AI在金融业的应用现状 - 银行柜员借助AI能高效解决客户问题，自动化程度更高，客户更深地嵌入服务流程中[1] - AI在金融行业主要用于优化业务流程和对外服务，应用集中在三个领域：中后台运营智能化、客户交流、金融产品提供[8] - AI应用带来双重效益：对内帮助金融机构降低成本、提高效率；对外为客户提供更个性化、更精准的金融产品与服务[8] AI对货币政策与市场的影响 - 美联储主席鲍威尔记者会开场白（如"Good afternoon"或"Hello everyone"）被市场视为货币政策风向标，会引发金融市场即时波动[1] - 华尔街已有机构部署AI系统实时分析鲍威尔的嘴型，当捕捉到发"g"音时系统会立即触发国债期货空头头寸，因为"Good afternoon"通常预示鹰派言论；若识别到发"h"音则会自动加仓风险资产，因为"Hello everyone"可能传递鸽派信号[2] - AI对货币政策的影响尚不明显，一方面AI可在数据收集、处理、模式识别方面影响货币政策决定，但另一方面货币政策是随经济周期调整的慢变量[5] AI在金融风险预警方面的潜力与挑战 - 人工智能可帮助预警金融风险，但落地仍有距离，需要从历史经验、长期数据、多次事件中学习预知泡沫积累和爆发的概率[6] - AI可探索通过机器学习和深度学习，从历史上金融稳定数据、金融机构健康性变化中推理预知金融不稳定的出现，例如硅谷银行突然倒闭这类事件[6] - 分析历史事件、泡沫积累、明斯基时刻时需要更广泛运用AI处理非结构性数据、多模态信息甚至社会情绪，但距离真正应用还有相当距离[7] AI应用带来的新型风险 - 微观层面主要有两类增量风险：模型稳定性风险（AI应用高度依赖模型支撑业务拓展）和数据治理风险（涉及数据来源选择、质量把控及评估监测）[8] - 行业层面主要有两类增量风险：集中度风险（金融行业可能依赖少数技术提供商，大型机构更具优势）和决策趋同风险（模型和数据标准化可能导致行业决策同质化，引发"共振"效应）[9] - AI发展特别是机器学习、深度学习必然带来模型的黑箱特性，监管可能需要面对黑箱模型产生的结果[7] - 如果AI模型大量运用短期高频数据，学习结果可能与金融稳健和宏观调控所需要的面向基本面、长远稳定性的要求不一致[7]