内容提要
人工智能近年来快速发展,可能对宏观经济和金融稳定产生广泛而深刻的影响。央行可以善用人工智能,以实现政策目标,但需应对模型和数据两大挑战。为此,央行应通过合作加强人才队伍建设,改善数据治理。
一、人工智能的发展
近几十年来人工智能快速发展。人工智能指具备类似人类智慧的计算机系统。人工智能最早可追溯至二十世纪50年代的机器学习（machine learning）技术，即通过识别数据规律来进行预测和决策。机器学习的快速进步奠定了现有人工智能模型的基础。
2010年以来，深度学习（deep learning）借助神经网络技术加快了人工智能的发展。面部识别和语音助手是深度学习技术在日常生活中最常见的应用。神经网络的主要组成部分是人工神经元。人工神经元可以接受多个输入值，并将其转换为一组易于分析的数字输出。神经元可以层层堆叠，上一层的输出值被作为下一层的输入值。神经元的层数是神经网络的深度，决定不同神经元间链接强弱程度的权重被称为参数。训练、改进神经网络的过程，被称为学习。在学习过程中，神经网络的参数会不断改进。神经网络的层数越多，需要的训练数据越多，预测也就更准确。
深度学习的优势是可以处理非结构化数据。深度学习模型将定性数据、分类变量和可视化数据“嵌入（embedding）”到向量中。向量之间的距离代表着向量之间的相似性。例如，“大”和“最大”构成的向量与“小”和“最小”构成的向量有相似之处。借助相关模型，深度学习可以在词与词之间构建向量，寻找词汇之间的关联，并进行代数化处理。
大语言模型的出现使神经网络能够根据整个上下文去理解一个单词，使人工智能成为一个通用系统。大语言模型可以有效评估文档中的单词和上下文，并分辨具有多层含义的单词。例如，“bond”可以指固定收益证券、联系或链接，也可以指优秀间谍James Bond。大语言模型是生成式人工智能的主要应用，即能够根据自然语言生成文本、图像和音乐等内容，用户无需编程或对模型进行训练。
人工智能的进步主要得益于数据和算力，其应用遵循J型曲线。训练数据越多，模型能力越强，越需要强大的算力，用于人工智能的算力几乎每六个月就翻一番，这意味着只有少数公司可以提供尖端的大语言模型。人工智能有望成为下一个通用技术，对生活和经济的影响可能快于预期。通用技术的应用通常遵循J型曲线：一开始很慢，但最终会加速。
大语言模型存在一些缺陷。一是对基本的逻辑推理缺乏理解。大语言模型可以完成之前见过的填字游戏，但当同样的游戏出现一些无关紧要的细节变化时，大语言模型就会失败，这说明模型并未理解游戏的真正逻辑。二是幻觉问题。大语言模型可能呈现错误的答案，并捏造第二手资料来支持它生成的答案。这是因为大语言模型只能根据输入变量输出统计学上可信的词汇，但统计学上可信的词汇在事实上未必是正确的。
二、人工智能对金融系统的影响
人工智能主要应用于支付、信贷、保险和资产管理四大金融领域。通过在后端处理、监管合规、欺诈监测和客户服务中发挥积极作用，人工智能可以提高金融交易的效率并降低交易成本。
一是在支付领域，人工智能可用于代理行的客户验证（KYC）和反洗钱（AML）等业务。代理行提供交易结算、支票清算和外汇清算等服务，在促进跨境支付方面发挥了关键作用。随着KYC和AML要求更加严格，银行逐步退出代理行业务，导致全球支付系统支离破碎。人工智能可以优化代理行的KYC和AML流程，帮助代理行分析客户的合规以及声誉风险、对交易对手进行尽职调查、监测交易活动和异常行为，从而降低代理行的成本和风险。
二是在信用评估和贷款领域，人工智能可以通过分析贷款人的消费、租金等财务数据以及教育经历、购物习惯等非财务数据更好地评估贷款人的违约风险。对于平常较少使用金融服务的客户，其信用评分难以说明实际违约概率，人工智能可通过分析非财务数据识别其中的高质量客户，从而促进普惠金融。
三是在保险领域，人工智能在风险评估和定价方面有很多运用。例如，使用人工智能来自动分析图像和视频，以评估自然灾害造成的财产损失，评估损害索赔是否符合实际损害。
四是在资产管理领域，人工智能被用于预测收益、权衡风险回报和优化投资组合。大语言模型可以提取难以从现有数据中辨别的信息，如公司质量或投资者偏好，从而更好地判断投资组合的风险收益。
此外，在金融安全方面，金融机构正在使用人工智能加强欺诈检测和识别安全漏洞。调查显示，全球约70%的金融服务公司正在使用人工智能增强现金流预测、改善流动性管理、调整信用评分和改进欺诈检测。
人工智能也给金融体系带来了新的挑战。一是生成式人工智能极大增强了黑客编写钓鱼邮件和恶意软件的能力，给金融业带来更大的欺诈风险。二是增加网络风险的来源。例如，犯罪分子可要求大语言模型以讲睡前故事的形式，透露危险爆炸物的制作方式。犯罪分子还可以对训练人工智能的数据或训练过程进行恶意篡改，从而影响人工智能输出的可信度。三是可能引发偏见和歧视问题。用于训练人工智能数据可能存在偏见和不准确性，从而导致不公正的决策，将一些群体排除在金融市场之外。此外，人工智能的算法黑箱和幻觉问题可能带来隐私和法律风险。四是对第三方服务过度依赖的风险。由于开发和训练人工智能模型需要大量的数据和前期投入，只有少数公司能够提供尖端的大语言模型。这些公司出现任何故障或遭到网络攻击将给大量金融机构带来风险。五是对少数几个算法的依赖可能导致金融稳定风险。金融机构使用相同算法会加剧羊群效应、流动性囤积、挤兑和资产甩卖，从而放大顺周期性和市场波动，也违反了关于市场操纵行为的监管要求。
表1 人工智能带给金融行业的机遇和挑战
资料来源：国际清算银行（BIS）
三、央行应驾驭人工智能用于实现政策目标
大语言模型和人工智能可用于信息收集、统计汇编、宏观经济和金融分析，以支持货币政策以及金融风险监测和监管活动。BIS创新中心的Aurora项目通过模拟洗钱活动的合成数据集，以比较多种机器学习模型在银行、国家和跨境层面的表现。此外，Agorá项目汇集七家央行和私营部门参与者，将央行数字货币和代币化存款汇集在一个可编程平台上，把报文和账户更新合并为一次操作，实现了支付流程自动化。
表2 BIS的人工智能项目
资料来源：BIS
央行可利用人工智能开展以下几方面工作：
一是实时预测（nowcasting），即利用实时数据预测经济，从而提高预测的准确性和及时性，特别是在市场波动加剧时期。大语言模型和生成式人工智能解决了央行在实时预测上面临的两方面挑战，一方面是实时数据的可用性有限，另一方面是要针对不同的具体任务对模型进行训练。例如，已经被大量金融新闻训练过的大语言模型可以从社交媒体、企业或银行的财务报告中提取信息，生成市场情绪指数（sentiment index），并利用该指数来预测金融条件和经济衰退的可能性。
二是利用细颗粒度数据跟踪行业和地区发展。人工智能可利用招聘信息和在线零售商的数据来分析不同职业和行业的薪资情况和就业动态，利用大气污染和夜间灯光数据预测短期经济活动，利用电力消耗数据揭示不同地区和行业的工业生产情况，从而帮助央行了解劳动力市场发展动态、企业资本支出和生产情况以及商品和服务的供需变化。
三是更好地了解导致通胀的因素。与传统的计量经济模型相比，神经网络可以处理更多的输入变量，处理详细的数据集，并反映复杂的非线性关系，在通胀快速变化期间提供有价值的分析。
四是使用机器学习和人工智能在大样本量中识别和理解风险。例如，在流动性不足和市场功能失调时期，人工智能可以更好地监测整个市场的异常情况，从而帮助央行预判风险。通过人工智能，央行能够利用更丰富的结构化和非结构化数据，数据收集和分析速度大幅提高。
四、人工智能的宏观经济影响
人工智能有望提高生产率。研究表明，人工智能提高了客户支持、写作等需要认知能力的任务的生产率，还可推动产品创新，从而提高销量、就业和企业市值，特别有利于中小企业。
人工智能可以影响总需求和总供给。在供给侧，人工智能通过激发创新推动未来生产率增长，从而提高总供给。在需求侧，人工智能将拉动投资和基建，公司已在IT基础设施上大量投资，并将人工智能模型整合到运营中。2023年，全球在人工智能上的支出超过1500亿美元。人工智能还可以提高消费者寻找产品和服务的能力，并帮助公司更有效地投放广告和进行产品定位，通过减少搜索摩擦和提高匹配效率来刺激消费。
人工智能对不同行业和职业的影响不同。需要逻辑推理的工作将会受益。比如，在人工智能的帮助下，医护人员可以更精准地解读X光片。但是文件收纳、索赔处理和回复标准化邮件等工作将被大语言模型替代，这可能导致就业下降和工资增长放缓。BIS货币政策与经济部和纽联储的调查表明，男性、受教育程度较高的个人或收入较高的人认为，他们将比女性和受教育程度或收入较低的人从使用人工智能中获益更多。
人工智能将通过多种渠道影响通胀。一是人工智能影响价格形成机制。大型零售商在网络销售的定价过程中广泛使用人工智能，大幅提高了定价的统一性和调整价格的灵活性，外部冲击可以更快、更完全地传递到价格水平上。二是人工智能对通胀的具体影响取决于家庭和企业对人工智能未来收益的预期。如果大部分家庭没有预期到人工智能将增加其收益，只是适度增加当期消费，人工智能在短期内将起到抑制通胀的作用。如果家庭预期到未来收益并大幅增加消费，人工智能在短期内将会推高通胀。但无论何种情形，随着经济产能扩张和工资上涨，对资本和劳动力的需求都将稳步增长，从而推高通胀。三是人工智能对通胀的影响也取决于就业状况。如果劳动者技能不匹配程度升高，那么就业增长将会放缓，消费和总需求下降，通胀反而被抑制。
人工智能可能会加剧经济不平等。人工智能替代的岗位可能超过其新创造的岗位，从而加剧收入不平等。“数字鸿沟”可能扩大，老年人等缺乏技术或不懂数字产品的群体将进一步被边缘化。
人工智能对财政可持续性的影响仍存在不确定性。人工智能可提振生产率和经济增速，这有助于减轻政府的债务负担，但高增长将带来高利率，再加上可能需要财政支出应对人工智能导致的失业和再就业等问题，人工智能对财政前景的影响可能较为温和。此外，人工智能对财政前景带来的有利影响不太可能完全抵消绿色转型和人口老龄化带来的财政负担。
五、央行应采取的行动
央行部署人工智能时必须应对好模型和数据两大挑战。模型方面，短期内使用外部模型可能更具成本效益，但央行依赖少数外部供应商可能带来运营风险。数据方面，央行是数据的使用者、编制者和传播者，不可避免地要解决数据获取、使用和治理等方面的挑战。同时，使用商业数据的成本显著增加。
决定使用外部还是内部模型和数据，对央行的财务和人力资本具有显著影响。央行自己收集或生产数据、购买算力、研发软件和培训员工都需要高昂的前期成本。由于公共机构对顶级人工智能人才的薪酬往往无法与私营部门相匹配，央行在人才队伍建设中面临挑战。
鉴于此，央行需要加强协作。一是通过共享细粒度数据和联合采购，解决商业数据成本上升问题。举办人工智能经验分享，促进对员工的培训。二是建立通用数据标准，促进对公开数据的访问。三是加强数据收集和传播。例如，BIS对国际银行、债务证券、外汇及场外衍生品的统计可用于监测全球金融体系发展和风险；可共享巴塞尔银行监管委员会收集的定量影响研究数据等。四是建立健全数据相关治理框架，包括质量控制、数据管理和审计等。
*本文为国际清算银行（BIS）2023年经济年报的第三章，原作者为Hyun Song Shin。原文见https://www.bis.org/publ/arpdf/ar2024e3.htm。本刊获BIS授权许可编译刊发，中文译稿非BIS官方译稿。
作者：益言 编译
