共 10 篇文章
2026年11月2日，MIT CSAIL团队发布《权重空间编程》：GPT-6 Astra不用梯度、不写训练循环，直接读写神经网络权重，只改Qwen3.5-0.8B中0.016%的权重，就把MATH-500从7.9%提到48.1%。本文拆解它如何读权重、改权重、从零写权重，重点分析避免改坏模型的八道护栏、两次失败实验揭示的边界，以及对银行模型治理的启示。
牛津大学出版社2026年8月推出《生成式AI基础与监管牛津手册》，由Hacker、Engel、Hammer、Mittelstadt四位跨学科学者主编，分导论、技术基础、监管挑战、行业应用、全球与区域五部分。本文梳理其结构，重点解读责任归属、反歧视、智能体安全、金融行业专章对银行AI治理的映射，并提示学术手册与操作手册之别。
以大模型为底座的银行风控平台属于金融监管总局指导意见（金发〔2026〕8号）界定的高风险应用。本文以斯坦福哲学百科《人工智能的知识论》为框架，结合全面风险管理与操作风险规则，梳理大模型风控在辩护、归纳边界、不透明性、解释失真、人工复核、责任归属、归纳风险与系统性风险上的要点，并给出分层架构、三道防线、生命周期清单与指标体系。
2026年10月15日，香港金管局公布「ART」框架及《负责任应用人工智能的监管指引》，以可问责、韧性、可信赖三支柱规范银行AI，通过GenAI沙盒++测试代理式AI，探讨意图为本问责、AI代理纪录册和介入机制。AI从生成式走向代理式，二期沙盒超60%用例为智能体。最危险的是问责碎片化：应用拆给多个智能体、监督分段负责，结果无人担责。本文解读ART框架、意图为本解法及对银行智能体治理的启示。
斯坦福哲学百科全书（SEP）于 2026 年 10 月 16 日新增《人工智能的知识论》词条，系统讨论 AI 的不透明性与可解释性、AI 输出何以成为知识、AI 能否带来理解、谁是认知主体等问题。本文梳理词条主要内容与价值，并把可靠主义、稳健性、归纳正当化、差异法、归纳风险等知识论概念转化为大模型工程与科研实践中的可执行方法，探讨如何以知识论提升大模型的性能与科研探索的可靠性。
2026年10月15日，前OpenAI研究员Nick Cammarata发表《Neural Networks Are Already Clean》，用AI Agent分析神经元，估计Qwen3-32B约90%神经元各有一项主导功能。他认为过去“叠加”的混乱证据多源于观察工具局限，提出“观察—假说—盲测—反例—干预”的可证伪方法。本文分析其思路转变与局限，并落到银行模型审查与可解释性合规。
2026年10月16日，斯坦福哲学百科首次发布《人工智能的知识论》词条，把AI界定为“知识技术”，系统追问：人凭AI输出形成的信念是否得到证成、能否算知识、AI更像证人还是仪器、不透明性如何分类、AI能否带来理解。本文用通俗语言讲清证言与仪器之辨、三种不透明、计算可靠主义、知识与理解的区别，以及“产出更多、理解更少”的警示，并落到银行模型验证、黑箱治理、归纳局限、过度依赖与阈值伦理等实操问题。
逐个文件核验 StartLuxLabs 开源决策模型的 README、四份文档、评测脚本与原始 CSV，用 40 项基准的原始数据回答三个问题：它和银行的评分卡、XGBoost、决策树有什么本质区别；能不能进入银行风控决策链；本地部署微调后能不能用于银行数据分级分类治理。结论是技术上三条路都通、许可上有一条硬门槛、定位上它不是替代者而是中信 AI 天盾式大小模型双轮驱动中缺失的中间层，并给出四道硬门槛与三栏行动清单。
以麦肯锡《AI改写规则：董事会如何自我进化》为素材，把董事会 AI 治理框架迁移到银行风险管理委员会（风控会）场景：拆解风控会面对 AI 的双重身份——既是被治理的风险客体，也是可用于治理的工具，并给出定位审查、职责边界、制度框架、一线沟通、价值挂钩与素养提升六项行动的银行版落地清单，附监管坐标对照与风控会 AI 仪表盘指标体系。
Datawhale 长文《RSI 从 0 理一遍》拆解了递归自我改进的四层标准与五次边界推进：持久改进、自主闭环已经出现，递归增益尚无证据，稳健可控远未解决。对金融业而言，答案不是简单的要与不要：经验持久化与有界闭环正是风控与合规急需的能力，而递归增益与开放式 RSI 则是必须设防的禁区。