始运用计算机进行人口普查、总统选票统计、工资计算等简单的统计决策活动。在实践中逐步形成了电子数据处理（Electronic Data Processing, EDP）与事务处理系统（Transaction Processing Systems, TPS）等技术，此时的计算机在决策活动中充当的角色是数据记录、数据分类汇总、简单计算与报表编制，其设计之初的目标是实现办公自动化，但尚且缺乏系统性的设计规划。

第二阶段：机器辅助决策阶段（1960s～2022）。该阶段特征为机器开始参与决策活动，并逐渐发挥决策增强化（Augmentation）与决策支持的作用，并不能形成决策替代。缺乏系统性与集成性的EDP 技术难以高效协调工作，在20 世纪60 年代，管理信息系统（Management Information Systems, MIS）、专家系统（Expert System, ES）与办公自动化系统（Office Automation System, OAS）应运而生。MIS 把人与计算机纳入统一系统，通过对信息的搜集、存储、加工与使用，将管理信息由孤立状态转化为有组织状态[11]；在此基础上，OAS 将个人计算机与办公软件相结合，实现了对结构化数据的统计处理与纸质文档的电子化；ES是建立在人工智能的基础上的计算机程序，它通过基于知识的推理，实现“像专家一样思考”以解决单一领域的特定问题[12]。20世纪70年代，决策支持系统（Decision Support Systems, DSS）被提出，Keen 与Morton 在《决策支持系统：组织视角（Decision Support Systems: An Organizational Perspective）》中将其刻画为结合了个体的智力资源与计算机能力的人机交互支持系统[13]，它由人机接口、数据库、模型库、知识库与方法库这5 个基本部件组成，更适用于解决半结构化与部分非结构化的问题。而后20年，DSS的理论研究与商业应用飞速发展，衍生出一批如群体决策支持系统（Group Decision Supporting System, GDSS）、分布式决策支持系统（Distributed Decision Support System, DDSS）、决策支持中心(Data Support Center, DSC)、战略决策支持系统等（Strategic Decision Support System, SDSS）在内的决策支持系统新业态，特别是，当DSS 与ES 相结合并引入人工智能(Artificial Intelligence, AI)技术后所形成的智能决策支持系统（Intelligent Decision Support System, IDSS），不仅具有知识获取与推理技能，而且能够跟踪与模拟决策专家的思维过程、构建相应的决策支持环境[14]。20 世纪90 年代，决策系统理论大量涌现，图灵奖得主Edward Feigenbaum 提出了“人—机器协同系统”，钱学森提出“开放的复杂巨系统”。同时，数据仓库（Data Warehouse, DW）与联机分析处理（On-Line Analysis Processing, OLAP）、数据挖掘（Data Mining）等新概念的出现，可以实现将数据库数据进行清洗、按决策主题重组、将多维信息转换为辅助决策信息。21 世纪，互联网、多媒体、网格计算与知识管理等技术叠加，知识共享型与资源共享型的“协同共享型”决策支持系统出现。2008 年维克托·迈尔·舍恩伯格与肯尼斯·库克耶在《大数据时代》一书中正式提出“大数据”概念[1]，而后大数据迅速流行，并在物联网、云计算、边缘计算、5G 等技术的加持下对海量数据进行处理，获取实时与前瞻性的决策支持，形成了大数据驱动型的决策支持系统。

第三阶段：智能决策阶段（2022～）。该阶段特征为决策系统可以根据决策场景生成决策方案，初步具备一定的决策自动化（Automation）与决策替代（Substitute Decision-Making）功能，但与完全的决策替代还有相当距离。2022 年由OpenAI 发布的对话式大语言模型ChatGPT 问世，引发了生成式人工智能（Artificial Intelligence Generated Content, AIGC）飞速发展，相应地，人工智能应用于决策系统中日益普及。不同于过去决策支持系统仅能基于已有数据形成决策方案，AIGC 加持下的智能决策系统清扫了过去专家系统只能在限定领域、单一任务中的决策障碍，在自然语言处理里建立了一个与领域无关的通用理论[15]，它既可以从数据中学习，并产生具有创造性、现实性的、全新的输出又可以促成决策者与智能决策系统对话，以强化决策的科学性与完善性[16]。智能决策在一定程度上实现了决策自动化与决策替代，成为了数智化时代的最新决策范式。

2 数智化时代的智能决策系统支持要素

“数智化”强调数据价值智慧化的共享与利用[17]，数智化时代并非仅靠数字技术在原有决策方式上简单叠加就能实现决策范式变革，更为关键的是“数智赋能”，这背后需要一系要素支持，主要包括以下维度：一类是智能决策系统自身的支撑构件，这主要包含大数据、以大模型为代表的决策算法与算力基础设施；另一类是决策者与智能决策系统间的人机交互水平。

（1）大数据

数据是决策的基础，经验决策与小数据决策难以适应数智化时代复杂的决策环境。大数据资源因其具有速度快、容量大、种类多、价值高等特征与描述、规定、预测等功能可以为智能决策系统提供丰富的数据来源。数智化时代，依靠广泛部署的传感器、监控探头等智能化设备进全天候采集，将多元主体活动数据化记录[18]，行动即为数据。在网格成为了社会治理基本单元的情境下，甚至样本即为总体[1]。将智能设备采集的多源异构数据端口接入大数据平台，不仅可以即时发现并解决问题，还可以从多种来源渠道校对数据质量。此时，具备全样本、实时性、客观性的特征大数据可供智能决策系统。

（2）以大模型为代表的决策算法

决策算法是由编程语言实现的自主运算工具，是智能决策系统的大脑与核心规则。在深度学习、神经网络等技术影响下，算法能够快速学习，适应外界多变的环境，并做出智慧化回应。特别是，拥有数十亿甚至数千亿参数与复杂计算结构的大模型（Large Language Model, LLM），通过海量大数据训练学习后，不仅可以通过将文本数据、图像数据、音频数据等多种结构数据转化为具备计算性与推理性的知识而展现出“转化能力”，而且可以多个自然语言处理任务展现出超强的“泛化能力”，甚至能发现新的特征与模式展现出“涌现能力”。

（3）算力基础设施

算力作为集合信息计算力、网络运载力、数据存储力于一体的新型生产力，算力基础设施是其向智能决策系统提供服务的载体。它可以通过如下4个方面服务智能决策系统：第一，支持对多种结构的海量大数据信息的计算处理；第二，算力基础设施可以利用高效的计算方法，快速分析数据，加速智能决策系统的计算与响应速度；第三，算力基础设施能够储存大量历史与实时数据，智能决策系统能够根据历史数据预测未来趋势，提高决策的科学性与准确性，为决策者提供有价值的参考；第四，算力基础设施具备分布式存储与计算的能力，可以处理大批个性化数据，从而为客户提供定制化解决方案。

（4）人机交互

数字技术的发展加速了智能决策的应用，但决策在明确治理目标、提供行动方案、塑造多元化公共价值等方面的诉求与目的并未发生根本性改变。只是原先采集信息、传递信息、做出决策等由人工完成的活动，正由智能决策所部分替代[19]，传统决策模式中由决策者自然人承担的决策角色正逐渐赋予智能决策系统[20]。尽管在决策速率、无倦怠感、克服个体主义与情绪化倾向、无偏处理零散数据、完成多项并行任务等方面智能决策系统都具有人类难以比拟的优势，但在界定问题、抽象思维、探索、感知、创作、归纳推理、长期储存信息、主动性与道德性等方面依然难以超越人类[21]。采用人机协同训练模式的智能决策系统，可以实现二者间的优势，这要求决策者“善用”“会用”智能决策系统。

3 数智技术驱动的范式变革

Thomas Kuhn 在《科学革命的结构（Structure of Scientific Revolutions）》一书中将范式（paradigm）视为理论体系与基本模式[22]，决策范式的变革其本质就是决策模式与决策原理的转换更替。智能决策范式脱胎于机器辅助决策范式，但二者间存在显著差异。机器辅助决策是应用人类已有的描述性知识、过程性知识与推理性知识等知识储备与决策经验，通过逻辑推演为复杂决策问题求解提供思路。而智能决策则强调机器自主生成决策方案，它是一种通过实时大数据感知与计算，基于决策经验、业务数据建立决策模型，以实现对未来发生可能发生的场景进行情景模拟与趋势预测的自动化和智能化分析的巨型人工智能系统。智能决策系统由大数据采集系统、大数据处理系统、模型算法系统和智能决策支持系统等子系统构成，其重点在于通过智能化算法对决策信息间复杂相关关系进行深度理解，帮助决策者在高度不确定性的环境中动态地优化决策，甚至做出自动化决策，更精准、高效地达成预期决策目标。它具备如下特征。

（1）在给定条件下自动化决策

不同于传统决策须遵循有限理性原则、机器辅助决策仅能为决策者提供数据参考，智能决策依据算法，对全样本数据进行即时分析处理，并自动生成可供参考的决策方案。算法是智能决策的基础语言，也是其生命力所在。基于规则的推理是智能决策最基础的技术，其所遵从的规则是决策算法。特别是经过大数据不断训练，算法能够自主学习并不断迭代，适应复杂的决策环境。一方面，智能决策系统遵循完全理性原则生成决策方案，可就决策问题自动生成全部解决方案，保证决策方案的全面性与准确性。智能决策系统依据决策算法，可以对海量大数据进行分布式计算，生成全部可能结果，并按决策原则对全部结果进行重要性排序，为决策者提供最优解决方案。另一方面，智能决策可以针对不同的场景与情境设计个性化的决策方案，在生成式人工智能技术影响下，智能决策系统可以根据决策者需求与决策对象的行为特征，提供个性化的决策方案，保证决策结果的有效性与针对性。

（2）全流程的决策响应

传统决策中的数据需经过层层上报收集处理，经过“把门人”层层过滤，决策者收到的信息会有时滞性与偏误。且受制于数据可获得性与样本量的限制，传统决策多依靠小样本数据或凭借决策者自身经验决策，决策通常是以样本推断总体、以过去指导现在。智能决策最大的优势在于用大数据驱动决策。由于大数据具有3大基本功能，大数据驱动的智能决策可以做到全流程的决策响应：首先，大数据具备描述功能，智能决策系统通过对历史数据进行统计分析，捕捉规律，为后续决策提供解决相应建议；其次，大数据具备规定功能，将即时数据与历史数据进行比对，实现数据流全天候实时分析，这决定了智能决策系统所做决策可以最大限度减低滞后性，对突发应急事件做到及时响应。第三是预测功能，通过深度挖掘数据间潜在相关关系，智能决策系统能够对未来发展趋势进行预测并提供针对性解决方案。

（3）人机协同决策

数智化时代决策环境复杂多变，仅提供信息参考的决策支持系统显然难以满足决策需求，决策者需要更为高效智能的工具来完成决策。数字技术的进步使得智能决策系统可以面向决策目标开展分析与推理，以更加主动的方式参与到决策之中，贡献决策方案。但当前智能决策系统尚且处于弱人工智能阶段，不具备独立完成决策的能力。从功能角度看，尽管大模型的数据处理能力远超人类，并可以就不同情境收集数据，并创造性提出多种解决方案，但存在于智能决策系统中的算法并不具备情感价值与伦理道德判断能力，隐匿于其中的算法黑箱、算法歧视等问题依然难以克服。从决策责任主体看，决策者做决策的权力多由职位赋予自然人，智能决策系统仅能提供决策方案而无法对决策负责。因此，决策者需要与智能决策系统人机协同、互为补充，决策者在该模式下仅需要提出问题，并评判调整智能决策系统的决策结果。

4 变革趋势与应对策略

决策是信息处理与行为选择活动，数字技术的发展也必然会驱动着决策范式变革。就变革历程来看，数字化时代的智能决策发展将呈现出如下几点趋势：第一，大数据驱动的智能决策将逐步取代经验决策。智能决策通过对大数据实时分析，及时发现问题和预测趋势，挖掘隐藏的信息和规律，为决策提供更加精准的建议和支持，降低决策风险，从根本上改变经验决策缺乏客观性、决策效率低下、易导致决策失误的弊端。第二，场景化与定制化决策情境将日益增长。随着数字技术及基础设施的发展，智能决策系统可以更高效地收集、分析和处理数据，挖掘出决策对象的的需求和偏好，为场景化和定制化决策提供更好的技术支持和数据支撑，提供更加精准的决策方案，从而提高决策的效率和质量。第三，决策系统平台化，决策参与者日渐开放与多元。大数据成为智能决策的重要依据和支撑，平台化的智能决策系统能够更好地整合内外部数据资源，整合不同领域、不同部门和不同角色的决策参与者，实现数据驱动决策，提高决策的科学性和准确性。第四，决策者与智库专家角色将面临角色转换。数智化时代，智能决策系统将部分替代决策者与智库专家，依据算法与大数据为决策活动提供方案。但这并不意味着决策者与智库专家会失业，而是要转换原有角色，决策者需要对智能决策的结果进行把关与调整，智库专家需总结决策经验并将其转化为智能决策算法。

为适应决策变革趋势，实现决策范式的代际转换，可以从如下几个方面构建应对策略：

（1）将发展智能决策及其背后数字支持技术提升至国家或地区发展战略。第一，制定国家智能决策技术发展战略，明确发展目标和重点领域；第二，加强对智能决策技术发展的引导和支持，设立专项资金、推动示范项目、加强政策宣传等，推动智能决策技术在公共服务、城市管理等领域的应用。第三，企业是智能决策技术的重要应用者和推动者，政府可以通过给予应用智能决策技术的企业税收优惠等支持政策、组织专业机构或专家为企业提供咨询服务等措施，鼓励企业参与和应用智能决策技术。

（2）加快构建智能决策理论体系。第一，应积极探索数智化时代智能决策范式，加快智能决策科学与其他学科的交叉融合；第二，构建智能决策及其背后人工智能、大数据、云计算等数字技术的科技创新举国体制，以重大项目为牵引，组织科研机构、高水平大学、科技领军企业等创新主体协同攻关。

（3）完善智能决策配套管理体制与基础设施。第一，构建集成大数据收集、清洗、处理、分析、输出与存储功能于一体的智能决策大数据支持平台，建立与业务单元相匹配的决策机制；第二，推动数据开放共享，打通不同管理部门间的数据壁垒，完善数据安全领域法律法规；第三，布局智能决策系统相关数字基础设施建设，提升算法性能与算力性能；第四，加强智能决策场景的开发与培育，构建政府、企业、社会机构等主体的合作机制，加强智能决策场景的应用与迭代。

（4）加强智能决策系统相关人才培养。第一，转换决策者的决策观念，积极引导决策者适应由经验决策向大数据驱动智能决策的转型，培养决策者使用智能决策系统的能力，决策者并非要成为懂技术的专家，但要成为“会用”“善用”智能决策系统的决策者。第二，由于智能决策系统背后涉及的技术领域较多、壁垒较高，因此需培育一批智能决策技术人才，负责智能决策系统给的开发与完善。