未来治理论坛呼吁制定新蓝图以现代化和数字化地方政府,包括制定全行业劳动力计划、降低创新风险、提供有针对性的资金支持以及创建更好的市场环境。
未来治理论坛 (FGF) 的一份报告呼吁制定一项协调一致的计划来推进地方数字政府建设,通过协作方式将整个行业联合起来。
该报告是论坛与 Public Digital 合作编写,经过八个月与地方政府领导人的交流后完成的,报告审视了地方数字政府领域的挑战和机遇。报告强调需要制定一份"地方政府现代化蓝图",这应由行业本身协作开发。
报告指出:"这是一个号召,旨在团结整个行业,确立新的发展方向,并强化地方政府数字化建设的愿景,专注于提供现代化、面向21世纪、世界领先的公共服务。"
报告指出了"缺失的中间层"——即地方政府创新、数据和技术系统中的差距。报告称,这一差距"导致了大量的碎片化、工作重复以及对'谁应该做什么'的混淆"。但最重要的是,存在着"一个阻碍行业有效相互学习并以我们所需速度解决共同问题的缺口"。
为解决这一问题,报告提出了60项建议,包括制定全行业的劳动力计划,以解决数字技能和多样性问题;为数字人才创建结构化晋升路径,使其能够进入通常不由数字角色担任的领导职位,如首席执行官;以及改善基础设施和激励机制。
目标是通过集体采购、沙盒测试和共享采购框架来降低创新风险并塑造市场环境。报告补充说,当前的软件市场是"有缺陷的",关键系统通常由少数大型供应商主导,将议会锁定在无法与其他系统集成的合同中,同时排除了更多样化的供应商参与。
谁应负责?
报告指出,目前尚不清楚谁应该做什么,也没有激励机制推动各方围绕共同挑战展开合作。
"一方面,我们听说地方政府行业天然碎片化,导致高度重复工作,经常出现320个议会重复相同的流程、采购或设计,耗费宝贵资源的情况,"报告指出。
报告补充说,地方政府若能集体行动,将拥有更大的力量影响中央政府并共享、连接数据。
"同样,我们也听说难以集体发挥行业的力量,无论是在如何利用数字技术解决普遍性挑战,还是在与私营部门合作时发挥集体力量方面。结果,尽管技术在我们生活中的重要性日益增长,数字化应用仍然未被充分利用或真正理解。"
地方政府的资金问题也很突出,议会比以往任何时候都更加资金紧张。根据报告,2023年,八个议会获准将议会税提高至"法定最高限额以上,30个议会获得了'特殊财政援助'以平衡其2025-26年度预算"。
报告称:"虽然政府早期承诺提供多年度财政拨款并放弃竞争性资金流的做法备受欢迎,但地方政府持续的财政危机仍然是推进长期思考和服务设计创新的重大障碍。"
数字技能及其获取也是一个问题。在各级数字角色中缺乏代表性、进入行业的途径有限以及地方政府间人才地理分布不均衡都是挑战。
报告建议收集数字岗位员工的多样性数据,以构建数字劳动力多样性的完整图景并监测进展,同时创建新的学徒计划,支持那些希望发展技能并转向数字角色的人员。
报告还希望解决地方政府缺乏标准的问题,这导致议会服务体验参差不齐且碎片化,建议有可能为所有议会及其服务制定强制性数字服务标准。
报告对2030年的愿景是建立一套"已确立且值得信赖的服务标准和模式,被70%的议会使用和采纳,对积极遵守这些标准的议会提供奖励和激励,并建立合适的审计机制来评估合规水平"。这些标准将由地方政府不同部门的代表共同设计。
FGF认为,成功的方法是由地方政府开发并拥有地方数字政府基础设施,并由一个"轻触式"机构作为协调机构代表地方政府将其整合起来。
这将包括若干区域性"服务创新中心",这些中心将专注于区域特定解决方案,同时作为开发基于证据的解决方案的沙盒,解决地方政府共同面临的挑战。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。