AI對經濟金融的影響及中央銀行面臨的挑戰及對策

AI對金融系統的影響

受數據高度集中、技術認知水平高等因素影響，AI的崛起為金融行業帶來機遇和挑戰。總體上，AI在支付、借貸、保險、資產管理四個關鍵領域大幅提高效率并降低后端管理、法律合規、欺詐檢測和客戶服務的成本，但帶來網絡安全、運營管理以及金融穩定性風險三方面挑戰。

AI為金融系統帶來的機遇

支付領域

豐富的交易數據使AI模型能夠克服支付領域長期存在的痛點，通過以下三種方式改進客戶盡職調查和反洗錢流程，有望扭轉代理銀行業務的下滑：一是提升了解客戶合規和聲譽風險的能力。二是對交易對手開展盡職調查。三是分析支付模式和檢測可疑情況。此外，AI通過快速自動化檢測數據模式，有效降低交易成本和風險。調查顯示，全球約70%的金融服務公司正在使用AI來增強現金流預測、改善流動性管理、微調信用評分和改進欺詐檢測。

借貸領域

AI通過利用非結構化數據極大地提高信用評分，有利于增強金融包容性。在傳統借貸模式中，貸款方依賴標準化信用評分，結合貸款價值比或債務收入比等易于獲取的數據決定是否發放貸款。基于AI的工具使貸款方可使用替代數據評估個人信用，顯著改善違約預測。具體替代數據包括消費者的銀行賬戶交易以及租金、公用事業和電信支付數據，也包括借款人的教育背景或在線購物習慣等非財務數據。通過納入非結構化數據，AI可助力挖掘信用評分較低但仍實際具有高質量的借款人。

保險領域

AI廣泛應用于風險評估和定價領域，并將在評估不同類型的風險方面發揮越來越重要的作用，承保人、精算師或理賠員將受益于AI在綜合索賠生命周期中收集的通話記錄、筆記、法律和醫療文件等數據。例如公司可使用AI自動分析圖像和視頻，以評估自然災害造成的財產損失；在合規性的背景下，判斷損害索賠是否與實際損害相符等等。再如部分保險公司正在試驗AI方法，通過污染排放航空圖像的識別和量化來評估氣候風險。

資產管理領域

AI模型用于預測回報、評估風險回報率以及優化投資組合配置，優于僅依賴財務數據的傳統模型，可以更好地理解投資組合的風險回報屬性。例如大型語言模型可以識別金融數據中的不可觀察特征（即資產嵌入），讓市場參與者能夠獲取公司質量或投資者偏好等難以從現有數據中辨別的信息。此外，AI模型的算法交易優勢能快速分析海量數據，投資者可以享受更快、更準確的信息以及更低的管理成本。

AI對金融系統的挑戰

網絡安全風險

一方面，對AI的依賴加劇了人們對網絡攻擊的擔憂。生成式人工智能可顯著提升可信的網絡釣魚電子郵件或惡意軟件的編寫能力，黑客可利用AI竊取有價值的信息或公司加密文件來獲取贖金。此外，生成式人工智能允許黑客模仿個人寫作風格、聲音或創建虛假頭像，可能導致網絡釣魚攻擊急劇增加，使金融機構及其客戶面臨更高的欺詐風險。另一方面，AI引入了全新的網絡風險源。例如大型語言模型容易遭受提示語注入（Prompt injection）攻擊，攻擊者輸入惡意數據使模型識別為合法命令，以非預期的方式運行模型導致敏感信息泄露。再如數據中毒攻擊通過惡意篡改訓練AI模型的數據，故意引入惡意軟件，使AI模型無法檢測到網絡釣魚電子郵件，以損害其完整性或功能。隨著越來越多的應用程序使用大型語言模型創建的數據，此類攻擊可能會產生嚴重后果，增加金融機構的運營風險。

運營風險

一是引發偏見和歧視問題。AI模型只是一種工具，如果其訓練數據存在偏見和不準確，則將帶來不公正的決策。例如在金融產品授信審批時，將部分群體排除在外，并通過算法歧視固化獲得信貸的差距。二是金融機構面臨數據隱私保護要求，增加了采用AI的法律風險。AI模型的黑箱屬性缺乏可解釋性，且存在“幻覺問題”，將放大相關風險。三是過度依賴少數AI模型提供商，增加了第三方依賴風險。AI模型的開發需要大量前期投資來建設數據存儲設施、雇傭和培訓員工、收集和清理數據以及開發或完善算法，后續的邊際成本較少。該特征導致在采集、存儲和分析數據方面已經具有優勢的公司可以提供訓練有素的AI工具，并隨著工具的采用強化數據和技術優勢，最終只有少數公司能提供前沿的大型語言模型。金融機構對模型提供商的依賴將導致網絡風險的高度集中和跨行業傳染。

金融穩定風險

市場參與者對少數算法的依賴可能會導致金融穩定的風險。這源于人工智能在整個金融系統中的普遍采用，以及無需人工干預快速做出獨立決策的能力不斷增強。金融機構使用相同算法會加劇羊群效應、流動性降低、擠兌和甩賣，從而放大順周期性，加劇市場波動。使用相同訓練數據集的相似算法也可能導致類似的建議或徹底的共謀結果，這樣的結果將與反對市場操縱法規相悖。此外，AI會加速產品的創新開發和運用，可能滋生新的不確定性。

AI對宏觀經濟的影響

AI技術的應用讓企業和用戶受益于自動化的任務處理，直接促進了生產率增長，并刺激企業進一步投資，通過對勞動力市場的重新調整，從收入分配和就業影響消費和總需求，進而影響通脹和總產出。

對勞動生產率的影響

AI通過兩種渠道提高勞動生產率。一是直接提高工人的生產力。有研究表明，訪問基于生成式人工智能的對話助手可將客戶工作效率提高14%。對于受過大學教育的專業人士而言，ChatGPT讓寫作耗時減少40%，輸出質量提高18%，大幅提高了生產率。二是通過提高工作的認知效率進一步刺激創新，從而間接促進未來生產率增長。從定量看，AI對生產率增長的綜合效應需要匯總特定行業的生產率增長數據，具體取決于AI在所有經濟部門被采用和傳播的程度。不同的研究估計了AI對未來10年勞動生產率增長的影響，范圍從1到1.5個百分點不等。

對投資、消費、產出和通脹的影響

投資方面

企業目前已逐漸加強對IT基礎設施的投資，并將 AI模型納入日常運營。2023年，全球AI投資支出超1500億美元；對美國公司行業技術官員的調查顯示，近五成將AI作為未來幾年的首要預算項目。同時，AI技術的采用將以低成本減少不確定性并實現更好的決策，進而刺激新一輪投資。

消費方面

AI可以讓消費者與產品服務更好匹配，有助于企業向消費者開展定點營銷和個性化服務。此外，AI還通過就業和工資收入調整對家庭消費產生影響。AI對勞動力市場產生替代和互補效應。一方面，AI的自動化意味著機器可替代人工。另一方面，任務的自動化處理將提高生產力，供給的增加將推動物價下跌進而拉動需求增長，并增加對非自動化任務的勞動力需求，刺激工資增長。總體上，AI對就業的凈效應由工作屬性和職業決定。凈替代效應情況下，AI將降低家庭收入，減少消費；凈互補效應下，AI將創造工作機會，增加家庭收入，促進消費增長。

產出和通脹方面

國際清算銀行的一項研究通過構建行業層面的AI暴露指數代表不同職業中AI的重要性，運用動態隨機一般均衡模型評估了AI對總產出和通脹的影響，并進一步對單個行業的產出和通脹變化進行分析。報告假設了兩種情形：一是“意外”情形。家庭和企業認可AI對當前生產力的影響，并據此形成對未來消費、通脹和產出路徑的預期，但未預見AI的發展會提高生產力。二是“預期”情形。家庭和企業既認可AI對生產力的當前影響，還預測到未來生產力的增長，能更快適應AI帶來的生產率變化。在“意外”情形下，AI在短期和長期內顯著提高了總產出、消費和投資，反映出生產率增長對經濟的積極影響，GDP在前10年內增長最快，總產出較未采用AI時擴張近三成，短期內通脹水平呈現下降趨勢，4年后，消費和投資增長提高了總需求，進而推升通脹，通脹率峰值較未采用AI的水平高出約0.75個百分點。在“預期”情形下，家庭和企業充分預測到AI對當今和未來生產力的影響，傾向于立即增加消費，推遲投資，短期內總產出增長將低于“意外”情形。對未來生產率提高的預期導致需求增加，AI的采用最初會導致通貨膨脹，隨著投資逐漸增加，總產出提高，通脹水平才趨于收斂。分行業看，AI具有通用技術特征，采用AI技術的所有行業附加值產出都有所提高。一方面，單個行業附加值產出的長期增長與采用AI技術的先后順序無明顯關系，但產出增長具有行業異質性，制造業和房地產服務業附加值產出增長近五成，而教育和管理服務業增長約兩成，總體上，第一產業和第二產業的附加值產出增幅最大。另一方面，選擇合適的行業采用AI技術對總產出將產生重要影響。相較于中間品部門，當AI的影響集中在消費品部門時，總產出可增長一倍。因此，鼓勵企業采用AI政策應重點關注生產消費品的部門。AI對通脹的影響具有行業異質性，單個行業生產率的提高會降低其相對價格。當終端需求行業生產率提高時，相對價格調整主要表現為消費者價格通脹下降和投資品平減指數通脹上升。同時，當專業服務或建筑業等上游行業的生產率提高時，投資品平減指數中的通脹往往會大幅下降，而消費者價格通脹僅略有下降，甚至上升。

對財政可持續性的影響

目前，AI對財政可持續性的影響仍然還不明確。一方面，在所有條件相同的情況下，AI促進生產率和產出增長的提高，將導致債務負擔的減輕。另一方面，AI可能引發勞動力遷移或造成持續較高的潛在失業率，其增長紅利可能不能完全抵消未來綠色轉型或人口老齡化帶來的財政支出負擔。

AI時代下的中央銀行

中央銀行作為貨幣政策制定者和執行者，依法監督和規范商業銀行等金融機構行為，在維護經濟金融穩定和支付系統平穩運行等方面發揮著關鍵作用。隨著AI技術的普遍應用，中央銀行應高度關注AI對經濟和金融體系的影響，利用AI工具開展信息收集和統計匯編、宏觀經濟和金融分析，以更好支持政策目標實現并應對新興挑戰。

AI在央行職能中的應用

開展信息收集和統計數據匯編

貨幣政策制定需要值得信賴的高質量統計產品、服務和廣泛的數據作支撐，金融市場的復雜性對數據的粒度提出更高要求，中央銀行可在收集和傳播數據時探索應用AI工具，以提高統計流程的效率和有效性。例如大型語言模型可解鎖文本、圖像、視頻或音頻等非結構化數據源，用于補充和增強現有的數據收集。再如隔離森林具有可擴展性、異常值識別、不考慮數據分布等特征，特別適合用于中央銀行的大型和粒度數據集。通過模型自動識別潛在的異常值，然后由專家進行審查以完善算法，平衡了AI自動化優勢和人力投入的成本，可以克服“黑箱”機器學習模型缺乏“可解釋性”的問題。

支持宏觀經濟和金融運行分析

中央銀行廣泛依賴宏觀經濟和金融分析來跟蹤和判斷貨幣政策執行情況。AI可以更有效地識別數據中的模式，從大量的傳統和非傳統數據源中高效地提取信息，實時分析經濟指標，幫助中央銀行更及時地進行決策。此外，利用AI可以分析社媒觀點的語境，跟蹤中央銀行貨幣政策在公眾中的可信度。例如神經網絡可以將服務業通脹分解為不同的組成部分，揭示有多少通脹是由于過去的價格上漲、通脹預期、產出缺口或國際價格造成的。再如隨機森林模型可以識別與價格相關的社媒發帖，將其輸入到另一個隨機森林模型中，該模型可將每個帖子進行通貨膨脹、通貨緊縮或其他預期等具體分類；基于金融新聞微調的開源大型語言模型可以處理企業家、經濟學家和市場專家的采訪文本，形成積極或消極的情緒指數，用于實時預測GDP增速。

監督支付系統

正確識別異常支付對于及時解決潛在銀行倒閉、網絡攻擊或金融犯罪等問題至關重要，大量的交易數據給區分可疑交易和正常交易帶來了挑戰。中央銀行可以在預警模型中采用AI技術，審查被監管對象報送的信息，有助于判斷金融機構是否合規運行，盡早識別與金融市場基礎設施相關的金融穩定風險。例如國際清算銀行創新中心的極光項目使用合成洗錢數據來比較各種傳統和機器學習模型對欺詐性支付的識別效率。研究發現，機器學習模型優于大多數司法管轄區流行的基于規則的方法或傳統的邏輯回歸，其中，以支付關系作為輸入指標的圖形神經網絡能精準識別可疑交易網絡。

監管金融機構

AI對中央銀行維護金融穩定和開展宏觀審慎監管形成支撐。一方面，機器學習和AI技術的優勢是識別橫截面中的模式，特別適用于大樣本中識別金融和非金融公司的風險橫截面。例如在低流動性和市場失靈時期，AI可以通過更好地監控跨市場的異常情況來幫助經濟預測。另一方面，將AI技術與人工監管協同融合是支持宏觀審慎監管的關鍵。系統性風險表現為罕見但代價高昂的突發事件，數據的稀缺和金融危機的獨特性限制了數據密集型AI模型的獨立使用，結合人類專業知識和經濟推理來分析經濟周期，中央銀行能更全面、理性地對經濟運行情況形成認識。當數據集足夠充分時，AI可幫助構建早期預警指標，提醒監管者關注與系統風險相關的新壓力點。

央行使用AI所面臨的挑戰

模型透明度不高

在短期內，央行使用外部AI模型可利用私營部門公司的相對優勢，更具成本效益。然而，對外部模型的依賴會降低透明度，并使中央銀行過于依賴少數外部提供商，損害市場公信力，造成聲譽風險。

數據的可用性有限

AI模型中采用的非結構化數據往往由個人和和公司創建，并存儲于私營部門，商業數據的成本明顯增加，供應商施加了嚴格的使用條件，有時幾乎沒有公開的文檔。使用AI模型在法律框架和數據隱私方面提出了新的挑戰。例如大型語言模型的訓練或微調可能需要大量數據，這些數據可以通過市場平臺或社交媒體上抓取獲得，但法律框架未明確此類數據使用目的是否合法，使用非結構化個人數據也引發了對隱私的擔憂。

成本預算和專業人才受限

采用AI對中央銀行在信息技術和人力資本方面的投資產生了深遠影響。一方面，采購足夠的計算能力軟件并培訓現有員工，涉及高昂的前期成本。另一方面，AI編程人才的市場化需求較高，政府部門難以提供與私營部門頂級數據科學家相匹配的工資，雇用新員工或留住具有編程技能的現有員工具有挑戰性。國際清算銀行對主要央行網絡安全專家進行的專題調查顯示，中央銀行在評估將生成式人工智能融合到現有網絡安全系統中遇到最具挑戰的問題是缺乏精通人工智能編程和網絡安全的專業人才。

政策建議

中央銀行應在充分利用AI優勢的同時，防范潛在風險。建議加強中央銀行間合作，加強資源共享，健全AI使用規則體系。

一是加速集成AI領域的資源和知識，緩解收集、存儲和分析大數據、開發算法以及訓練模型的資源限制。對于人員和資源較少、規模經濟有限的中央銀行而言，可以通過共享精細數據、聯合采購等方式，來解決商業數據成本上升的問題。通過舉辦AI研討會、在會議上分享經驗等方式，有助于加強員工能力建設，確定AI的前沿領域并放大合作的協同效應。

二是加強數據和模型共享。首先，中央銀行可考慮建立通用數據標準，以促進公開可用數據的訪問，加速各種官方來源的自動收集，從而增強機器學習模型的訓練和性能。其次，可建立專門的存儲庫向公眾或其他中央銀行共享數據工具的開源代碼。例如國際清算銀行的Open Tech等平臺，支持在共享統計和財務軟件方面的國際合作與協調。最后，可考慮在中央銀行間共享適應領域或微調的AI模型，確保即使存在數據保密性問題，仍然可以調用AI模型。

三是建立健全的數據治理框架，制定選擇、實施和監控數據和算法的指導方針。數據治理框架應包括充分的質量控制，并涵蓋數據管理和審計實踐。同時，要高度重視元數據的治理，參考“可查找、可訪問、可互操作、可重用”原則，加快推進元數據標準化，以減輕共享數據和算法的負擔，增強機器可讀性。

（本文由李研妮、陶黎編譯自國際清算銀行2024年年度經濟報告第三部分《人工智能與經濟：對中央銀行的影響》。李研妮為中國人民銀行重慶市分行金融研究處調研員，陶黎為中國人民銀行合川分行科員。責任編輯/周茗一）