共 13 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。
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。
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。
2026年9月28日，Hinton、Bengio、Pachocki、Horvitz、Jack Clark、Dawn Song、Korinek等22位顶级学者联名发表论文，指出AI已编写前沿公司内部大部分代码，Anthropic的AI代码占比一年内升至80%以上，智能爆炸或在数年内发生，一年进展可能压缩到约五周。本文通俗讲清机制、证据与风险，并落到银行的模型风险、智能体安全与市场波动应对。
Anthropic与UC Berkeley团队在arXiv:2608.28945中报告：Claude Opus 4.8驱动的自动化对齐研究员在10类模型行为失败上收敛出训练方法，击败28位平均从业2.5年的人类研究者，且单条方法成本约为人类1/37。本文不复述其\"AI已能自我改进安全\"的表层结论，而是抽取三件真正可移植的工程机制（提交前冻结留痕、四道量化闸门、分层事后监控），并重点剖析两条被严重低估的反直觉发现——训练目标而非数据才是杠杆（天花板从4.5%抬到18.7%），以及爬到排行榜中位数就已吃掉几乎全部泛化收益。为银行AI治理提出可移植的三条硬性要求，并逐条标注该结论不能被过度外推的边界。
Google Cloud AI Research 在 arXiv:2609.24972 中提出 RRSI，用正则化约束 agent harness 的递归自我进化。真正值得银行注意的不是它的成绩，而是一个负结果：去掉全部正则后，进化集得分升到 92.8（最高），真实场景泛化均值却只有 40.3，几乎等于未进化的基线 39.7——而 RRSI 是 90.5 与 43.6。由于银行只能在自有评估集上度量智能体，这类退化默认不可见。本文拆解七条正则、给出可移植的噪声地板与成本规则 ΔC≤β₀+β₁ΔS，并明确指出真正的瓶颈是金融核心业务缺少自动验证器。
以黄仁勋在 The Ezra Klein Show 的最新三万字对话《AI 危言耸听已走得太远》为分析底本（该素材未经独立核实），对照 NVIDIA 提交 SEC 的 8-K 收购文件、国家金融监督管理总局《关于银行业保险业人工智能安全开发应用的指导意见》报道、招行/邮储/平安/兴业/微众等 2026 年半年报与股东会披露口径、麦肯锡银行 AI 研究，把'五层蛋糕'翻译成金融业的五层地基，并给出验证、隔离、监督三道闸门、算力资产化的双重敞口分析、四类场景的 token 价值评估框架，以及八条可直接写进控制矩阵的判断。
以 Meta 官方 Muse 发布稿与安全架构披露、Ryt Bank 官网与 arXiv 论文《Banking Done Right》为一手底本，对照 Computer Weekly、PYMNTS、Bernama、Lowyat.NET 等报道，逐层拆解通用个人智能体与持牌银行 AI 原生 App 在能力、授权、数据、责任四道边界上的相反选择，给出五条可直接写进控制矩阵的判断与六组问答，并逐条标注来源层级。
以摩根大通 2025 年年报致股东信、公司官网技术页与 2026 年公司更新、二季度财报电话会为事实底本，结合美联储、OCC、FDIC 于 2026 年 4 月更新的模型风险管理指引与路透社报道的例行检查清单，重述 AI 支出的“三本账”“预算身份三问”框架，并给出六条可落地硬要求。本次修订删除全部无法核实的内容并逐条标注来源层级。
以 Google Research 首期播客访谈为切口，结合银行校招收缩、FSB 与金融监管总局文件三组同期信号，提出判断力三层结构与三个时间尺度错配框架，拆解风险管理条线四类控制点与机构侧六项行动，并回答“AI 接管基础工作后训练场消失”带来的断代风险如何治理。
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。