文章核心观点 - 人工智能是金融业在IT基础上的又一次重大边际变化，将深刻改变银行业态，但对货币政策影响尚不明显 [2] - 当前AI在金融领域的应用仍处于早期阶段，其作用仍是辅助性的，无法取代人的决策 [7] - 银行业正在从传统银行转变为数据处理行业，AI的兴起带来了新的边际变化，使传统模型转向智能推理模型 [4] - AI在金融领域的应用可能带来重大而根本性的影响，但同时也伴随模型稳定性、数据治理、集中度和决策趋同等新型风险 [11] 人工智能对金融业性质的影响 - 银行业从传统银行转变为数据处理行业，支付业务、存贷款定价、风险评估和市场营销均高度依赖数据处理和模型计算 [4] - 人与机器的关系从过去由人主导、机器辅助，演变为人主要作为机器与客户之间的界面 [4] - 银行系统积累的海量数据可用于机器学习和深度学习，使传统模型转向智能推理模型 [4] - 银行业对AI需求主要依赖大数据分析和推理模型，较少使用多模态或生成式技术 [4] 人工智能在金融领域的应用现状 - AI在金融领域应用主要覆盖三方面：中后台运营智能化、客户交流管理、金融产品提供 [9][10] - 中后台运营智能化已在银行等金融机构内部广泛应用，覆盖数据收集、加工、信息甄别与识别、客户评估等环节 [9] - 客户交流方面，AI技术普遍应用于客户关系管理环节，包括营销、维护和问题解答 [10] - 金融产品提供方面，AI帮助金融机构降低成本、提高效率，并为客户提供更个性化、精准的产品与服务 [10] 人工智能对金融机构运营的影响 - 银行未来会进一步向AI方向发展，从业人员规模会显著减小 [5] - 目前尚未出现金融机构单纯因AI应用而引发员工安置压力的案例 [10] - 在金融领域，人才始终是最宝贵、最有价值的资产，AI的应用还可以创造更多工作岗位 [10] - AI技术将为监管带来变化，监管需要面对黑箱模型产生的结果和行动来调节或监管金融市场 [5] 人工智能对货币政策与宏观调控的影响 - 货币政策基本上是"慢变量"，随经济周期或经济变化而调整，变化不会太快 [5] - AI和机器学习有助于更准确判断形势，使宏观调控更精准，但对货币政策并非那么重要 [5] - 货币政策不可能对每天的价格变化做出响应，响应太快可能引发不必要波动 [5] - 如果AI模型大量运用短期高频数据，学习结果可能高频、短期、技术性，与金融稳健和宏观调控所需要的面向基础面、长远稳定性的要求不一致 [5] 人工智能带来的新型风险 - 微观层面风险包括模型稳定性风险和数据治理风险，涉及数据来源选择、质量把控及事后评估监测程序 [11] - 行业层面风险包括集中度风险和决策趋同风险 [11] - 集中度风险源于金融行业可能依赖少数技术开发能力强、稳定性高、资源投入大的AI服务提供商，且大型机构比小型机构更具资源优势 [11] - 决策趋同风险源于模型和数据相对标准化和集中，可能导致行业整体决策同质化，引发"共振"效应 [11] 人工智能治理与国际合作 - 监管希望金融机构运用AI时应提供透明、可解释的模型，但AI发展特别是机器学习、深度学习必然带来模型的黑箱性 [5] - 建议在如何更好地加强AI基础设施方面开展国际合作，特别是金融市场方面的AI基础设施的加强和联通 [6]