面对高开放性、多结构性和弥散化的社会环境，传统信息文本样本小、品类泛、价值低的特性使得公共决策和治理面临严峻挑战。

因此，为了提高决策样本的优质性、时效性与客观性，有必要借助人类神经网和精密的设备程序对散漫、游离的数据信息进行综合加工处理，那么依据异构、多源、海量数据展开的“循数治理”便成为政府和其他机关应对复杂社会环境的必然选择。

从警务决策的来源看，人工智能技术凭借其敏锐的感知能力、强大的数据过滤以及深度的机器学习，实现了警务情报的有序性、动态性和高效性，生成了警务情报的新形态、新内容和新要素。基于模拟与再造人类神经网络形成的深度学习习性能促使人工智能大脑对输入的海量数据进行自主式训练，可以在新数据输入后产生最优的输出价值。

因此，警务情报数据化的意义不应仅是社会治安场景的静象呈现，还应是逼真、精细、丰富安全治理话语的动态折射。具体而言，基于人工智能的动态感知、高速传输及深度学习训练，通过对社会行为主体所生成的海量数据进行清洗、筛选、归类、转化，便可形成规范统一、动态交互的情报数据库。

基于此，警务系统可以构建内部决策研判与外部安全态势感知的双向交互模型，实现警务决策“设想”与实际场景研判的动态切换。相应地，也可推动规章制定、巡逻安检、市场监管、交通管制、社会安全治理等警务工作的预测更加精准、决策更加精明、过程更加精细、协同更加高效。

基于人机交互的泛学习能力，人工智能技术能依据差异算法自动地将安全治理的客观对象与数据标签进行智能匹配，形成元情报和主题情报等数据新形态。元情报是对社会性数据形成过程的概括性描述，亦即社会性数据位置、结构与意义的具象标定，而主题情报是对元数据加工处理过程的诠释，亦指在多源、异质元情报的基础上，依据元案件、元情报等属性、性质的不同而形成的数据形态，从而助力公安系统有针对性地对同类性质或存在隐含关联的案件开展预测与分析。

得益于人工智能的机器学习技术、自然语言处理技术以及图像识别技术的赋值，警务人员通过对各类案件、交通流量、嫌犯轨迹信息、人流动量等静态 数据进行清洗、筛选与整合并加以量化、模型化和动态化，生成刑事预测报告、社会风险评估系数等警情新内容，在一定程度上缩短了警员的应急反射弧，增强了公安系统对社会潜在风险的智能响应。

为此，警务情报数据化趋势的发展打通了数据链、情报链、系统链价值的“任督二脉”，能够整合各类基础数据、警务资源、服务清单和任务清单，开发标准一致、内容丰富、联动共享的立体式情报地图，进而推动警务决策走向循数化。大数据存在的意义不仅在于其体量大、类型多，而且在于通过对这些数据进行交换、整合，人类可以发现新知识，创造新价值，从而带来“大知识”“大利润”与“大红利”。

由此，在“大数据+人工智能”双轮驱动的前提下，实施数据汇集工程、丰富警务实战信息源泉、利用智能终端驱动警情向数据最优化发展、扩大情报主导警务的面向是形成以智能、自动、高效为新要素的警情数据的发力点，是实现警务决策循数化的起始点，更是高效聚合、开发、利用警情数据中具有潜在开发价值信息的最优路径。

来源：广州大学南方治理研究院陈潭、王鹏