今天分享的是：2025年人工智能（AI）在政策领域的应用研究报告（英文版）-国际清算银行

报告共计：25页

国际清算银行《2025年人工智能（AI）在政策领域的应用研究报告》聚焦央行及监管机构对AI的应用，先阐述AI核心概念，再分析四大应用场景，最后指出挑战与应对方向。AI核心概念方面，机器学习（ML）是关键组成，包括树基方法（如随机森林、孤立森林，适用于数据模式识别与异常检测）、深度学习（基于神经网络，擅长处理非结构化数据），生成式AI（如大型语言模型LLMs）依托Transformer架构，具备少样本/零样本学习能力，能灵活处理文本生成、预测等任务，还可通过领域微调提升特定场景准确性，如BIS的央行语言模型（CB-LM）在解析货币政策术语上准确率达90%。应用场景上，信息收集领域，央行用孤立森林等ML技术检测数据异常，处理衍生品、利率计算等数据，通过“模型初筛+专家复核”提升数据质量；宏观经济与金融分析领域，LLMs将非结构化数据转化为高频指标，辅助通胀预期监测、GDP即时预测，CB-LM还能精准分类政策立场；支付系统监管领域，传统规则系统误报率高，BIS“极光计划”（Project Aurora）用图神经网络等，结合隐私保护技术整合多机构数据，洗钱检测率提升3倍、误报率降80%； supervision与金融稳定领域，AI自动化文档处理（如美联储LEX系统）、监测市场情绪、优化压力测试，BIS创新中心9个AI项目涵盖监管科技、气候风险分析等，如“盖亚计划”（Project Gaia）提取ESG报告信息。挑战方面，AI存在“黑箱问题”（复杂模型可解释性低）、幻觉风险（LLMs易生成错误信息），需人类监督；央行面临IT与人力资本投入大、AI人才招聘难（近90%央行面临招聘压力）、数据隐私与合规（非结构化数据使用存法律争议）、依赖外部供应商（AI供应链集中度高）及网络安全风险（生成式AI加剧钓鱼攻击等威胁）等问题。应对上，央行需加强协作（共享数据、模型与经验）、优化人力资本策略（培训现有员工、招聘专业人才）、完善数据治理（遵循FAIR原则），BIS通过搭建合作平台支持央行构建AI应用“实践社区”，以充分发挥AI在政策领域的价值。要不要我帮你整理一份央行AI应用场景与关键技术对应表，清晰呈现不同场景下所用的AI技术及成效？

以下为报告节选内容