生成式人工智能在中央银行的应用

罗马，2025年2月20日4th爱尔兰·费雪委员会与意大利银行研讨会 下午好，女士们先生们， 我很高兴今天能与大家在这里共同庆祝中央银行数据科学研讨会圆满结束。正如在欧文·费雪委员会中所强调的：2024年年度报告于2019年与意大利银行联合启动这一周期性研讨会系列，是一项具有远见卓识的战略决策。1 本研讨会第四版聚焦于“生成式人工智能（AI）及其在中央银行中的应用”，恰如其分地突显了该领域正在进行的转变。2 广泛共识认为，生成式AI具有显著提高全球生产力的潜力。据一些估计，它在全球范围内每年可能产生2.6 - 4.4万亿美元的生产力增益。3其他人预测，在采用后15年内分阶段实现产量增加15-20%。4调查收集到的全球企业数据表明，对于超过40%的受访者来说，在最先进的生成式人工智能（Generative AI）项目中投入的资金回报率在11-30%之间，并符合预期（图1）。 任何估计的不确定性仍然很大，这主要归因于现象本身的快速演变。例如，中国初创公司DeepSeek在1月底推出了类似于ChatGPT的AI模型“R1”。这一事件对普遍认为AI需要大量硬件和能源的信念产生了怀疑，引发了关于美国科技行业领导地位的质疑，并导致股市大幅波动。 公司对AI的采用率同样不确定，但增长迅速。在2024年初，一项针对国际公司的调查中，65%的受访者表示他们的组织定期使用生成式AI，这一比例几乎是2023年的两倍。5采用率在各行业之间存在差异，且似乎在大公司中更高。此外，企业内部采用的速度似乎不均衡：如IT、运营、营销、客户服务和网络安全等功能似乎处于最前沿。6此外，对生成式人工智能的看法在企业层级中存在显著差异，高层管理人员往往对其组织采用和实施的进度持有更加乐观的看法。7 不确定性导致一些评论家避免对人工智能未来影响做出精确预测，而是考虑两种广泛的情景。在一种情景中，生成式人工智能的逐步采用导致经济渐进式进步。在另一种更加变革性的情景中，人工智能从根本上重塑了我们所知的世界。8尽管后者听起来像是科幻小说，一些正在进行的发展，例如所谓的代理AI的兴起，表明它可能以某种形式成为现实。 无论现有估计的可靠性如何，毫无疑问，生成式AI正在迅速扩展到商业世界，并触及消费者。展望未来，进一步的增长似乎不可避免，这由生成数据量和多样性的增加所驱动，这些数据正是AI的燃料，而生成式AI本身也对此做出了贡献。全球每年创造的数据量预计将继续其惊人的增长，从149泽字节（即1021字节）在2024年增至2028年的超过394泽字节（图2）。 随着此次活动的结束，我想回顾一下我们讨论中出现的几个关键主题，并对更广泛的考虑进行一点拓展。 在过去的三天里，我们探讨了人工智能和数据科学在数据分析、实时经济监控以及央行决策中逐渐渗透的几个用例。我们讨论的关键成果之一是，人工智能可以增强预测和.nowcasting（例如，对于通货膨胀和产出或能源需求）的速度、准确性和深度。我们还看到了其在监管合规和金融领域的应用。 监督和法律分析。大型语言模型（LLMs），当与检索增强生成（RAG）技术相结合9可以从数千页的监管文件或法律文件中提取见解，从而减少用于文件审查和处理的用时。在金融稳定性监控领域，也有展示出有前途的应用。这些发现证实，人工智能应用在现代中央银行及更广泛的领域中将变得无处不在。 几个演讲还突出了AI引入相关的风险。首先，是AI模型中可解释性问题。许多机器学习（ML）算法作为黑盒运作，使用户难以理解特定结果或建议背后的理由。这在监管和监督应用中尤其令人担忧，在这些应用中，透明度和问责制至关重要。其次，历史金融数据中嵌入的偏见可能会由AI模型强化，引发道德关注。第三，生成AI容易出现幻觉和错误信息。我们已经看到如何大型语言模型能伪造想象的监管条例，或误解复杂金融概念；更普遍地，AI可能生成难以识别的错误答案。10第四，将生成式AI广泛应用于投资决策中引发了金融稳定性担忧，部分原因是其可能加剧羊群效应。11第五，虽然人工智能在网络安全、欺诈检测和反洗钱方面具有有用的应用，但它也可以成为罪犯和欺诈者的强大工具。我确信还有许多其他问题可以添加到这个列表中。12 虽然这些问题很严重，但它们已经被清楚地识别出来，并且正在积极开发解决方案。例如，在LLM的最近版本中已经减少了幻觉问题，并且可以通过将AI生成的响应基于经过验证的数据集通过RAG模型进一步缓解。人工监督仍然是必不可少的，但改善的可行途径正在出现。 但是，除了这些问题，我们还面临其他更难以识别和解决的问题。我指的是系统性使用这些工具可能对个别用户认知过程产生的影响。例如，随着技术的每次新版本发布，越来越有可能减少人为监管并接受人工智能引擎生成的答案被视为“真理”。虽然这可能带来效率的提升，但也可能导致错误以及错误或不扭曲的信息和信念的传播，不仅在金融市场，而且在所有领域都是如此。此外，当回应和结果非常接近真理 立即几乎无成本地变得可用，用户可能不太有动力去记住信息。这些转变发生在机器的作用，已经相当重要，预计将迅速扩大的世界中（图3）。 生成式人工智能只是长串可能显著影响人脑功能创新的最新成员（例如，考虑到移动设备、互联网或社交媒体的普遍使用）。另一个与此相平行的现象是远程工作，这是重塑我们工作互动方式的另一个主要趋势。AI和远程工作都带来了明确和实际的益处，但它们也可能有潜在的副作用，这些副作用可能更难以识别和评估，因为它们可能只在较长时间内才会显现。我们都应该意识到这些风险。13 尽管如此，我并不是建议我们应该推迟人工智能的采用直到不确定性减少，或者应该抵制其使用。然而，低能见度要求谨慎驾驶。为确保人工智能以稳健、有效、公平和可问责的方式被使用，采用者应关注三个关键领域，这些领域在各种研讨会演讲中得到呼应。 首先，建立有效的AI治理框架应优先考虑。在宏观层面，如G7专家小组报告所述，这需要基于替代AI发展情景的“政策准备”。14在公司层面，生成式人工智能显著扩大了用户范围，从相对较小的专业团队扩展到几乎整个劳动力。与以往的技术不同，它有潜力彻底改变运营模式并引入新的风险。这要求高度的责任感和战略关注。 治理论在数据管理的特定领域尤为强烈。数据是人工智能的燃料，如果使用受污染或低质量的燃料，则没有任何引擎可以正常工作。到目前为止，适当的数据管理已经实现了高效的搜索、检索和利用。展望未来，从人工智能应用中提取价值将至关重要。专有数据可能是成功采用小型语言模型的基本因素。这些模型具有巨大潜力，因为它们可以很容易地定制以满足公司的特定需求，同时减轻大型语言模型相关的高成本和大量能耗。在研讨会上提供了与中央银行相关的例子。 其次，劳动力应做好迎接人工智能应用的准备。就中央银行而言，传统上经济学和法律专家在劳动力中占据主导地位。然而，数字革命逐渐加剧了对人才结构重新定位的压力。 面向IT、工程和数学领域的专家。人工智能对工作流程的变革性影响将进一步加剧这种压力，需要调整招聘政策。但在这样一个快速变化的环境中，仅仅雇佣专家不能成为主要的解决方案。对员工进行培训、再培训和提升技能将成为关键。对这些方面的适当关注不仅可以帮助组织充分利用新技术，还可以解决员工对变化的抵制，这通常是成功采用的主要障碍。 第三，鉴于数据密集型技术（如人工智能）中监管边界的日益模糊，应鼓励各监管机构之间（而不仅仅是中央银行和银行监管机构）进行跨界合作。15在新的旅程开始时，相互学习彼此的错误并分享最佳实践，而不是孤军奋战地依赖试错方法，这是很有道理的。在当今充满挑战的全球环境中，多边主义正面临压力，国际合作也遭遇了强劲的逆风。鉴于其在国际论坛如BIS和FSB等长期的合作传统，中央银行界在这个领域内促进合作处于有利地位。16本次研讨会体现了那种精神。 跨边界数据共享是明确的目标合作领域。许多人都熟悉由于个人信息保护、国家安全、知识产权和行业监管之间的复杂交叉，实现数据访问在国内外都存在困难。17在某种程度上，人工智能将提高维持对信息独家控制的机会成本，呼吁以智能方式协调公共政策目标与数据驱动创新。18 在这一点上，我鼓励大家保持联系，积极合作，并继续在本研讨会期间发起的对话。这些讨论可以作为未来合作和联合项目的基石。 我：我衷心感谢演讲者和组织者，正是他们的奉献和辛勤工作使得这次研讨会得以举办。我祝愿你们在未来的努力中继续取得成功。