执行摘要
当前AI应用主要集中于通过广泛可及的生成式AI工具提升生产力，而将AI应用于投资策略则更具挑战性，这主要归因于金融市场的复杂性。值得注意的是，企业持续强调在AI实施过程中保持人工监督的重要性。在资产管理领域，为提升生产力而最普遍的应用包括：从文档中自动提取数据、改进对账流程，以及起草电子邮件、研究报告和RFP/DDQ的回复。对于这些用例，资产管理公司主要利用第三方供应商提供的生成式AI工具，而非自行构建。投资策略是许多资产管理公司应用人工智能的另一个关键领域，涵盖了广泛的功能，从市场情报任务（例如情感分析和聚类）到市场因素预测、使用合成数据的情景分析、投资组合构建、管理人选择和交易执行。公司应用集成方法等技术和可解释人工智能来应对过拟合问题，以及深度学习和强化学习中复杂人工智能模型可解释性所面临的挑战。
负责任的人工智能应用框架由三个相互关联的基石组成。首先，清晰的理念和强有力的领导层参与是至关重要的起点，因为它们指导和支持人工智能计划。其次，战略基础将理念与领导层意图转化为可操作的准则、政策、合规性、治理框架和定制化的风险管理实践。最后，一个支持性的环境通过适当的数据和基础设施、人才和文化准备、隐私和网络安全工具以及明确定义的运营流程来实施这些战略。
人工智能的采用已不再是是否要推进的问题，而是如何实施人工智能的问题。虽然强调了广泛的人工智能应用潜力，但机构必须评估其可行性和潜在影响，并据此进行优先排序。随着机构从实验转向更系统的采用，一个健全的框架应指导这一进程，确保与机构使命、问责制、生命周期监管、协作以及良好的支持环境相一致。随着人工智能快速发展，持续学习和同行间知识共享对于应对技术和监管变化至关重要。
什么是人工智能？
人工智能是制造智能机器的科学和工程，尤其是智能计算机程序的科学和工程。它与使用计算机来理解人类智能的相似任务相关，但人工智能不必局限于生物上可观察的方法。AI通常根据其用途进行分类；预测性AI利用历史数据来预测结果并支持数据驱动的决策。生成式AI（Gen AI）指的是内容创建，例如文本、图像和音频，而代理式AI则指能够感知其环境、做出决策并采取行动以实现用户定义目标（GoSearch 2025）的自主AI系统。
人工智能应用领域
人工智能在资产管理中的应用主要可分为两大领域：提升效率和投资策略。
- 效率提升涵盖优化当前劳动密集型工作流程，而投资策略则涉及生成新的洞察或投资信号。
- 效率提升的常见应用包括：从文档中自动提取数据、对账人工智能、生成文档。
- 投资策略的常见应用包括：市场情报生成、文档生成、市场因素预测、情景分析与合成数据、投资组合构建、管理人选择和交易执行。
资产管理行业中的人工智能趋势
- 过去两到三年，大多数领先的资产管理公司已建立了人工智能治理框架。
- 大多数资产管理人和机构投资者在人工智能应用方面仍处于早期阶段。
- 负责任的AI采纳涉及机构转型，而非一个简单的技术项目。
- AI应用从有偏见的、黑箱模型以及模型漂移或操控等方面引入新的、独特的风险，并可能破坏法律合规性、政策目标及公众信任。
- 公共机构必须在机构层面建立适当的AI框架，以开启他们的AI之旅。
负责任的AI应用
- 人工智能已不再是小众创新。它正成为一项核心能力，能够实现更快的分析和自动化，并推动跨部门的数据驱动决策。
- 人工智能的强大特性，在缺乏适当治理和控制时，也会引入新的、独特的风险。
- 人工智能引入了与传统技术或数字化不同的风险。在有偏见或不完整数据中训练的模型可能产生误导性或带有偏见的结果。人工智能的“黑箱”系统可能难以解释为何会做出特定决策。模型可能会随时间推移而逐渐变得不可靠。网络安全风险使人工智能模型面临数据或模型被操纵的可能性。
- 在公共部门背景下，这些风险不仅影响效率；它们还会损害法律合规性、政策公信力以及公众信任。
- 负责任的AI应用最佳的理解应是一种机构转型，而非技术项目。
- “负责任的”AI意味着确保明确的治理、问责制、数据管理、法律和伦理保障，以及嵌入整个AI生命周期的有效风险管理，涵盖从用例选择到系统设计、部署、监控和退役的整个过程。
负责任的AI采用框架
负责任的AI应用框架由三个相互关联的基石来引导：
- 愿景与领导力：确立AI倡议的目标、战略方向和问责制。
- 战略基础：将领导意图转化为可执行的原则、政策、治理实践、监管协调和风险管理。
- 赋能环境：确保拥有必要的数据、技术基础设施、安全、技能和组织文化，以负责任的方式落地AI。
人工智能应用的支持环境
- AI原则、机构政策、法规合规、治理和风险管理应作为一个连贯且整合的框架来运作。
- 将AI概念转化为实际操作需要一个纪律严明且结构化的实施方法。
- 组织通常专注于仔细选择早期使用案例，这些案例能展示明确的价值并呈现可管理的风险水平。
- 一旦确定了潜在应用，负责任的实施需要在进行解决方案跨组织推广之前，进行结构化的实验和治理控制。
- 在整个AI系统生命周期中，持续监控偏差、性能漂移和未预料到的后果。
- 明确界定人类监督和升级机制，以确保人工智能输出始终受到机构问责。
结论
- 资产管理行业的用例范围突显了机遇的广度以及潜在影响的多样性。
- 有效的采用需要选择和优先考虑那些可扩展、相关且符合机构需求的用例，而不是追求由外部需求驱动的举措。
- 将机遇转化为可持续价值，需要愿景、雄心与执行之间有清晰的联系。
- 治理、风险管理和运营流程必须与人工智能（AI）的采用同步发展。
- 随着机构从提升人工智能意识转向构建人工智能准备状态，负责任地扩展人工智能的能力将取决于技术进步以及底层机构环境的人工智能成熟度。
