将人工智能用于政策目的（英）

将人工智能用于政策目的 向二十国集团财政部长和央行行长提交的报告 本出版物可在国际清算银行网站（www.bis.org）上获得。 © 国际清算银行 2025 年。版权所有。如经注明出处，可部分转载或翻译。 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.引言............................................................................................................................................................................2 2.人工智能的核心概念.............................................................................................................................................................3 3.中央银行和监管机构使用AI的案例.........................................................................................................4 3.1 信息收集 ...............................................................................................................................................5 3.2 支持货币政策的大经济和金融分析........................................................................................6 3.3 支付系统的监管................................................................................................................................7 3.4 监管和金融稳定........................................................................................................................10 4. 挑战和经验教训...................................................................................................................................15 5. 结论..........................................................................................................................................................................20 6. 参考文献..........................................................................................................................................................................22 1. 简介 人工智能（AI）的快速采用——广义上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），即与文本内容交互并允许用户通过日常语言与计算机对话的工具，其采用速度轻松超越了以往的技术采用浪潮。ChatGPT单独在不到一周的时间内就达到了一百万用户，许多公司已经将gen AI整合到他们的日常运营中。为此，他们正在大力投资AI技术以满足其特定需求，并且在许多情况下他们已经开始了对具有AI相关技能的工人的招聘狂潮。这些发展及其对通货膨胀、生产力、消费、投资和劳动力市场的影响，是央行和其他监管和监管机构的首要关注点（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年）。1关于央行中的人工智能和机器学习的讨论非常普遍（图1.A），预计的预算分配也证实了这一点（图1.B）。事实上，央行、金融监管机构和监管机构在维护货币和金融稳定以及支付系统完整性方面，定期处理大量数据集和复杂的决策过程。如今，新人工智能方法（如其支撑生成式人工智能的大语言模型（LLM））的更强能力开辟了更多机会，从改进经济分析到更好的监管监督，有可能提高这些机构的效率和效果，并更广泛地增强政策制定的效率。 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）。 本报告考察了中央银行和其他监管机构如何利用人工智能进行政策目的。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示例。这些领域是：(i) 信息收集和官方统计的编制；(ii) 宏观经济和金融分析以支持货币政策；(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）创新枢纽近期关于人工智能使用的项目，为在这些领域进行人工智能实验提供了示例。 最后，报告强调，尽管人工智能具有显著提升政策制定的潜力，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利用）到投资人力资本和信息技术（IT）基础设施。一个关键的经验教训是，合作和经验分享成为中央银行的重要途径，特别是通过发挥规模经济效应和减少对信息技术基础设施和人力资本的需求。 2. 人工智能的核心概念 人工智能领域可追溯至20世纪中期，但其发展进程时断时续。2 20世纪50年代和60年代早期的AI研究产生了乐观情绪，但由于计算能力不足而受到限制。随着计算能力的提高，20世纪90年代机器学习技术的兴起为当今先进且普及的AI模型奠定了基础。几十年来计算能力的增长、数据量的增加以及算法的改进，将AI从一种独特的学术追求转变为一项强大的通用技术。 一个关键特性是机器学习（ML），它是一系列技术，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做出预测（Araujo等人（2024））。在机器学习模型的训练阶段，它会接收历史数据并调整其内部参数以拟合观察到的结果。目标是能够根据新数据泛化并正确预测。“样本外”预测结果的关注（即基于不属于训练数据的数据）怎么sample)是机器学习的一个关键目标，不太强调这些预测是可以达到的。机器学习技术擅长于寻找“沙海寻针”——识别在庞大复杂的数据集中难以被传统分析方法处理的模式（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，这些算法在政策应用中得到了广泛使用（见下一节）。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，树首先可能将个人分为有大学学位和无大学学位两类，然后进一步按工作年限将每组进行划分，最后按就业行业进行划分。由此产生的更细的类别可以与目标变量进行比较，例如收入水平或工作保留率，以识别模式和关系。随机森林通过结合多个在不同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。在同样的精神下，森林可以通过隔离森林技术来识别异常值，这是一种单独使用... 筛选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、分类数据或识别异常值。 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。这些网络受人类大脑工作原理的启发，在层之间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其结果传递给下一层，该层继续处理，直到生成最终输出。网络的深度指的是层数：更深的网络需要更多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连接的强度），但可以更准确地预测。这些模型的一个关键优势是它们能够通过将数据映射为数字数组（所谓的嵌入）来处理非结构化数据，例如文本或图像。这使得模型能够对概念进行数学比较和操作。 基于这些方法，到2020年代初，随着大规模模型和生成式AI（尤其是大语言模型）的出现，AI开发显著加速。生成式AI应用可以接收提示作为输入，灵活地生成类似人类的输出，无论是文本、图像、视频等。这得益于2017年提出的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的独特之处在于其能够使用自注意力机制高效地捕捉数据中的长距离依赖关系，从而更准确地处理文本或时间序列等序列信息，对下一个单词或数据点进行概率评估。3换句话说，注意力机制允许文本中的每个词都与其他词相关联地被理解，从而增强了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”相对于“奥斯卡”或“电影”，来区分“Some say the Beatles did not make rock music”中“rock”与“The Rock has not won an Oscar, but his movies are successful”中“rock”的不同含义。Transformer是LLM和生成式AI的基础，因为它们使这些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（或更广泛的生成式AI情况下的图像）等任务中非常有效。重要的是，生成式AI应用可以通过输入专门的训练数据来针对特定任务进行微调。 最后，LLMs 拥有所谓的少样本或零样本学习能力，即仅用少量示例即可输出准确结果的能力。例如，将时间序列数据转换为类似文本序列的标记并用于训练以预测下一个词的 LLMs，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，这些模型可以轻松应用于各种需要有限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)金融监管和金融稳定分析。4鉴于数据在最新一代人工智能创新中扮演的更为突出的角色，这些领域的关注焦点并不令人意外。事实上，一项早于生成式人工智能崛起的调查表明，在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2）。 来源：Doerr、Gambacorta和Serena Garralda（2021）。 3.1 信息收集 中央银行从各种来源收集数据