数字公共基础设施（DPI）已为数十个国家的服务提供支撑，人工智能则可使这些服务更加便捷、响应更加迅速。
反过来同样重要：互操作性和信任等数字公共基础设施原则，正是人工智能能够安全、包容地大规模运行所依托的基础。
然而，数字公共基础设施与人工智能的融合不会自动实现，各国政府必须将其视为核心的国家能力议程加以推进。
一位母亲带着发高烧并出疹的孩子来到农村卫生中心。护士需要查阅孩子的病史，确认其是否符合政府无现金计划的资格，并迅速作出治疗决定。然而，这种情况仍时常意味着漫长的排队、纸质档案，更糟糕的是还会受到不公正对待。
在具备适当的数字基础后，情况则可大不相同。身份可在数秒内完成核验，记录可在获得同意后调取，付款可即时完成。一个简单的多语种人工智能“智能体”还能引导护士完成关键步骤。
这便是数字公共基础设施（DPI）与人工智能（AI）交汇处所蕴含的切实前景。
数字公共基础设施如何大规模提供服务
过去十年间，许多国家投资建设数字公共基础设施：即共享的数字基础模块，使公共和私营服务提供者能够在全民规模上安全地提供服务。
在实践中，数字公共基础设施通常包括数字身份、即时支付、可信登记系统以及基于同意的数据交换机制，使信息能够在各机构和服务提供者之间安全流转。相关案例涵盖印度的Aadhaar、统一支付接口（UPI）和DigiLocker，以及爱沙尼亚的X-Road和巴西的Pix。这些系统设计各异，受所处环境影响，但都以互操作性、信任和包容性为共同特征。
第二项变化正在显现。人工智能正从试验走向日常应用，帮助我们更快地检索信息、归纳案件、识别模式并辅助决策。各国政府正在探索如何利用人工智能改善医疗、教育、技能培训及一系列以公民为中心的服务的提供方式。
全球数字公共基础设施峰会（2025年11月在开普敦举办）以及近期闭幕的人工智能影响力峰会（2026年2月在新德里举办）重新聚焦于这两种技术范式的前景与潜力。
然而，最具决定性的机遇并不在于孤立地部署数字公共基础设施或人工智能，而在于二者的融合。
一方面是面向数字公共基础设施的人工智能：利用人工智能使依托数字公共基础设施提供的服务更加便捷、响应更迅速，运营也更为容易。另一方面是面向人工智能的数字公共基础设施：运用数字公共基础设施原则，打造使人工智能更安全、更贴近本地需求、更具包容性的基础。两者相互强化。
然而，人工智能与数字公共基础设施的融合（AI×DPI）至今尚未在规模上“起飞”，原因在于只有当人工智能能够通过可信的渠道运行时，融合才能奏效。在许多国家，连接性基础仍然薄弱：数据和工作流程在各机构之间依然分散，使人工智能无法可靠地调用这些数据。此外，人工智能往往以试点项目的形式获得资金，而非被视为共享基础设施：若缺乏可复用组件、通用运营模式以及对风险和成果的明确责任归属，即便是前景可观的示范项目也难以规模化推广。
面向数字公共基础设施的人工智能：将数字渠道转化为以公民为中心的服务
如今，人工智能能力发展迅速，但人工智能的实际影响却进展缓慢得多。我们几乎每月都在庆祝更智能的模型发布，但这对农民、患病儿童或农村地区寻求指导的学生又有何实际帮助呢？
面向数字公共基础设施的人工智能，旨在将人工智能扩展至全民规模，在现有渠道之上改善成效与体验。其体现方式主要有两种实际途径。
首先，存在一些跨领域的人工智能能力，可以改善依赖数字公共基础设施的公共服务，即基于身份、支付或数据交换的服务。
例如，印度的Bhashini倡议提供由人工智能支持的多语种和语音服务，并与国家核心渠道（Aadhaar、UPI和DigiLocker）实现对接，表明语言类人工智能如何能够扩大核心数字公共基础设施的覆盖范围和可用性。
与此类似，“非洲下一代语音”项目在尼日利亚、肯尼亚和南非采集了18种语言的9,000小时语音数据，形成了可供人工智能使用的数据集。将数字公共基础设施原则应用于语言数据（包括通用标准、可互操作格式、清晰的元数据以及受管理的共享机制），有助于将不同机构和国家的各类语音数据集整合为可复用的“可交换”数据资产。
也有证据表明，人工智能可以辅助而非取代教师。巴西对一款旨在提供即时反馈的人工智能作文评分工具开展了随机评估，结果显示，学生通过量身定制的反馈有所进步，同时教师得以将更多时间用于一对一教学。数字公共基础设施可通过可互操作的学习者档案、通用学习标准、基于同意的数据交换，以及将进展信息回写至可信登记系统的能力，助力此类工具在公共体系中规模化应用，从而使支持更具针对性且可追踪。
面向人工智能的数字公共基础设施：为主权人工智能奠定基础
面向人工智能的数字公共基础设施更为困难、也不易察觉，但同样重要。它为人工智能在公共领域的应用提供所需的支撑基础，其中三大基础尤为关键。
1. 可信的数据基础
数字公共基础设施的做法（例如基于开放应用程序接口的数据交换）可以减少为公共目的获取特定情境本地数据集时的阻力，从而生成高质量、“可用于人工智能”的数据，反映本地的语言、文化和人口状况。这在许多中低收入国家尤为重要，因为当地数据往往较为有限。
此外，哈佛大学的研究表明，许多广泛使用的人工智能模型存在文化偏向，反映的是全球少数人群的价值观。以来自65个国家的调查数据进行基准测试后发现，主流人工智能模型的价值观和推理模式与西方民主国家趋于一致，而这与数字公共基础设施系统主要服务的多元化人口并不相符。
在缺乏坚实本地数据基础的情况下，部署此类模型可能将不匹配的假设引入公共服务、教育和治理领域，进而可能导致福利、信贷或护理方面的决策出现偏差。印度的AIKosh等举措正采用数字公共基础设施的方式，获取本地情境数据集，用于训练支持本地应用场景的人工智能模型。
2. 通往算力的共享路径
数字公共基础设施方法的核心要素是联邦化、互操作性和可共享性。同样的理念也可适用于人工智能算力：共享算力平台、沙盒环境和模型库，可使创新者和公共机构在不集中控制的前提下，获得价格可承受、可扩展的算力。印度的开放云计算（OCC）以及IndiaAI使命框架下为初创企业和研究机构提供图形处理器的举措，均是与数字公共基础设施理念相一致的算力基础设施实践案例。
3. 融入人工智能服务运行方式的治理机制
数字公共基础设施之所以值得信赖，是因为隐私和安全设计、互操作性以及清晰的问责等原则已内置于系统之中。同样的原则对人工智能的应用同样关键。在数据的获取方式以及模型的训练和部署方式中，都需要嵌入同意、透明度、可审计性和问责机制。这将使人工智能系统在国家层面上做到安全、包容且值得信赖，同时为各国政府提供指导和监督人工智能发展的工具。
总之，这三项基础将数字公共基础设施定位为以公众为中心的人工智能的支柱，使人工智能系统具有代表性、韧性，并与公共价值观保持一致。
面向政府领导者的务实议程
对公共部门领导者而言，数字公共基础设施与人工智能的融合构成一个转折点，意味着各国在提供服务和创造公共价值方面将发生根本性转变。以下是公共部门领导者应重点关注的事项。
这一次必须不同的是统筹协调。此前的几轮浪潮产生了孤立的应用程序和一次性的人工智能试点，难以规模化推广。只有将数字公共基础设施与人工智能的融合（DPI×AI）视为跨部委协同推进的国家能力议程，并明确优先成果、运营与风险的责任归属，同时构建可在各项服务中复用的共享基础模块，这一融合才能真正取得成效。
从数字公共基础设施已经建立信任的领域入手，并运用人工智能消除日常摩擦。选择若干已经使用数字公共基础设施模块的高频用户流程，例如身份认证、支付、可信证件、登记系统或经许可的数据共享。以切实可行的方式应用人工智能，使这些渠道对公民和一线工作人员而言更易于使用。
例如，在初级医疗保健中，经核验的身份和经同意的病历访问可以减少重复询问；人工智能则可借助这些数字公共基础设施，快速查找相关信息，并更迅速、更准确地完成各项流程。
在数字公共基础设施之上构建一套精简的共享人工智能能力，并在各项服务中加以复用。投资于能够同时增强多项数字公共基础设施服务的若干能力，例如多语种和语音界面、可减少不完整提交的文件及表格辅助功能，以及可保护支付和福利发放的异常检测。
为主权人工智能奠定基础。投资建设共享、可扩展的公共人工智能支柱，通过共享数据交换和联邦化算力，减少对进口模型的依赖，并降低本地初创企业、研究人员和中小企业进行创新的门槛。
各国政府面前的机遇十分明确：将数字公共基础设施与人工智能的融合（DPI×AI）作为核心国家能力议程加以推进。那些果断行动的国家，不仅将塑造契合本国国情的智能系统，还将提供更优质的以公民为中心的服务。
最终，当那位母亲再次回到诊所时，护士应能减少在技术系统中摸索的时间，而将更多时间用于提供护理。因为身份和记录可在获得同意的前提下完成核验，救助可迅速提供，而人工智能辅助则以清晰且可问责的方式嵌入服务之中。
作者谨此感谢波士顿咨询公司（BCG）项目负责人Aditya Sharma对本文作出的重要贡献。
