AI对经济金融的影响及中央银行面临的挑战及对策

AI对金融系统的影响

受数据高度集中、技术认知水平高等因素影响，AI的崛起为金融行业带来机遇和挑战。总体上，AI在支付、借贷、保险、资产管理四个关键领域大幅提高效率并降低后端管理、法律合规、欺诈检测和客户服务的成本，但带来网络安全、运营管理以及金融稳定性风险三方面挑战。

AI为金融系统带来的机遇

支付领域

丰富的交易数据使AI模型能够克服支付领域长期存在的痛点，通过以下三种方式改进客户尽职调查和反洗钱流程，有望扭转代理银行业务的下滑：一是提升了解客户合规和声誉风险的能力。二是对交易对手开展尽职调查。三是分析支付模式和检测可疑情况。此外，AI通过快速自动化检测数据模式，有效降低交易成本和风险。调查显示，全球约70%的金融服务公司正在使用AI来增强现金流预测、改善流动性管理、微调信用评分和改进欺诈检测。

借贷领域

AI通过利用非结构化数据极大地提高信用评分，有利于增强金融包容性。在传统借贷模式中，贷款方依赖标准化信用评分，结合贷款价值比或债务收入比等易于获取的数据决定是否发放贷款。基于AI的工具使贷款方可使用替代数据评估个人信用，显著改善违约预测。具体替代数据包括消费者的银行账户交易以及租金、公用事业和电信支付数据，也包括借款人的教育背景或在线购物习惯等非财务数据。通过纳入非结构化数据，AI可助力挖掘信用评分较低但仍实际具有高质量的借款人。

保险领域

AI广泛应用于风险评估和定价领域，并将在评估不同类型的风险方面发挥越来越重要的作用，承保人、精算师或理赔员将受益于AI在综合索赔生命周期中收集的通话记录、笔记、法律和医疗文件等数据。例如公司可使用AI自动分析图像和视频，以评估自然灾害造成的财产损失；在合规性的背景下，判断损害索赔是否与实际损害相符等等。再如部分保险公司正在试验AI方法，通过污染排放航空图像的识别和量化来评估气候风险。

资产管理领域

AI模型用于预测回报、评估风险回报率以及优化投资组合配置，优于仅依赖财务数据的传统模型，可以更好地理解投资组合的风险回报属性。例如大型语言模型可以识别金融数据中的不可观察特征（即资产嵌入），让市场参与者能够获取公司质量或投资者偏好等难以从现有数据中辨别的信息。此外，AI模型的算法交易优势能快速分析海量数据，投资者可以享受更快、更准确的信息以及更低的管理成本。

AI对金融系统的挑战

网络安全风险

一方面，对AI的依赖加剧了人们对网络攻击的担忧。生成式人工智能可显著提升可信的网络钓鱼电子邮件或恶意软件的编写能力，黑客可利用AI窃取有价值的信息或公司加密文件来获取赎金。此外，生成式人工智能允许黑客模仿个人写作风格、声音或创建虚假头像，可能导致网络钓鱼攻击急剧增加，使金融机构及其客户面临更高的欺诈风险。另一方面，AI引入了全新的网络风险源。例如大型语言模型容易遭受提示语注入（Prompt injection）攻击，攻击者输入恶意数据使模型识别为合法命令，以非预期的方式运行模型导致敏感信息泄露。再如数据中毒攻击通过恶意篡改训练AI模型的数据，故意引入恶意软件，使AI模型无法检测到网络钓鱼电子邮件，以损害其完整性或功能。随着越来越多的应用程序使用大型语言模型创建的数据，此类攻击可能会产生严重后果，增加金融机构的运营风险。

运营风险

一是引发偏见和歧视问题。AI模型只是一种工具，如果其训练数据存在偏见和不准确，则将带来不公正的决策。例如在金融产品授信审批时，将部分群体排除在外，并通过算法歧视固化获得信贷的差距。二是金融机构面临数据隐私保护要求，增加了采用AI的法律风险。AI模型的黑箱属性缺乏可解释性，且存在“幻觉问题”，将放大相关风险。三是过度依赖少数AI模型提供商，增加了第三方依赖风险。AI模型的开发需要大量前期投资来建设数据存储设施、雇佣和培训员工、收集和清理数据以及开发或完善算法，后续的边际成本较少。该特征导致在采集、存储和分析数据方面已经具有优势的公司可以提供训练有素的AI工具，并随着工具的采用强化数据和技术优势，最终只有少数公司能提供前沿的大型语言模型。金融机构对模型提供商的依赖将导致网络风险的高度集中和跨行业传染。

金融稳定风险

市场参与者对少数算法的依赖可能会导致金融稳定的风险。这源于人工智能在整个金融系统中的普遍采用，以及无需人工干预快速做出独立决策的能力不断增强。金融机构使用相同算法会加剧羊群效应、流动性降低、挤兑和甩卖，从而放大顺周期性，加剧市场波动。使用相同训练数据集的相似算法也可能导致类似的建议或彻底的共谋结果，这样的结果将与反对市场操纵法规相悖。此外，AI会加速产品的创新开发和运用，可能滋生新的不确定性。

AI对宏观经济的影响

AI技术的应用让企业和用户受益于自动化的任务处理，直接促进了生产率增长，并刺激企业进一步投资，通过对劳动力市场的重新调整，从收入分配和就业影响消费和总需求，进而影响通胀和总产出。

对劳动生产率的影响

AI通过两种渠道提高劳动生产率。一是直接提高工人的生产力。有研究表明，访问基于生成式人工智能的对话助手可将客户工作效率提高14%。对于受过大学教育的专业人士而言，ChatGPT让写作耗时减少40%，输出质量提高18%，大幅提高了生产率。二是通过提高工作的认知效率进一步刺激创新，从而间接促进未来生产率增长。从定量看，AI对生产率增长的综合效应需要汇总特定行业的生产率增长数据，具体取决于AI在所有经济部门被采用和传播的程度。不同的研究估计了AI对未来10年劳动生产率增长的影响，范围从1到1.5个百分点不等。

对投资、消费、产出和通胀的影响

投资方面

企业目前已逐渐加强对IT基础设施的投资，并将 AI模型纳入日常运营。2023年，全球AI投资支出超1500亿美元；对美国公司行业技术官员的调查显示，近五成将AI作为未来几年的首要预算项目。同时，AI技术的采用将以低成本减少不确定性并实现更好的决策，进而刺激新一轮投资。

消费方面

AI可以让消费者与产品服务更好匹配，有助于企业向消费者开展定点营销和个性化服务。此外，AI还通过就业和工资收入调整对家庭消费产生影响。AI对劳动力市场产生替代和互补效应。一方面，AI的自动化意味着机器可替代人工。另一方面，任务的自动化处理将提高生产力，供给的增加将推动物价下跌进而拉动需求增长，并增加对非自动化任务的劳动力需求，刺激工资增长。总体上，AI对就业的净效应由工作属性和职业决定。净替代效应情况下，AI将降低家庭收入，减少消费；净互补效应下，AI将创造工作机会，增加家庭收入，促进消费增长。

产出和通胀方面

国际清算银行的一项研究通过构建行业层面的AI暴露指数代表不同职业中AI的重要性，运用动态随机一般均衡模型评估了AI对总产出和通胀的影响，并进一步对单个行业的产出和通胀变化进行分析。报告假设了两种情形：一是“意外”情形。家庭和企业认可AI对当前生产力的影响，并据此形成对未来消费、通胀和产出路径的预期，但未预见AI的发展会提高生产力。二是“预期”情形。家庭和企业既认可AI对生产力的当前影响，还预测到未来生产力的增长，能更快适应AI带来的生产率变化。在“意外”情形下，AI在短期和长期内显著提高了总产出、消费和投资，反映出生产率增长对经济的积极影响，GDP在前10年内增长最快，总产出较未采用AI时扩张近三成，短期内通胀水平呈现下降趋势，4年后，消费和投资增长提高了总需求，进而推升通胀，通胀率峰值较未采用AI的水平高出约0.75个百分点。在“预期”情形下，家庭和企业充分预测到AI对当今和未来生产力的影响，倾向于立即增加消费，推迟投资，短期内总产出增长将低于“意外”情形。对未来生产率提高的预期导致需求增加，AI的采用最初会导致通货膨胀，随着投资逐渐增加，总产出提高，通胀水平才趋于收敛。分行业看，AI具有通用技术特征，采用AI技术的所有行业附加值产出都有所提高。一方面，单个行业附加值产出的长期增长与采用AI技术的先后顺序无明显关系，但产出增长具有行业异质性，制造业和房地产服务业附加值产出增长近五成，而教育和管理服务业增长约两成，总体上，第一产业和第二产业的附加值产出增幅最大。另一方面，选择合适的行业采用AI技术对总产出将产生重要影响。相较于中间品部门，当AI的影响集中在消费品部门时，总产出可增长一倍。因此，鼓励企业采用AI政策应重点关注生产消费品的部门。AI对通胀的影响具有行业异质性，单个行业生产率的提高会降低其相对价格。当终端需求行业生产率提高时，相对价格调整主要表现为消费者价格通胀下降和投资品平减指数通胀上升。同时，当专业服务或建筑业等上游行业的生产率提高时，投资品平减指数中的通胀往往会大幅下降，而消费者价格通胀仅略有下降，甚至上升。

对财政可持续性的影响

目前，AI对财政可持续性的影响仍然还不明确。一方面，在所有条件相同的情况下，AI促进生产率和产出增长的提高，将导致债务负担的减轻。另一方面，AI可能引发劳动力迁移或造成持续较高的潜在失业率，其增长红利可能不能完全抵消未来绿色转型或人口老龄化带来的财政支出负担。

AI时代下的中央银行

中央银行作为货币政策制定者和执行者，依法监督和规范商业银行等金融机构行为，在维护经济金融稳定和支付系统平稳运行等方面发挥着关键作用。随着AI技术的普遍应用，中央银行应高度关注AI对经济和金融体系的影响，利用AI工具开展信息收集和统计汇编、宏观经济和金融分析，以更好支持政策目标实现并应对新兴挑战。

AI在央行职能中的应用

开展信息收集和统计数据汇编

货币政策制定需要值得信赖的高质量统计产品、服务和广泛的数据作支撑，金融市场的复杂性对数据的粒度提出更高要求，中央银行可在收集和传播数据时探索应用AI工具，以提高统计流程的效率和有效性。例如大型语言模型可解锁文本、图像、视频或音频等非结构化数据源，用于补充和增强现有的数据收集。再如隔离森林具有可扩展性、异常值识别、不考虑数据分布等特征，特别适合用于中央银行的大型和粒度数据集。通过模型自动识别潜在的异常值，然后由专家进行审查以完善算法，平衡了AI自动化优势和人力投入的成本，可以克服“黑箱”机器学习模型缺乏“可解释性”的问题。

支持宏观经济和金融运行分析

中央银行广泛依赖宏观经济和金融分析来跟踪和判断货币政策执行情况。AI可以更有效地识别数据中的模式，从大量的传统和非传统数据源中高效地提取信息，实时分析经济指标，帮助中央银行更及时地进行决策。此外，利用AI可以分析社媒观点的语境，跟踪中央银行货币政策在公众中的可信度。例如神经网络可以将服务业通胀分解为不同的组成部分，揭示有多少通胀是由于过去的价格上涨、通胀预期、产出缺口或国际价格造成的。再如随机森林模型可以识别与价格相关的社媒发帖，将其输入到另一个随机森林模型中，该模型可将每个帖子进行通货膨胀、通货紧缩或其他预期等具体分类；基于金融新闻微调的开源大型语言模型可以处理企业家、经济学家和市场专家的采访文本，形成积极或消极的情绪指数，用于实时预测GDP增速。

监督支付系统

正确识别异常支付对于及时解决潜在银行倒闭、网络攻击或金融犯罪等问题至关重要，大量的交易数据给区分可疑交易和正常交易带来了挑战。中央银行可以在预警模型中采用AI技术，审查被监管对象报送的信息，有助于判断金融机构是否合规运行，尽早识别与金融市场基础设施相关的金融稳定风险。例如国际清算银行创新中心的极光项目使用合成洗钱数据来比较各种传统和机器学习模型对欺诈性支付的识别效率。研究发现，机器学习模型优于大多数司法管辖区流行的基于规则的方法或传统的逻辑回归，其中，以支付关系作为输入指标的图形神经网络能精准识别可疑交易网络。

监管金融机构

AI对中央银行维护金融稳定和开展宏观审慎监管形成支撑。一方面，机器学习和AI技术的优势是识别横截面中的模式，特别适用于大样本中识别金融和非金融公司的风险横截面。例如在低流动性和市场失灵时期，AI可以通过更好地监控跨市场的异常情况来帮助经济预测。另一方面，将AI技术与人工监管协同融合是支持宏观审慎监管的关键。系统性风险表现为罕见但代价高昂的突发事件，数据的稀缺和金融危机的独特性限制了数据密集型AI模型的独立使用，结合人类专业知识和经济推理来分析经济周期，中央银行能更全面、理性地对经济运行情况形成认识。当数据集足够充分时，AI可帮助构建早期预警指标，提醒监管者关注与系统风险相关的新压力点。

央行使用AI所面临的挑战

模型透明度不高

在短期内，央行使用外部AI模型可利用私营部门公司的相对优势，更具成本效益。然而，对外部模型的依赖会降低透明度，并使中央银行过于依赖少数外部提供商，损害市场公信力，造成声誉风险。

数据的可用性有限

AI模型中采用的非结构化数据往往由个人和和公司创建，并存储于私营部门，商业数据的成本明显增加，供应商施加了严格的使用条件，有时几乎没有公开的文档。使用AI模型在法律框架和数据隐私方面提出了新的挑战。例如大型语言模型的训练或微调可能需要大量数据，这些数据可以通过市场平台或社交媒体上抓取获得，但法律框架未明确此类数据使用目的是否合法，使用非结构化个人数据也引发了对隐私的担忧。

成本预算和专业人才受限

采用AI对中央银行在信息技术和人力资本方面的投资产生了深远影响。一方面，采购足够的计算能力软件并培训现有员工，涉及高昂的前期成本。另一方面，AI编程人才的市场化需求较高，政府部门难以提供与私营部门顶级数据科学家相匹配的工资，雇用新员工或留住具有编程技能的现有员工具有挑战性。国际清算银行对主要央行网络安全专家进行的专题调查显示，中央银行在评估将生成式人工智能融合到现有网络安全系统中遇到最具挑战的问题是缺乏精通人工智能编程和网络安全的专业人才。

政策建议

中央银行应在充分利用AI优势的同时，防范潜在风险。建议加强中央银行间合作，加强资源共享，健全AI使用规则体系。

一是加速集成AI领域的资源和知识，缓解收集、存储和分析大数据、开发算法以及训练模型的资源限制。对于人员和资源较少、规模经济有限的中央银行而言，可以通过共享精细数据、联合采购等方式，来解决商业数据成本上升的问题。通过举办AI研讨会、在会议上分享经验等方式，有助于加强员工能力建设，确定AI的前沿领域并放大合作的协同效应。

二是加强数据和模型共享。首先，中央银行可考虑建立通用数据标准，以促进公开可用数据的访问，加速各种官方来源的自动收集，从而增强机器学习模型的训练和性能。其次，可建立专门的存储库向公众或其他中央银行共享数据工具的开源代码。例如国际清算银行的Open Tech等平台，支持在共享统计和财务软件方面的国际合作与协调。最后，可考虑在中央银行间共享适应领域或微调的AI模型，确保即使存在数据保密性问题，仍然可以调用AI模型。

三是建立健全的数据治理框架，制定选择、实施和监控数据和算法的指导方针。数据治理框架应包括充分的质量控制，并涵盖数据管理和审计实践。同时，要高度重视元数据的治理，参考“可查找、可访问、可互操作、可重用”原则，加快推进元数据标准化，以减轻共享数据和算法的负担，增强机器可读性。

（本文由李研妮、陶黎编译自国际清算银行2024年年度经济报告第三部分《人工智能与经济：对中央银行的影响》。李研妮为中国人民银行重庆市分行金融研究处调研员，陶黎为中国人民银行合川分行科员。责任编辑/周茗一）