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（提案请求/尽职调查问卷）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。
人工智能概述
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。
资产管理行业的AI趋势
在过去的几十年里，许多公司，尤其是那些专注于量化投资的公司，一直积极应用机器学习来捕捉各种投资信号和市场洞察。此外，一些公司还试图自动化手工密集型运营任务，主要依赖基于规则的AI系统，例如机器人流程自动化（RPA）。这些应用主要在各个业务单元级别使用特定于任务的模型。然而，随着大语言模型（LLMs）和通用人工智能（Gen AI）的出现，资产管理公司开始考虑在企业层面以集成的方式在整个投资流程中应用人工智能。
当前行业内AI应用的主要焦点是提升生产力，这得益于生成式AI的创新性能和相对易于通过第三方供应商合作获得的应用。许多公司已经开始通过利用大量内部和外部数据来大幅提升生产力。要将有限的资源新兴人工智能技术。根据一项对全美和欧洲300名资产管理人的广泛调查，一半的受访者表示，将通用人工智能（Gen AI）应用于日常运营要么是低优先级，要么根本不是优先事项。只有16%的全球资产管理人制定了完整的通用人工智能战略，并正在准备将其在整个业务中实施。在公共投资者领域，只有12%的中央银行在其储备管理中使用了人工智能工具。
负责任的AI应用
机构层面的负责任AI采纳意味着从早期的实验和基础AI认知，发展到可扩展、值得信赖且运营有效的AI应用。本章并非将AI采纳视为一项技术部署练习，而是将其框定为一种机构能力挑战，这种挑战受到治理成熟度、组织准备度、风险管理能力以及数据、基础设施和人力资本等基础条件的塑造。
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。在此背景下，“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，涵盖从用例选择和设计到部署、监控和退出的全过程。
人工智能应用的支持环境
人工智能准备的关键组成部分是现代化数据基础设施的可用性。数据治理基础设施人工智能的应用始于数据。每个模型的核心都要求结构化、可靠且管理规范的数据。没有这些，即便是先进的人工智能工具也可能产生有偏见、不可靠或无法解释的结果。对于中央银行和公共部门投资者而言，信誉、透明度和问责制至关重要，因此数据必须被视为战略资产进行管理。
除隐私问题外，人工智能系统在数据层面和模型层面都引入了新的网络安全风险。这些风险包括数据中毒、提示注入和模型逆向等威胁，这些威胁都对运营连续性和机构信誉构成风险。有效的网络安全实践应贯穿人工智能生命周期的各个阶段，从数据摄取到模型部署。
人力资本约束始终是人工智能应用的主要障碍。人工智能专用威胁情报，包括诸如MITRE ATLAS框架（MITRE ATLAS 2023）等资源，记录与机器学习相关的对抗性策略，并为防御系统设计和威胁建模提供指导。
文化变迁倡导负责任的AI文化应包含鼓励创新，并确保每个人都参与塑造AI应用方式，并对此负责。建立基础素养，辅以正式且强制性的培训，确保员工具备负责任地使用AI所需的知识和技能。信任与透明至关重要；AI应被视为人类增强的工具而非替代，其能力、局限性和伦理原则应从一开始就融入其中。
