BIS 是国际清算银行（Bank for International Settlements），常被称为“央行的银行”。当 BIS 讨论人工智能时，重点并不是推荐某个模型，而是回答一组更接近公共政策的问题：AI 会怎样影响生产率、通胀和金融体系？央行应该如何使用 AI，又该如何管理新的风险？
2024 年，BIS 在年度经济报告中专章讨论 AI 与经济，并发布关于产出、通胀和央行应用的研究。其核心立场可以概括为：央行不能忽视 AI，但也不能把技术热潮当作确定的生产率红利。
为什么央行关心 AI
央行的职责通常包括价格稳定、金融稳定、支付体系和金融基础设施。AI 会同时影响这些领域：
- 企业采用 AI 可能提高生产率并改变工资与就业；
- 自动化可能重塑行业竞争和市场集中度；
- 金融机构会把 AI 用于信贷、交易、风控和客服；
- 生成式 AI 能帮助央行处理海量文本和非结构化数据；
- 模型错误、同质化决策与网络攻击也可能放大系统性风险。
这意味着 AI 既是经济冲击，也是央行可以使用的分析工具。
BIS 对宏观经济的判断
BIS Working Paper 1179 研究 AI 对产出和通胀的影响。一个重要结论是，AI 的宏观效果取决于采用速度、任务替代程度以及生产率收益如何扩散。
短期内，企业需要购买算力、重组流程、培训员工并积累互补资产。投入先发生，生产率提升可能滞后。因此，技术能力快速进步，并不保证总量生产率立刻跳升。
中长期可能出现两股方向相反的力量：
| 传导路径 | 可能影响 |
|---|---|
| 生产率提高、单位成本下降 | 缓解价格压力 |
| 投资和需求快速扩张 | 推高部分商品、工资和资产价格 |
| 劳动力被替代 | 影响工资、消费与行业结构 |
| 新任务和新企业出现 | 增加就业与潜在产出 |
| 市场集中度上升 | 改变加价率和创新扩散 |
所以，“AI 一定通缩”或“AI 一定推高通胀”都过于简单。央行需要观察不同阶段的净效应。
ℹ️ 衡量比预测更困难
AI 投资可能被记入软件、云服务或研发，免费工具的价值也不容易进入 GDP。若统计体系低估质量改善，央行看到的生产率数据会滞后于真实变化。
金融体系中的机会
BIS 总结的应用方向大致可以分为三类。
更好的数据处理
金融和政策分析包含大量公告、合同、新闻、监管报表与会议文本。自然语言模型可以分类、摘要、提取实体，并帮助研究人员发现传统表格数据之外的信号。
更及时的监测
机器学习可以融合支付、市场、贸易和高频价格数据，用于识别异常交易、流动性变化或经济活动拐点。对央行而言，价值不只是“预测更准”，还包括更快发现模型之外的新模式。
更高效的内部流程
AI 可以辅助代码、知识检索、文档比较和客服。但 BIS 强调，公共机构的使用场景需要更严格的可解释性、保密性和问责机制，不能直接复制消费级产品的部署方式。
金融稳定的新风险
AI 不只改变单家机构效率，也可能改变整个系统的行为。
同质化与羊群效应
如果多家银行和基金使用相似数据、基础模型或云平台，它们可能在压力情景下同时调整仓位。每个机构的决策看似合理，叠加后却会放大波动和流动性冲击。
模型不透明
复杂模型可能难以解释某次拒贷、预警或交易决策。模型漂移、训练数据偏差和生成式 AI 的幻觉，会让传统模型风险管理面临新的验证难题。
第三方集中
高性能 AI 依赖芯片、云平台、数据和基础模型。少数供应商故障、被攻击或改变服务条件，可能同时影响大量金融机构。这种集中风险不完全等同于传统外包风险。
网络与欺诈
AI 降低了生成钓鱼内容、伪造身份和自动寻找漏洞的门槛，同时也能提升防御、反洗钱和异常检测能力。攻防双方都会使用 AI，风险取决于哪一方适应得更快。
央行自身如何使用 AI
BIS Bulletin 84 总结了央行中的实际方向，包括统计、研究、监管、支付监测和内部知识管理。适合的原则不是“所有任务都上大模型”，而是按风险分层：
- 低风险辅助任务可以先部署，例如检索、翻译和初稿；
- 政策分析需要保留数据来源、模型版本和人工复核；
- 影响个人或机构权益的决定必须有明确责任主体；
- 敏感数据应在受控环境中处理；
- 关键系统需要替代方案，避免单一模型或供应商失效。
⚠️ 人必须对政策负责
AI 可以扩展分析能力，但不能承担央行的法定责任。模型输出必须能够被质疑、复核和推翻，最终判断仍由具备授权的人作出。
BIS 提出的行动框架
从年度经济报告可以归纳出四个相互关联的方向。
建设能力
央行需要数据工程、机器学习、经济学和风险管理的复合团队，也需要让非技术决策者理解模型边界。
改善数据与基础设施
高质量数据、治理目录、计算环境和可追踪实验，比追逐单一模型更重要。没有可靠的数据管线，AI 只会更快地产生不可靠结论。
更新治理
应明确哪些场景允许使用生成式 AI，如何记录输入输出，如何评估偏差、安全和第三方依赖，以及事故发生后由谁处置。
加强合作
AI、云服务和金融市场跨越国界。央行、监管机构与国际组织需要共享方法、事故经验和评测标准，避免各自重复摸索。
对普通企业的启示
BIS 的视角虽然面向央行，但对企业同样有用：
- 不要把模型基准分数直接当成生产率；
- 计算流程重构和人员培训的成本；
- 识别云、模型与数据供应商的集中风险；
- 对高影响决策保留人工复核和申诉路径；
- 监控系统层面的共同依赖，而不只看单个模型准确率。
仍然未知的部分
当前证据无法精确回答 AI 最终会带来多少生产率、多少失业或多大的通胀变化。技术能力、采用速度、监管、能源和算力供给都在变化。
BIS 的价值不在于给出一个确定数字，而在于提醒政策制定者同时观察三层影响：
模型能力 → 企业采用与流程重组 → 宏观经济与金融系统
只看第一层，很容易高估短期效果；忽视第一层，又可能低估长期结构变化。
结语
BIS 对 AI 的态度是积极但审慎：AI 有机会增强生产率、政策分析和金融服务，但收益不会自动出现，风险也不止是“模型答错”。
央行需要成为有能力的使用者、系统风险的观察者和可信治理的示范者。真正关键的问题不是“是否采用 AI”，而是如何在提高能力的同时，保留可解释性、韧性和公共问责。