周小川：从目前的讨论来看，AI很可能显著加大而非缩小收入分配差距

来源：市场资讯

（来源：中国地产基金百人会）

周小川谈养老

蓝鲸新闻10月24日讯（记者 石雨）中国的养老保障体系遵循三支柱架构，但发展并不均衡，如何实现三支柱的协同发展？在近日举办的2025外滩年会“多层次养老保障中的政府、市场与社会协同”圆桌论坛中，中国人民银行原行长周小川分享其观点。

“金融与养老金之间存在着非常紧密的联系”，周小川首先谈到，“研究养老金改革可以采取多种视角，或者说从不同的子系统入手。目前各视角之间的沟通协调以及最终如何实现系统优化，仍有大量工作尚未完成，这也导致了一些意见分歧。”

他指出，一部分观点主要关注养老金水平问题，认为随着人均GDP达到现有水平，养老金待遇也应相应提高。另一部分观点，特别是从财政角度出发，更关心资金从哪里来，没有资金支持，再好的设计也难以落地。因此，无论设计何种框架，核心问题是如何筹资和用好资金。第三是从投资的角度看。如果实行预筹积累，尽管全球金融市场存在波动，但通过投资实现保值增值仍有很大潜力。第四是注重公平的视角，将养老金视为收入再分配的重要渠道。

此外，周小川还从三支柱之间关系的角度提出问题，“究竟什么结构是最优的？各支柱之间如何衔接？这些子系统是否从根本上就难以整合？”其认为，通过深入研究、借鉴国际经验教训，并运用系统分析方法，是能够将它们更好地整合起来，形成一个更优体制的。

在圆桌对话中，周小川还围绕第一、第二支柱分享了他的思考。

关于第一支柱，周小川谈及，中国的第一支柱与经济合作与发展组织（OECD）、世界银行所定义的第一支柱在概念上并不完全一致。中国第一支柱并非简单的普惠性、兜底性支出，其待遇计发公式在很大程度上与缴费年限和缴费基数挂钩，并设有上下限。前不久，领取养老金最低缴费年限刚从15年延长至20年。这表明，我们的第一支柱包含了很强的精算和贡献关联成分，其性质并非纯粹的第一支柱。当然，中国自行定义三支柱体系并无不可，但在进行国际比较时，若口径不一，就容易产生概念混淆和误解。

对于“第二支柱采用强制性可能会带来好处”的观点，周小川表示赞同，并谈及，回想20世纪90年代，针对香港回归后设计的新养老金体制，当时就推出了强制性的“强积金”（强制性公积金计划），这引出一个关键问题：必须高度重视资金来源。我们设想第一支柱非常重要，不仅因其人口覆盖广，还关乎当前提振消费的议题。第一支柱覆盖了大量人口，若要鼓励消费，有人主张提高养老金待遇，但这必须与“钱从哪里来”的问题紧密联系。有人认为没钱可以靠财政赤字，但此事远非如此简单。在中国，很多事情主实行的是“部门负责制”，负责社保的部门可能不直接承担财政平衡的责任，而负责财政的部门则会严格考量预算约束。这必然涉及到是否提高缴费率、或寻求新的平衡点等问题。

此外，周小川提出，许多养老保障的讨论会忽略企业的利益和感受。企业要追求效率和竞争力，如果在社会保障供款方面负担过重，必然削弱其竞争力。因此，企业会通过各种渠道向主管部门反映，最终可能导致社保缴费率的下调——这种现实原因不可否认是存在的。当然，也有人指出，未来的出路之一在于显著延长退休年龄。但企业对此也有顾虑：高龄员工的劳动生产率可能不同，病假也可能更多，企业可能会不情愿，甚至设法规避。因此，制定政策时必须充分考虑企业的实际情况和反应。

最后，关于人工智能的影响，周小川指出，从目前的讨论来看，AI很可能显著加大而非缩小收入分配差距。然而，目前尚未建立有效的渠道和机制，将AI带来的新增效率和GDP增量分配给养老金体系，这也是一个亟待研究的课题，并且与企业考量密切相关。“希望研究养老金的各界人士和政策制定者，能对企业的感受和诉求给予更多关注。”

周小川谈AI

新华财经上海10月23日电（陈冉）10月23日，在2025外滩年会的“外滩圆桌：金融领域的AI治理与国际合作”上，国家金融监督管理总局副局长肖远企表示，当前尽管AI发展迅猛，应用广泛，但必须明确一点，目前AI在金融领域的应用仍处于早期阶段，其作用仍是辅助性的，无法取代人的决策。

中国人民银行原行长周小川则表示，银行较少使用多模态或生成式技术，主要依赖大数据分析和推理模型，基于这一特点，未来的从业人员规模会显著受到影响和减少。“人工智能在银行业的支付、定价、风险管理和市场推广方面发挥着重要作用，这是一个很大的边际变化。”

对于AI效率提升是否会带来金融机构内部员工安置的压力，肖远企认为，到目前为止，还没有听到金融机构单纯因AI应用而出现员工安置压力的案例。以柜员服务为例，AI是辅助工具，无法替代柜员与客户之间个性化的互动。在信贷、保险定价、定损、精算等关键领域，仍然离不开人的专业判断。

助力监管已有很大进展

周小川指出，在人工智能的影响下，监管也会发生很大变化。以反洗钱、反恐融资系统为例，是最典型可运用大量数据分析发现线索、识别洗钱和恐怖融资活动的领域，利用已破获案件数据进行机器学习、深度学习，模型会逐渐提升，从中找出规律，对监管有巨大作用，这方面现在已取得很大进展。

“AI可以在物价和微观行为的数据收集、处理、模式识别和推理方面影响货币政策决定，是否可以从历史上金融稳定数据、金融机构健康性变化中，通过机器学习和深度学习，推理预知金融不稳定的出现，我觉得这是一个很重要的方向。”周小川说。

值得注意的是，监管部门往往希望各类金融机构和活动在运用AI时提供透明、可解释的模型，但实际操作中可能有所不同。周小川指出，机器学习、深度学习必然带来模型的黑箱性，可能未来监管需要面对黑箱模型产生的结果和行动，来调节或监管金融市场。

“如果AI模型大量运用短期高频数据，学习结果很可能也是高频、短期、技术性的，可能与金融稳健和宏观调控所需要的面向基础面、长远稳定性的要求不一致。这个问题确实需要认真对待和解决。”周小川说。

两重风险需要关注

肖远企认为，AI应用所带来的风险，与历史上几次重大科技革命在金融领域应用时产生的风险类似，目前或许难以定论，但从历史视角看，过去几轮科技革命在金融领域主要带来的是增量风险和边际风险，虽然风险的成因、路径和形态有所变化，但金融行业面临的根本性风险如信用风险、市场风险、流动性风险和操作风险，并未发生革命性改变。

具体到这一轮AI变革对金融领域带来的风险，肖远企认为可以从宏观和微观两个层面观察：对单家金融机构而言，一是模型稳定性风险。这一轮AI应用高度依赖模型支撑业务拓展，因此模型的稳定性和可靠性变得至关重要；二是数据治理风险。这涉及数据来源的选择、数据质量的把控以及事后的评估与监测程序，也就是数据治理的程序。这两类风险对单个机构非常关键。

对金融行业而言，一是集中度风险。金融行业在AI模型技术上可能会依赖少数技术开发能力强、稳定性高、资源投入大的服务提供商。同时，大型金融机构在资源投入上可能比小型机构更具优势，可能导致市场集中度提高；二是决策趋同风险。由于所使用的模型和数据相对标准化和集中，使金融机构在决策依据上可能趋同，进而导致行业整体决策同质化。如果趋同性过高，可能会引发“共振”效应。