2024-02-10-国际清算银行-央行的人工智能_9页_643kb

BIS报告：《央行内部的人工智能》总结

1 核心要点

• 中央银行是机器学习技术的早期采用者，在统计、宏观经济分析、支付系统监督和监管等领域的应用取得了显著成效。
• 人工智能为央行履职带来机遇与挑战，需通过合作、数据治理、人才培训和严格风控来应对。
• 中央银行间知识共享和专家协作能推动央行在AI领域保持前沿地位。

2 驱动因素

技术背景

机器学习是对传统统计方法的扩展，侧重从数据中提取价值，但不依赖线性、正态分布等前提。

主要技术

• 决策树与随机森林：用于分类、特征工程和异常检测。
• 神经网络：模拟人脑，适合处理复杂非线性关系。
• 大语言模型（LLM）：负责语言任务，具有生成和理解能力。

3 实际应用（共四个领域）

信息收集与统计

• 目的：如识别异常交易、提升数据质量。
• 方法：帮助分离杂乱文本，提升新闻摘要效率。

宏观经济与金融分析

• 用途：时间序列预测、通胀动态分析、情绪趋势提取。
• 方法：
  • 神经网络：将通胀分解为不同因素。
  • LLM：利用中央银行数据训练模型以准确理解行业术语。

支付系统监督

• 挑战：大规模交易不便监控。
• 解决方案：
  • 使用图神经网络识别可疑交易。
  • 利用自编码器监测现金流异常，如银行挤兑。

监管与金融稳定

• 操作模式：
  • 文本分析：识别信贷风险信号。
  • 风险预测：神经网络辅助贷方预先估计违约率。

4 关键挑战

技术层面

• “黑盒问题”：难以解释高复杂模型的逻辑。
• LLM“幻觉风险”：生成错误事实。

数据问题

• 非结构化数据处理成本高。
• 法律隐私框架滞后，私营数据使用存在模糊地带。

治理与依赖

• 中央银行对少数AI供应商依赖带来系统性风险。
• IT与人才投入需高额费用，公共部门人才难竞争。

5 合作建议

通过建立统一标准及知识共享，央行应积极合作，包括代码共享和预训练模型部署。这有助于：

• 相同模型提高应用一致性。
• 降低短期开支。
• 共同开发“共同体模式”，实现更好的AI部署。

6 结论

央行应当探索AI，但也应关注风险。与私营实体、学术界的合作是保持优势、共同应对其潜力和风险的关键。