智能传播时代网络舆情治理的结构优化与法治因应 文章转载于天府新论 ，作者陈鹏宇 摘 要： 随着国家治理体系和治理能力现代化的推进，我国网络舆情治理模式从管制型向多元治理转型。智能传播 时代来临，推动网络舆论信息生成和传播机制的颠覆性再造，失真舆情和情感动员类舆情频发，网络舆情泛道德 化、舆情突变风险增加。现有的多元治理模式长期将重心置于责任主体一侧，无前提地直接分配公私主体责任， 存在 效力不及于其他主体。网络平台可不执行申诉决定，公民和组织缺乏维护自身权益的途径。网络平台受理申诉作 出决定程序简单，对裁决者的专业性、独立性均无要求，裁决没有公信力的支撑，权威性严重不足。 三、网络舆情治理框架的结构优化 （一）网络舆情治理的模式转型 我国的传统行政规制（regulation）强调“治理”（governance）的属性，要求发挥政府对相对人的严格管 理以实现行政任务和目标，是一种“命令—控制” 的思路。在 2024 年 6 月正式公布的《网络暴力信息治理规定》中，坚持了征求意见稿中的两阶段规定模式，这标志着网络 信息内容治理在实践中开始引入和应用阶段化治理模式。 （二）引入阶段化治理优化网络舆情治理结构第一，以阶段化治理作为治理的基本框架。网络舆情失真具有阶段化的特征，失真舆情在萌发、发酵和成 型阶段的特征明显不同，要求在不同阶段差异化配置治理资源。第二，在阶段化治理框架内置入“政府—平台”的

管理系 统，通过智能分析教学数据、优化安防巡检等应用，提升管理效 能，实现资源优化配置与人力成本集约化。在学生学习方面，人3 工智能能够基于学情动态优化知识与能力建构路径，精准推送差 异化练习，支持自主协作学习，助力实现从被动接受到主动学习 的范式转型。人工智能驱动下的教育体系正在加速向高质量、智 能化方向演进，推动基础教育实现深层次变革与持续优化。 为深度剖析基础教育领域人工智能赋能实践现状，在《中国 工作中解放，专注于教学创新与学生发展。同时，人工智能技术 助力教育治理数字化，提升教育管理运行效率与响应能力，推动 决策科学化与管理精细化。此外，依托人工智能技术，优质教育 资源得以广泛共享，教育资源配置趋于优化，助推教育公平，缓 解区域间教育发展不均等问题。总体来看，人工智能正重构基础 教育的教学、管理与资源体系，但在其推广过程中仍面临师生数4 字素养不足、技术与教育场景契合度不高等挑战，亟待多方协同 能化、个性化的学习支持体系，充当学生全天候的“数字学伴”和 “智能导师”。其依托机器学习、自然语言处理、知识图谱等技术， 深入分析学习者的知识掌握水平、兴趣偏好与学习行为数据，动 态推送资源、优化路径、提供即时反馈与针对性指导。围绕助学 实践环节，其应用场景涵盖学习资料推荐、学习路径规划、语言 学习助手、情境式学习等多个方面，既可帮助学生提升抽象思维 和实践能力，也能基于沉浸式、多模态交互激发学习兴趣和主动

与以往的模型相比，OpenAI o1 聚焦于优化推理过程，在复杂的科学、编程和数学等任 务中的表现显著提升。它能够像人类一样进行深入思考、逐步推导，这对于解决需要深 度逻辑推理的问题具有重大意义，突破了对大型语言模型能力的传统认知，为人工智能 在复杂任务处理上开辟了新的道路。 由此而开启Post-train阶段的Self-play RL（自对弈强化学习）范式对于后续大模型技 术路线的升级和优化具有指引性的意义，传统预训练依赖全网语料，数据有噪声且质量 信息来源：网络公开信息，易观分析整理6 激发科技与创新活力 趋势2：多模态模型能力持续升级，朝向多 模态理解和生成的统一发展 当前自然语言、音频、视频等多个模态的理解与生成能力均提升显著，在模型创新、跨 模态能力提升、性能优化上有进展，并涌现出不少基于多模态模型的应用和探索。目前 多模态大模型主要有两种思路，具体如下： 多模态大模型语言模型 （MM-LLM） 大型多模态模型 （LMM） MLLM是在大型语言模型（LLM）的基 研究机构和企业不断推出性能强大的多模态模型，例如智源人工智能研究院 Emu3，是 全球首个原生多模态世界模型，通过自回归技术结合图像、文本和视频三种模态，在图 像生成、视觉语言理解和生成方面表现出色。  训练方法优化 训练方式不断创新，例如新的联合训练策略，即在训练过程中先固定大语言模型的权重 参数，对图像编码器和桥接组件进行初步训练，然后再对整个模型进行整体训练，这种 分阶段的训练方式有助于提高模型的性能和效率。7

重要一步。然而，面对骑手的抵触情绪，企业不能简单地认为这是骑 手目光短浅。需要思考如何更好地与骑手沟通，让骑手理解社保的长 远价值，同时也应探索如何在保障骑手社保权益的同时，不降低骑手 的实际收入。比如，通过优化运营模式、提高配送效率等方式，弥补 因社保缴纳给骑手带来的收入损失。 此外，从法律层面来看，为劳动者缴纳社保是企业的法定义务， 任何规避行为都是违法的。企业为骑手缴纳社保，不仅是对法律的尊 、企业等应在骑手群 体中开展社保科普和宣传活动，通过线上线下相结合的方式，如制作 短视频、举办讲座等，让骑手充分了解社保对个人长远发展的重要性， 包括养老、医疗等方面的保障作用。同时优化运营模式，通过优化算 法、提高单价、合理分配订单等方式，提升骑手收入，降低社保缴纳 对其收入的影响，保障骑手收入；政府要完善相关政策法规，探索建 立针对灵活就业人员的社保账户制度，允许他们根据自身经济状况和

指 数级增长时，可自动触发预设预案：一级警报自动发送短信至应急 小组负责人，二级警报同步生成多语言声明模板，三级警报联动 SEO 团队优化正面内容权重。这种"监测-分析-执行"的闭环将平均 响应时间从 7.3 小时压缩至 47 分钟。 三、动态优化的舆情保护生态 舆情保护需要持续迭代的内容策略。建议建立"黄金 24 小时"内 容工厂，在危机爆发期保持每小时 1-2 条的权威信息发布频率。同

天津市 河北省 山西省 辽宁省 上海市 《天津市人民政府办公厅关于印发天津市促进人工智能 创新发展行动方案 (2025—2027 年 ) 的通知》 《河北省人民政府办公厅关于进一步优化算力布局 推动人工智能产业创新发展的意见》 《山西省人民政府办公厅关于印发山西省促进先进算力 与人工智能融合发展若干措施的通知》 《辽宁省人民政府办公厅关于印发 < 辽宁省促进人工智能创新发展实施方案 文件）AIG C 产业发展的现状 06 06 在政府政策的引导下，AIGC 发展反应链逐步形成：通过资金投入、制度建设和战略规划， 政策激发了技术创新与基础设施的快速发展，尤其在大模型、算法优化、多模态融合和算力平 台等关键领域实现突破，构建了强劲的技术底座。技术进步随之推动商业层面的广泛应用，不 仅催生内容生成工具和智能化服务，还加速了产业生态的重构与商业模式的创新。这一过程又 反 技术栈已发生了显著变革，从传统的芯片、 操作系统、应用三层架构演进为包含基础层（芯片层）、框架层、模型层、应用层的四层架构 体系。这种新型架构不仅实现了各层级间的高效协同与沟通，更能支撑整个系统的持续优化， 为生成式人工智能技术的快速迭代提供坚实基础。 基础层构成了整个体系的算力基石，其性能直接决定了生成式人工智能模型的效能。为满 足模型参数规模持续膨胀带来的巨大计算需求，芯片架构正加速向专业化、定制化方向发展。

过技术手段抢占公共资源，破坏了购票的公平性，引发了公 众对购票公平的质疑 三是有网民建议相关部门加强对第三方购票平台的监 管，严厉打击非法加价售票行为。同时，建议 12306 平台进 一步优化购票系统，提高购票成功率，减少公众对第三方平 台的依赖。 四是许多网友认为，由于春运期间，车票难以购买，尽 管知道“加速器”是第三方平台的营销手段，但是仍然抱有 侥幸心理，想购买“加速器”一试。 首先，相关部门应加强对第三方平台的监管，严厉打击 非法加价售票、虚假宣传等行为。其次，公众应增强法律意 识和风险防范意识，避免轻信第三方平台的虚假宣传，选择 正规渠道购票。最后，铁路部门需进一步优化购票系统，提 高购票成功率，减少公众对第三方平台的依赖。此外，铁路 部门还应引导公众回归官方渠道，维护正常的购票秩序，确 保购票的公平性。

决 自身困境。 当前，极越汽车首先应当加强内部管理，优化资金调度， 率先确保员工社保和工资按时缴纳和支付，与员工加强沟通， 避免企业进一步陷入劳资关系的泥潭，尤其临近年末，讨薪 类舆情频发，可能出现舆情放大效应，增大处置难度； 同时，极越汽车应积极与百度和吉利两大股东沟通协调， 争取获得更多的资金支持，在缓解当前困境后，通过优化公 司结构等方式，保障自身持续发展，再尝试赢得市场信心。

的《汽车行业稳增长工作方案（2025—2026 年）》，明确提出 支持车规级芯片、高精度地图、激光雷达等关键零部件国产 化，降低对国外技术的依赖；建设“国家智能网联汽车创新 中心”，整合高校、科研院所与企业资源，攻克算法优化、环 境感知等“卡脖子”难题。正如专家所言，“这将构建起中国 智驾的‘技术护城河’，为产业竞争力打底”。​ 二是场景落地方面，地方政府成为政策落地的“试验田”。 上海发布《高级别自动驾驶引领区“模速智行”行动计划》， 年已发生的智驾舆情，是中国汽车产业转型升级的 “微观切片”——从事故引发的信任危机，到政策引导下的 理性共识，再到产业行动中的巨大突破，每一次舆情波动都 在优化“安全与发展”的平衡，每一次观点交锋都在深化对 “智能驾驶中国路径”的认知。​ 未来，当公众讨论的焦点从“是否该发展智驾”转向“如 何优化智驾体验”，从“担心安全风险”转向“期待场景创新”， 中国智能驾驶产业必将在全球“电动化+智能化”的竞争中赢得主动，在世界汽车产业的版图上，书写属于自己的“东方

的“客户端 /服务器”（C/S）通信模式，其通信协议栈（Stack）通常会将 大数据量的请求拆分为多个小数据块/帧。这些数据块的大小学习笔记 5/19 可在一定程度上根据传输协议进行优化调整。但数据访问模式与 规模主要取决于用户行为，网络系统管理员往往难以直接管控 （例如，大量的客户端同时访问同一存储服务器，多对一的通信 模式）。因而，随机性网络数据流量阻塞（incast）会频繁发生。 转化为深度认知，AI 能够成为了合作团队中的一位专家级 “网络分析师”。学习笔记 11/19 ---自我优化：AI 系统具备持续学习与动态调整的能力， 能够精准预测网络拥塞或设备故障，并通过自动重新配置路由 策略与流量路径，实现网络性能的优化。例如，当 AI 模型预测 到某条链路即将达到容量上限时，系统会自动调整部分流量或 进行跨路径负载均衡，而无需等待人工干预。 在安全检查机制保障下自动触发修复动作，包括自动重置振荡 接口、对 DDoS 攻击数据流实施“黑洞”引流，或根据检测到 的网络拥塞状况动态调整 QoS 策略。随着持续学习，AI 能够 逐步建立问题与解决方案的对应关系，不断优化其决策建议。这 使网络系统逐步具备自我修复能力，从而减少对人工干预的需求。 ---增强型安全防护：通过突破传统监控工具的分析范式， 显著强化网络安全防御体系。AI 驱动的安全系统能够从上百万