智能监察：价值、逻辑与反思

陈洪连， 吕玉雪

(青岛大学 政治与公共管理学院，山东 青岛 266061)

一、引言

加强对权力的监督与制约，是政治生活的永恒命题。秉承“以权制权”的理念，监察权具有政治工具性价值，对于预防腐败，促进国家机器正常运转，维护政治秩序的稳定等具有重要意义。监察权属于“治官之权”“治权之权”，是国家权力结构体系的重要组成部分。在行政监察体制改革为国家监察体制的语境下，监察是指具有国家监察职能的特定专责机关对公权力运行、公职人员职务行为的廉洁性进行监督的活动。监察具有鲜明的国家性、专门性、权威性、全面性等特征。国家监察是行政监察的升级，国家监察的适用范围远远大于行政监察。根据《中华人民共和国监察法》规定，新成立的监察委员会对党的机关、人大机关、行政机关、政协机关、审判机关、检察机关、人民团体和民主党派、工商联机关工作人员，国有企事业单位管理人员以及其他履行公职的人员依法实施监察，实现了对公职人员监察的全面覆盖。而行政监察对象较为狭窄，主要是行政机关及其工作人员。行政监察机关属于人民政府的组成部分，而国家监察委员会作为反腐败机构，属于政治机关。

党的十八大以来，以习近平同志为核心的党中央坚定不移推进全面从严治党,推动国家监察体制改革,着力构建不敢腐、不能腐、不想腐的体制机制,取得显著进展和成效。中国国家监察制度改革逐步落实，监察主体的设置、监察职权的配置、监察体制和机制的设计、监察行为及程序的规定等越来越科学合理。然而，在“高度被感知、高度互联互通、高度数字化和被精准计算、高度透明和高度智能化的社会”[1]背景下，国家监察制度的运行还面临严峻的挑战。一是腐败手段凭借智能技术不断演化，呈现出高科技化、强隐蔽性的特点，监察量级急剧攀升，监察难度不断加大。二是传统的“人工+孤岛式”监察不堪重负，难以适应反腐形势发展，亟需实现模式创新与手段改进，人工智能和纪检监察的深度融合被提上议事日程。近年来，中央高度重视监察工作的科学化、信息化与智能化，监察机关纷纷积极响应，将智能技术应用于监察业务工作之中，“制度+科技”成为新型反腐模式，监察工作的科学化和精准化水平不断提高。

伴随电子监察、大数据监察、智慧预防等方法的试运行，人工智能在监察领域发挥越来越大的作用。在《2019年国务院政府工作报告》中，中国正式提出“智能+”理念，“智能+监察”的反腐模式浮出水面。智能技术能够实现监察工作的自动化运行，大幅度提高监察效率；能够弥补“人脑反腐的漏洞”，减少人为干预的随意性，确保反腐行为的客观性和公正性；能够对公共权力运行、公共资金使用、公共资源交易、公共工程招投标、公共决策、行政执法等进行智能监测，高效地收集廉政风险信息，做好数据筛选、识别和分析工作，推动监察部门更加精准地监督执纪问责。但是，将人工智能嵌入具体的监察工作之中，还存在诸多理念和实践层面的障碍与梗阻。因此，准确把握智能技术与监察领域的融通逻辑，精准判断智能监察的现实困境，并探寻优化智能监察效果的理想路径，是深化智能监察研究的重要课题。

二、智能监察的溯源与演进

在顶层设计和地方实践的推动下，中国监察信息化和智能化已步入整体式推进和跨越式发展阶段。中国共产党第十九届中央纪律检查委员会第二次全体会议指出，要充分运用互联网技术和信息化手段，建设覆盖纪检监察系统的检举举报平台；《中央纪委国家监委信息化工作规划(2018—2022年)》明确提出了新形势下推进纪检监察信息化建设的总体部署。立足于“智能+”时代，各地纷纷开展了“科技+监察”创新试点活动。政府通过智能技术的引入，将监察对象与监察区域全景式联结，并对监察信息进行收集、清洗、挖掘与分析，以期在监察平台上对多种行政行为开展实时监测、风险预警、绩效统计与评估，实现全覆盖、全程同步的监察。

追根溯源，智能监察是电子监察在新时期的改造与升级。关于中国电子监察的起源，学者们有不同的看法。刘娅等认为，电子监察诞生于2004年的科技、法制与国际合作[2]；邬彬和黄大熹认为，电子监察是中国政府预防腐败制度创新与科技创新的有机结合，最早起源于2000年以来深圳等城市探索的电子政务等方面[3]；任建明认为，中国技术与监察的结合初步尝试是在1993年，国家组织实施的一系列“金”字开头的信息化工程——“金宏”“金关”“金税”“金财”“金审”“金盾”“金保”等。分水岭则是以深圳为代表的地方政府所实施的电子监察，这也是到目前为止监察科技化的主流方式[4]。

从实践层面考察，深圳市的电子监察系统于2005年正式运行——并于当年通过“国家高科技研究发展计划”(即“863计划”)验收及科技成果鉴定，它由电子监察平台、视频监督系统和行政审批网站三部分组成。其中，电子监察平台是核心部分，由诸多子系统集合而成，构建于政府内网上，其数据以及运行与互联网并不相通。虽然深圳的行政审批电子监察系统是信息化监察的初步尝试，但已具备了实时监察、纠错预警等功能，为其他地区建立智能监察提供了前期探索和有价值的参考。

2008年，青岛市纪委监察局联合电子政务办公室，申请了“信息网络技术在重要行政权力阳光运行及纪检监察业务工作中的应用研究项目”[5]，该项目涵盖政府权力运行监督系统与纪检监察业务运行系统两部分，在覆盖领域上更为系统与全面，如图1[5]所示，纵向延伸至农村，横向扩展至每一部门。青岛市在推进项目实施的过程中，对政府公共权力的运行流程进行了“清单”式梳理与再造，并在此基础上做到了权力运行轨迹的公开化和透明化，推进了智能技术在电子监察中的开发与应用。

自此之后，其他地区纷纷效仿，智能化监察平台如雨后春笋般涌现，江苏省的“权力阳光”系统、天津市的党风政风监督信息系统、贵州省贵阳市的“数据铁笼”、云南省的五级联动监督平台、福建省泉州市的民生资金动态监督平台、内蒙古自治区呼和浩特市的“区块链+智慧监督”平台等较具代表性。其中，“区块链+智慧监督”的应用备受瞩目，保障监察执纪取得良好效果。呼和浩特市土默特左旗纪委监委一体推进建设以“内网+外网+政务网+局域网”作为基础，整合公务用车管理系统、“企查查”查询系统、“阳光三务”服务系统、国家“互联网+监管”等七大系统，接入数据分析云平台、视频数据管理平台、政务服务云平台、“一卡通”民生服务信息平台等五大查询分析平台为核心的大数据综合查询研判新平台，初步实现“智慧监督、数据反腐”的大数据新技术应用[6]。区块链技术应用于监察平台，可发挥效率高、成本低、安全性高、时间戳不可更改的优势，确保监察数据安全性、可追溯性、保密性、高效性，实现了由“跋山涉水”查数据到“足不出户”用信息的转变。

总体而言，中国智能技术应用于监察领域由来已久，覆盖广泛，典型特征主要有：其一，在地域方位层面，由南至北，从东到西，与中国地域经济发展水平基本保持一致。深圳市、上海市、广州市、青岛市等沿海城市和浙江市、苏州市、杭州市等经济发达地区率先实践，而后逐渐推广至中部、西北部地区。其二，在行动主体层面，地方政府先行先试，中央政府总体调控。沿海城市是前期的主要行动者与创新者，拥有电子监督创新试点权限。中央政府总体协调各地创新试点进度，然后再把先进经验推广到其他地方。其三，在应用领域层面，单项突破转为纵深发展。早期“技术+监察”主要应用在行政审批领域，倾向于单项突破，但随着科技的发展与监察体制的改革，“技术+监察”也逐步覆盖行政审批、政府采购、公务接待、公款使用、政务公开等多个领域。其四，在发展深度层面，横向联结广，纵向联结少。在中央政府的干预下，横向拓展较有成效，但省、市、县、乡、村纵向联结却进展缓慢，仅有少数地区(如青岛市)能实现五级联网。就全国整体而言，纵向到底，横向到边的联结网络尚未形成。

三、智能监察的价值定位

人类发展史上的每一次科技革命，都会深刻影响并变革社会生产、社会关系乃至政治体制。智能技术作为人类智能的模仿与延伸，不仅从形而下层面系统提升监察手段与方法，还从形而上层面清晰描绘智能监察的价值目标。

(一)由“孤岛式”监察走向开放式数据共享

随着监察体制改革进入深水区，协同反腐的重要性日益凸显。反观当前的监察联动机制，“独角戏”“走过场”等现象较为严重，多元主体的合作衔接较为松散，监察要素资源分割离散，监督合力成效不显。在“智能技术+监察”方面，电子监察、数据监察等智能监察平台多为个别地方政府基于特定需求而自建，甚至仅服务于单向的监察业务，这就造成了数据资源的紧耦合①，进而导致监察部门内部、各地方监察部门之间的数据壁垒，“信息孤岛”②并没有被破解，反而有加重的趋势。

信息开放与共享是对权力制约与监督最有效的方式之一，共享数据库可以让监察部门、工作人员等利益相关者方便快捷地获取所需资料，高效有序地开展监察工作。首先，监察部门之间的数据交互能够将不同区域、不同场景的信息源进行互补融合，完善监察数据库的全局信息，方便国家监察体系的统筹；其次，通过同区域、同场景的信息比对分析，可以从多维角度感知目标，进而促进目标信息的更新与新线索的发现；最后，不同于区块式监察模式，联动式监察可以校准冗余信息，将重复性的数据开发与应用进行协调合并，节约数据开发成本与资源，同时有效提升数据开发的效率，实现多区块监察数据的有效集成。

(二)由样本式监察转为全景还原式监察

党的十九大报告明确提出，要“构建党统一指挥、全面覆盖、权威高效的监督体系”[7]，监察的全景式“扫盲”是监察体制改革的重要着力点。但长期以来，基于小数据的获取方式，人类的思维路径大多遵循因果逻辑模式，监察工作也是严格要求线索、证据与事实的因果对应，常采用诸如抽样调查、问卷访谈等有限的调查方法。但无论抽样的方式有多科学，也不可能获取全部数据，因而就有一定的几率漏掉“非样本”中的关键信息。

时至今日，智能技术已经为获取全部数据提供了强力支持，其发展为监察体制赋予了一种全新的思维模式——全景全数据。“在大数据时代，随着数据收集、存储、分析技术的突破性发展，我们可以更加方便、快捷、动态地获得与研究对象有关的所有数据。相应的，思维方式也应该从样本思维转向总体思维，从而能够更加全面、立体、系统地认识总体状况”[8]。“抽样”的印记正在淡化，“样本=总本”的全景式规模正加以呈现，监察部门可以调用全部的数据资源进行线索搜集与取证分析，对目标进行“全数据”的整体性还原，避免事实还原思维的片面性和局限性。

自《中华人民共和国监察法》施行以来，江苏省盐城市阜宁县纪律检查委员会、监察委员会(以下简称“纪委监委”)开展了一系列活动，利用智能手段，聚焦监察“零盲区”，实行具有本地特色的、权力运行过程全覆盖的信息化监督，做到监督工作与监察情况的全景式实时掌握[9]；四川省成都市武侯区纪委监委也对监察对象进行了全景式扫描，针对监察工作建立了信息数据库，并推行“监察对象智慧信息平台”建设，旨在将数据成果运用到线索筛查、宣传预防、巡察、监督监察等工作中[10]。毋庸置疑，全景还原式监察突破了传统的监察瓶颈，能够在全面准确数据中把握信息与线索，实现监察对象与监察职能的全覆盖。

(三)由结果监察转为过程监督与预警

对于一线的监察部门而言，实时数据流的高效获取是关键所在，权力运行的实时监控成为监察工作关注的重点，及时预警是监察工作努力的方向。但是，传统的监察手段由于受到数据规模量的限制，偏重于事后监督，难以实现防控“关口前移”，不能突破“时滞”困境。但廉政风险潜藏在每一个过程或环节之中，鉴于监察部门对各种线索的追踪查办仍处于强被动性、事后性的状况，当潜在风险浮出水面时，最佳的防控时机已然错过，腐败后果随即出现。由于该问题的不断重复累积，导致腐败的辐射效应相应扩大。因此，监察部门的工作重心应由事后严惩转向事前预防，做到防患于未然。“传统的研究方式是‘理论—假设—验证’，而智能时代可以运用大数据技术，在没有假设的前提下挖掘数据，发现其背后的相关关系，进而作出预测”[11]。

智能技术能够刻画权力运行的每一条痕迹，实时收集数据进行动态统计与分析，并对异常行为进行及时纠正与上报，实现“事前—事中—事后”的全天候全方位全覆盖监察。这为结果监察转变为过程监督，提供了必要的技术支持。就目前而言，推进廉情预警平台建设已成为监察机构的工作核心之一，通过多智能体模型、深度学习、知识图谱等技术的运用，可以建立权力和风险清单，而后经过权力实时全程记录，对关键环节进行深入的数据挖掘与分析，并处以风险评估与预警标红，让腐败预测进入合法程序，如图2所示，实现监察工作的空间范围、时间维度的全覆盖。例如，宁夏回族自治区各级机关，研发了网上管理平台18个，引入27项业务流程，构建了区、市、县、乡四级综合电子监察平台，对权力运行全过程进行了全程监督[12]。

(四)由粗放式问责走向无缝化监管

“有权必有责、用权受监督、失职要问责、违法要追究”，问责是监察制度的重要组成部分，用责任约束权力是实现监察制度有效落实的重要保障。但在传统的监察问责中，权力的无缝监督与精准的责任追究不能落到实处，难以对腐败发挥震慑作用。现代系统论指出，社会管理模型的运行旨在构建“精密”的运作机制，当前问责乏力正是由于职责范围粗疏不明晰，责任主体与责任事项之间的对应关系混乱模糊，致使责任追究的“最后一公里”无法推进。因此，基于大数据的责任清单建立就显得尤为迫切和重要。

当前，智能化的监察手段使得权力运行轨迹无处遁形，以技术作为制度的支撑，能增强问责的针对性和实效性。依据监察的数据库和实时记录，将每一项权力运作的责任主体、责任凭据、责任全程监管以清单的形式记录存档，使得每一事项都有明确的直接责任主体，使追责能进一步细化和精准化。在建立完善监察要素数据库，监管平台实现全景监控并预警的基础上，智能平台的责任追究功能也相应被激活——监察机关利用监察数据平台所获取的实时数据交互信息，综合其他监察手段进行判定后启用责任追究机制，这符合透明、规范、专业等技术合理性的要求。

在智能模式下，政务公开的局面和形势有了新的突破，政府官员与决策议程都会被智能平台精准地记录并收集，以供监督部门随时查阅和回溯分析。监察主体只有全面地了解权力运行的真实情况，监察行为才能靶向明确、有的放矢，问责主体的权力也才能由“虚”到“实”，推动监察对象形成“不敢腐，不能腐”的路径锁定③。智能化的监察是动态化、全貌式的，可以对监察对象进行全方位追踪，时刻悬挂“达摩克里斯之剑”，不断强化“不敢腐”的震慑效应，进而为一体推进不敢腐、不能腐、不想腐体制机制建设打下坚实的基础。

四、智能监察的运行逻辑

智能技术深刻融入政治生活，对监察体制变革带来深刻影响。尽管智能技术应用于监察领域历时较短，相关的制度建构尚不成熟，但监察智能化渐成发展潮流。从技术应用层面考察，智能监察的运作逻辑如下：

(一)推动监察要素数据化

从某种意义讲，人类的思维过程可以看作是一个搜索过程，遵循因果模式，对相关信息的搜索是判定结果的必要前提。监察工作的运行原理亦是如此，通过监察要素的信息收集、筛选、分析和加工来进行逻辑推理和判断。因此，大量真实、全面、客观的信息资料收集与处理是实现监察业务精准有效的重要基础。但在信息爆炸的时代，监察部门需要采集并处理的数据单位由传统的K、M、G、T一路飙升至P(103T)、E(106T)、Z(109T)，数据形式也不断延展，除了传统的文字、图片、符号、音频、视频、热力地图、轨迹信息之外，还包括大量结构化、半结构化、非结构化、体系内与体系外的数据类型，人工查询方式已不能满足监察工作的需要。

基于对人类智能的模仿，智能技术的推理机制与问题求解主要通过状态空间搜索来实现的，从多个数据库抽取、转换、清洗、集成数据是智能技术运作的逻辑起点。法社会学理论认为，社会规范系统的运行并不直接去调整社会行为本身，而是通过抽象的概念和范畴等要素形成规则的空间体系[13]，因此，权力运行的每一步细节、每一个领域理论上都可以数据化，监察要素的数据化抽取与赋权成为可能。立足于此，运用新技术，如借助分布式系统基础架构(Hadoop)生态圈的开源分析工具④，能够对大量杂乱无章且碎片化的监察要素进行清洗、关联、规范化整合，将复杂多维的监察信息集结成专门的数据库，实现不同类型数据之间的有效联结，是智能技术与监察制度有效融合、建立智能监察模型的基础——取证分析、案件研判有赖于结构化数据的传递与加工。运用层次分析法(Analytic Hierarchy Process， AHP)，可以将复杂的监察要素设定划分为目标层、指标层和准则层三级指标体系，并组成树状结构的指标模型，建立起系统抽象、结构明晰的数据谱系[14]。

在监察要素关联数据库(知识库)支撑的基础之上，知识图谱(Knowledge Graph)⑤可以通过知识建模、知识获取、知识管理与知识赋能为各监察要素进行不同的语义标注与关联，通过“智能搜索+知识库”的方式将海量数据资源有序地组织好，突破基于关键词搜索的传统方式，把不同层次和粒度的抽象概念直观呈现出来，实现信息的多维检索和关联导航，在监察工作流程中实现更为智能、更为便捷的信息检索，如图3所示。在实现监察要素数据化并优化检索的前提下，智能技术与监察体制有了数据桥接渠道，监察工作的信息化、智能化有了基础支撑；即使未经过专业智能化学习的工作人员也能较快地利用知识图谱进行检索，人机合作的门槛大大降低。

(二)促进监察过程算法化

人类通过对自然与社会规律的学习与模仿设计了许多应用于优化组合、机器学习、智能控制、感知识别等领域的算法。算法是智能技术的“魂魄”所在，是“智能”的重要核心。“大数据时代干预生活世界的算法能够解决大量复杂的任务，包括执行搜索、安全加密、优先推荐、模式识别、预测、分析、仿真和优化等，算法已然成为社会新的权力中间人”[15]。在某种程度上，所有的智能都可以看作是“一种算法”。从卷积神经网络(CNN)到递归神经网络(RNN)，从专家系统到特征工程，再到深度学习，算法在各种问题解决中发挥着越来越大的作用。监察作为一项复杂的人类社会行为，与算法有天然的逻辑关联，监察过程在某种程度上可以简化为算法计算过程。

数据的采集是监察工作顺利开展的基础，如何高效、准确地采集异构化、高维化的数据是难点所在。当前，语音识别、图像识别、机器视觉等感知识别技术的发展日新月异，可广泛应用于将不同信息类型进行结构数据化处理与采集等方面。例如，基于自然语言处理(Natural Language Processing，NLP)的算法系统可以将非结构化的文本材料转化为轻量级的结构化数据，大幅度降低监察法等文本的数据化难度。

监察“对象”的“行动”也是体现是否违反法律、有无腐败行为的表征，对监察对象的动态化监管与分析是线索取证的重要来源。随着信息技术的发展，腐败“行动”趋向于智能化、隐蔽化、单线程，单靠人力识别难乎其难。在市场经济发展、社会财富与资源不断丰富的场景中，腐败行为的范围也在不断拓展，这导致了诸多监察线程与监察节点的交汇。借助感知识别、智能定位等技术的辅助，多线程、高吞吐地实时监测“行动”有了一定的可操作性。例如，模糊人脸识别定位系统，可以对公职人员的脸部特征进行抓取并建立脸部模型库，在公职人员外出公干或进行其他行为时，可以有效进行实时定位，同时辅以腐败风险知识库进行“行动甄别”。

在智能时代下，实现监察过程的“实时性”“全程性”已有技术支撑。例如，“元胞自动机”算法，区别于以数学分析为基石的系统动力学模型，是基于复杂的自适应系统，以一系列的模型规则与演化规则集合而成的逻辑算法，能将监察行为中的时间、空间、状态等要素都进行离散，并依据一定的空间相互作用规则与因果关系产生关系集合，进而高度模拟物理世界中的监察行为演化过程。此类算法既能实现监察过程的静态还原，又能实现动态过程的实时把控，最大程度地避免传统“分解—还原”方式带来的偏差，凸显监察行为的内在规律与逻辑，展现整体权力运行痕迹，实现全方位、无遗留的监察监管。

(三)实现监察结果预见化

在监察要素数据化入库、监察过程算法化把控的基础上，多智能体模型融入监察体系，实现监察业务的场景模拟，保障风险预测预警具有现实可行性。IBM公司认为智能体既是一个“软件实体”，也是一个行为集合，通常具有自主性(Autonomy)、主动性(Pro-activeness)、反应能力(Reactivity)、社会能力(Social ability)四种性质，是一个可以“代表”个体或其他实体的“代理”，可以通过与环境的交互实现合作协商、场景模拟等，如图4所示。

监察工作是一个多维复杂的政治活动，具有动态性、协作性、分散性等特性，智能技术可以将客观物理世界中监察行为拆分为时间、空间、语义和语境四个要素并投射到赛博空间中，将各种影响因素通过实时数据、属性测量、符号分析、环境分析等运作虚拟还原，并构建基于监察知识库与Agent⑥协同模型的多层次建模，通过输入特性、属性与要求来建构不同的场景[16]。在场景建构的基础上，智能体通过学习人类专家的知识和解决问题的逻辑，能够模拟人类专家的推演过程，进行监察结果预判。例如，在原有的神经网络基础上加入模糊RBF神经网络⑦结构，可以通过训练，充分利用原有知识库以及输入样本的规律性，在导师信号的限制下进行更精准的分类与指标评价。模糊RBF神经网络结构拥有与人类相似的思维方式，同时又能最大限度地避免“真实专家”给出结果时的主观性与模糊性，在处理监察工作中的不确定性、非线性问题时具有明显优势。

除了已经形成的监察工作预判，多智能体还可以结合机器学习与深度学习等技术进行监察业务的风险预警。在全面、精准、实时收集信息并构建知识图谱的前提下，智能模型能从其中探寻并学习数据流的内在规律，敏锐地发现其中的变化，并对每一次变化进行分析与风险评估。例如，为公职人员建立资金流动模型库，通过对其资金流的变动往来情况实时追踪与分析，发现其中的异常交易可能，如图5[17]所示。此外，多智能体模型改变了过去必须人工手动输入各种监察要素参数与规则的方式，实现了自主化计算、自主化提取监察知识、自主化学习，能对隐藏信息实现深度挖掘，且其计算结果还能作为新的数据样本进入知识库，实现模型运作的循环迭代，在尚无明确线索的情况下对高风险领域进行标红，促进监察资源的合理配置。

五、智能监察的问题反思

事实证明，人工智能与监察体制的融合有其合理性和必要性。中国监察体制已步入信息化和智能化的轨道，智能监察的特色和优势日益显现。但是，智能技术的兴起还是新生事物，本身尚不成熟和完善，在监察领域的应用还存在诸多问题，进而影响智能监察的实施效果

(一)“数字陷阱”的羁绊

监察工作是一项包含环境、人性、法律等复杂因素的活动。由于传统监察手段的局限性，往往在评判上有一定的容错率。智能技术以量化为主要指标，规避个人主观意识介入与暗箱操作风险，实现监察全流程的公开透明。从本体论意义上讲，一切事物皆可以量化，即古人所云“物有万象，万象皆数”，但本体论上的可量化却并非能与认识论上的可量化等同。虽然以量化为指标能推进监察工作的科学化、客观化与精确化，但全量化也缩减了自由裁量的空间。监察活动是一项复杂的社会性工作，其监察对象有一定的模糊性与主观性，表面数据并不一定与事实本质等同，量化并不一定与科学化等同，过度量化反而会陷入“数字陷阱”。

(二)伦理反思的缺位

人工智能领域出现的各种颠覆性创新，要求人们加强对智能技术的伦理反思。然而，在大数据智能时代，“越来越多的权力存在于算法之中，它不仅塑造社会与文化，直接影响与控制个人生活，甚至获得了真理的地位”[18]，由于算法权力不透明、难理解，人类无力对算法权力进行伦理反思与规制。不仅如此，由于不具备人类的思维、情感、道德与价值观，智能技术囿于工具理性的窠臼，难以彰显价值理性的光辉。“把制度的执行者由人变为计算机程序，把权力的所有者由人变为程序模块”[19]，虽然能够提高制度执行效率，但缺乏人类在理性与情感之间的反思平衡机制。由于只设定了冰冷的技术责任框架，缺乏有温度的伦理指导，监察决断很可能会导致纯粹理性控制下的决策偏差。也就是说，当下的智能监察系统并不具备“真正的理性”，其组成是数理逻辑而非伦理逻辑，只有目标达成与否的认知而无对错之分，只有反馈功能而无反思功能，其运行结果很可能与社会伦理背道而驰。

(三)制度保障的匮乏

从某种意义上讲，智能监察的发展最终要归依于制度建设。简·E·芳汀在《构建虚拟政府：信息技术与制度创新》一书中指出，真正的挑战不在于构建电子政府的技术能力，而在于克服政府内部根深蒂固的组织性分歧和政治性分歧[20]。制度建设是实现技术可能性、发挥智能监察先进性的根本保障。

在当今中国，技术决定论⑧仍占据主导地位。智能监察系统的建设也往往聚焦于神经网络、算力算法、机器学习等技术问题，过于强调技术所带来的优势，而忽略了技术生长所需要的制度环境。智能监察不是智能技术与传统监察机制的简单嫁接，而是要构建相应适配的监察流程、结构与制度。但是，这种适配却存在诸多难点：首先，技术发展与变革往往快捷而迅猛，政府部门转型却审慎而缓慢，该时间差构成了智能监察的深度发展障碍；其次，智能监察系统的初期构建成本较为巨大，相关机构负担较重，致使某些监察部门仍运行“双轨制”以缓解资金压力，监察体系运行混乱；最后，监察部门相比其他部门更加注重“界限”与保密，确保监察工作中产生的各种类型数据不会被增删修改、丢失泄露是客观需求，但严密的数据安全保障制度并未成熟，导致智能监察数据壁垒依然存在。因此，制定统一、标准、普适性的顶层制度，完善相关的制度与法律，实现“智能+监察”的长效机制尤为重要。

(四)智能技术应用的零散浅层化

中国政府管理模式区别于西方国家区域管理模式，纵横交错、纵向为主的特征比较明显，条块分割致使横向部门之间缺乏共同的上级管理部门[21]。这导致各系统、各部门、各级监察单位之间建设标准不统一、监察业务各自独立、监察系统之间无法互联互通，各监察部门之间协同工作难度大，不能适应于监察业务动态性、协作性、复杂性和综合性的需要。换言之，现在智能技术与监察体制的融合实践还处于零散化的状态，一体化的智能监察平台进展缓慢。

不仅如此，多数地区的“智能+”监察系统还处于浅层次的技术叠加状态，没有创造出新的发展生态。“它是一种先进管理思想的引入而绝不单纯是一个软件引入的问题”[22]，许多地区的智能监察平台建设相对滞后，仅仅是为了完成任务而非当作“主力军”，智能监察功能成为摆设，更遑论数据开放与共享。另外，智能监察系统的纵向深度有待挖掘，多数地区在进行“智能+”建设时，仅考虑横向覆盖面，忽视逐级下嵌度，这导致地市级的智能监察平台不能获取充足的下层数据资源，对社会监察信息的诉求反应迟缓，难以发挥智能监察及时性、高效性和预防性的功能。

(五)智能专业人才的稀缺

监察工作并非单一技术的构嵌，而是多项技术的组合。智能监察并不意味着实现完全的智能化、虚拟化，实体意义的监察机构仍是不可或缺的重要组成部分。就现阶段而言，人的经验判断与理性思维仍是维持监察机器运转的关键保障。美国数据分析家Franks 曾说：“成功分析的关键不是工具和技术本身，使用这些工具和技术的人才是取得成功的核心要素。”[23]借由智能技术来辅助监察活动确实能极大提高决策效率与质量，但目前的人工智能远非真正的“智能”，在自主自动方面仍有较大的缺陷，不能由机器单独完成所有的决策行为。由于人工智能价值理性和伦理逻辑的先天缺失，使得机器学习也可能会“学坏”，所以技术缺陷仍需要人类智能来弥补。

目前，智能监察专业化人才短缺。一方面，人工智能的人力资源开发相对滞后，国家出台的强制性技术要求缺乏统一的标准，岗位职责与智能监察系统出现匹配失衡；另一方面，高等教育中人工智能专业开设相对滞后，不能及时、有效地培养相关人才。社会上的培训机构虽然种类繁多，各有侧重，但基于政治学、信息科学、计算机科学和智能技术科学领域的复合型人才培养严重落后于时代发展。

六、结语

在智能时代潮流的冲击和顶层设计的推动之下，中国“智能+监察”工作进展迅速、初见成效。但是，智能监察的构建毕竟是一项规模宏大的系统性工程，仍然面临体制、技术、人才等方面的掣肘和瓶颈。智能技术并非安全无虞，还潜存诸多风险，由技术引发的量化陷阱与伦理缺陷导致智能监察备受诟病。技术的嵌入能够弥补传统监察的种种缺陷，却无法保证后续的均衡样态，监察过程的算法化、监察要素的数据化使得智能监察模式对于数据和算法有极强的依赖性，存在数据霸权、算法独裁等诸多隐患。也就是说，智能技术不光孕育着“数字秩序”的巨大机遇，也包含着滑向“技术利维坦”的风险[24]。

“对于大数据技术的发展既不能过度乐观，选择性简化或忽略问题的严肃性，也不能过于放大风险甚至成为‘技术灾变论者’，因而裹足不前，阻碍技术发展”[25]。智能监察的意义和价值不能轻率否定，秉承实现智能技术化归⑨的愿景，将智能技术融入到监察体制之中，才是建构面向未来的监察制度的理想蓝图。首先，应该反思智能本质，主动驯化“技术利维坦”，大力推动智能技术的发育完善，升级监察系统中智能技术嵌入的理念——既不能抵制技术，也不能过度依赖技术，“人机共智”才是最优方案。其次，要从顶层设计的角度做好全局谋划，做好智能监察系统的开发规划，并从技术与体制的融合、技术与人才的相加、横铺与纵深的共筹等方面整体谋划，不断开拓监察系统智能化的新格局。最后，专业队伍的建设也应提上议事日程，在实践中打造一支具备智能化思维、新技术能力、职业道德规范的监察干部队伍，是推动智能监察进一步升级的本源动力。总之，智能监察之路任重道远，未来可期。

注释：

① 数据资源的紧耦合，是指模块或者系统之间关系太紧密，存在相互调用。紧耦合系统的缺点在于更新一个模块的结果导致其他模块的结果变化，难以重用特定的关联模块。

② 信息孤岛，是指数据在不同部门相互独立存储，独立维护，彼此间相互孤立，形成了物理上的孤岛状况。

③ 路径锁定，即进入某路径并沿着该路径不断惯性循环，并产生路径依赖。

④ 分布式系统基础架构(Hadoop)生态圈的开源分析工具，支持即时查询、在线分析、文本挖掘、图谱挖掘、机器学习、全文搜索引擎等功能。

⑤ 知识图谱(Knowledge Graph)，是指以关联数据集等知识库为支撑，对数据资源进行语义标注和关联，建立关系网络，通过深入的语义分析和挖掘，借助强大的语义处理能力和开放互联能力，通过可视化界面为用户提供方便智能的浏览检索等服务，旨在以结构化的形式描述客观世界中概念、实体间的复杂关系。

⑥ Agent特指角色，即智能体模拟参与者。

⑦ RBF神经网络，即径向基函数(Radical Basis Function)神经网络。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

⑧ 在信息技术的影响方面，学界存在“技术决定论”与“社会决定论”的分歧。前者认为技术式社会发展的决定因素，后者认为技术是中立工具而非内生动力。

⑨ 技术化归，是指各种新技术必须得到转化使其从陌生的、可能有危险的东西转变成能够融入社会文化和日常生活之中的驯化之物。参见：何明升《智慧生活：个体自主性与公共秩序性的新平衡》，《探索与争鸣》，2018年第5期，第22—25页。