节俭型AI在金融科技行业的应用：实时欺诈检测中的总拥有成本与投资回报测算

金融科技行业中的节俭式人工智能应用 实时欺诈检测中的总拥有成本和投资回报率衡量 作者 伊丽莎白·奥斯塔 e.osta@jbs.cam.ac.uk联合创始人，节俭人工智能中心 · 访问学者，剑桥贾奇商学院 s.gandikota@jbs.cam.ac.uk联合创始人，节俭人工智能中心 · 访问学者，剑桥贾奇商学院 阿周那·萨蒂亚塞兰 a.sathiaseelan@jbs.cam.ac.uk技术主管，节俭型人工智能中心 · 剑桥大学贾奇商学院访问学者 j.prabhu@jbs.cam.ac.uk贾德伊普·普拉布hu剑桥商学院市场营销学教授兼尼赫鲁印度商业教授 合作者 洛博·克瑞斯宾 关于节俭型AI中心 剑桥大学贾奇商学院的节俭型人工智能中心是一个研究与实践中心，致力于推进相关原则。节俭式人工智能的方法与采纳——高效且资源节约的智能系统，并且能够应被其部署机构所理解和管辖。枢纽机构与产业界、公共部门及包括金融科技、医疗保健、教育和可持续发展的跨部门社会伙伴。 关于节俭型AI中心 剑桥大学贾奇商学院的节俭人工智能中心是一个研究与实践中心，致力于推进节俭人工智能的原则、方法及其应用。节俭人工智能是指性能优异且资源高效的人工智能系统，能够被部署它们的机构所理解和治理。该中心与来自金融科技、医疗保健、教育和可持续性等领域的产业、公共部门和社会组织合作伙伴合作。 摘要 金融科技公司运营的环境具有利润空间狭窄、监管严格和客户期望快速变化等特点。人工智能已成为实现差异化的核心工具，但人工智能系统的全部成本（财务和环境成本）很少在单个用例层面进行衡量。本文将节俭型人工智能（Frugal AI）衡量框架应用于一组欺诈检测用例，重点关注如何在保持运营可控性的同时，将总拥有成本（TCO）和投资回报率（ROI）扩展以包含能源消耗和排放。 节俭式人工智能是一种有目的的设计理念和运营框架，其优先考虑以更少资源做更多事——构建高性能且资源高效的智能系统，并且能够被部署它们的机构所理解和治理。本文将该框架应用于实时信用卡欺诈检测系统，证明节俭式人工智能方法可降低总体拥有成本（TCO）17%，提高投资回报率（ROI）24.6%，同时将能源消耗削减44%，碳排放削减44%。 节俭型人工智能并非仅仅是削减成本的行为。它是对理想人工智能形态的重新定义——即那些不仅智能，而且设计上具备经济实惠、可持续和包容性的系统。 1. 简介 金融科技采用人工智能通常具有计算密集型和数据密集型特点，这会推高运营成本和可持续性成本。当前主流方法依赖于大规模云基础设施或专有硬件平台，虽然能提供性能，但伴随着高昂的财务和环境成本。主要成本驱动因素包括：为训练和推理使用大量GPU和TPU、获取和留住稀缺的人工才、大量的数据管理和存储开销，以及以合规和可审计方式部署模型所带来的日益增长的监管和治理负担。 1.1 背景与动机 现有关于绿色人工智能和可持续人工智能的研究已凸显大型模型的环保负担，并提出了缓解该影响的高级原则。金融科技为应用这些原则提供了一个尤为突出的场景，因为它结合了严格的性能、延迟和治理要求，同时伴随着明确成本和可持续性压力。 节俭型人工智能中心（Frugal AI Hub）的衡量框架提供了一个有用的起点，因为它将总拥有成本（TCO）定义为包含能源和碳成本的方式，并将财务投资回报率（ROI）与符合联合国可持续发展目标的社会影响指标联系起来。 1.2 问题陈述 我们面临的核心问题是，在金融科技领域，缺乏一套标准化的、细颗粒度的方法来衡量人工智能系统的全部成本——包括财务和环境两个维度。在实践中，能源消耗和碳排放很少能追溯到项目或用例层面，这意味着人工智能的投资决策是基于对总成本不完整的了解而做出的。 1.3 研究目标 本文基于一个现有的精益人工智能（Frugal AI）测量框架，该框架将拥有总成本（TCO）、投资回报率（ROI）以及社会和环境影响联系起来，涵盖三个层面。我们提出了三个指导性问题：如何全面定义金融科技领域人工智能系统的TCO，同时保持其实用性？精益人工智能（Frugal AI）优化如何改变ROI状况？以及如何将这些指标与与可持续发展目标（SDG）一致的报告联系起来？ 2. 研究方法 该方法结合了对机构优先级的定性洞察，以及应用于代表性欺诈检测用例的量化成本和排放模型。该方法是与一家大型美国信用卡发行机构合作开发的，该机构采用以数字为先的商业模式，并高度依赖先进分析来支持客户获取、信用风险、欺诈预防和客户管理。 2.1 应用场景：信用卡欺诈检测 我们的核心用例是应用阶段的实时欺诈检测系统，该系统对每份传入的申请进行欺诈风险评估，并根据风险等级施加差异化的风险控制措施，例如额外的身份验证或其他认证手段。该系统必须同时实现：强大的欺诈捕获能力和业务表现；低延迟和基础设施效率；以及稳健的治理和可审计性。 2.2 将节俭型人工智能指标纳入总拥有成本 我们通过在特定欺诈检测用例层面定义总拥有成本（TCO）和投资回报率（ROI），来实施精简型人工智能（FrugalAI）度量堆栈的第1层和第2层。该AI系统的TCO表示为四个不同成本组成部分的总和，其中每一个都直接受到模型设计和部署策略的影响： 关于能源与碳归因的说明 在传统的金融科技成本核算中，能源成本（C）和碳外部性成本（C）很少在能源碳项目或用例层面进行计算，而是通常在公司或部门层面进行汇总估算。这种做法可能导致单个AI工作负载的全面经济足迹被低估，并由于成本分母不完整而高估投资回报率。节俭式AI框架明确地建模了所有四个组成部分，以提供更完整、更有力的项目级投资回报率估算。 节俭型AI在四个成本组成部分中均引入了明确的效率提升。节俭型总拥有成本(TCO)公式变为： 总拥有成本（TCO）= (C − ΔC ) + (C − ΔC ) + (C − ΔC ) + (C − ΔC ) 节俭 开发开发 运营 运营 能源 能源 碳 碳 2.4 节俭型AI成本降低机制 这四个Δ项代表了不同技术和管理团队可以运作的、既有区别又相互关联的效率途径。它们共同构成了使人工智能更具成本效益、节能和环保的基础。 ΔC — 发展效率差 ΔC — 运营效率 ops • 自动扩展推理端点• 合理调整实例类型• 批量推理整合• 消除闲置容量• 感知流量的弹性扩展 • 迁移学习与模型复用• 自动化CI/CD部署• 模块化架构• 高效的超参数搜索• 降低再训练频率 • 模型量化与剪枝• 高效架构选择• 每瓦特硬件加速• 动态批处理• 减少再训练频率 • 降低计算强度• 碳感知调度• 低强度区域部署• 基础设施优化• 可再生能源调度 3. 逐步式节俭型AI成本模型 下述的数值演示是一个基于现实制度参数的模型化情景。所有数值均为示例，旨在使方法具体化，而非报告专有内部财务信息。 4. 精打细算的AI遥测：实践中的总拥有成本测算 为使所提出的指标具有可操作性，机构需要有一种实用方法来收集和归因于每个TCO（总拥有成本）组件的底层数据。此处概述的遥测选项说明了现有的云原生工具如何被重新用于Frugal AI（精简型人工智能）测量，而无需进行重大的新基础设施投资。 计算与基础设施 能源与碳 • 云服务计费 API（AWS CUR、GCP BigQuery）用于按服务分配成本 • CloudWatch 指标：推理成本、空闲计算率 • Prometheus / SLURM / Kubernetes 用于本地节点级指标 • 亚马逊云科技客户碳足迹工具（CCFT）——账户级分配 • 自上而下：按成本或计算小时分配CCFT排放量 • 自下而上：每个实例的电源模型，用于精细归因 • 关键指标：每项推理的千瓦时（kWh），每两项推理的克二氧化碳当量（gCO e） 治理与风险 模型性能 • 用于合规成本追踪的 GRC 工具（如 ServiceNow、Archer）• 指标：支出占比 vs 避免的事故/罚款• 通过标签将安全审计成本分配到项目级别 • 准确性-延迟指标：节俭型与非节俭型模型的标准化比率• 每焦耳令牌数：LLM效率指标• CloudWatch：P50/P95/P99延迟、推理次数、错误率 核心设计原则：处处使用标签 所有成本和使用情况的可归因性都取决于在云资源中始终如一地使用项目/模型标签。没有标签，就无法实现按工作负载的准确总拥有成本（TCO）归因。将TCO-节俭指标嵌入治理需要跨职能的所有权，涵盖工程、财务和可持续发展团队。 5. 从财务投资回报到与可持续发展目标相关的投资组合影响 节俭型人工智能中心框架建立了一个三层测量堆栈：拥有总成本 → 财务投资回报率 → 社会影响。本文开发的指标在拥有总成本和投资回报率层运行。然而，它们为机构层面的SDG（可持续发展目标）对齐报告奠定了基础——将单个项目层面的效率提升与更广泛的社会成果联系起来。 节俭AI价值飞轮 效率 → 可及性 → 包容性 → 创新性 → 可持续性 → 效率 每一项成本效率的提升都降低了采用门槛，使得更具包容性的部署成为可能，这反过来又推动了更广泛的创新，并加强了大规模负责任人工智能可持续性的论证。 6. 结论 本文展示了如何通过在单个欺诈检测用例层面表达拥有总成本和投资回报率，使节俭式人工智能（Frugal AI）在具体的金融科技场景中得以落地运行。通过将能源和碳排放纳入成本分母，该框架产生了一种更具说服力且更全面的衡量人工智能性能的方法——这种方法不会因排除环境外部性而高估回报。 对于金融科技从业者而言，直接的影响是，节俭型人工智能（Frugal AI）无需被视为一项独立的可持续发展举措，而可以嵌入现有的风险、投资和模型治理流程之中。对于政策制定者和行业协会而言，该框架说明了如何利用现有的云原生工具，使标准化的、项目级别的能源和碳报告变得切实可行。 尽管我们的分析聚焦于单一信用卡发卡机构以及申请阶段的欺诈检测，但其底层方法论旨在适用于其他人工智能赋能的服务，例如交易监控、信贷决策和客户互动——以及那些在类似绩效和合规约束下运营的其他机构。 参考文献 节俭型人工智能中心，2025年。加速构建节俭型人工智能生态系统。节俭型人工智能中心，剑桥大学贾奇商学院。节俭型人工智能中心与UNICC，2025年。从拥有总成本到社会影响：一个节俭型人工智能框架，用于将人工智能投资组合视为战略资产。AFNOR，2023年。AFNOR SPEC 2314：节俭型人工智能——节俭型人工智能系统设计与部署指南。斯特鲁贝尔，E.，加内什，A. & 麦卡伦，A.，2019年。自然语言处理中深度学习的能源与政策考量。ACL。施瓦茨，R.，道奇，J.，史密斯，N.A. & 艾兹奥尼，O.，2020年。绿色人工智能。ACM通信，63(12)，第48-54页。帕特森，D.，等，2021年。碳排放在大型神经网络训练中的影响。arXiv。温室气体协议，2011年。企业会计与报告标准。皮古，A.C.，1920年。福利经济学。韩，S.，等，2015年。深度压缩。ICLR。ISO/IEC 42001:2023。信息技术——人工智能——管理体系。亨德森，P.，等，202D.J.，2002年。统计欺诈检测：综述。统，0ﻧﺪ年。走向机器学习能源与碳足迹的系统报告。JMLR。博尔顿，R.J. & 哈计科学，17(3)，第235-249页。 节俭型AI中心在剑桥大学贾奇商学院 特朗普顿街，剑桥 CB2 1AG，英国 https://frugalai.org 联系 伊丽莎白·奥斯塔塞瑞什·文卡塔·干迪科塔阿周那·萨蒂亚塞兰贾德伊普·普拉布hu