人工智能在政策领域的应用

将人工智能用于政策目的 提交给二十国集团财长和央行行长的报告 该出版物可在BIS网站（www.bis.org）上获取。 © 国际清算银行 2025 年。保留所有权利。如注明出处，可部分复制或翻译。 将人工智能用于政策目的 BIS报告将于2025年10月G20 FMCBG会议之前提交 内容 1.介绍............................................................................................................................................................................2 2.人工智能的核心概念.............................................................................................................................................................3 3.中央银行和监管机构使用的AI用例.........................................................................................................4 3.1 信息收集 ...............................................................................................................................................5 3.2 支持货币政策的相关宏观经济和金融分析........................................................................................6 3.3 支付系统的监管................................................................................................................................7 3.4 监管和金融稳定........................................................................................................................10 4. 挑战与经验教训...................................................................................................................................15 5. 结论..........................................................................................................................................................................20 6. 参考文献..........................................................................................................................................................................22 1. 简介 人工智能（AI）的快速采用——广泛定义为能够执行通常需要人类智能的任务的计算机系统——即将对金融体系和实体经济产生深远影响（BIS (2024)；Aldasoro, Doerr, Gambacorta and Rees (2024)；Aldasoro, Gambacorta, Korinek, Shreeti and Stein (2024)；IMF (2024)）。生成式人工智能（gen AI），即与基于文本的内容互动并允许用户使用日常语言与计算机对话的工具，正在以远超以往技术采用浪潮的速度推进。ChatGPT仅用不到一周时间就达到了一百万用户，许多公司已经将gen AI整合到其日常运营中。为此，它们正大力投资AI技术以使其满足其特定需求，并且在许多情况下，它们已经开始了对具备AI相关技能工人的招聘狂潮。这些发展以及它们对通货膨胀、生产力、消费、投资和劳动力市场带来的影响，对中央银行和其他监管和监管机构来说至关重要（Aldasoro, Doerr, Gambacorta, Gelos and Rees (2024)；Cazzaniga et al (2024)）。 中央银行是机器学习（ML）（人工智能技术的一个关键组成部分）的早期采用者，在人工智能成为热门话题之前很久，就利用它来为统计、研究和政策提供见解(Araujo等人(2024))。1各国央行关于人工智能和机器学习的讨论十分普遍 (图1.A)，预计的预算分配也体现了这种兴趣 (图1.B)。事实上，央行、金融监管机构和监管当局在维护货币和金融稳定以及支付系统完整性方面，通常会定期处理大量数据集和复杂的决策过程。如今，新的人工智能方法（例如支撑生成式人工智能的大型语言模型 (LLMs)）的更强大能力，为从改进经济分析到加强监管监督等各个方面提供了更多机会，有可能提升这些机构以及更广泛政策制定的效率和有效性。 人工智能是央行的一个重要议题，预算预计将增长 图1 来源：IFC（2025）。 本报告探讨了中央银行和其他监管机构如何利用人工智能用于政策目的。报告首先简要讨论了与公共权力使用案例相关的核心人工智能概念，特别关注机器学习。然后，报告提供了中央银行和监管机构已在四个关键领域使用大数据和机器学习的例子。这些领域包括：(i)信息收集和官方统计的编制；(ii)支持货币政策的宏观经济和金融分析；(iii)支付系统的监管；(iv)监管和金融稳定分析。国际清算银行（BIS）创新中心关于人工智能使用的最新项目提供了在这些领域进行人工智能实验的例子。 最后，报告强调，尽管人工智能在政策制定方面具有巨大潜力，但有效利用生成式人工智能需要解决一系列挑战。这些挑战范围从数据治理（例如内部数据与外部数据的使用）到投资人力资本和信息基础设施。一个关键的经验教训是，合作和经验分享已成为中央银行的重要途径，特别是通过利用规模经济来减少对信息基础设施和人力资本的需求。 2. 人工智能的核心概念 人工智能领域追溯到20世纪中期，但进展是断断续续的。2 20世纪50年代和60年代的早期人工智能研究带来了乐观情绪，但由于计算能力不足而受到限制。随着计算能力的提升，1990年代机器学习技术的兴起为当今先进且普及的人工智能模型奠定了基础。数十年来计算能力的不断提高、数据量的增长以及算法的改进，已经将人工智能从一种专门的学术追求转变为一种强大的通用技术。 一个关键特性是机器学习（ML），这是一系列技术，允许计算机从数据中学习模式，而不是遵循显式或硬编码的指令来进行预测(Araujo等人，2024年)。在机器学习模型的训练阶段，它被喂入历史数据，并调整其内部参数以拟合观察到的结果。目标是在新数据的基础上进行泛化和正确预测。“样本外”预测（即基于不属于训练数据的数据）的焦点是...如何示例）是机器学习的一个关键目标，对其关注较少。这些预测得以实现。机器学习技术擅长“从沙中找针”— —在庞大复杂的数据集中识别传统分析方法会不堪重负的模式（BIS（2024））。 机器学习技术的一个重要子领域是基于树的算法，例如随机森林，由于其灵活性和性能（见下一节），在政策应用中被广泛使用。决策树根据特定特征将数据按顺序划分到更细的类别中。例如，树可能首先将个人分为有大学学位和无大学学位两类，然后根据工作年限进一步细分每个组，最后根据就业行业进行划分。由此产生的更细的类别可以与目标变量（如收入水平或就业保持率）进行比较，以识别模式和关系。随机森林通过结合多个在不同的数据子集上训练的树来增强这种方法，提高预测精度并降低过拟合的风险。在相同的精神下，森林可以通过隔离森林技术在识别异常值方面发挥作用，这是一种能够识别 分离出与其他数据点可以隔离的数据点。这些方法不仅是预测的强大工具，也作为探索性技术来揭示模式、对数据进行分类或识别异常值。 深度学习，它使用神经网络模型，是另一种关键的机器学习技术。这些网络受到人类大脑工作原理的启发，通过层叠连接称为人工神经元的简单单元。第一层处理输入数据，并将结果传递到下一层，这个过程持续进行，直到产生最终输出。网络的深度指的是层数：更深的网络需要更多的训练来微调每一层的参数（这些参数决定了神经元和层之间的连接强度），但预测更准确。这些模型的一个关键优势是它们能够通过将文本或图像等非结构化数据映射为数组（所谓嵌入）来处理这些数据。这使模型能够对概念进行数学上的比较和处理。 基于这些方法，到了2020年代初，随着大规模模型和生成式AI（尤其是大型语言模型）的出现，AI发展显著加速。生成式AI应用可以将提示作为输入，灵活地生成类人的输出，无论是文本、图像、视频等。这得益于2017年出现的所谓transformer架构的发展，该架构极大地提升了神经网络处理自然语言处理（NLP）的能力。transformer的区别特征在于它们能够利用自注意力机制高效地捕获数据中的长距离依赖关系，从而能够更准确地处理文本或时间序列等序列信息，以对下一个单词或数据点做出概率评估。3换句话说，注意力机制使得文本中的每个词都能与其他所有词建立联系，从而增强模型考虑文本内上下文和关系的能力。例如，它可以通过关注不同的上下词（如“披头士”或“音乐”与“奥斯卡”或“电影”）来分辨“rock”在“Some say the Beatles did not make rock music”和“The Rock has not won an Oscar, but his movies are successful”中的不同含义。Transformer是LLM和生成式AI的基础，因为它们使模型能够理解长文本中的上下文和关系，从而在生成、摘要或翻译语言（或在更广泛的生成式AI情况下为图像）等任务中表现出高效性。重要的是，生成式AI应用可以通过提供专门的训练数据来针对特定任务进行微调。 最后，大语言模型拥有所谓的少样本或零样本学习能力，即用最少示例提供准确结果的能力。例如，通过将时间序列数据转换为类似文本序列的标记来训练用于预测下一个词的大语言模型，可以直接用于其他预测任务。也就是说，由于它们在少样本学习方面的高级能力，这些模型可以轻松地应用于各种有限的或无需额外训练的预测任务。这与现有的预测模型形成对比，后者的优化通常需要在事前进行大量的微调。 3. 中央银行和监管机构的AI应用案例 各国央行将人工智能应用于四个主要领域：（i）信息收集和官方统计的编制；（ii）支持货币政策的宏观经济和金融分析；（iii）支付系统的监管；（iv）监督和金融稳定分析。4鉴于数据在最 recent 的一批 AI 创新中扮演了更加突出的角色，人们对这些领域的关注就不足为奇。事实上，一项早于 gen AI 兴起的调查表明，发达经济体中的大多数中央银行 (AEs)和新兴市场经济体(EMEs)已经在所有这些领域使用人工智能和大数据（图表2） 来源：Doerr、Gambacorta和Serena Garralda（2021）。 3.1 信息收集