AI驱动的政策制定——宏观分析、支付系统、风险防范等核心环节：中央银行的实践指南与未来展望

论人工智能在在货币政策与金融监管中的应用：场景、挑战与治理框架

走向未来

人工智能（AI），特别是生成式人工智能（gen AI）的迅速崛起，正以前所未有的速度和深度重塑全球经济与金融体系。从大语言模型（LLM）驱动的对话式应用（如ChatGPT和DeepSeek在不到一周内吸引百万用户）到企业将其深度整合进日常运营，这场技术变革的影响已经渗透到生产、消费、投资和劳动力市场的各个角落。这些变化直接关系到通货膨胀、生产率和金融稳定等核心议题，因此，中央银行及其他金融监管机构正密切关注并积极应对这一趋势。

事实上，中央银行并非人工智能领域的新进入者。早在人工智能成为社会热点之前，许多央行就已经开始运用机器学习（ML）技术处理数据，以支持统计、研究和政策制定工作。如今，随着技术的成熟，关于人工智能应用的内部讨论在央行系统内已相当普遍。调查显示，超过60%的中央银行已在“适度”讨论AI/ML的内部使用，而超过30%的机构则进行了“广泛”的讨论。这种关注度也体现在预算分配上，预计未来三年内，将有近半数的央行计划把5%以上的预算投入到AI/ML项目中，显示出从探索到规模化应用的明确趋势。

中央银行、金融监管机构的日常工作涉及处理海量数据集和复杂的决策流程，其核心使命在于维护货币与金融稳定，并保障支付系统的完整性。新一代人工智能技术，尤其是大语言模型，为这些机构提升工作效率与决策效能开辟了新的可能性。从优化宏观经济分析到强化金融监管，人工智能的应用潜力巨大。

本文旨在系统性地梳理与剖析中央银行及其他监管机构如何利用人工智能服务于政策目标。本文主体内容基于对G20央行行长与财长会议的同名报告编译与深度解读，报告全文可以从“走向未来”【https://t.zsxq.com/xpWzq】知识星球中获取。文章首先将阐述与公共部门应用场景相关的AI核心概念，特别是机器学习；随后，将通过四个关键领域的具体案例，展示央行和监管机构如何运用大数据与机器学习技术：

1. 信息收集与官方统计编制
2. 支持货币政策的宏观经济与金融分析
3. 支付系统监管
4. 金融监管与系统性风险防范

此外，报告还将介绍国际清算银行（BIS）创新中心在相关领域的前沿项目。最后，报告将深入探讨在政策制定中应用人工智能所面临的挑战，包括数据治理、人力资本投入、技术设施建设等，并总结实践中获得的经验教训。一个核心的观点是，面对共同的挑战，加强机构间的合作与经验共享，是发挥规模效应、降低技术与人力成本的关键路径。

AI核心技术：赋能政策制定的工具箱

人工智能作为一个广阔的领域，其发展历程充满了技术突破。当前驱动其在政策领域应用的核心，是机器学习（ML）的一系列技术。与遵循明确编程指令的传统计算机程序不同，机器学习模型通过从数据中学习模式来进行预测或辅助决策。其核心目标是在样本外（即未用于训练的数据）做出准确预测，而不过分纠结于预测过程的具体解释。

机器学习（Machine Learning）

机器学习是人工智能的一个核心分支，它使计算机系统能够从经验（数据）中学习并改进。在模型的训练阶段，系统会接收历史数据并调整其内部参数，以拟合观测到的结果。这一过程的目标是实现泛化，即模型能够基于全新的、未见过的数据做出准确预测。机器学习技术尤其擅长在庞大而复杂的数据集中大海捞针，识别出传统分析方法难以捕捉的模式。

树模型：随机森林与隔离森林

在政策应用中，基于决策树的模型（如随机森林）因其灵活性和高性能而被广泛使用。决策树通过一系列规则，将数据逐步划分到更精细的类别中。例如，一个模型可能首先将人群分为“有大学学位”和“无大学学位”，然后根据“工作年限”进一步细分，最后再按“行业”划分。通过这种方式，模型可以识别特定群体与目标变量（如收入水平）之间的关系。

随机森林通过构建并结合多个决策树来提升预测的准确性和稳健性，有效降低了单个决策树可能出现的过合风险。隔离森林（也叫孤立森林）作为随机森林的一种变体，专门用于识别数据中的异常值。它通过随机分割数据来隔离离群点，那些更容易被分离出来的点更有可能是异常值。这些方法不仅是强大的预测工具，也是探索数据模式、进行分类和识别异常的重要技术。

深度学习与神经网络

深度学习是机器学习的一个更深层次的子领域，它使用受人脑结构启发的神经网络模型。这些网络由称为人工神经元的简单计算单元层层连接而成。输入数据由第一层处理，其结果传递给下一层，如此反复，直至产生最终输出。网络的深度指的是其层数，更深的网络虽然需要更多的训练来微调参数，但通常能实现更高的预测精度。

深度学习的一个关键优势是其处理非结构化数据的能力，如文本和图像。模型可以将这些非结构化数据映射为数字数组（即嵌入），从而使其能够进行数学上的比较和操作。

生成式人工智能与大语言模型（LLM）

进入21世纪20年代，随着大型模型和生成式人工智能的出现，AI发展显著加速。生成式AI应用能够理解人类的自然语言指令（提示），并灵活生成类似人类创作的文本、图像或视频。这得益于2017年Transformer架构的诞生，该架构通过其独特的自注意力机制，极大地提升了神经网络处理自然语言的能力。

Transformer架构的核心在于，它能够高效捕捉文本序列中的长距离依赖关系【关于Transformer，建议阅读珠峰书《知识图谱：认知智能理论与实战》，该书第三章详细解析了Transformer架构】。简而言之，注意力机制允许模型在处理一个词时，同时考虑文本中所有其他词与它的关系，从而深刻理解上下文。例如，模型能够区分“摇滚”（rock music）和“巨石强森”（The Rock）这两个“rock”的不同含义，因为它关注了周围的“音乐”、“披头士”或“奥斯卡”、“电影”等词语。

正是基于Transformer架构，大语言模型（LLM）得以构建。它们通过在海量文本数据上进行训练，学会了生成、总结或翻译语言的强大能力。更重要的是，LLM具备所谓的少样本（few-shot）甚至零样本（zero-shot）学习能力，即在仅有少量甚至没有示例的情况下，也能准确完成新任务。例如，一个为预测下一个词而训练的LLM，可以被直接用于预测时间序列数据，而无需进行大量针对性的模型调整。这种通用性和灵活性是其在政策分析领域展现出巨大潜力的关键原因。

实践与应用：中央银行与监管机构的人工智能用例

中央银行和监管机构已在四个核心职能领域广泛部署人工智能技术。早在生成式AI兴起之前，无论是发达经济体（AEs）还是新兴市场经济体（EMEs）的央行，都已在经济研究、货币政策、金融稳定和统计编制等领域应用大数据和人工智能。

1. 信息收集与官方统计编制

高质量的数据是经济分析和政策制定的基石。然而，央行在收集和处理数据时面临着巨大挑战，包括数据清洗（如识别异常值和错误条目）、确保数据代表性以及将新数据与现有时间序列对齐。随着数据量和复杂性的爆炸式增长，传统的数据质量控制方法已难堪重负。

为此，中央银行越来越多地采用机器学习技术来提升数据质量。隔离森林因其可扩展性强、且能有效处理各种数据分布形态，特别适用于央行持有的大规模、高颗粒度的数据集。例如，该技术已被用于检测央行庞大的衍生品数据集中的异常交易记录。另一个实践是，通过将隔离森林等算法识别的异常值与人工专家识别的结果进行比对，来评估算法的有效性。这种人机协同的两步法——模型初步筛选，专家复核并反馈——既利用了机器的高效率，也保留了领域知识的价值，实现了成本与质量的平衡。

2. 支持货币政策的宏观经济与金融分析

及时获取经济数据对于即时预测（nowcasting）至关重要。由于没有任何单一指标能完全捕捉实时的经济活动，即时预测模型通常需要处理包含数十甚至数百个指标的大型数据集。传统上，这些数据来源于工业生产、采购经理人调查和信用卡支出等结构化信息，但这些数据的发布往往存在延迟。

机器学习技术通过解锁非结构化数据的价值，有效弥补了这一信息缺口。深度神经网络可以将新闻文章、社交媒体帖子、网络搜索活动甚至卫星图像等非结构化数据迅速转化为可供分析的高频时间序列。

具体应用包括：

• 实时通胀预期监测：通过运用随机森林模型，分析师可以筛选社交媒体上与价格相关的帖子，并将其分类为预示通胀上升、下降或中性。每日各类帖子的数量平衡可以构建成一个高频的通胀预期指标。
• 经济情绪指数构建：通过对金融新闻、企业家访谈等文本进行情感分析，可以构建出反映经济景气度的情绪指数。这类指数已被证明能够有效提升GDP即时预测和经济衰退概率模型的准确性。
• 通胀驱动因素分解：神经网络模型能够处理比传统计量经济学模型更多的输入变量，因此可以用来更精细地分解服务业通胀，量化其背后的惯性、预期、产出缺口或外部价格压力等因素的贡献。

为了让人工智能模型更贴近政策制定的特殊需求，领域专属的大语言模型应运而生。国际清算银行（BIS）的央行语言模型（CB-LM）项目便是一个典型例子。该项目利用BIS中央银行中心的数千份演讲稿和研究论文，对开源的基础模型进行微调。经过这种领域知识的强化训练，模型在解析货币政策术语方面的准确率从50-60%大幅提升至约90%。它能够更精准地完成分类政策立场、预测市场对政策公告的反应等复杂任务。

此外，LLM的少样本学习能力也为经济预测带来了范式转变。传统的预测模型通常高度专用化，且需要分析师手动选择输入变量并进行大量参数调整。而LLM的通用性使其能够被迅速应用于各类时间序列预测任务，且准确性不相上下，极大地提升了分析的灵活性和效率。

3. 支付系统监管

稳定高效的支付系统是金融体系的支柱。然而，海量的交易数据和复杂的交易模式使得识别洗钱等非法活动如同大海捞针。目前，金融机构主要依赖基于规则的系统来监测可疑交易，例如设置大额现金存款或向高风险地区转账的阈值。这种方法的弊端显而易见：它会产生大量的假阳性警报（超过95%的警报最终被证实是合法的），耗费了合规团队巨大的精力；同时，犯罪分子可以通过化整为零（smurfing）等手段规避简单的阈值规则。更重要的是，每个机构只能看到自己系统内的交易，无法捕捉跨越多家银行和国家的复杂洗钱网络。

为了应对这些挑战，BIS创新中心启动了极光项目（Project Aurora）。该项目旨在测试利用人工智能和隐私增强技术进行跨机构、跨境反洗钱监测的新方法。项目使用合成的洗钱数据，对比了传统规则模型与多种机器学习模型的表现。

“极光项目”的核心理念是：

• 网络化分析：项目不再孤立地看待单笔交易，而是运用图神经网络（一种适合分析网络数据的AI模型）等技术，分析交易网络的整体行为模式（如资金循环、多个账户向单一出口汇集等），从而识别出洗钱团伙的蛛丝马迹。【在珠峰书《知识图谱：认知智能理论与实战》一书第7章《知识推理》详细介绍了图神经网络，第8章《知识图谱行业应用》中介绍了知识图谱和图算法在金融领域的应用实践】
• 数据共享与隐私保护：项目通过加密和联邦学习等隐私增强技术，在保护客户敏感信息和尊重数据主权的前提下，汇集多家机构的交易数据。这使得AI模型能够获得一个全局视角，看到单个银行无法察觉的跨机构洗钱链条。

实验结果令人瞩目。与传统规则模型相比，极光项目的方法能够多发现高达三倍的复杂洗钱案件，同时将假阳性警报减少了80%。这证明了“行为分析+数据共享”模式的巨大潜力。虽然在现实世界中部署此类系统仍面临法律和技术障碍，但它为构建一个统一、高效的全球反非法金融网络雷达提供了清晰的蓝图。

4. 金融监管与系统性风险防范

金融监管机构需要处理大量非结构化数据，包括新闻报道、银行内部文件和监管审查报告。传统的人工审查方式劳动强度大，且随着数据量的增长已变得不切实际。调查显示，自动化监管流程和金融风险评估是监管机构应用人工智能最普遍的领域。

Suptech（监管科技）和Regtech（合规科技）的应用包括：

• 智能文档处理：欧洲中央银行的雅典娜项目（Project Athena）和美联储的语言提取引擎（LEX）等平台，利用自然语言处理（NLP）技术，自动对海量监管文件进行分类、情感分析和关键风险信息提取，极大地缩短了审查时间。
• 信用风险识别：巴西中央银行的ADAM系统使用树模型和神经网络，通过分析银行提交的数据，识别出那些贷款损失准备金计提不足的借款人，从而帮助监管者要求银行补充资本。
• 市场监测与压力测试：人工智能可以分析市场情绪、识别资产价格泡沫的早期迹象。在压力测试中，AI可以帮助设计更真实的危机情景，甚至通过生成式模型模拟社交媒体在银行挤兑中的影响，以评估风险在数字时代的传播速度。

国际清算银行创新中心通过一系列项目，正在积极探索AI在监管领域的应用。这些项目覆盖了从利用虚拟助手提升现场检查效率（AISE项目），到提取ESG报告中的气候风险数据（Gaia项目），再到处理网络安全文件（Raven项目），以及构建高频经济指标（Neo项目）等多个方面，为全球央行社区提供了宝贵的实验经验和可复用的工具。

更为先进的，能够真正从海量的、异构的金融数据中洞察深层的系统性风险，是需要超越依赖于文档处理和模式识别的。金融系统是一个复杂网络，实体之间（如银行、企业、交易）存在着错综复杂的关联。为了实现更深层次的、可解释的风险穿透分析，业界正在探索将大语言模型的通用能力与知识图谱的结构化推理能力相结合的前沿范式。人工智能专家王文广在其知名著作灯塔书《知识增强大模型》一书中，系统性地阐述了这一“图模互补”的新范式。正如他在书中第八章“图模互补应用范式”和第九章“知识图谱增强生成与GraphRAG”中所详述的，通过构建金融知识图谱，监管机构可以将非结构化的报告、结构化的交易数据和市场信息统一到一个全局视野下，利用图计算技术（如中心性分析、社区发现）识别风险集聚点和传导路径，再结合大模型进行自然语言的交互式查询和分析，从而实现对风险的深度洞察。对于致力于构建下一代智能监管平台的机构而言，书中第十章“知识增强大模型应用”中关于智慧金融应用场景的探讨，无疑提供了极具价值的实践蓝图。

挑战与反思：在政策领域应用人工智能的现实障碍

尽管人工智能在政策制定领域展现出巨大潜力，但其实际应用并非一帆风顺。中央银行和监管机构在拥抱这项技术的过程中，必须正视并解决一系列严峻的挑战。

1. 技术与模型风险：“黑箱”与“幻觉”

一个普遍存在的矛盾是预测准确性与模型可解释性之间的权衡。复杂的机器学习模型（尤其是深度学习模型）虽然能提供高度准确的预测，但其内部决策逻辑往往像一个黑箱，难以解释为何得出某一特定结论。这种不透明性不仅阻碍了对模型可能存在的偏见（例如，当训练数据本身就包含歧视性信息时）的审查，也使得政策沟通变得困难。监管者很难向公众清晰地解释“为什么模型的预测是通胀将上升”或“为什么一笔贷款申请被拒绝”。

对于生成式AI，这一问题因幻觉（hallucinations）风险而加剧。LLM有时会以非常自信的语气，生成完全错误或凭空捏造的信息。这是因为其本质是基于概率预测下一个最可能的词，而非进行逻辑推理。虽然模型的改进会减少幻觉的发生频率，但无法完全根除。这意味着，在需要高度准确性和逻辑严谨性的政策工作中，人类的监督和核实仍然是不可或缺的环节。

幻觉和知识陈旧是大模型的固有特性，也是其在金融、法律等严肃领域应用的核心障碍。幸运的是，这已成为人工智能领域的研究焦点，并催生了知识增强这一重要技术路线。资深人工智能专家、获得过省部级科技进步奖的王文广老师在其畅销著作灯塔书《知识增强大模型》中，开篇便深刻剖析了大模型的这一内在缺陷，并系统性地提出了解决方案。该书第四章《检索增强生成（RAG）》详细介绍了如何通过外挂知识库来减少幻觉、确保知识的实时性。对于政策制定这类需要极高可靠性的场景，仅依赖通用RAG可能还不够。王文广在书中进一步提出了更先进的图模互补范式，强调通过知识图谱（书中第五至第七章有详尽的构建与应用实战指南）为大模型提供结构化、可追溯、可推理的知识，从而从根本上提升生成内容的可解释性和可靠性。这种将外部权威知识与大模型相结合的思路，为解决政策应用中的信任赤字问题提供了关键钥匙。

2. 人力资本与组织变革：人才的争夺与文化的重塑

成功应用人工智能离不开专业人才。然而，中央银行在招聘和留住兼具经济学专业知识和数据科学技能的复合型人才方面面临巨大挑战。私营部门，特别是大型科技公司，能够提供更具竞争力的薪酬，导致公共部门在人才市场上处于不利地位。调查显示，近九成的央行认为招聘变得更加困难，尤其是在网络安全、IT、金融科技和AI/ML等领域。

为了应对这一挑战，央行需要采取灵活的人力资本策略，例如通过混合团队（永久雇员+顾问）、强调公共服务的使命感、提供接触独特数据的机会以及创造良好的培训和发展环境来吸引人才。

更深层次的挑战在于组织文化的变革。应用人工智能不仅仅是引入一个新工具，它要求机构建立一种鼓励实验、容忍失败、促进跨学科协作的文化。这需要从领导层开始推动，建立清晰的AI治理框架和伦理准则，并对现有员工进行大规模的再培训，使其适应与AI副驾驶（AI copilot）甚至自主AI智能体（AI agent）协同工作的新模式。面对日新月异的技术浪潮，对于政策制定者和相关从业人员而言，持续学习和交流显得尤为重要。在此强烈推荐您加入最具价值的知识星球“走向未来” （https://t.zsxq.com/xpWzq），在这里一起探讨生成式人工智能、大模型、AIGC、AI芯片和机器人等的前沿产品、技术和应用实践，并交流如何使用各种人工智能大模型和智能体在金融机构和监管机构的应用。

3. 数据治理与隐私问题：法律、伦理与信任的考验

人工智能的燃料是数据，但金融监管机构必须遵守严格的隐私保护标准。传统上，公共机构的数据收集和使用有明确的规则。但如今，大量有价值的数据由私人实体生成和持有，其来源、质量和使用权限往往缺乏清晰的法律界定。例如，从社交媒体或电商平台爬取数据来训练模型，可能涉及侵犯知识产权和用户隐私的法律风险。

公众对数据隐私的担忧日益增加。调查显示，消费者普遍担心个人数据被滥用或泄露，并对AI在银行、公共政策等高风险领域的信任度低于人类服务。这要求公共机构在使用AI时必须极为审慎，并大力发展和应用隐私增强技术（如联邦学习、差分隐私等）。

同时，数据来源和工具的多样化对中央银行的数据治理能力提出了更高要求。机构需要建立包括质量控制、算法审计和元数据管理在内的稳健框架。推动数据标准化（如FAIR原则：可发现、可访问、可互操作、可重用）和加强机构间合作（如通过SDMX标准），对于促进安全的数据共享、降低合规成本至关重要。

4. 运营与系统性风险：供应商集中与网络安全

大型基础模型的开发需要巨大的计算资源和数据，导致全球只有少数几家大型科技公司能够提供最前沿的模型。这种高度集中的市场结构给金融体系带来了新的风险。

• 供应商依赖风险：过度依赖少数外部供应商，会使整个金融系统的关键功能暴露在IT故障、网络攻击或地缘政治风险之下。一旦某个核心供应商出现问题，可能导致大范围的服务中断。
• 羊群效应风险：如果众多金融机构都采用相同的顶级AI模型进行风险管理或资产配置，可能会在市场承压时导致其行为趋同（例如，同时抛售某类资产），从而放大市场波动，引发算法驱动的系统性风险。
• 网络安全风险：人工智能在提升网络防御能力的同时，也为攻击者提供了更强大的工具。生成式AI可以被用来制造更具欺骗性的钓鱼邮件、编写更复杂的恶意软件，甚至模仿特定个体的声音或写作风格进行诈骗。此外，针对AI模型本身的攻击（如提示注入攻击）也构成了新的威胁。因此，中央银行必须大幅增加在网络安全技术、人才培养和应急响应计划上的投入。

结论与展望：构建协同、审慎的人工智能政策未来

人工智能的快速发展已经对经济和金融领域产生了深远影响。对于中央银行和监管机构而言，拥抱这项技术不再是一个选择题，而是一个必答题。它们不仅需要作为敏锐的观察者，理解AI对宏观经济和金融稳定的影响，更需要成为熟练的使用者，将AI工具融入自身的分析、决策和监管流程中，以应对日益复杂的挑战。

作为大数据和机器学习的早期采纳者，中央银行在利用AI方面具备天然的优势。它们拥有海量的高质量数据，以及严谨的分析传统。经济学、统计学和计量经济学等核心学科与机器学习方法的结合，有望使央行站在AI应用的前沿，在数据收集、货币政策分析、金融监管等多个领域实现效率和效能的飞跃。

然而，要真正释放AI的潜力，就必须清醒地认识并积极应对其带来的挑战。这涉及一系列重要的权衡：在采用外部模型与发展内部能力之间、在购买商业数据与利用自有数据之间、在追求预测精度与保障模型可解释性之间。数据中心地位的凸显，也要求中央银行重新思考其作为数据编制者、使用者和提供者的传统角色。

面对这些共同的挑战，单打独斗并非最佳策略。协作与经验共享是通向未来的关键路径。通过组建实践社区（community of practice），全球中央银行可以共同分担开发成本、共享知识、数据、最佳实践和AI工具。这不仅能帮助资源有限的小型机构跨越技术门槛，也能通过集思广益，共同探索AI治理和风险管理的最佳方案。国际清算银行及其创新中心正在积极推动此类合作，支持全球央行体系共同迈向一个更智能、更高效、更稳健的政策未来。

这篇文章的探讨仅仅是冰山一角。AI技术正以前所未有的方式重塑世界，而真正的变革力量，源于每一个积极拥抱变化、乐于分享探索的个体。推荐加入最有价值的知识星球【走向未来】【https://t.zsxq.com/xpWzq】！和星球成员共同探索生成式AI、大语言模型、AIGC、智能体和AI芯片的无限可能——从技术原理到产品落地，从应用实践到未来趋势。无论是用AI和智能体为工作提效，还是为生活添彩，星球里都有你想了解的答案，和一群志同道合的伙伴。在【走向未来】知识星球，你可以轻松学会调用各类大模型与智能体，了解最新的具身智能和机器人产品，解锁高效与创意并存的新方式，一起见证AI如何重塑我们的日常，一步步走近AGI的精彩未来。即刻加入，马上启程，一起走向未来，不负热爱！