从统计学到生成式模型

下载PDF（2页）

“人工智能”一词涵盖一系列技术，其共同特征在于：计算机系统所产生的输出，例如预测、分类、建议或文本，原本需要依靠人的判断才能得出。经济合作与发展组织（OECD）于2019年通过、并于2023年修订的定义，将人工智能系统描述为一种基于机器的系统，它从所接收的输入中推断如何生成能够影响物理或虚拟环境的输出。欧洲委员会公约和欧盟（EU）《人工智能法》（AI Act）在实质上均采纳了这一表述，从而使这一概念在对巴塞尔具有重要意义的各法律体系之间拥有共同的核心。¹

金融机构使用这一技术家族中较早的成员已有很长时间。基于逻辑回归的信用评分在20世纪80年代和90年代成为消费信贷的标准做法。精算师将广义线性模型应用于保险定价已有数十年。自20世纪90年代以来，银行卡支付中的欺诈检测一直依赖神经网络。梯度提升和随机森林等机器学习方法在2010年代进入风险管理和交易监控领域，因为它们比固定规则更能精确地识别大型数据集中的模式。²

生成式模型在两个对金融服务具有重要意义的方面不同于其前身。其一，它们处理非结构化信息，例如合同、电子邮件、研究报告和录音对话，而这些信息构成了一家银行或律师事务所的大部分知识。其二，它们是通用系统，由少数提供商以高昂成本训练，然后由成千上万的用户针对各自的任务加以调整。第一个特征解释了它们为何在后台和中台迅速得到采用；第二个特征则解释了监管机构为何担忧集中度、依赖性，以及用户理解这些系统如何得出输出的能力有限。³

注释

1. OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449，2019年5月22日通过，定义于2023年11月8日修订；欧盟第2024/1689号条例（《人工智能法》，AI Act）第3条第1款；Council of Europe Framework Convention on Artificial Intelligence and Human Rights, Democracy and the Rule of Law（CETS No. 225）第2条。待核实。 ↩
2. 关于统计和机器学习方法在信用评分、保险和欺诈检测中的发展历史，参见金融稳定理事会（FSB）的概述：Financial Stability Board, Artificial Intelligence and Machine Learning in Financial Services，2017年11月1日。待核实。 ↩
3. 关于基础模型的特征及其对金融机构的影响，参见国际清算银行（BIS），Annual Economic Report 2024，第三章，“Artificial intelligence and the economy: implications for central banks”，2024年6月。待核实。 ↩

仅供一般参考。本文不构成法律或税务意见，不能替代针对个案的咨询，亦不建立律师与客户之间的委托关系。本文反映截至 十月 2026 的法律状况。