逐段通读新加坡 MAS《人工智能风险管理指引》：六章结构、十三类生命周期控制与草案到终稿的关键转向

MAS 指引终稿共六章，2027 年 10 月 7 日生效：第 3、4 章（治理、识别、清单、重要性评估）自 2027 年适用，第 5、6 章（生命周期控制、能力建设）须于 2028 年 10 月 7 日前达到。

最关键的转向是适用门槛：草案的“是否嵌入业务流程”被改为“影响测试”——只有 AI 表现不佳或不可用不太可能造成重大不利影响时，机构才可只执行基础治理政策。

风险重要性评估从“逐个模型”改为“以用例为锚”，至少覆盖影响、复杂度、依赖度三个维度；同一个模型放在不同用例里可以得到不同评级。

第三方 AI 是全篇收紧最多的部分：机构对外购 AI 承担首要责任，供应商自我声明不算数，剩余风险超出偏好就要限制、暂停或更换供应商。

智能体没有单独成章，却散布在定义、风险、清单、测试、监控各段：工具访问权限要入台账，护栏有效性要测试，推理过程和调用工具要监控。

素材说明：本文以 MAS 2026 年 10 月 7 日发布的指引终稿为主要对象。由于 MAS 官网在写作时段对自动访问返回维护页，终稿正文（含全部 51 个脚注）系依据来源4 发布的逐段对照稿还原阅读；该对照稿由曾主导 MAS AI 风险监管、现已离职的 Gary Ang 制作，逐段标注终稿段落号与对应草案段落号。MAS 对咨询意见的答复，依据来源5 的逐主题解读。凡来源原文与事实，标注段落号（如 ¶4.12）或来源；凡本文作者的归纳、推论与银行映射，标注“本文分析”。

>

本站 2026 年 10 月 10 日已发布一篇概览，侧重四大期望与全球框架横向对照；本文不重复该部分，专注于条文本身的逐段解读。

一、文件全貌：六章结构与两段式时间表

终稿由六章组成（来源4）：第 1 章引言（定义、风险类型、生效时间）；第 2 章适用范围（终稿新增，吸收了草案的 ¶1.5–1.6 和附件）；第 3 章 AI 监督（董事会与高管）；第 4 章关键风险管理体系（识别、清单、重要性评估）；第 5 章 AI 生命周期控制；第 6 章 AI 能力与产能。

咨询期为 2025 年 11 月 13 日至 2026 年 1 月 31 日。来源5 记载，MAS 答复的附件 A 列出 95 家具名回复方，另有 40 家要求匿名，涵盖银行、保险、资管、行业协会、咨询公司和技术供应商。

时间安排写在 ¶1.8：指引自 2027 年 10 月 7 日生效，第 3、4 章自该日起适用，第 5、6 章须于 2028 年 10 月 7 日前达到。来源5 特别提示了 MAS 的一句附带要求：高风险用例的控制应尽早落实，而不是等到 2028 年。

二、范围：什么算 AI，谁可以“只做基础版”

2.1 定义：以“学习得来的前提”划界

¶1.3 把 AI 定义为“通过学习得来的前提（如所接收的数据或输入）推导输出的机器系统或模型”，输出包括估计、预测、内容、摘要、建议或决策。完全基于预设程序逻辑或规则的计算工具不算 AI。

脚注 6 给出了举例清单：机器学习（含监督、无监督、强化学习）、深度学习、自然语言处理、计算机视觉、生成式 AI（含大语言模型）、AI 智能体（含多智能体系统）都在范围内；规则系统、输出完全由人工设定公式决定的工具、不具备学习能力的 RPA 一般不算。来源5 补充，MAS 在答复中明确逻辑回归、梯度提升属于 AI，而非由数据推导的蒙特卡洛模拟不属于。

本文分析：这意味着银行的传统评分卡如果用逻辑回归拟合，同样落入指引范围；“这只是回归”不能作为豁免理由。

¶1.4 区分了三个层级：模型（把假设和输入转化为输出的方法）、系统（一个或多个模型加其他组件）、用例（模型或系统应用的具体业务场景）。后文大量条款正是按这三层分配义务。

2.2 集团适用与本地问责

¶1.2 规定，对受 MAS 并表监管或拥有关键信息基础设施的本地注册机构，指引按集团口径适用（脚注 4 明确包括银行和保险机构）。¶1.5 允许全球集团成员沿用集团框架，但前提是“这些框架满足本指引的期望”。新增的 ¶3.6 进一步要求：即便沿用集团框架，新加坡本地高管仍须负责，须能获得及时的报告与数据、有清晰的本地问题升级路径，并能向 MAS 证明自己如何履行监督职责。

2.3 影响测试：全篇最重要的改动

草案曾以 AI 是否“作为业务流程的组成部分”来决定机构适用完整框架还是基础要求。终稿 ¶2.1–2.3 改为：默认所有机构适用第 3 至 6 章的完整框架；只有当 AI 服务或工具表现不佳或不可用，不太可能对机构、客户或其他利益相关方造成重大不利影响时，才可只执行基础治理政策。 判断时要考虑对机构的财务、运营、监管、法律、声誉影响，以及对客户在公平、道德和消费者保护方面的影响（¶2.3）。

¶2.4 列出六类通常可走基础路径的用法：辅助起草或润色客户邮件；为内部参考总结文件或会议纪要；为内部参考初审文件；为内部参考生成公式、图表；用图像生成工具设计营销或内部材料；用聊天机器人帮员工查找内部制度。脚注 13 保留一个条件：使用者在使用输出前应审阅和核对。

¶2.5 规定基础治理政策至少包括六项：明确 AI 监督责任（如指定一名高管）；允许与禁止的用途（如禁止把机密或客户信息输入公共 AI 工具）及必须人工复核的情形；经批准的 AI 工具清单及新工具审批流程；员工培训；定期合规检查；定期及触发式复核机构是否仍符合 ¶2.3 的条件。来源5 记载，MAS 在答复中还明确：即便尚未使用 AI 的机构也需要基础政策，主要是为了管理影子 AI。

本文分析：门槛从“用得深不深”改成“出事后果重不重”，是从技术视角转向风险视角。对银行来说，几乎所有面客、授信、反洗钱、交易相关的 AI 都会落在完整框架内；能走基础路径的，基本只剩“仅供内部参考、人工复核后才用”的办公辅助。

三、治理：董事会、高管与本地问责

3.1 董事会（或其授权委员会）的五项职责

¶3.4 规定董事会负责：（a）批准并定期审视 AI 风险管理的总体治理方式，包括 AI 使用的战略方向和关键框架；（b）确保 AI 风险被明确纳入风险偏好框架，包括定性表述和适当的定量指标；（c）明确董事会与高管的职责分工；（d）确保自身对 AI 有足够理解，能够有效监督和挑战；（e）定期审视上述安排是否跟上 AI 发展和机构风险状况变化。

脚注 18 给出了风险偏好的示例：定性方面可写明愿意接受的 AI 风险类型与程度、禁止的用途类别；定量方面可设定 AI 相关事件数量或财务影响阈值、依赖单一供应商的重要用例数量、突破性能阈值的重要用例数量。来源5 记载，草案中“在重大时才纳入风险偏好”的限定被删除，所有 AI 风险都要纳入；MAS 同时说明，董事会不需要具备动手层面的技术专长，但必须理解到足以挑战的程度，不能以专家意见替代自身判断。

3.2 高管的七项职责

¶3.5 列出高管职责：有效实施框架；定期检讨框架有效性；在全生命周期制定策略与控制；明确各条线职责，包括负责识别、清单与重要性评估的控制职能；建立 AI 事件与阈值突破的内部升级流程；及时向董事会报告重大 AI 风险；配备称职人员和充足资源。脚注 20 定义 AI 事件为“底层 AI 系统或模型发生故障、失灵或表现不佳的事件”。脚注 19 以三道防线为参考：一线为开发者与使用者，二线负责独立挑战与验证，三线（内审）提供独立保证。

3.3 不强制设 AI 委员会

草案曾要求 AI 风险敞口重大的机构设立专门跨部门委员会，终稿 ¶3.3 删除了这一要求：机构可以新设集中职能，也可以由现有风险职能管理 AI 的增量风险，只要能确保各职能间一致、协调地管理 AI 风险。脚注 16 以跨部门委员会或职能间沟通渠道作为示例。

本文分析：MAS 放松的是“形式”，收紧的是“举证”——机构可以不设委员会，但必须能说明自己的结构如何实现统一视图。对银行而言，真正的检验点是：能否在一张表上回答“全行有多少重要 AI 用例、各自风险如何、谁在负责”。

四、识别、清单与重要性评估：第 4 章的三件套

第 4 章是 2027 年 10 月就要达到的部分，也是后续所有控制的基础。¶4.1 要求三件事都采用一致、稳健的方法，并按评估出的重要性施加相称控制。

4.1 识别：控制职能是“最终裁决者”

¶4.2 要求识别覆盖所有业务与职能条线，并且至少覆盖重要第三方服务商所提供服务中内嵌或用于交付服务的 AI。脚注 21 举例：并未以 AI 名义销售、但含有 AI 功能的 SaaS 也在其内。¶4.3 规定识别可由业务部门执行，但须指定一个控制职能保持独立监督，并作为“某项用途是否构成 AI 的最终裁决者”。

新增的 ¶4.4 直面现实：机构应确保未被识别的 AI 使用所带来的剩余风险仍在风险偏好之内；如因供应商披露不足或影子 AI 而无法全面识别，应识别由此产生的风险并采取缓释措施。脚注 22 列举了缓释手段：明确告知员工允许与禁止的 AI 用途（包括内嵌 AI 功能和公共 AI 工具），以及升级网络监控、数据防泄漏等技术控制。

4.2 清单：可以“尽可能准确”，但必须能互相关联

¶4.5–4.6 要求在可能或可行的范围内维护准确的 AI 清单，自定更新频率，可扩展现有清单或单独建立。清单须与机构其他清单建立关联，脚注 23 举例：使用一致的数据资产标识关联数据目录，使用一致的供应商标识关联第三方或外包登记册。

¶4.7 列出可采集的属性：用途与描述、批准的使用范围（如法域）、模型类型、所用数据、依赖关系、生命周期状态、风险重要性评级、模型审查状态、关键角色（如负责人、开发者）、关键文档链接。脚注 25 专门为智能体补充：智能体专属标识、可访问的工具与系统、其组成部分、为管控风险施加的护栏。

4.3 重要性评估：以用例为锚的三个维度

¶4.10 要求按用例评估风险重要性，同时考虑所用系统和模型的风险；脚注 26 补充要考虑支撑或交互该用例的系统、模型之间的依赖。¶4.11 要求同时评估固有风险（施加控制前）和剩余风险（施加控制后），剩余风险须在部署前满足风险偏好。

¶4.12 规定至少三个维度：

1. 影响：AI 失败、失灵或表现不佳对机构（财务、运营、监管、声誉）和客户（公平、道德、消费者保护）的后果，以及所处理数据的性质与敏感度。
2. 复杂度：技术性质、应用新颖程度、所用数据、输出的可解释性；对第三方 AI，还要考虑机构对其技术与数据的可见程度。
3. 依赖度：相关决策或输出对 AI（含第三方 AI）的依赖程度，包括授予的自主程度以及人工参与或监督的程度。

来源5 记载了 MAS 答复中的三点澄清：不规定三个维度的合成公式或“高风险”的统一阈值；对技术不熟悉或对第三方模型缺乏可见性的机构，可以合理地把复杂度评得更高、测得更严；专属于高重要性 AI 的控制，按固有风险而非剩余风险触发。¶4.13 规定由控制职能制定评估框架，并裁决或批准各用例的评级。

本文分析：“按固有风险触发”这一点很容易被忽略，却决定了工作量。它意味着银行不能通过“我们已经加了人工复核”把一个授信模型降级为非高风险，进而绕开独立验证和应急预案；人工复核只影响剩余风险是否可接受，不影响该用例是否需要高风险级别的控制。

五、十三类生命周期控制：第 5 章逐类拆解

¶5.1 要求覆盖用例、系统或模型从构想到退役的全生命周期（脚注 27 引用 ISO/IEC 22989 的定义）。¶5.2 允许按重要性相称实施；因供应商披露不足等现实约束无法实施时，应识别风险并采取限制使用等缓释措施。脚注 28 专门规定了试点和分阶段上线：可以偏离标准控制，但须有明确政策，如时间与用户限制、成功标准、严密监控和范围合规。

以下选取对银行影响最大的六类展开。

5.1 数据管理：把“压力情景”写进代表性

¶5.4 的七项要求中，代表性要求训练和测试数据覆盖 AI 实际使用的一系列真实条件，包括压力条件；数据质量要求定期监测异常、漂移和潜在偏差；数据安全要求在退役或不再需要时及时销毁或脱敏训练数据、模型制品和输出；可审计要求记录数据来源、选择、处理与血缘，以及如何判定数据适用且具代表性。¶5.4 还要求检查现有数据治理能否应对 AI 数据的种类与体量。

5.2 人工监督：把“自动化偏差”列为风险

¶5.9 要求监督程度与用例重要性相称，并明确要求考虑随着 AI 速度与规模增加而出现的自动化偏差和决策疲劳。四个要点是：职责与升级流程、监督人员的能力与干预权、从设计之初就支持人工监督（包括在满足预设可靠性或准确性条件时把输出升级给人工复核）、记录并定期复盘人工监督决定与干预（包括事件和未遂事件）。脚注 37 说明，无论是“人在回路中”还是“人在回路上”，只要机构评估认为需要人工参与，均适用。

本文分析：这一条对“人工复核”这种常见控制提出了质疑——如果复核人每天要看数千条 AI 建议，复核本身就会流于形式。银行需要用抽检复盘、分歧率统计等方式证明人工监督是有效的，而不只是存在的。

5.3 第三方 AI：全篇收紧最多的一段

¶5.10–5.11 明确：使用第三方 AI 最终是机构自己的决定，机构对其使用承担首要责任，包括对利益相关方的影响和对合规能力的影响。合同须让机构以与风险相称的程度看到 AI 的引入及后续更新；机构须在自身用例中（包括使用自有数据）测试第三方 AI，并以补偿性测试弥补供应商披露不足；须记录如何测试并判定其适用。如剩余风险无法控制在风险偏好内，应考虑限制或暂停该服务，或更换供应商。

评估事项共八项：第三方 AI 透明度、供应链评估（含开源模型的来源与训练数据完整性）、集中度风险、变更管理、应急预案、法律协议（如性能保证、数据保护、审计权、引入或更新 AI 时的通知、引入 AI 前征得机构同意）、员工能力、复杂度。关于透明度不足，¶5.11(a) 允许参考独立且称职的第三方出具的认证或外部评估，并在括号中写明“不是自我声明”。脚注 38 规定，机构对第三方 AI 进行修改或微调时，开发环节的控制同样适用。

来源5 记载的答复要点：对“知名供应商”不设安全港；机构无需追踪每一次更新，但合同须让其看到可能影响性能或风险的变化，若供应商可在未经事先审查的情况下更新模型，应采取加强监控等补偿控制；AI 重要性按用例评估，与外包重要性不是一回事，第三方 AI 不会自动成为重大外包安排，两套框架需结合使用。

5.4 评估测试与部署前审查：护栏要被测试，不只是被列出

¶5.14 要求识别关键风险并设定清晰、可量化的阈值，阈值须由业务负责人、开发者和审查者共同商定并记录；测试方法列举了样本外与跨时间测试、敏感性分析、稳定性分析、子群体分析、压力测试（含边缘情形和对抗测试）、误差分析和基准比较。¶5.15 新增要求：生成式 AI 与智能体的测试须覆盖其关键失败模式以及相应护栏的有效性。脚注 46 点名生成式 AI 要重点测试幻觉、有害或偏见内容、数据泄露和对抗攻击。

¶5.19 规定高重要性用例部署前须接受正式独立验证，验证者须独立于开发与部署团队，并对开发者形成有效挑战，覆盖设计的概念合理性、数据适用性与质量、实施完整性、评估测试结果、可解释性与公平性、假设与局限。¶5.20 允许非高重要性用例采用同行评审等其他书面审查。¶5.22 还要求部署前的技术与网络安全审查，包括按最小权限原则审查 API、插件和第三方服务，上线前完成检查清单，并开展漏洞评估、渗透测试和红队演练。

5.5 部署后监控：把智能体的“推理与行动”纳入监控

¶5.23 要求对所有已部署 AI（含第三方 AI）持续监控，频率和强度与重要性相称。监控指标可包括稳健性、稳定性、数据质量、公平性，并考虑设置分级阈值（如预警线）；须检测数据漂移、概念漂移和整体模型漂移；在相关情况下，还应监控使用 AI 的工作流中的信息流与决策路径，如推理过程、采取的行动、使用的工具。高重要性 AI 应考虑设置“熔断开关”或覆盖机制（脚注 29 解释为在超出风险容忍度时迅速停用 AI 的机制）。文档方面，对生成式 AI 或智能体可考虑记录提示词与模型响应、适用的模型版本和推理过程。

¶5.24 删除了草案中的全组合层面定期审视，改为按用例重要性确定复检频率；高重要性用例须定期由独立方复检。触发复检的情形包括：相互关联的 AI 系统出现问题、监控告警、重大变更，以及监管或技术环境出现新风险。

5.6 变更管理：自动更新须从严

¶5.25 要求建立按变更性质和用例重要性判断变更重要程度的框架（脚注 49 列举训练数据、架构、关键假设、使用范围、对下游系统的影响），重大变更须在实施前重新审查和审批；对可能在未经事先审查的情况下发生重大变更的高重要性用例，须采取加强监控等补偿控制。版本控制不仅要覆盖代码，还要覆盖数据、参数、超参数等关键制品，支持回滚。对设计为自动更新的 AI，须有严格的启用理由，明确哪些可自动更新（如重新训练、调整超参数）、哪些不可以（如核心架构）。¶5.26 要求退役时考虑依赖关系、数据保留、安全移除和利益相关方通知。

六、能力与基础设施：使用者也要“称职”

¶6.1 把能力要求从开发和部署人员扩展到使用 AI 的人员，资源配置与用例风险状况相称。来源5 记载，MAS 在答复中明确 AI 培训与能力建设是监管期望，而不仅仅是良好实践。¶6.3 要求技术基础设施（如 GPU、网络、内存、安全数据管道）满足性能、可扩展性和韧性需要，并参照科技风险管理指引。

七、从草案到终稿：放松了什么，收紧了什么

来源5 的作者给出的概括是：MAS 在负担过重或难以执行的地方让步，在原则性问题上坚持。本文分析：放松的几乎都是“形式与流程”（委员会、证明流程、固定频率），收紧的几乎都是“范围与责任”（谁要遵守、谁来负责、外包出去的风险算谁的）。这是一种典型的结果导向监管：机构可以自选做法，但必须能证明有效。

八、智能体条款汇编

终稿没有为智能体单设一章，相关要求分散在各处（本文汇总）：

来源5 记载，MAS 在答复中澄清风险讨论旨在提高认识，并不限制任何 AI 技术或用例，只要风险在机构偏好范围内得到处理；MAS 计划另行就智能体专项指引征求意见。

本文分析：¶1.11 把智能体风险界定为“预设目标与智能体如何把目标转化为行动之间的偏离”，这为银行设计智能体控制指明了重点——不只是审核输出，而是约束和记录行动：它能调用哪些工具、每次调用是否在授权范围内、能否事后完整重建它为什么这么做。

九、对我国银行的启示（本文分析）

本节全部为本文分析，MAS 指引仅适用于新加坡金融机构。我国银行如在新加坡设有机构，需直接对照执行；其他银行也可将其作为成熟的参照框架。

1. 先做“三件套”，再谈生命周期。 MAS 把识别、清单、重要性评估放在第一阶段，是因为没有这三件事，后续控制无从分级。建议银行以用例为单位建台账，字段参照 ¶4.7 与脚注 25，并通过统一的供应商标识与外包登记册打通，便于看清单一供应商集中度。
2. 用“影响测试”重新划分低风险清单。 把“仅供内部参考、人工复核后使用”的办公辅助单独归类，执行基础政策；其余一律进入完整框架。避免把面客、授信、反洗钱相关的 AI 以“只是辅助”为由降级。
3. 高风险控制按固有风险触发。 授信、定价、反洗钱监测、面客建议等用例，即使已有人工复核，也应按高风险安排独立验证、应急预案和熔断机制。
4. 重写第三方 AI 合同条款。 参照 ¶5.11(f)，在采购合同中加入引入或更新 AI 时的通知义务、引入前征得同意、审计权、性能保证和数据保护条款；对无法提供独立评估的供应商，以自有数据开展补偿性测试并留档。
5. 证明人工监督有效。 统计复核人员与 AI 建议的分歧率、复核耗时和抽检差错率，用数据回应 ¶5.9 对自动化偏差与决策疲劳的关注。
6. 智能体平台预埋三类能力。 工具调用的授权清单、行动级日志（可重建推理与调用过程）、可一键停用的熔断开关。这三项同时覆盖了 ¶5.23 的监控与文档要求和脚注 25 的清单要求。

十、局限与待观察

第一，指引是监督期望而非法规，具体执行口径将体现在 MAS 的日常监管中。第二，MAS 没有规定重要性评估的合成公式和“高风险”阈值，各机构的评级尺度可能差异很大，后续是否会出现行业基准值得观察。第三，智能体专项指引尚在规划中，本文汇编的智能体条款只是现阶段的最低要求。第四，本文对终稿正文的阅读依赖来源4 的逐段还原，如有出入，以 MAS 官网原文为准。

延伸阅读：新加坡 MAS 落地 AI 风险管理指引：四大期望、一年过渡期与全球四大监管框架横向对照。

事实来源

1. MAS 指引页面（来源1，官方）：2026 年 10 月 7 日发布；适用于所有金融机构和全部 AI 形态；2027 年 10 月 7 日生效。
2. MAS 指引终稿 PDF（来源2，官方）：六章正文与 51 个脚注，本文段落号均指终稿编号。
3. MAS 新闻稿（来源3，官方）：四项监督期望；分阶段实施；指引与意见反馈答复同时发布。
4. Quaintitative《The MAS AIRG: consultation draft vs final, clause by clause》（来源4，独立解读）：终稿逐段与脚注全文，以及与草案的逐字对照和变化说明。
5. Quaintitative《The MAS AIRG: what the consultation feedback changed, and why》（来源5，独立解读）：MAS 意见反馈答复的逐主题梳理；95 家具名与 40 家匿名回复方；按固有风险触发；不设安全港等澄清。
6. Quaintitative《The MAS AIRG: what changed》（来源6，独立解读）：终稿相对草案的主要变化概览。

本文推论部分（非来源表述）：各节“本文分析”段落、第七节最后一段、第八节汇编表的归纳方式与最后一段、第九节全部内容、第十节第二至第四点。

本文不构成监管要求、合规意见或法律意见。

（内容由AI生成，仅供参考）