从交通解决方案到视频流媒体应用，人工智能（AI）几乎渗透到我们生活的方方面面。政府领域也不例外，人工智能正日益产生影响。以下两个例子可供参考：
Emma聊天机器人：美国公民及移民服务局每天收到大量服务请求。为此，该局部署了一款名为Emma的聊天机器人，用于解答移民相关问题。Emma能够同时使用英语和西班牙语，每月处理超过一百万次移民咨询。
Firebird框架：Firebird由乔治亚理工学院与亚特兰大消防救援局共同开发，帮助亚特兰大市根据建筑物的火灾风险确定检查优先顺序。
与私营部门相比，人工智能在政府中的普及速度较慢。鉴于人工智能可能对公共机构产生的重大影响，有必要了解阻碍政府全面采用人工智能的障碍。
通过广泛的利益相关方磋商，我们已确定政府采用人工智能的五大关键障碍：
1. 有效利用数据
我们生活在数字化世界中，每天都会留下大量数字数据痕迹，从步数记录到网络浏览模式，无所不包。IBM曾在2017年估计，全球90%的数据是在过去两年内生成的。问题在于，无论是公共机构还是私营机构，其组织架构在设计之初并未考虑处理和利用如此庞大、多样的数据。大多数机构对自身数据资产的了解非常初级（即其所持有的数据以及存储这些数据的基础设施），甚至连一些基本问题也难以回答，例如机构内部存在多少个数据库、哪个数据库包含何种信息，或数据最初是如何收集的。鉴于数据是驱动现代人工智能解决方案的燃料，这是一个严重的问题。
另一个并行的障碍是，大多数机构并未建立数据治理流程，例如确立数据所有者、设立企业级数据负责人（如首席数据官）；缺乏让员工安全高效地获取和利用企业数据的工具，也缺乏管理和确保数据隐私与完整性的做法。无法理解和管理自身数据能力的机构，就无法利用人工智能。
2. 数据与人工智能技能
人工智能与数据管理技能供不应求。数据管理的学习曲线相对可以克服，但掌握开发人工智能解决方案所需的技能则困难得多。各机构纷纷溢价吸引高水平人工智能人才，推高薪酬，使得招聘预算较少的机构（如政府部门）难以吸引顶尖人才。公共机构缺乏核心人工智能技能，这妨碍了其部署和运营人工智能解决方案的能力。
此外，部门主管、政策制定者和采购官员等非技术岗位的政府人员，对数据和人工智能的理解往往不够充分。这既包括技术知识，更重要的是包括使用海量数据所涉及的法律和伦理问题的知识，其中隐私是主要关切。这使得他们难以放心地投资该技术，也难以知晓对人工智能项目有直接影响的现行法律，例如数据和隐私立法。
如果在未充分理解适用的地方法律的情况下开展人工智能项目，将威胁选民的权利（如隐私权），并削弱政府长期获得公众充分支持、部署人工智能的能力。这对人工智能采购的影响可能与缺乏技术性人工智能技能一样大。
已拥有内部人工智能知识的政府机构还面临一项额外的复杂性：沟通不畅。各职能部门之间的壁垒使人工智能专业人员与政策制定者等同事难以频繁接触，也难以充分利用彼此的知识。
3. 人工智能环境
人工智能领域十分复杂，且持续演变。在较为成熟的技术行业中，往往只有少数知名企业，买方知道该向谁求购。例如，云计算领域由阿里巴巴、亚马逊、谷歌和微软主导，这四家企业合计占全球公有云市场约84%的份额。相比之下，人工智能市场同样有大型科技巨头的显著参与，但其格局更为分散，不断有大量小型企业涌现。以加拿大的人工智能环境为例：德勤加拿大于2019年开展的一项研究识别出800多家人工智能公司。其中，大多数员工不足50人，超过50%的企业成立于过去五年内。人工智能市场中参与者的数量之多和变化速度之快，可能足以阻碍初次进入该市场的买方。许多买方甚至可能从一开始就不了解完整的市场格局。
该体系中参与者的多样性源于遍布多个地区的众多人工智能初创企业。这对政府构成了第二项挑战：规模较小、成立较晚的机构中蕴藏着大量人工智能专业知识，但这些机构与政府合作经验有限，且难以扩展至大型项目。政府需要设法吸纳这些新兴参与者，既要利用其可观的专业能力，也要推动形成能为当地经济做出重要贡献的人工智能产业集群。
4. 传统文化
所有机构在采用新技术时都面临挑战。然而，公共机构往往不如私营部门同类机构灵活，部分原因在于其既定的惯例和流程。在私营部门的某些领域，鼓励实验的强大文化激励员工创新，并对优秀绩效给予奖励。而在政府部门，鼓励员工冒险的力度往往较弱。
正如《Apolitical》一篇文章所述Apolitical指出：“政府对冒险行为的激励措施基本不存在。即便你成功推动了服务提供的重大改进，也不会获得薪酬增加或更快晋升。”
尽管许多政府工作人员从工作中获得的满足感，很大程度上来自于能够对社会产生积极影响，而非经济报酬，但如果组织文化本身缺乏灵活性，要采用人工智能这类变革性技术仍然十分困难。
5. 采购机制
人工智能带来了现行采购机制未能应对的挑战，例如，私营部门将算法视为知识产权。购买现成算法的政府可能希望在工具的整个生命周期内，能够按需理解和修改这些算法——定制化在软件采购中十分常见——然而人工智能供应商很可能对此表示反对。
另一个相关问题是，在算法被视为知识产权的情况下，政府难以避免供应商锁定，因为原供应商很可能不会同意其他人工智能开发者访问其算法。对于大多数技术而言，这影响的是维护工作，但对人工智能而言，它还会影响政府利用新数据持续更新算法以保持其相关性的能力，从而显著影响其使用寿命。
世界经济论坛在应对第四次工业革命方面做了哪些工作？
前沿技术与创新中心汇聚科学家、政策制定者和商界领袖，共同理解新兴技术及其现实影响。
通过促进合作与实验，该中心帮助合作伙伴将研究中的创新转化为实际应用，以应对全球共同面临的挑战。
此外，公共采购机制以速度慢、程序繁琐而著称。常见的障碍包括条款繁多、从投标响应提交到最终决定之间的等待时间过长，以及要求提供特定解决方案而非聚焦于所面临挑战或机遇的提案。这些因素使供应商，尤其是小型企业，难以参与响应。例如，漫长的等待时间使小型企业很难就未来的人员配置需求作出承诺，因为它们通常需要在项目一有机会时就投入资源，以维持正向的现金流。
政府在广泛采用人工智能方面面临重大挑战。与普遍认为技术是主要障碍的看法相反，技术挑战只是当前任务的一部分，也是最容易解决的部分。机构内部根深蒂固的文化和流程同样需要调整，人工智能才能得到充分利用。
