一、注意事项

1. 本题本由给定资料与作答要求两部分构成。考试时限180分钟，其中阅读给定资料参考时限50分钟，作答参考时限130分钟。
2. 请在规定区域使用现代汉语作答，超出答题区域或者未按题目规定身份、对象、文种和字数作答的，酌情扣分。
3. 作答应以给定资料为主要依据。资料中的教学模拟数据不得当作现实统计或官方结论引用。
4. 所有题目均需独立完成。监考人员宣布考试结束后，应立即停止作答。

二、给定资料

资料1

星期一早上八点，H省政务服务中心的大厅刚开门，咨询台前已经排起了队。过去，群众办理企业开办、异地医保备案、困难救助等事项，需要先找到对应窗口，再按照工作人员列出的清单准备材料。如今，大厅上线了“政务智能助手”：群众可以用日常语言描述诉求，系统自动识别事项、生成材料清单，还能提示哪些证照可调用电子证照库、哪些情形必须本人核验。屏幕上，一位老人在女儿帮助下询问异地就医手续。助手没有直接替他作出资格判断，而是列出政策依据、需要核实的信息和人工窗口位置，并把字号切换成大字模式。

省大数据管理部门负责人介绍，智能助手试运行前经历了三轮变化。第一版追求“什么都能回答”，把各部门公开网页抓取后直接交给模型生成回复。测试人员提出同一个问题，答案有时前后不一；一些已经调整的办理时限仍被引用；涉及低保认定、行政许可等事项时，系统还会把一般规则说成确定结论。第二版建立政策知识库，要求每条回答标注文件名称、效力状态和更新时间，但不同部门的政策口径没有完全打通，群众仍可能收到互相矛盾的提示。第三版不再只改模型，而是重构业务流程：明确数据来源责任人，设置政策更新触发机制，对高风险事项实行“机器检索、规则校验、人工复核”，并保存每次回答引用的依据和版本。

窗口工作人员小冯最初担心系统会替代自己的岗位。实际运行后，她发现重复解释材料清单的时间少了，却多了一项工作：处理系统标记的模糊情形。一次，一名灵活就业人员询问创业补贴，系统根据年龄和登记状态初步判断可能符合条件，但没有掌握其此前是否享受同类扶持。小冯调取授权信息、联系主管部门，最终给出准确答复。她说：“机器擅长从大量规则中迅速找线索，人要对具体处境、政策边界和最终责任负责。以前靠记忆，现在更要懂政策、会核验、能解释。”

试点也暴露出新的不平衡。会使用智能手机的年轻人更愿意在线办理，一些老人、视障人士和少数民族群众却觉得操作门槛提高。省里因此保留线下窗口和电话渠道，增加方言语音转写、读屏适配与社区代办，但明确代办人员只能在授权范围内操作。系统只采集完成事项所必需的数据，敏感信息分级授权；用于改进模型的数据先做去标识处理，日志超过保存期限按规定处置。技术团队还设计“拒答清单”：涉及个人权益的最终认定、法律责任归属和未经授权的跨部门数据查询，系统不得自行下结论。

有人建议用“自动回复率”作为各地考核指标，认为比例越高越能体现数字化水平。省政务办没有采纳，而是把答案依据可追溯率、一次告知准确率、人工复核及时率、无障碍渠道可用性和群众实际办成率纳入评价。有的事项虽然由人工完成，却避免了群众反复跑；有的回答看似迅速，最后仍需重新提交材料。负责人说：“智能化不是把人挡在屏幕外，也不是让机器替人承担责任。判断它有没有价值，要看公共服务是否更公平、更可靠、更有温度。”

项目采购方式也作了调整。早期招标只比较模型规模、响应速度和报价，供应商中标后，基层部门才发现知识库更新、接口改造和安全评估都需要另行付费，数据迁移还受到封闭格式限制。新方案把场景测试、持续维护、数据可携带、版本回退和退出交接写入合同，并设置分阶段验收：先用匿名历史案例检验规则理解，再在限定窗口开展真人测试，最后观察办成结果。供应商不能仅以“模型黑箱”为由拒绝提供必要说明；政府也不得索取与履约无关的商业秘密。采购由一次买产品转向全生命周期买服务、买责任。

省里还建立跨部门纠错台账。群众反馈并不直接拿去训练模型，而是先由业务人员判断属于政策变化、数据错误、表达歧义还是系统能力边界。能通过规则修正的，不必依赖模型“再学习”；涉及政策冲突的，由主管部门明确口径；属于个案裁量的，转人工办理。每月公开常见错误类型和整改进度，但不披露个人信息。这个机制使技术问题与业务问题不再相互推诿，也让一次错误成为改进公共服务流程的入口。

资料2

随着生成式人工智能进入科研、制造、医疗和公共服务领域，模型能力正从“生成内容”走向“辅助决策”。在研发机构R院，一套科研智能平台可以阅读海量论文、梳理技术路线并提出实验组合。材料实验室的周研究员曾根据平台建议，选择三组温度和压力参数开展验证，其中两组失败，一组显示出进一步研究价值。有人把这称为“机器发现”，周研究员却坚持在论文记录中写明模型参与环节、训练数据范围和人工验证过程。他认为，系统提高了提出假设的速度，但实验设计、证据评价和学术责任仍属于研究人员。

R院伦理委员会收到过一份项目申请：团队准备把未公开的合作医院病历直接输入外部模型，以寻找罕见病线索。申请人强调数据只用于科研，不会公布姓名。委员会指出，删除姓名并不等于无法识别，病史、年龄、地区和治疗时间组合后仍可能指向个人；数据授权目的、模型部署位置、跨境风险和输出用途都必须审查。项目随后改为在院内部署专用模型，采用最小必要字段，设置访问审批和结果复核。调整增加了成本，却使研究能够在可控边界内继续。

一家精密制造企业则把视觉模型用于检测微小缺陷。过去，熟练质检员要在强光下长时间观察零件，容易疲劳；系统上线后先筛出疑似缺陷，再由人员确认，漏检率逐步下降。企业没有简单裁撤质检岗位，而是让老技师参与标注缺陷类型、解释工艺原因，并负责处理模型没有见过的新情况。设备供应商每次更新算法，都要用不同批次、不同光照、不同材质的样本重新测试。生产负责人说，模型在常见样本上准确，不等于在所有场景可靠；如果只公布平均准确率，少数高风险缺陷可能被漂亮数字掩盖。

技术应用也改变了创新组织方式。过去，算法团队、业务部门和合规人员往往在项目末期才碰面：算法做完后找场景，业务上线前补制度，风险出现后再整改。R院和这家企业都把三方协同前移。立项时先判断问题是否适合用人工智能解决，区分“建议工具”和“决定工具”；设计时同步确定数据来源、测试边界、人工接管和退出机制；运行后持续监测异常，并允许一线人员提交反例。不是所有环节都必须上模型，规则明确、样本稀少或错误代价极高的任务，有时使用传统方法更稳妥。

一位科技政策研究者把负责任创新概括为四个问题：技术能做什么，社会需要什么，风险由谁承担，出现偏差如何纠正。他认为，风险治理不是给创新踩刹车，而是修好道路、划清车道、装上护栏。没有应用，规则很难发现真实问题；没有规则，应用可能把成本转嫁给缺乏议价能力的人。真正有效的治理应随技术和场景迭代：对低风险工具提供试验空间，对涉及生命健康、公共安全和重大权益的应用提高证据门槛，对已经证明不可接受的用途及时叫停。

R院为此建立“模型卡”和“场景卡”。模型卡记录训练数据的大类来源、已知局限、测试指标和更新历史；场景卡则描述谁在什么条件下使用、错误会影响谁、人工如何接管。两张卡不能互相替代：同一模型用于整理会议纪要，风险较低；用于筛选科研资助项目，就可能把历史偏好固化为资源分配标准。委员会不追求给技术贴一个永久的高风险或低风险标签，而是根据用途、对象、影响和可逆性判断。项目改变用途时必须重新审查，不能用一次批准覆盖所有未来应用。

员工参与是另一项变化。制造企业上线系统前，曾有工人担心经验被采集后自己失去岗位，于是消极配合标注。企业后来明确技能数据的用途和权限，设立转岗培训，让质检员成为工艺分析和模型评测人员，并将一线提出的有效反例计入改进奖励。技术团队也发现，老师傅说不清的“手感”背后往往包含温度、纹理和声音等复合信息，不能被单一摄像头完全替代。尊重劳动者不是承诺岗位永远不变，而是让受影响者有知情、参与和能力转换的机会。

资料3

Q市教育局准备在部分中小学试用“学习伙伴”系统。它可以根据作业情况推荐练习、为教师汇总常见错误，也能把复杂知识转换为不同难度的解释。消息公布后，家长群里出现三种声音：有人期待系统帮助孩子补弱项；有人担心孩子把答案交给机器；还有人质疑家庭设备和网络条件不同，会不会让差距更大。教育局没有急于全市铺开，而是选择城乡各两所学校进行小规模测试，并公开征集意见。

试点学校发现，系统最容易量化的是答题正确率，最难识别的却是学习过程。有名学生连续做对十道题，教师查看记录后发现，他只是照抄系统给出的步骤；另一名学生答案不完整，却提出了有价值的问题。如果系统仅依据结果推送，前者会被判定为“掌握”，后者可能被贴上“能力不足”的标签。学校随后要求系统减少直接答案，增加启发式提示，并把教师观察、学生自评和阶段作品纳入评价。人工智能提供线索，不能成为给学生定性的唯一依据。

乡镇学校教师李老师提出，数字普惠不能只算“账号开通率”。当地一些学生周末与祖辈生活，家中只有一部手机，网络也不稳定。若把所有个性化练习放在线上，形式上的全覆盖反而可能制造新的不便。试点于是允许下载离线学习包，学校开放设备，教师把系统建议转化为纸质任务；对少数民族学生，团队邀请本地教师检查语言表达，避免机器把地方词汇当成错误。系统没有取代统一课程标准，而是在基本教学质量之上提供补充。

围绕数据，项目组列出三条边界：不采集与学习无关的家庭信息，不用面部表情推断所谓专注程度，不把学生数据用于商业广告。家长可查看采集项目、纠正错误信息并申请删除非必要记录。算法供应商不得以“商业秘密”为由拒绝说明影响推荐结果的主要因素。教育局还要求建立申诉渠道：如果学生认为推荐内容、能力标签或风险提示不准确，可以由教师复核并修正。

半年评估时，四所学校的结果并不整齐。有的班级错题复发减少，有的变化不明显；教师备课时间有所下降，但审核机器生成材料又增加了新负担。教育局没有用一个平均值宣布试点成功，而是区分学科、年级、城乡条件和教师使用方式，公开哪些结论仍不确定。评估组建议，下一阶段不追求快速扩大账号数量，而应优先完善教师培训、弱势学生支持、内容审查和数据治理。系统可以进入课堂，但必须服从育人规律。

为形成可复制的操作规范，教育局拟编制一份试点工作指南。讨论稿提出：第一，使用前开展需求评估，不为展示技术而上项目；第二，建立学校、教师、家长、学生和供应商共同参与的治理机制；第三，对教学内容、数据处理和推荐结果分级管理；第四，保留教师最终决定权和线下替代方案；第五，持续评估学习效果、公平影响与师生负担；第六，发现重大风险时可暂停功能、回滚版本。有人认为这些程序太多，会拖慢创新。李老师回应：“教育面对的是成长中的人。慢一点核验，不等于拒绝技术；把每一步走稳，才能走得更远。”

对于供应商宣称的“精准个性化”，评估组设计了对照测试。同一知识点换一种表述、同一学生使用不同终端，推荐结果是否稳定；学生短期答错，系统是否过早降低难度；教师纠正标签后，后续推荐能否真正改变。测试发现，个性化并非知道学生越多越好，关键是使用与学习目标有关、质量可靠的信息。项目组据此删除了若干无法证明必要性的采集项，并要求推荐理由以教师和学生能够理解的方式呈现。可解释不是公开全部代码，而是使受影响者知道主要依据、适用边界和纠正路径。

市财政部门提出，试点经费不能只购买账号。预算要同时覆盖教师培训、设备共享、无障碍改造、安全检测、内容审核和退出迁移。若学校因经费结束无法导出学习记录，或者供应商停止服务后课程无法继续，所谓普惠就不可持续。教育局因此要求使用开放数据格式，对核心教学资源保留离线备份，并按学校承载能力安排扩围节奏。先补齐最弱环节，再增加功能数量，成为下一阶段的重要原则。

资料4

为把人工智能用于公共服务，M市卫生健康委与多家医院试行“基层辅助诊疗平台”。社区医生录入症状、既往史和检查结果后，系统给出可能方向、需要排除的高风险情形及转诊提示。试点三个月后，基层常见病信息查询更便捷，一些危险信号被及时提醒。但调研组也发现，个别医生过度依赖推荐，没有完整询问病史；部分界面把概率最高的结果放在醒目位置，容易造成“第一答案偏见”；系统对老年多病共存和地方高发病的识别能力不足。

在一次专题调研中，基层医生反映，平台把数百页指南变成可检索知识，确实减轻了记忆负担，但更新频率和适用范围必须清楚。医院管理人员提出，系统日志能够追溯输入、输出和人工修改，却不能因此把全部责任推给医生；供应商、医疗机构和使用者应分别承担模型质量、部署管理和专业判断责任。患者代表则关心：自己的健康数据是否会被用于训练其他产品，是否能拒绝非必要的智能分析，发生错误后到哪里申诉。

调研组走访的A社区卫生服务中心设置了“双确认”流程。涉及用药禁忌、急症转诊和重点人群的提示，医生必须确认原始依据；如果不采纳系统建议，需要简要记录原因。中心每周抽查人机意见不一致的病例，把它们作为培训材料，而不是简单判定谁对谁错。遇到模型从未覆盖的病种或数据缺失，界面会明确提示“不确定”，不得用流畅语言掩盖证据不足。

另一家中心为了追求使用率，把是否采纳系统建议纳入医生绩效，结果出现了机械点击确认的现象。一位医生说，系统建议有时只是重复常识，点击却成为必须完成的动作；真正复杂的病例反而需要更多讨论。调研组认为，考核若只看调用次数、采纳率和响应速度，会诱导一线人员服从机器，而不是提升服务质量。更合理的指标应包括危险信号识别、转诊适当性、患者知情、异常纠正、数据安全和不同人群可及性。

调研还发现，市级医院拥有较强的信息团队，基层机构却缺乏模型维护和安全人员；统一采购有利于降低成本，但单一系统未必适应不同地区。偏远山区网络不稳，远程服务中断时必须有离线预案；少数民族地区需要验证语言和疾病谱差异；对设备条件薄弱的机构，应提供共享技术支持，而不能只发账号、压任务。平台建设资金若只覆盖采购、不覆盖维护培训，也很容易形成“上线即闲置”。

卫生健康委计划向市政府汇报试点情况，并提出下一步安排。初步意见包括：建立高风险场景目录，明确禁用和慎用范围；完善数据授权、脱敏、存储和删除制度；建立模型更新备案、第三方测试与安全事件报告机制；保留医生判断和患者选择权；建设区域共享评估平台，为基层提供培训和技术支持；选择条件不同的机构继续验证，不以一次试点代替长期证据。调研组强调，智能医疗的目标不是展示模型有多聪明，而是让专业人员获得可靠工具，让患者得到安全、公平、可解释的服务。

关于责任，法务人员用三个环节作解释。若供应商隐瞒已知缺陷或更新模型后未通知，首先是产品与服务管理问题；若医疗机构没有培训、擅自扩大用途或长期不维护，是部署责任；若使用者无视明显冲突的临床证据，则涉及专业责任。患者不应在多方之间自行寻找责任人，医院应设置统一受理窗口，先救济、再调查、后追责。对未造成损害但可能引发严重后果的“险情”，也应记录和共享，防止其他机构重复踩坑。

调研组还讨论了创新激励。基层机构不能因为一次异常就被简单否定，否则容易选择隐瞒问题；供应商也不能用快速迭代作为降低验证标准的理由。市里拟建立受控测试环境，对新功能限定人群、限定时间、限定权限，达到预设条件再扩大；发现风险可暂停而不影响基本医疗。评估结果既记录成效，也记录失败条件。允许在边界内试错、要求对过程负责，比追求“零问题上线”或“先上线再说”更有利于形成真实能力。

资料5

人工智能正在重新安排知识、劳动和公共资源的连接方式。它可以穿过信息壁垒，把一名基层医生与最新指南连接起来，把偏远学校与优质课程连接起来，把小企业与复杂供应链连接起来，也可以在极短时间内生成真假难辨的内容、放大已有偏见，使不会使用技术的人更加沉默。面对同一种技术，人们看到的可能是效率、机会，也可能是失控、替代和不平等。问题不在于简单选择拥抱或拒绝，而在于我们用什么目标塑造技术、以什么制度约束权力、靠什么能力让更多人参与。

发展是解决问题的基础。没有持续创新，许多疾病诊断、灾害预警、绿色转型和生产效率难题就缺少新的工具；没有产业生态和人才积累，也谈不上自主可控与国际合作。但发展不能仅以模型参数、用户数量和调用次数定义。技术从实验室走向社会，要经过场景适配、证据验证、伦理审查和责任安排。一个系统在测试集上表现优秀，不意味着它理解每个具体的人；一次成功案例，也不能自动证明适用于所有地区。尊重创新规律，既要允许试错，也要让试错有边界、可回退、不把代价交给无辜者。

安全不是创新的对立面。可靠的数据来源、清晰的内容标识、可追溯的算法过程和及时的人工接管，看似增加成本，实际上降低了信任风险。对于市场主体，规则稳定能够减少无序竞争和重复整改；对于使用者，知情、选择和申诉机制使其不必被动接受机器判断；对于监管者，分类分级比一刀切更能把有限资源放在高风险场景。真正的安全不是追求零风险，而是识别风险、分配责任、持续监测并在变化中修正规则。

普惠也不是把同一个产品发给所有人。不同地区的数字基础设施、语言文化、职业结构和公共服务能力并不相同；老人、儿童、残障人士和低收入群体面对的门槛各异。如果只统计覆盖率，接入了却用不了的人会消失在平均数里。普惠需要可负担的算力与工具，需要开放共享的知识和人才培养，也需要保留非数字渠道、无障碍设计和本地适配。它不是创新完成后的附加公益，而应从研发之初就进入需求定义和产品设计。

智能向善还要求重新理解人的位置。人机协同不是让人做机器的“确认按钮”，也不是凡事依赖人工兜底。机器可以发现关联、处理重复任务，人则要设定目标、理解情境、进行价值权衡并承担责任。随着工具能力提升，人的能力结构也要升级：专业人员需要懂得验证模型，一线劳动者应有机会参与改进，管理者要能识别技术指标背后的治理含义，公众则需要基本的数字素养和权利意识。只有人的能力同步成长，技术红利才不会停留在少数人手中。

从一座城市到全球社会，人工智能治理都面临共同难题：技术跨越边界，规则却分属不同体系；风险可以迅速扩散，能力却分布不均。合作因此不是抽象口号。共享开源生态、培养本土人才、建设普惠算力、协同安全测试、推动标准兼容，都是让不同国家和群体从旁观者变为参与者的具体路径。合作也不等于忽视差异，而是承认各方发展阶段和文化选择，在共同安全与共同利益基础上寻找最大公约数。

一些地方把人工智能项目当作新的形象工程，急于挂牌、上线、评奖；一些机构因害怕风险而层层设限，使有价值的小规模探索无法开展。这两种倾向看似相反，实则都回避了治理责任：前者把创新简化为设备和指标，后者把安全理解为不行动。好的治理应当既有方向感，又有方法论。方向是以人为本、向上向善；方法是需求牵引、分类管理、证据评估、多元参与和动态迭代。

技术没有脱离社会的独立目的。衡量一项创新，不能只问它是否更快、更强、更像人，还要问它解决了谁的问题，谁能获得机会，谁承担了风险，谁能够纠正错误。把这些问题贯穿研发、部署、使用和退出全过程，人工智能才可能成为扩展人的能力、增进公共福祉的工具。所谓“向善”，不是给技术贴上一个温暖标签，而是把价值选择落实为数据边界、产品设计、评价指标、责任链条和合作机制。

站在智能时代门口，我们既不能因噎废食，也不能把未来交给技术惯性。创新决定我们能够走多远，安全决定这条路能否走稳，普惠决定有多少人能够同行。三者并非彼此削弱的约束，而是共同构成可持续发展的条件。当创新回应真实需要、安全成为内生能力、普惠进入制度设计，技术势能才能转化为公共价值。智能时代真正值得追求的，不是机器无所不能，而是每个人都能更有尊严、更有能力地创造生活。

国际合作中的普惠同样需要避免“设备援助思维”。只建设算力中心而缺乏运维人才，只提供通用模型而不支持本地语言，只移植规则文本而没有监管能力，都可能形成新的依赖。更可持续的合作，是共同定义需求、联合开发应用、培养本土团队并共享治理经验；合作项目既评价技术交付，也观察当地能否独立维护、公众是否受益、文化多样性是否得到尊重。能力建设的最终标志，不是接受者用了多少外来工具，而是能够根据自身需要作出选择并参与规则制定。

公共价值也必须能被观察。效率可以看办理时间和成本，安全可以看异常发现、纠错和损害救济，普惠则要区分地区、年龄、收入、残障状况等群体，识别平均数掩盖的差距。同时，并非所有价值都能压缩成一个分数。尊严、信任、自主选择和人的成长，需要通过访谈、申诉记录、长期跟踪与专业判断来理解。评价技术不能只在上线当天“拍照验收”，而要持续追问谁受益、谁被遗漏、问题能否被纠正。

三、作答要求

第1题

根据“给定资料1”，简要概括H省政务智能助手由“能回答”走向“可信赖”的主要做法。（10分）

要求：全面、准确、有条理；不超过200字。

第2题

“给定资料2”介绍了人工智能进入科研与生产后引发的多方面变化。请对这些变化进行分类说明。（20分）

要求：分类合理，说明准确，语言简洁；不超过400字。

第3题

假如你是Q市教育局试点工作专班成员，请根据“给定资料3”，为下一阶段中小学“学习伙伴”试点提出优化建议。（15分）

要求：问题把握准确，建议具体可行，逻辑清晰；不超过350字。

第4题

M市卫生健康委拟向市政府汇报基层辅助诊疗平台试点情况。假如你是调研组成员，请根据“给定资料4”，草拟汇报的主要内容。（20分）

要求：（1）紧扣资料，内容全面；（2）问题与建议相互对应；（3）条理清晰，语言简洁；（4）不超过500字。

第5题

“给定资料5”中提到：“创新决定我们能够走多远，安全决定这条路能否走稳，普惠决定有多少人能够同行。”请对此进行深入思考，参考给定资料，联系实际，自选角度，自拟题目，写一篇文章。（35分）

要求：（1）观点明确，见解深刻；（2）参考给定资料，但不拘泥于给定资料；（3）思路清晰，语言流畅；（4）字数1000—1200字。

教研依据（不属于考生作答材料）

本卷观察2026年8月13日主流媒体议程：人民日报讨论人工智能发展的创新基础、治理底线与全球普惠；光明日报聚焦全球南方在算力、人才、规则和安全能力方面的机会与差距；求是网同日文章强调网络生态治理与发展、安全、民生的系统联系。政策边界由2026世界人工智能大会主旨讲话、国家发展改革委公布的合作发展行动以及网信部门现行生成式人工智能和内容标识规则核验。材料没有复制媒体案例和原真题文字，所有地方故事与数值均为教学模拟。

• 人民日报，2026-08-13：中国全方位推动人工智能全球治理走深走实
• 光明日报，2026-08-13：让智能时代的红利惠及全球南方国家
• 求是网（来源：《党建》），2026-08-13：提高网络生态治理效能 营造风清气正网络空间
• 外交部驻香港特别行政区特派员公署，2026-07-17：习近平在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上的主旨讲话
• 国家互联网信息办公室等七部门，2023-07-13：生成式人工智能服务管理暂行办法
• 国家互联网信息办公室等部门，2025-03-14：关于印发《人工智能生成合成内容标识办法》的通知
• 国家发展和改革委员会，2026-07-17：世界人工智能大会期间国家发展改革委发布2项重要成果

命题说明（不含答案）

本卷以“技术势能如何转化为公共价值”为统一命题逻辑。资料1从政务服务切入，考查可信智能的制度条件；资料2呈现科研和制造中的组织变化，考查分类概括；资料3把育人规律、公平和数据边界转化为建议题；资料4用基层医疗试点考查调研汇报；资料5将创新、安全、普惠提升为发展与治理关系的文章主题。五题证据分散、层次递进，不以材料标题直接泄露作答要点。