自动化行政的技术原理、技术特征及风险应对

摘要

自动化行政是行政机关运用人工智能等技术实现行政任务的行为，常见的自动化系统包括智能交通监控系统、数字化裁量系统、智能审批系统、智能行政执法系统等。人工智能时代自动化行政展现出独有的技术特征，厘清自动化行政的技术原理和技术特征，有利于开发符合人工智能时代特质的自动化行政系统。以机器学习为线索，通过介绍机器学习的特殊属性，阐释自动化行政的技术原理；同时，探索自动化行政的自学习、自感知、自决策、自执行特征。针对自动化行政存在的不可知性和非直观性、算法偏见、不透明性、合法性危机等技术风险，提出向善技术、公平标准、构建透明度、合法性治理，为自动化行政的发展提供保障。

关键词

自动化行政 / 机器学习 / 算法公平 / 可解释性 / 合法性

习近平总书记强调：“要全面贯彻网络强国战略，把数字技术广泛应用于政府管理服务，推动政府数字化、智能化运行。”^［1］2025年8月，《国务院关于深入实施“人工智能+”行动的意见》进一步提出，“安全稳妥有序推进人工智能在政务领域应用”。作为数字技术在行政治理领域运用代表的自动化行政，起初仅限于自动回复电邮、自动生成工作文档、日程安排、预约管理等简单的行政活动，并没有涉及太多的法律问题。伴随着人工智能等数字技术的深入发展，自动化行政的运用领域逐渐扩展，如非现场执法、突发公共卫生事件管理、行政审核等行政行为。有关自动化行政发展的问题，国内已有研究主要涉及法律风险、程序权利、治理范式、立法规范等，较少关注技术领域。然而，掌握自动化行政的技术原理和技术特征，能更好地运用法律知识化解算法失控风险、权力滥用危机，防止“黑箱”操作的可能性。因此，本文以技术为视角，运用跨学科研究方法，探讨自动化行政的技术风险应对措施。

一 自动化行政的技术原理

自动化行政是行政机关运用人工智能等技术实现行政任务的行为，其技术原理以机器学习为核心。机器学习作为发现数据集中变量之间相关性的自动化过程，它通常以预测或估计某些结果为目的。基于大量数据的可用性，机器学习在过去十年中得到了广泛应用，很多人把人工智能和机器学习这两个词混在一起使用^［2］。机器学习充当人工智能的关键技术普遍有两种算法规则构建模式，即专家系统模式和机器学习模式。专家系统模式中，算法由工作人员设计；而机器学习模式中，算法系机器基于海量数据确定^［3］。机器学习包括三种类型：监督类、强化学习类和无监督类，本文所指的人工智能主要是基于三类机器学习而形成。

机器学习使机器能够自行为数据开发类别和标签，就像在没有太多事先指导的情况下，主动排序和关联数据一样。无监督的机器学习的基本原理系一个正反馈循环，具体工作机理是对数据进行标记和关联，再对结果进行测试，以查看排序和结构是否产生了正确的预测；倘若反馈为不正确，数据将重复关联，直到其输出开始接近已知的现实，即达到拟合；一旦结果预测得到确认，机器将能够更好地分类新传入数据和整个数据集^［4］。机器学习被广泛运用于各个领域，如在公共部门，它被应用于医疗保健、交通和公共安全等领域；在医疗保健领域，它被用于预测疾病暴发、分析医学图像和改善患者护理；在交通领域，它被用于优化交通流量、预测公共交通需求、改善物流和供应链管理；在公共安全领域，它被用于分析犯罪模式、预测犯罪行为和增强应急响应系统^［5］。

深度学习作为机器学习的一个子领域，专注于多层神经网络。在深度学习中，人类不会干预，由算法来确定哪些因素是相关的。机器学习算法不同于一般算法，它是基于初始算法、数据输入和期望的输出，生成复杂但可操作的算法。一般算法逻辑是数据输入计算机，算法对其进行处置，然后形成方案；而机器学习将这种情况颠倒过来，即输入数据和期望的结果，然后输出将两者转化为另一种结果的算法^［6］。先进的机器学习因其复杂的模型而成为难以向人类“翻译”的黑箱，数百变量的交织关系与碎片化规则使传统解释模式失效^［7］。机器学习也引发了法律困扰，如政府是否有权力用机器代替人类以及如何应对决策的“黑箱”性质等。而现有的宪法规范和执法机制是在人类行动的背景下制定的，可能会不适合机器学习环境，因此，有必要进一步探讨机器学习环境下自动化行政的技术特征及其风险。

二 自动化行政的技术特征

在机器学习语境下，自动化行政的技术特征体现为自学习、自感知、自决策、自执行。通过人工智能技术，行政机关可以实现智能优化算法、智能采集数据、智能处理数据和智能决策执行的目标。

（一） 自学习：智能优化算法

自动化行政系统依靠人工智能等关键技术来实现其功能，自学习的目的是进行预测，在机器学习结构中，通过分析信息，对设备进行训练，以完成公共部门提供的任务。学习型算法是一种生成其他算法的算法，一旦有了自学习功能，计算机自己可以编写程序，不断优化算法。自学习过程中，优化算法主要存在两个障碍：一是在人工智能系统的设计阶段过度关注问责制，掩盖了人工智能生命周期的不同阶段可能影响人类价值观的事实；二是当前的监管举措以市场为导向，限制了其积极促进人文价值的能力^［8］。这就需要利用计算方法来理解和传递人类语言和价值问题，运用自动响应、内容解释和语音生成等方式，更好地理解个人给出的口头或脚本命令。此过程中，深度学习方法经常被运用。深度学习作为机器学习领域中相对较新的技术知识，包括多方面的努力来解开人类的感知，利用大数据编译的神经系统提高精确度。由于机器知道得越多，它能知道得就越多，机器将尝试以最适合现实世界结果的方式来创建，通过动员进行泛化。而原始数据的质量能保障数据喂养过程的安全，实现算法优化目的。

（二） 自感知：智能采集数据

根据先后顺序，自动化行政的算法设计可以分为四个主要阶段，即问题规范、数据收集和预处理、建模和验证、部署，而自感知特征体现在算法设计的每个阶段。首先，系统通过人工智能的自感知能力自动识别需求并筛选相关信息；其次，对所需数据进行集成、清洗和特征工程，以构建高质量的训练数据集；再次，基于已处理数据建立模型并验证其有效性；最后，将优化后的模型部署至实际行政系统中，持续监测运行表现并进行迭代优化^［9］。自感知系统能够高效处理大量数据，辅助分析并识别其中人类难以察觉的模式、趋势与关联。然而，在数据采集过程中，自感知内容受到自动化行政所部署的价值影响。无论是秉持恶意或善意立场，人工智能会根据个人用户预设目的来采集数据。一般认为技术本质上是中立的，自动化行政系统只是间接地在道德上承担责任，数据采集结果取决于个人用户决定用它做什么，价值的焦点完全落在用户自己身上^［10］。数据采集结果的好坏取决于人类的善恶，并由公共部门承担起保护公民权益的责任。

（三） 自决策：智能处理数据

行政机关运用人工智能技术，特别是机器学习可以发现行政决策中的认知错误，从而使机构内部更具智能化。人工智能的自决策特征在自动化行政中具有重要作用，ChatGPT和DeepSeek等生成式人工智能模型是近年来最具颠覆性的技术突破之一，生成式人工智能模型能够创建文本、图像和视频等新内容，被认为是通用人工智能的里程碑。部分学者提出使用OWL（Web本体语言）和SWRL（语义网规则语言）等语义技术，开发具有可解释决策机制的可靠数据处理模型，并重点开发明确模型的决策机制或者可解释的决策开发混合模型^［11］。自动化行政系统可以使用自然语言处理等技术来理解和解释非结构化数据，例如文本或语音，利用先进的计算技术来判辨和组织数据，并有效支持决策，提供有价值的见解^［12］。在税收、食品、卫生、交通运输、环保和司法等领域，已经引入复杂的自动化系统。如用于创建模型和模拟，以准确预测交通模式、拥堵和出行时间；分析传感器、摄像头、GPS等实时数据，以动态调整路线和管理拥堵；开发智能交通控制系统，根据实时交通状况优化交通信号时间^［13］。

（四） 自执行：智能决策执行

自动化行政，以“秒批”为代表，在市场监督领域使用机器，建立整个电子流程的声明、签名、审核、许可、存档等，由机器实现几秒钟内批准符合标准化的请求。交警执法结合算法、机器学习和人脸识别等技术，已经从现场转向线上。通过数字平台，执法人员无须与违法者接触，在线上就可以完成违法事实认定、告知、行政处罚制作送达、行政决定执行等一系列动作。如在管理超速、超重、违停、闯红灯、违反交通限制标识、不系安全带等交通违法行为方面，网上执法已得到广泛应用^［14］。各国正积极推进人工智能在行政决策中的应用，如匈牙利引入自动行政决策模型（AADM），可在无人工干预下处理行政事务，但仍保留人为介入的可能；比利时通过CitizenLab平台，借助自然语言处理与机器学习分类分析公民意见，辅助公共决策；美国波士顿则利用人工智能应对如病毒传播预测和执法优化等城市治理问题，并注重代表性、隐私及人口统计等多维度因素的综合考量^［15］。当然，有些领域存在自动化行政不宜适用的情形。如根据《中华人民共和国行政处罚法》（以下简称《行政处罚法》）规定，行政相对人被处罚的前置条件是存在主观故意，但是机器判断当事人主观是否为故意较为困难，此时执法人员应及时介入。自动化行政系统可以将当事人的客观行为数据资料推送至执法人员，由其对当事人是否故意作出判断以及最终作出行政处罚决定^［16］。

三 自动化行政的技术风险

在计算机科学领域，程序语言是能准确地表达人们的意图并用以控制计算机工作的符号系统，是一种人造语言，它包括语法、语义、语用三个方面^［17］。法律术语转换成代码术语，通常也涉及将法律的语法、语义和语用转化为计算机程序可以理解和执行的形式。在实际转换过程中，需要使用适当的编程语言和技术手段，结合具体的法律和技术要求。代码化的结果必须符合法律文本的含义，并在实践中实现相应的法律目标。输入代码和输出结果过程中，存在自学习模型的不可知性和非直观性、自感知中的算法偏见、自决策中的不透明性、自执行中的合法性危机等技术风险。

（一） 不可知性和非直观性

自学习的运用实例能证明机器学习在改善决策、提高效率和应对复杂社会挑战方面的潜力。但是自学习也存在明显的弊端，如专家系统适用于行政决策，其能通过法律规定证明最终结果是合理的，而基于机器学习的人工智能工具充当“黑箱”，不适合直接的行政决策^［11］。自学习模型所具有的不可知性与非直观性表明，即便对算法治理工具的数据、代码和操作实现完全可见，也未必能够实现有效的问责。算法不可知性与其数理坚硬性相结合，构成算法规制的核心难题。尤其当幕后力量将算法“傀儡”化，并将其意图嵌入不可透视的运算过程，算法的“黑箱”不仅遮蔽了自主决策逻辑，更成为非公正意图的技术外衣^［18］。同时，基于自学习存在的不可知属性，自学习的模型设计和使用测试有可能不被社会科学家和司法实务工作者所理解。

随着机器学习等技术的应用，自动化行政对行政公开与程序公正构成严峻挑战。自动化系统本身的开发属于事实行为，不直接涉及相对人的权利和义务。然而，当行政机关借助具备自主决策能力的算法实施行政行为时，其过程往往呈现出显著的非直观特征，即决策逻辑无法被直接观察、推理路径难以被人理解、输出结果缺乏可解释的直观依据。这种非直观性导致行政行为难以被追溯，直接影响行政相对人的程序权利。此外，自动化设备的设置具有抽象行政行为性质，可反复适用于不特定对象；而具体行政行为则依托机器学习算法自动生成，针对的是个体。由于算法决策的高度非直观性，其判断过程和结果不具备可理解性，不仅相对人无法认知，行政机关自身也难以阐明，因而机器学习背景下自动化行为的广泛性和隐蔽性特征将对群众权益产生更大的影响。

（二） 算法偏见

在自动化行政智能采集数据过程中，自感知特征凸显，引发忧虑的是算法偏见现象。偏见是算法模型在包含以人为中心的选择或来自社会差异的数据上进行训练的直接结果，这些偏见可能源于数据包容性偏差、数据结构中的同质性假设、编码偏见和人为造成的偏见等。自感知时，机器有可能发现以前未知的系统性偏见，这些受偏见的群体不是因为自己的过错而处于不利地位，他们可能是由数据集中的异常引起。比如头发颜色、邮政编码、职业、健身房用户或名字，由于这不是相关法律所定义的歧视，因而几乎没有可用的选择来纠正这种不公正^［19］。算法歧视与算法偏见之间存在互为因果、彼此强化的动态关系，在机器学习过程中，算法受初始模型设定、训练数据分布或其他潜在因素影响，可能会形成系统性认知偏差，最终导致人工智能在实际应用中表现出具有一定倾向性的决策或行为^［20］。实践表明，在数据集的组合过程中会引入算法偏差，如何根据人为设计的编目标准对数据进行收集、数字化、结构化，并调整和输入数据库，值得人们深思。

自动化行政所依赖的算法多由科技公司开发部署。软件设计师、开发人员与维护人员以不同角色参与政府智能服务的系统构建，其技术决策直接影响行政服务的流程与结果^［21］。然而，技术方的设计决策可能产生算法偏见风险。现行实践中，行政机关通常无义务证明算法公平，法院也仅关注系统是否“正常运作”或“广泛使用”，而非其内在的公正性，因而算法偏见可能难以被发现，且难以被及时纠正。同时，由于机器学习依赖数据推断规则，有偏见的数据会导致算法复制甚至放大现实歧视，造成对不同群体的不公正结果。执法领域的人工智能尤其依赖数据质量，如欧盟致力于提升数据（含非个人数据）的可用性，以支持人工智能应用^［22］。低质量数据不仅会导致分析结果失真、削弱行政效率、损害政府公信力，还可能引发算法歧视、隐私泄露等系统性风险。

（三） 不透明性

在机器学习广泛应用的背景下，自动化行政系统普遍存在不透明性问题。不透明性作为认知属性，是指主体不了解也无法获知那些能够证明机器学习步骤正当性的内容。认识不透明性一方面源于人类特有的非理性因素（如情感、自由意志）难以被人工智能复现；另一方面也来自机器系统内部无论是单体智能产生不可解释的“暗知识”，还是多智能体通过自组织与协同进化涌现出的不确定性，都构成对透明性的根本挑战^［23］。人工智能系统因其自主决策和涌现特性而变得高度不透明，人类难以完全理解或预测其内部推理过程。随着机器学习的发展，其海量参数和层次结构形成了难以解析的“黑箱”^［24］。尤其是基于复杂神经网络或深度学习的算法模型，往往以难以解释的方式运作，其决策逻辑甚至对设计者而言也构成“黑箱”。这种不可解释性与法律系统所要求的透明度、可辩论性及理由说明义务形成根本冲突。机器学习算法虽可实现一致输出，却难以适应个案差异，且系统缺乏透明性，导致行政决定无法解释，难以获得司法支持^［25］。因此，关键问题不仅在于代码是否准确转译法律规则，更在于如何应对机器学习模型所引发的责任空白和解释困境。

此外，自决策的不透明问题会影响到法治体系中的权利救济框架。自动化行政所采用的大部分决策算法具有侵入性，且被使用算法都属于专有，它们的机制也具有保密性。基于侵入性和保密性特征，不透明可能会阻碍受害者证明自己受到了自动化决策的侵害。这种透明度障碍有三种形式，即不会读写的不透明（不透明来自无法阅读计算机代码）、故意不透明（有意隐藏算法逻辑，以保护商业秘密或降低风险）、内在不透明性（算法逻辑非常复杂，以至于人类难以理解它）^［19］。透明度障碍也引发了政府是否能够解释数据处理技术的问题，行政机关需要通过解释算法的目的、设计和基本功能，满足法律层面对维护公民权利的基本要求。

（四） 合法性危机

因机器语言固有的沟通缺陷，自动化行政在与公权力结合时，其技术理性会侵蚀公开、平等、责任和透明等法治基石，从而引发合法性危机^［26］。特别是自动化行政的自执行系统中，存在多方面缺陷。如因训练数据偏差、模型缺陷或代码错误，自动化系统可能侵害不特定群体的权益，并引发责任归属不清、难以追责等合法性问题。实践中，自动化行政系统在生成答复时，可能直接将未公开、任意或违法的行政解释注入系统中，导致其缺乏主体和内容的合法性；无论系统基于检索式还是大语言模型，均可能产生合法性偏离^［27］。行政机关需要有效回应自执行的合法性问题，具体而言，着重回应两方面的威胁：一是算法决策的民主控制受到侵蚀；二是在算法开发过程中，对公民需求的反应有限。同时，规则驱动的专家系统和利用机器学习的算法系统的决策过程都需要将规则编码化，并且包含复杂的数据分析和程序操作，这些内容很难在告知中充分展示。

此外，当行政决定完全由算法自主作出时，人类意志被排除在决策闭环之外，传统行政法所要求的正当性基础将面临挑战，如说明理由、裁量空间和程序公开等。在自执行过程中，完全自动化的行政系统在两个方面对告知程序提出了挑战：一是有些自动化系统在开发阶段并未充分考虑行政程序的要求；二是尽管一些系统具备了必要的程序要求，但这些要求通常不够完善。无人工干预的执法模式挑战了传统的以说明理由为核心的依法行政体系，可能引发对特定个体或群体的权利损害。尽管行政机关仍可主张对自动化行为的形式合法性负责，但机器学习所带来的责任分散与认定困难却使权利救济面临阻碍。因此，能否借助人工智能实现数字化行政的关键并不取决于技术自身，而在于是否建立专门的法律框架，以应对机器学习在合法性缺失、权利侵害及责任认定等方面的问题。

四 应对自动化行政技术风险的具体措施

在功能分化时代，人类社会面对不确定性时，不再将其根源归咎于外部危险，而是转向归因于社会内部的决策过程，并将这种决策引致的不确定性定义为“风险”，其中，技术决定引发的技术风险，仅属风险类型之一^［28］。面对自动化行政的技术风险，应当剖析自动化行政行为的内部构造，促使行政机关有效应对各类社会风险。卢曼认为，法律必须被看作社会的结构，法律范畴必须被看作社会计划的范畴，当法律将社会充满风险的进化成就（如政权、程序等）加以稳定之后，它就被象征化为一种法律关系^［29］。本文主张通过向善技术、公平标准、构建透明度、合法性治理来应对自动化行政带来的社会风险，并发挥法律定分止争的功能。

（一） 向善技术：自学习系统的优化路径

在自学习系统不断演进、自主性日益增强的背景下，人工智能与人类之间的界限逐渐模糊，不仅挑战人类的主体地位，而且引发了对人是什么、人的人格和尊严、人的社会价值等问题的深层反思^［30］。因此，首要对策是坚持以人为本的价值导向，并通过跨学科协作不断“调优”自学习功能，使其更好地服务于人类社会的公平与正义。其次，调优自学习功能的核心目标，推动技术向善发展。当然，这并非单一技术学科所能完成，必须依靠法律工作者与算法工程师之间的深度合作^［7］。具体而言，法律工作者应深入理解技术机制与制度文化背景，算法设计者则需将法律规则与伦理原则嵌入系统架构，从而在模型训练和推理过程中融入以人为本与人权保障要求。再次，为应对自学习系统的不可知与非直观性，应依据以下标准限定自动化行政的适用范围。一是在法律清晰、事实明确且权益影响轻微时，可适用自动化决策；二是若法律规定模糊、案情复杂、裁量空间较大或可能严重侵害权利时，则应限制自动化方式，以人为判断为核心^［31］。该分级机制能控制算法不可知性带来的治理风险，保障关键决策中人的主导地位。

针对机器学习中存在的问题也有应对之策，如对实质性规则和执法机制进行更笼统的叙述，以促进正当程序、隐私保护和平等规范。机器学习系统的设计决策应遵循合理的决策过程，其中既涉及技术官僚的专业知识，也涉及民主参与；同时，满足法律要求，并确保机器学习采用过程模型。在宏观层面，需确立新的个人权利与义务，发展相应技能与管理能力，以充分评估机器学习对公共价值观的影响；在中观层面，应开发更加动态的方法，以监测机器学习在公共项目中的应用效果；在微观层面，必须保障算法决策在公共服务中的合法性，明确基层机构的行政裁量权，并维护数据主体在公共服务分配中的权利^［32］。机器学习具有积极作用，但也有“黑箱”属性、歧视偏见等问题，因此，需要采用完善法律框架、融入正确的价值观等措施，更好地应用机器学习技术，推动自动化行政的发展。同时，法律应对数据处理中所涉及的规范性选择作出明确规定，充分发挥机器学习在行政决策中的潜力。

（二） 迈向公平：自感知内容的治理策略

首先，为减轻数据采集过程中可能出现的偏见，实现自感知系统的负责任发展，应落实算法公平。算法公平的核心是确保决策算法不因种族、性别等敏感特征歧视不同群体，这要求不同群体在法律上能获得平等对待。现实中，个体算法公平和群体算法公平常相互冲突，需在技术、伦理和政策之间反复权衡^［33］。数据采集阶段存在的偏见和偏差问题，应当通过避免训练数据偏见、落实数据包容性、参与性与互惠性等框架加以应对。有偏见的数据集将导致有偏见的决策，进而放大不公平，并对算法和机器系统构成威胁，因而最大限度地保障人工智能及其算法的公平性至关重要。

其次，开发人员必须将公平性等伦理原则置于优先位置，致力于构建真正重视用户隐私与安全的系统，并为各行业应用数据处理技术制定清晰、严格的政策与指导方针，从而改善数字环境的整体治理质量。技术层面通过定义和实现统计平等、概率平等等数学标准，实现算法在不同受保护群体间输出结果的公平性^［34］。然而，这种“数学公平”是简化模型，其效果依赖于数据质量，且无法完全等同于复杂的社会公平。因此，必须将技术标准与法律的价值观念相对接，并努力解决训练数据中的偏见，真正实现社会公平。

再次，实现公平性目标需要依靠有效的法律监管。尽管学界对监管的具体方式尚未达成共识，但法律机制已被广泛视为衡量法治实施效果的重要手段。将技术集成到公共决策过程中，应在法治框架内严格执行合法性标准，并恪守程序正当原则，这是保障政府公信力的基础。尤其在自动化行政处理涉及敏感个人信息时，鉴于其与基本权利之间的紧密关联，必须获得法律法规的明确授权，以确保公权力的行使有据可依。

（三） 构建透明度：自决策系统的可解释之道

可解释性能提升政府决策的准确性与整体合法性，推动自决策系统负责任地应用于执法领域。因此，执法人员在使用智能系统处理数据时，首先应当以清晰易懂的方式向公众说明决策依据和推理路径。庆幸的是，技术进步正使数据处理过程更易于解释，算法治理也由此能够更好地满足公众对透明度的要求^［35］。构建透明度也要求公众能理解自决策系统的运作逻辑，这是建立算法信任的基础。

其次，根据不同的权利影响情况区分算法解释程度。如果自决策结果输出不正确或不准确，且影响到公民权益时，算法的必要“可解释性”程度应随着后果（对基本权利和利害关系人的利益）严重程度的增加而加大，特别是产生严重后果时，透明度可能还要求共享特定的算法或数据集^［36］。

再次，明确算法解释权的定位与边界。在自动化行政中，说明理由是行政机关的程序义务，而算法解释权则强调以通俗易懂的方式主动揭示自动化决策系统的运行机理，包括所用数据、算法逻辑与模型机制^［25］。引入算法解释权旨在提升政府透明度，而非单纯追求技术层面的算法透明。算法解释的监督对象是行政主体而非算法本身，核心是推动行政过程的公开与可问责。行政机关无须主动对每项自动化决策进行全面算法解释，是否启动，以当事人的申请为前提。需注意的是，即便提供了完整的算法解释，也不意味着行政机关已完全履行公开义务^［37］。自动化决策给法律适用、程序性信息收集、理由说明及审查机制带来诸多挑战，正因如此，必须在制度上清晰划定解释权的行使边界，以实现透明度构建与行政效率之间的平衡。

（四） 合法性治理：自执行系统的动态审查机制

人工智能治理以包容审慎的监管为原则，以保障人权为宪法基础，强调在其全生命周期中确保安全、防控风险^［38］。而合法性治理主线贯穿“负责任”要求，旨在增进人类福祉，避免出现合法性危机。自执行内容源于自动化行政系统中的预设规则，自动化系统能借助数据分析与预测建模辅助决策执行，但需对其合法性状况实施持续动态审查。

首先，动态审查应覆盖行政行为全过程，包括事先准备、决策生成、发布与执行各阶段，确保自动化系统在每一个环节均符合法律规定，保障系统运行内容的合规要求。同时，应审查算法设计中的政治敏感性，强化民主控制和政治监督机制。推动公民参与政府算法系统的开发过程，将民主理念吸收到政策制定中，以保障政府决策符合依法行政原则^［39］。

其次，审查自执行系统中的告知程序。机器学习算法能通过分析用户偏好与历史参与动态调整通知策略、识别高效渠道提升工作效率，但其应用必须有严格的合法性审查机制。我国《行政处罚法》允许在当事人同意的前提下以电子方式送达行政处罚决定书。实务中，通信类属事实行为，与《中华人民共和国电子签名法》中的数据电文效力一致；电子通知类需符合书面形式要求，申请类则必须由法律法规明确授权^［40］。这些法律规则为完善告知程序提供了合法性依据。人工智能重塑了公共部门与技术部门的社会关系和工作模式，因此，必须在技术应用的同时保持动态审查，确保自执行系统的告知程序始终符合程序正当原则。

再次，引入多部门协同监管框架。依托多个监管部门的专业能力，有效评估机器学习等技术的应用。主管部门应部署灵活的监管工具，如基于整体治理的策略、智能监管手段或算法优先排序工具，以提升监管响应能力。在一个由异构算法机器驱动的世界中，有效治理将取决于负责监管的人类机构的复杂决策和顶级表现，监管自执行时要求行政机关工作人员保持最高水平的警惕和专业素养^［41］。

五 结语

随着人工智能等技术的兴起，行政法治工作面临新一轮的改革。法治在数字技术发展中具有重要的功能和地位，我国历次会议都强调推动法治国家、法治政府、法治社会发展的指导思想。本研究旨在勾画自动化行政在法律与技术交叉领域的知识图谱，为法治政府和数字政府建设作出贡献。行政法律规范与人工智能等数字技术相融合领域具有很强的专业性，深耕该领域可以产生符合实务部门需求的研究成果。未来的研究中，应进一步整合不同学科的研究成果，推动法学和其他学科之间的对话，为自动化行政基本理论的重塑贡献力量，并推动各类行政机关运用人工智能等技术开展执法工作。

参考文献

[1] 桂从路.把数字技术广泛应用于政府管理服务［N］.人民日报，2022-05-13（5）.

[2] ZUIDERVEEN BORGESIUS，F.J.Strengthening legal protection against discrimination by algorithms and artificial intelligence［J］.The International Journal of Human Rights，2020，24（10）：1572-1593.

[3] 王宾.自动化行政中算法的法律控制［J］.财经法学，2023（1）：61-75.

[4] GERRITS L.Soul of a new machine：Self-learning algorithms in public administration［J］.Information Polity，2021，26（3）：237-250.

[5] PI Y.Machine learning in governments：Benefits，challenges and future directions［J］.JeDEM-eJournal of eDemocracy and Open Government，2021，13（1）：203-219.

[6] BIGNAMI F.Artificial intelligence accountability of public administration［J］.The American Journal of Comparative Law，2022，70（1）：312-346.

[7] KIRAT T，TAMBOU O，Do V，et al.Fairness and Explainability in Automatic Decision-Making Systems.A challenge for computer science and law［J］.EURO journal on decision processes，2023，11：100036.

[8] AMARILES D R，BAQUERO P M.Promises and limits of law for a human-centric artificial intelligence［J］.Computer Law & Security Review，2023，48：105795.

[9] MAC T A.Bias and discrimination in ML-based systems of administrative decision-making and support［J］.Computer Law & Security Review，2024，55：106070.

[10] BRUNEAULT F，LAFLAMME A S.AI Ethics：how can information ethics provide a framework to avoid usual conceptual pitfalls？An Overview［J］.Ai & Society，2021，36（3）：757-766.

[11] FEJES E，FUTó I.Artificial Intelligence in Public Administration-Supporting Administrative Decisions［J］.Public Finance Quarterly=Pénzügyi Szemle，2021，66（S1）：23-51.

[12] 권은정. 자동적 처분에 대한 통제 수단으로서의 알고리즘 영향평가［J］.국가법연구， 2023，19（2）：121-148.

[13] BHARADIYA J P.Artificial intelligence in transportation systems a critical review［J］.American Journal of Computing and Engineering，2023，6（1）：35-45.

[14] 张涛.自动化行政对行政程序的挑战及其制度因应［J］.华中科技大学学报（社会科学版），2022，36（5）：60-69.

[15] CSABA FASI.Application of Artificial Intelligence in Administrative Decision-making［EB/OL］.［2025-10-20］.https：//real.mtak.hu/158491/1/147-152_18.pdf.

[16] 冯子轩.智能行政执法的过程机理及其冲突调适［J］.行政法学研究，2022（6）：75-85.

[17] 李劲华.编译原理［M］.北京：北京邮电大学出版社，2024：50.

[18] 蔡星月.以算法规制算法［J］.华中科技大学学报（社会科学版），2023，37（4）：111-117.

[19] PASCOE F.To what extent is legal reform needed to overcome the barriers to proving discrimination by automated decision making？［J］.Plymouth Law Review，2022，15（1）：45-71.

[20] 马海群，张涛.国内外算法风险研究：框架、特征及展望［J］.情报理论与实践，2025，48（1）：1-10.

[21] 李晓方，王友奎，孟庆国.政务服务智能化：典型场景、价值质询和治理回应［J］.电子政务，2020（2）：2-10.

[22] KUSAK M.Quality of data sets that feed AI and big data applications for law enforcement［EB/OL］.［2025-10-20］.https：//link.springer.com / content / pdf / 10.1007 / s 12027-022-00719-4.pdf.

[23] 董春雨.从机器认识的不透明性看人工智能的本质及其限度［J］.中国社会科学，2023（5）：148-166.

[24] 闫坤如.可解释人工智能：本源、进路与实践［J］.探索与争鸣，2022（8）：102-109.

[25] 余凌云.数字时代行政审批变革及法律回应［J］.比较法研究，2023（5）：87-105.

[26] 翟翌，罗实.算法行政的合法性危机与化解方案——基于沟通合法性的视角［J］.理论与改革，2023（6）：63-77.

[27] 孟李冕.自动行政答复的合法性偏离及其优化进路［J］.法治研究，2025（4）：146-160.

[28] 季卫东.法社会学［M］.北京：高等教育出版社，2023：45.

[29] 尼克拉斯·卢曼.法社会学［M］.宾凯，赵春燕，译.上海：上海人民出版社，2013：358-361.

[30] 尹帮文，孙伟平.ChatGPT冲击波：类人恐惧与异化危机［J］.理论月刊，2023（6）：5-13.

[31] 王敬波.数字政府的发展与行政法治的回应［J］.现代法学，2023，45（5）：112-124.

[32] VEALE M，BRASS I.Administration by algorithm？Public management meets public sector machine learning［J］.Public management meets public sector machine learning，2019：121-149.

[33] 张欣.算法公平的类型构建与制度实现［J］.中外法学，2024，36（4）：866-883.

[34] 罗有成.算法正义的提出与证立［J］.北京社会科学，2024（12）：48-59.

[35] COGLIANESE C，LEHR D.Transparency and algorithmic governance［J］.Administrative law review，2019，71（1）：1-56.

[36] TROISI，E.Automated Decision Making and Right to Explanation.The Right of Access as Ex Post Information［J］.European Journal of Privacy Law Technologies，2022（1）：181-202.

[37] 王春业.自动化行政中算法解释的困境及纾解［J］.法学杂志，2024，45（3）：75-86.

[38] 马国洋.论人工智能法的基本原则［J］.法治研究，2024（4）：134-146.

[39] GRIMMELIKHUIJSEN，S，MEIJER，A.Legitimacy of algorithmic decision-making：six threats and the need for a calibrated institutional response［J］.Perspectives on Public Management and Governance，2022，5（3）：232-242.

[40] 查云飞.人工智能时代全自动具体行政行为研究［J］.比较法研究，2018（5）：167-179.

[41] COGLIANESE，C.Regulating Machine Learning： The Challenge of Heterogeneity［EB/OL］.［2025-10-20］.https：//ww.competitionpolicyinternational.com / wp - content / uploads / 2023 /02/2 - REGULATING - MACHINE - LEARNING - THE -

[42] CHALLENGE-OF-HETEROGENEITY-Cary-Coglianese.pdf.

[43] 责任编辑芮芳

[44] 赵建波.智能算法推荐视域下思想政治教育的问题研判与应对策略［J］.思想教育研究，2019（12）：19-24.

[45] 曹晔阳.网络自习室中青年的陪伴行动与空间权力实践——基于行动者网络理论视角［J］.中国青年研究，2024（10）：67-75.

[46] 赫伯特·马尔库塞.单向度的人——发达工业社会意识形态研究［M］.刘继，译.上海：上海译文出版社，1989：12.

[47] 维利里奥.解放的速度［M］.陆元昶，译.南京：江苏人民出版社，2004：171.

[48] 马雯.加速的反噬：现代教育时间的内卷困境及其生成机制［J］.大学教育科学，2025（2）：58-67.

[49] 张一兵.心灵无产阶级化及其解放途径——斯蒂格勒对当代数字化资本主义的批判［J］.探索与争鸣，2018（1）：4-13.

[50] N.Katherine Hayles.Unthought：The power of the cogni‐tive nonconscious［M］.Chicago：University of Chicago Press，2017：3.

[51] 张缨斌，郑艺妍，张星语，重新认识课堂：生成式人工智能的赋能与赋权［J］.开放教育研究，2025 （4）：44-52.

[52] 苏慧丽，张敬威.机器的“人化”与人的“机器化”：智能时代教育的主体性危机与破解［J］.现代远程教育研究，2024，36（1）：12-20+28.

[53] 吴琼.数字治理的伦理困境及其破解路径［J］.学习与探索，2025（12）：65-70.

[54] 保罗·维利里奥.无边的艺术［M］.张新木，李露露，译.南京：南京大学出版社，2014：5.

[55] J.A.Mmiller，J. Lacan. The Four Fundamental Concepts of Psycho-analysis［M］.London and New York： Routledge，2018：72.

[56] 中共中央马克思恩格斯列宁斯大林著作编译局.马克思恩格斯文集：第八卷［M］.北京：人民出版社，2009：198.

[57] 习近平对学校思政课建设作出重要指示强调 不断开创新时代思政教育新局面 努力培养更多让党放心爱国奉献担当民族复兴重任的时代新人［N］.人民日报，2024-05-12（1）.

[58] 习近平向联合国贸易和发展会议成立60周年庆祝活动开幕式发表视频致辞［N］.人民日报，2024-06-13（1）.

[59] 习近平同美国总统拜登在利马举行会晤［N］.人民日报，2024-11-18（1）.

[60] 习近平继续出席二十国集团领导人第十九次峰会［N］.人民日报，2024-11-20（1）.

[61] 习近平在全国高校思想政治工作会议上强调 把思想政治工作贯穿教育教学全过程 开创我国高等教育事业发展新局面［N］.人民日报，2016-12-09（1）.

[62] 张晓鹏.论技术异化之根源及其超越［J］.科学技术与辩证法，2006（5）：68-70+74+111.

基金资助

福建省社会科学基金项目“自动化行政的技术逻辑与法律规制研究”(FJ2025C062)

中国侨联课题“侨联工作数字治理与为侨公共服务研究”(24AZQK202)