大数据、人工智能、区块链等数字技术正在重构科技治理的分工协作体系。如何更有效地发挥技术效能、充分激活数据要素的价值潜能，构建与新质生产力发展更相契合的生产关系，已然成为通过科技治理实践服务于科技强国建设目标的核心议题，其破解路径亟待深入探索。

一、对数字技术与科技治理的基本认识

厘清科技治理相关内涵及数字技术驱动情境下科技治理的模式，对于把握科技治理能力提升的关键着力点具有重要意义。

（一）科技治理是协同的制度框架与实践过程

学术界对治理的理解大致可以划分为三层含义：一是对公共事务实施治理的行为/活动；二是治理活动实施所依据的规则、制度；三是由治理主体、制度、机制等所构成的系统及其动态运行过程（蔡跃洲，2021）。我国政治和学术语境下的科技治理是国家治理现代化的重要组成部分，指在科技发展过程中，通过多元主体协同、制度规则创新与动态反馈调适，构建的兼具适应性与韧性的制度框架与实践过程，意在对传统科技管理中政府部门、高校和科研院所、企业、社会公众之间的关系进行重构（Dunleavy，2006；竺乾威，2008），推动各方共同解决科技发展中的种种问题。科技治理活动实施所依托的各种制度、机制、规则等，连同活动实施的主体、客体及各利益相关方，共同构成了科技治理体系（俞可平，2014）。科技治理体系的有效运转和迭代优化是科技治理能力的综合体现，保持体系内部不同主体之间的有机协同是实现有效治理的重要前提。

（二）数字技术驱动情境下科技治理存在三种模式

从理论和现有实践来看，数字技术驱动情境下，科技治理包含基础、增强和自动化三种不同模式（Hanisch et al. ，2023）。基础治理侧重于集中式的控制模式，自动化治理则是去中心化的控制模式，介于两者之间的治理模式为增强治理。三种模式下治理机制经历从中央管控向自治协同的变迁（见表1）。

        资料来源：课题组参考Hanisch等作者观点绘制。

基础治理的集中控制性等特征往往难以满足科技治理需求，尤其是对于解决复杂的科技治理问题更是捉襟见肘，但是其对于低交互性环境具有成本优势。自动化治理模式体现为治理流程的智能化迭代，通过智能合约等技术实现部分治理环节的自动化运行。相比而言，因为算法设计、实施和调整成本很高，在高交互性环境中，自动化治理解决方案往往才具成本优势。与此同时，治理过程通常涉及难以编纂的隐形信息，自动化治理的高度程序化特征很容易引起僵化，从而损害适应性。较为理想的科技治理模式是根据具体治理环境，在基础治理与自动化治理之间进行权衡。

（三）数字技术增强了科技治理的协同性和规则创新性，也引致科技治理的复杂性

当前，科技治理主体有从“以部门为中心”向“以平台为中心”转变的趋势（孙志建，2021）。以平台为中心意味着“数据驱动”、“非人力化”以及“基于平台的整体主义”，科技治理模式已经逐渐摒弃科层制下的条线治理思维。调研了解到，浙江省有关政府部门围绕数字浙江目标构建科技大脑底座，采用数据计算、知识引导、逻辑推理、决策分析等工具手段，以实现监测分析、预测预警等功能，辅助科技创新有关决策。例如，围绕关键核心技术攻关中“谁出题、谁答题、谁配置、谁应用”等问题，以科技攻关为支撑，建立“315”重大创新领域技术路线图等子场景，利用信息技术凝练攻关需求、匹配攻关团队、推送攻关资源等，一定程度上改变了重大项目组织实施方式。相应的，传统的科技治理机制所使用的归纳演绎法逐渐发展成为数字技术归纳法，科技治理机制的外延也在发生变化。例如，数字激励是近几年学术界关注的重要问题之一，通过实时采集被激励对象的行为数据和特征数据，并自动进行后续的数据分析、数据匹配、激励兑现和数据反馈等活动，充分释放数据所蕴含的激励能动性，实现精确加强或削弱被激励对象特定行为（孙新波 等，2022）；更多如数字通证等新的激励机制正在显现。

与此同时，科技治理呈现出多元主体协同参与的复杂形态，各类治理主体深度嵌入由政治制度、经济规则与文化规范构成的复合型制度环境之中。规则体系以一种复杂的方式分配权利和资源，也以一种复杂的方式约束主体行为、影响主体环境。因此，科技治理的实践过程难以被简化为若干原则或单一逻辑，而数字技术的应用则进一步加剧了其复杂性。区块链、人工智能等新兴数字技术所催生的复杂业态持续增多，这使得科技治理的不可预测性与不可解释性被进一步放大。例如，基于神经网络的大模型具有巨大的不可控性，作为一个黑盒模型，无法预测其输出内容，尤其是在输入大量错误信息后，模型很容易产生不可控的输出（朱松纯，2024）。在这种情况下，控制论、复杂系统等诸多理论需要与治理理论深度结合，有关理论探讨和实践成为必然。

二、数字技术驱动情境下科技治理能力提升主要面临两大挑战

综合前文所述，科技治理能力可以概括为利用治理理念和方法对科技领域公共事务进行管理的能力，主要体现在：体系运转能力，包括跨部门协同、创新资源配置能力等；迭代优化能力，包括动态适应技术发展、响应社会诉求能力等。数字技术驱动科技治理能力提升的核心在于如何解决主权与无界性、创新与控制等根本矛盾。

（一）主权与无界性：科技治理主体、客体难以实现分布式控制和自动化协调

数字空间天然打破物理疆域限制，整个社会治理模式由集中式向分布式转型，这对科技治理能力提出重大挑战。如何通过建立以信息为中心的系统和工具，逐步实现分布式、扁平式治理，使得科技领域相关各层级政府部门、高校和科研院所、企业、社会公众等能够在各自的节点上实现分布式信息挖掘与反馈，就十分关键。调研发现，当前科技治理主体、客体仍难以实现分布式的控制和自动协调，原因主要在于：一是科技治理领域的高交互环境场景还没有完全形成，部分系统间互操作性不足。互操作性主要表现在API接口、功能集成、数据调用、服务调用等方面，核心是格式、术语、表达、描述的规范性，重要基础在于数据的标准化。一些部门的数据通常来自本单位的管理信息系统、国内公开的文献计量和专利数据库、基于公开网络数据来源由本单位整编形成的数据，以及国外开放的数据库或文献库。其中大部分数据还不具备大数据基本特征，标准化程度不高，存在数据缺失、有误等诸多情况。二是完备的底层数据库和数据平台较为缺乏，中文科技词表、词库，以及关键科技词条定义等基础性工作推进缓慢。一般而言，只有当现有数据涵盖有关现象的所有相关部分时，基于数据的分析才能提供有效观点。其中重要的基础是，对于所要观察的有关现象的定义或认识较为明确。因科技领域如科技人才等部分词条的定义、范围等尚未取得完全共识，加之统筹机制还不完善，中文科技词表、词库等工作无法有序推进，数据的采集、加工等工作的效果大打折扣。三是上下联动推动数据共建共享的基础还不够牢靠，人才、项目、专利、论文等的对应关系还没有形成统一标准；把利益诉求不同的各方力量纳入治理过程的有效机制仍然不够完善等。

（二）创新与控制：科技治理的激励和信任等机制建设及其相适应的工具开发滞后于数字化创新生态的复杂性升级

科技治理体系的运行和迭代往往依赖共识构建、证据积累和制度惯性，适应数字技术创新步伐的体制机制尚未建成。调研发现，一些部门建立的信息系统多是静态数据库，缺乏实时数据抓取、动态关联分析等能力，开展程序化激励与建立依靠算法的信任关系的能力更有所不足。其中重要的原因之一是，中心化治理与去中心化/多中心化技术存在冲突。例如，大多数治理过程所采用的区块链技术仍用联盟链架构体系，节点控制掌握在行政机构手中，与分布式自治组织（DAO）等理念矛盾对立。如何对科技治理活动进行预定义和预编程，对信息反馈循环中的算法进行设置和评估，通过“量化—反馈—评估”的闭环驱动，激发科技治理主体和客体参与科技治理的能动性，使得科技治理中的激励活动或环节逐渐向程序化激励、自动化激励过渡，同时，逐渐建构基于算法的信任体系，敏捷应对科技治理中可能存在的决策有效性、安全性、公平性、适当性、合法性等风险，值得深入探讨。

三、政策考虑

数字技术正推动科技治理从事后监管走向全程智治。数字技术驱动科技治理能力提升是一项系统工程，需以制度创新破解技术应用的体制机制障碍，以技术迭代拓展治理效能边界，最终实现科技治理体系与新质生产力发展的动态适配，为科技强国建设提供可持续的治理动能。

一是以多样性手段应对科技治理的复杂性。对于科技治理这一复杂活动而言，一方面，可以采取多种行动来应对环境中的各种干扰和不确定性。例如：加强组织建设，在国家层面设立统筹全国跨部门科技领域数据的专职化组织机构，或在已有机构中增加或夯实相应职能；强化对关键数字技术或基础设施的研发和应用部署；鼓励有关地区利用产业大脑和科技大脑实时收集、分析和处理产业数据、科技数据、经济数据等。另一方面，通过建模等方法，降低科技治理对象的复杂性。例如，利用好国务院组织建立的全国一体化政务大数据体系，以元数据和信息标准化为抓手，强化科技领域有关政府部门内部与政府部门之间数据共享；分步骤建立科技领域国家数据资源库或数据仓，开展系统刻画、常态模拟、优化验证和智能决策；收集中央、地方和各界关于数据库、算法、系统等条件资源建设需求，梳理关键词条，开展对相关词条的定义工作。

二是构建新型数字生态。在“可控创新”框架下，通过制度弹性化改造和技术适应性演进，构建符合国家战略需求的数字创新生态。例如，对科技治理所涉及的复杂交互过程，以及控制、协调、激励和信任机制进行详细设计；建立分布式技术应用的制度创新试验区，探索通证激励合规路径；培养“数字技术+科技治理”复合型人才。

三是支持基础科学研究并设置议题。持续支持如自组织、涌现、信息场论等相关领域基础科学研究，并主动设置相关议题，逐步归纳关于科技治理的统一理论框架。这些议题可以包括：数字技术驱动情境下，组织获得治理收益并降低成本的路径；增强和完全自动化治理模式优于基础治理模式的条件和场景；组织利用数字技术等进行控制、激励的责任边界和决策参数设计等。