文 | 戎朝

目　录

一、一个被反复误判的命题

人工智能涌入金融，议论之声每每走向两端：一端惊呼"颠覆"，仿佛旧规皆可废；一端忧惧"失控"，仿佛新技尽是险。两端皆有所见，亦皆有所蔽。

本书的起点，是一句须先立稳的判断——技术变了，金融的本质没变。

金融之为金融，有三重本质，亘古不移：其一，受托——以他人之财，谋他人之利，故有信义、有适当、有问责；其二，系统外部性——一域之失，可溢为众域之危，故有杠杆约束、有交易监控、有逆周期之防；其三，信息不对称——卖方知而买方不知，故有披露、有公平、有反操纵。AI 之来，非改此三本质，反将其放大：算法可使受托之责隐于黑箱，可使系统之险瞬时传导，可使信息之差悬殊倍蓰。

故本书一以贯之之公式：

金融 AI 合规 ＝ 既有业务规则 × AI 风险增量规则

是乘积，非加和——任一为零，则全盘归零。AI 不豁免既有金融规则之任何一条，只在其上叠加新的风险增量。监管之于 AI，三个动作而已：穿透其外壳、回归其本质、锚定其责任。

二、全书的那根弦：可解释 vs 可问责

若问本书最深一处张力何在，答曰：可解释与可问责，不可调和。

深度学习愈精，其内里愈成黑箱——准头上去了，道理说不清。而金融监管之正当性，恰恰立于"可问责"三字：出了事，须有人可问、有据可查、有责可究。一边是技术求精而愈不可解释，一边是监管求正当而必须可问责——此二者之绷紧，贯穿全书首尾。

由此引出本书的预测主轴：

凡稀释可问责者，监管必反向补强。

哪里 AI 让责任变得模糊，哪里监管就会以更硬的留痕、更严的人工复核、更明的责任归属，把"可问责"重新焊回去。读者循此一轴，可预判监管走向于未发之先。

三、五条派生律

自上述主线，派生五律，散见各篇而精神一贯：

1. 技术中性——AI 是工具，工具无善恶，用之者任其责；

2. 责任归人——算法不能成为责任的避风港，每一个 AI 应用须有明确的人在其后；

3. 渗透梯度——AI 渗入业务越深、自主决策越多，监管补强越重（投顾、风控、交易，梯度而上）；

4. 公平优先——效率不得凌驾于公平，算法歧视、大数据杀熟，监管必反；

5. 软硬协同——硬法划底线，软法（标准、指引、自律规则）填细节，二者咬合方成治理。

四、十一篇之纲：开篇立结，终篇解结

本书十一篇，非散金碎玉，而是一道闭合的弧。

• 开篇立结：第一篇揭"可解释 vs 可问责"之张力，立全书之结；第二篇铺监管全图，明三层叠加、多头并立、最严者从严。

• 中段循渗透梯度展分殊：第三篇（数据与个人信息）、第四篇（算法治理）、第五篇（生成式 AI 与内容标识）筑其底——数据、算法、生成内容，是一切金融 AI 的共用地基；第六篇（智能投顾）、第七篇（智能风控）、第八篇（算法交易）、第九篇（私募证券基金）循渗透之深浅，逐一展业务之分殊；第十篇（智能合规 RegTech）一转——以 AI 管合规，自身亦须被管。

• 终篇解结：第十一篇（治理与问责）以一套组织安排——三道防线、全生命周期、决策留痕、应急与供应链责任——化解开篇之张力。结，开篇立之，终篇解之。

五、如何读这本书

业务条线各篇（投顾、风控、交易、私募）可独立查阅，各自成章、各附合规清单与时效附注；然主线一以贯之，通读方见其弧。书中法条引用，皆标"第 X 条第 X 款第 X 项"与文号、施行日；具体引证已经多源交叉核查（详见卷末《法律核查说明》）。

技术日新，本书所据法源截至 2026 年 6 月；金融 AI 监管仍在疾速成型，读者用时，须以《法源速查表》并辅以官方源复核时效。

一句为引：穿透其壳、回归其本、锚定其责——技术再新，金融的那三重本质不改；可解释与可问责之结，正是这本书要替你解开的那一个。

导读

算法须备案，模型须报告；数据须分级，内容须标识；量化设阈值，助贷划红线。新规叠出，条文相属，从业者追之而每有不及。

然繁规之下，自有一理贯之。得其纲，则千目自张；握其本，则万变可循。

一句而已：技术变了，金融的本质没变。 技虽日新，本未尝改。本篇为此理申说，立为全书之骨。

一、先问一句：金融监管究竟在管什么

要懂金融AI怎么管，先懂金融本身为什么受严管。

金融非寻常之业。剥其表而探其里，所经营者三：他人之财、聚合之险、不齐之信。

其一，受托性——以他人之财，行自主之断。 银行、基金、投顾，做的都是替别人管钱、为别人拿主意的事。钱是客户的，决定是机构做的；既受人之托，便当尽信义、守忠实。

其二，系统外部性——一点之失，可成一系之祸。 一家机构的交易、一个产品的爆雷，会顺着市场与杠杆传导，殃及无辜。故监管所虑，不止个体之得失，更在秩序之外溢。

其三，信息不对称——卖方知深，买方知浅；落差若被乘，弱者必受损。 适当性、信息披露、反欺诈，皆为填平此沟而设。

故金融之严管，不缘其用何技术，而缘其触此三者。 受托、外部、不对称——此监管所永恒针对，亦理解金融AI之起点。

二、AI改变了什么，又没改变什么

把AI放进这个框架，结论分两层。

其一，AI没有改变金融的三性。 智能投顾配资，仍是替客户理财，受托如故；算法交易下单，仍是进场买卖，外部如故；智能风控授信，仍是评估借款，不对称如故。换了外壳，内核仍是那三样。

由此得一判断：AI不创新业态，更不予豁免。 它是"原有持牌业务＋新技术"的合并同类项。用AI做投顾，仍受投顾牌照与适当性约束；用AI放贷，仍受互联网贷款与征信约束。监管的第一反应，是剥开技术外壳，看它承载的是哪种金融行为，就按那种行为管。

其二，AI放大了三性之险，更叠一层之晦。 技术绝非中性无害之具，实乃三性之放大器：

受托被放大。AI替客户决策，信义之责须穿透到算法层；而黑箱晦暗，威胁着问责之链——客户与机构，都难说清"为何这样配置、为何拒这笔贷"。受托之根在信，信之所赖在明；黑箱一深，信之根基即被蚀空。

外部被放大。算法同质、高频、程序化，把速度与相关推到极致。策略一旦趋同，便交易共振、波动骤增。2024年2月19日，宁波灵均旗下多个产品在开盘约一分钟内集中卖出，合计卖出沪深股票约25.67亿元，沪深指数应声短挫——技术之撼市，于此可窥一斑。顺周期之性，被算法所加速。

不对称被放大，且其向翻新。AI双向放大信息之差：机构对客户，有大数据杀熟、算法歧视；快者对慢者，有高频交易对中小投资者的速度碾压。数据与算力之优，系统性地转为对弱势者的不公。

一言蔽之：技术非中性，乃三性之放大器；器不改其本，唯增其险。

三、监管的应对：穿透外壳、回归本质、锚定责任

本质未变，风险放大——监管的应对，是三个相承的动作。

一曰穿透：穿技术之壳，见金融之实。 监管所对，从来不是"AI"二字，而是它承载的金融业务。投顾归投顾，交易归交易，放贷归放贷；技术再新，终须还原为它干的那件金融事。

二曰回归：归业务之本，套既有之规。 把AI还原为受托、外部、不对称的具体情境，径用该情境的既有规则。AI无例外，无特通道。所谓合规，落成一式——

金融AI合规 ＝ 既有金融业务规则 × AI风险增量规则

是乘积，不是加和。两关须并过：既有业务的牌照、适当性、披露要满足，AI带来的算法、数据、可解释之险也要管住。一个因子不达，全盘归零。这是判断任何金融AI应用是否合规的总框架。

三曰锚定：锚责任于人，不使其逸于算法。 这一义，三部出处不同、年份相隔的规则，给出了口径如一的答案：

《中华人民共和国个人信息保护法》（自2021年11月1日起施行）第24条规定，利用个人信息进行自动化决策，应当保证决策透明度和结果公平、公正，不得在交易条件上实行不合理差别待遇；通过自动化决策作出对个人权益有重大影响的决定，个人有权要求说明，并有权拒绝仅通过自动化决策作出的决定。一句话——把人拉回决策的回路。

《关于规范金融机构资产管理业务的指导意见》（银发〔2018〕106号）第23条要求，运用人工智能技术开展投资顾问业务应当取得投顾资质，为投资者单独设立智能管理账户，并充分提示人工智能算法的固有缺陷和使用风险。一句话——算法的缺陷由机构担之、披露之，不得甩给投资者。

《关于加强商业银行互联网助贷业务管理 提升金融服务质效的通知》（金规〔2025〕9号，自2025年10月1日起施行）第七条明确，商业银行应当自主开展风险评价与审批，合作协议中应当约定，平台运营机构不得以设定审批通过率下限等方式不当干预。一句话——风控的责任不可外包，更不可被算法供应商架空。

三规一辙，其旨昭然：责任，当归于能以最低成本防其险者。 谁部署、谁获利、谁掌控，谁担责。算法者，器也；器不任咎，任咎者乃用器之机构与人。

四、绕不开的矛盾：可解释与可问责

至此，金融AI监管的内核浮现——一场方向相反、不可调和的摩擦。

AI，尤其深度学习，以不可解释换取性能：模型越强，决策之径越难言明。而金融监管的全部正当，立于可追溯、可问责之上：一旦出事，必查得其因、寻得其责。一边要黑箱，一边要透明；二者背道。

明此矛盾，再看那些看似零散的规则，便知其本是同一动作——把AI强行拽回金融法预设的"可问责框架"：令算法可解释，欲其能受审；令全程留痕，欲其能回溯；令人工复核，欲人之常在；令内容标识、模型报备，欲其无所遁形。规千条，而指一处。

由此得一有预测力的论断：凡稀释可问责者，监管必反向以补强。 黑箱愈深，则可解释之求愈硬；自动愈彻，则人工兜底愈不可省；生成愈逼真，则标识之义愈严。日后新规出台，循此一线，多可逆料其落点。

故有一语，可为全书之眼：算法可代人决策，不可代人担责；责之所在，必使可问、可溯、可究。

五、一根五用：从底层逻辑到五条规则

根既说透，便可收为五条可操作的派生规则。后篇所陈，不过以此五者，逐业务、逐环节而验之、落之。

其一，技术中性——论业务之实，不论技术之名。 这是合规公式的第一个因子：先问它是哪种金融业务，再套该业务的全部规则。

其二，责任归人——自动不免其责，黑箱非避风之港。 责落于能以最低成本防险者；幻觉、黑箱、自动，皆非脱责之由。

其三，渗透梯度——入之愈深，控之愈严；据之愈密，问之愈实。 辅助层（客服、检索）宽，决策支持层（投研、预警）中，自主执行层（自动放贷、自动下单、全权委托）严。

其四，公平优先——效率有界，公平为先；速度若凌弱，法必矫其偏。 此金融正当之底线。

其五，软硬协同——硬法划其界，软法实其行。 行业标准如《人工智能算法金融应用评价规范》（JR/T 0221—2021），虽非强制，却是监管检查的标尺、尽职免责的证线。守硬法只是底线，对标软法方称尽职。

根一而已，五者皆其用。

本篇小结

金融AI合规的全部道理，可压为一句、一式：技术变了，金融的本质没变；合规者，既有业务规则乘以AI风险增量规则也。监管穿其壳、归其本、锚其责；其内核，是可解释与可问责的不可调和，而规则之总向，是使AI常拽于可问责的框架之内。

此逻辑强在自洽，然非无界，二处尤须留意。

其一，穿透有尽。当AI由"辅助决策"跃向"自主生成策略"，"业务实质"本身或为技术所重塑——倘AI所得的非线性策略并无对应的传统业态，则"按业务实质对号入座"将现无座可对的空档。此为逻辑外推，现行规则尚未明文回应。

其二，归责有张。尽压黑箱之果于机构，过苛则抑创新，过松则责落空；最优的分担点在动态游移，而现行规则未予稳定的标尺。同属前瞻之判。

二者，恰是来日立法与争议的高发地。至若"本质未变、穿透回归锚定"的根本判断，因个人信息保护法第24条、资管新规第23条、互联网助贷新规等多处口径如一、价值取向明示，证据充分。

一根既立，五用自生；纲既举矣，目自张焉。 后篇所陈，皆以本篇五律验之。

合规自检：拿到任一金融AI应用，先问五事

五问皆过，方为合规之始；任一存疑，即是风险所伏。后续各篇，正是把这五问，逐一落于具体业务。

导读

第一篇立了理——穿透技术外壳、回归金融本质、锚定人的责任。这一篇把理落为图：一张可查的法网，一份可对的分工表。

金融AI没有单一的主管部门，它受治于三层规范、数家监管。合规之难，往往不在某一条规则本身，而在如何把多层多家的要求，叠加无遗、协调无冲。一句定调：多头之下，无一关可漏；最严之处，无一家可避。

一、三层叠加：技术、数据、业务，三关并立

金融机构用AI，须同时过三关，缺一不可：

第一关，横向人工智能与算法法——管"技术怎么用"。 由国家网信办牵头，不分行业、普遍适用。核心四件：《互联网信息服务算法推荐管理规定》（自2022年3月1日起施行）、《互联网信息服务深度合成管理规定》（自2023年1月10日起施行）、《生成式人工智能服务管理暂行办法》（自2023年8月15日起施行）、《人工智能生成合成内容标识办法》（国信办通字〔2025〕2号，自2025年9月1日起施行）及强制性国家标准GB 45438—2025。

第二关，数据与个人信息法——管"数据怎么动"。 三部上位法加两部新规：《网络安全法》（2017年6月1日施行）、《数据安全法》（2021年9月1日施行）、《个人信息保护法》（2021年11月1日施行，第24条自动化决策）、《网络数据安全管理条例》（国务院，2025年1月1日施行）、《银行保险机构数据安全管理办法》（金规〔2024〕24号，2024年12月27日施行）。

第三关，金融条线监管法——管"业务怎么做"。 AI承载何种金融业务，即受该业务既有规则约束：投顾归资管新规与适当性办法，交易归程序化交易规定与交易所细则，信贷归互联网贷款与助贷、征信，反洗钱归反洗钱法，私募另归私募条例与运作指引。详见第六至九篇。

三关并行不悖：横向法管其术，数据法管其料，金融法管其业。横向之法管其术，数据之法管其料，金融之法管其业；三关并立，缺一不可过。 这正是第一篇"穿透业务实质"的制度形态。

二、多头分工：谁管什么

金融AI是典型的多头监管。厘清"谁管什么"，是合规第一步。

私募证券基金尤须留意：除上述监管者外，更受中基协自律规则与证监会的双重约束，其专门规则的纵深，详见第九篇。

三、一例穿越：以"大模型做线上信贷"过三层多家

抽象的三层，落到一例便清晰。设一家银行，用大模型做线上信贷审批——这一个应用，须同时穿越三层、面对数家：

• 第一关：审批若含个性化推荐或营销，触算法推荐规定（备案、反大数据杀熟、用户关闭权）；若用生成式AI生成话术或通知，触标识办法（显式与隐式标识）；自动化的授信决策，触算法治理的可解释要求（详见第四篇）。

• 第二关：借款人数据的处理，触《个人信息保护法》第24条（自动化决策六义，重大决定可拒绝纯自动化）；数据须分类分级，触数据安全法与《网络数据安全管理条例》；批量敏感数据的共享委托转让，须依《银行保险机构数据安全管理办法》提前二十个工作日报告。

• 第三关：触《商业银行互联网贷款管理暂行办法》（核心风控不外包）、互联网助贷新规（自主风控不得被平台干预）、《征信业务管理办法》（信用信息持牌、断直连）、《反洗钱法》（客户尽职调查、受益所有人识别）。

一数下来，这一个应用，同时落入国家金融监督管理总局、中国人民银行、国家网信办数家之眼。

此时的要诀，是"最严者从严"。 同一事项若多家均有要求，须取其最严者叠加适用，不能挑一家最松的去对、更不能避重就轻。一应用而落数家之眼，则诸般之求，从其最严者而叠之；不可择一而从，不可避重就轻。

四、软硬协同：软法不软，时滞之产

三层法网之中，有硬有软，须分别其力。

硬法——行政法规、部门规章——划红线、定罚则：能不能做、做了罚什么。软法——行业标准、伦理指引、自律规则——填操作：怎么做才算合规。现实中的合规基准，常落在软法层：《人工智能算法金融应用评价规范》（JR/T 0221—2021）、《人工智能算法金融应用信息披露指南》、《金融领域科技伦理指引》，把可解释、可披露、合伦理的具体做法讲得最细。

何以"不强制"的软法，反成实务的标尺？ 根子在时滞：技术迭代之疾，远快于立法之缓。硬法立法周期长，是慢变量；软法标准制定快，是快变量。当硬法一时跟不上技术，软法便以标准填补操作的空白——它是这套监管体系应对"规则供给慢于技术"的时滞装置。故软法虽不强制，却是监管检查的对标尺、尽职免责的证明线；机构若偏离软法而致损，难以"标准非强制"为由脱责。

软法非软——技术疾于立法，硬法未及，则以标准填其空；标准虽不强制，达标方称尽职。 私募尤为典型：中基协的运作指引系自律规则，居软法之层，其数量约束的刚性却已近硬约束，违之直接通报证监会（详见第九篇）。

本篇小结

图既在手，则知一个应用须过几关、对几家、守几标。三层叠加（术、料、业），多头分工（数家各司其职），软硬协同（硬法划界、软法填操作）——合规之道，是把这一切，叠加无遗、协调无冲。

此篇有两点须向读者点明。

其一，多头之下，协调成本不菲。同一应用面对数家监管，要求或有重叠、甚至张力；机构须按"最严者从严"叠加，合规成本因之而高，却无可回避。

其二，统一立法，尚付阙如。金融AI迄无统一的专门立法，现行是"横向AI法 × 金融条线法 × 软法标准"的叠加适用；部分新场景——如AI智能体的自主行动——其监管归属与规则适用，仍存模糊。

法网虽密，自有其纲；握此一图者，不必尽记千条，但须知何事过何关、何关对何家、何家守何标——纲在图中，目在各篇。

合规自检：监管全图，过此五关

五关皆过，方为合规之始；任一存疑，即是漏关与冲突的风险所伏。

导读

数据是AI的燃料。燃料不洁，引擎再精亦枉然——金融AI的合规，第一道闸就设在数据。

这一篇管三件事：燃料从哪来（合法来源）、燃料怎么用（自动化决策的边界）、燃料怎么守（本地化、脱敏、出境）。三事环环相扣，一处失守，下游皆累。一句定调：源头一污，全链皆累；数据之闸，守在最前。

一、燃料从哪来：训练数据的合法来源

AI模型的第一口"粮食"，是训练与调用的数据；这口粮食的来源是否合法，决定了整条链的清白。

违规爬取、未经授权调用、超出授权范围使用个人信息，皆为源头之污。《中华人民共和国数据安全法》（自2021年9月1日起施行）、《中华人民共和国网络安全法》（自2017年6月1日起施行）、《中华人民共和国个人信息保护法》（自2021年11月1日起施行）共同立基：处理个人信息须有合法性基础——知情同意、合同所必需、法定义务等，缺一不可；数据的取得、流转、使用，须循法而行。

道理朴素而严厉：数据之源不洁，则模型带原罪；源头一污，全链皆累。 一个用违规数据训练出的风控模型，无论其准确率多高，自始即立于不法之基；下游的每一笔决策，都难脱其累。

二、燃料怎么用：自动化决策的全套义务

数据怎么用，金融AI最直接的约束，是《个人信息保护法》第24条。这一条专治自动化决策，而智能投顾配置资产、智能风控审批授信、精准营销推送产品，无一不是自动化决策。其义务有三款、可拆为六事：

• 透明：决策须保证透明度——告知个人，此处正在使用自动化决策，其基本逻辑与可能影响为何。

• 公平公正：结果须公平、公正。

• 反不合理差别：不得对个人在交易价格等交易条件上实行不合理的差别待遇——这是反"大数据杀熟"的法律明文。

• 推送可拒：通过自动化决策向个人推送、商业营销，应当同时提供不针对其个人特征的选项，或者向个人提供便捷的拒绝方式。

• 说明权：通过自动化决策作出对个人权益有重大影响的决定，个人有权要求处理者予以说明。

• 拒绝权：个人有权拒绝处理者仅通过自动化决策的方式作出决定。

这六事的精髓，落在最后两条——把人留在决策的回路。 一笔拒贷、一个定价、一份拒保，凡对个人权益有重大影响者，个人既可问其因（说明权），更可拒绝"纯由算法说了算"（拒绝权）。这意味着：重大影响的决定，须保留人工介入的通道，不能让算法独断人之祸福。

此即第一篇"责任归人"在数据层的根：自动化非自动免责；纯凭算法定人之祸福者，个人有权拒之、有权问之——把人留在决策的回路。

三、燃料怎么守：本地化、脱敏与出境

数据怎么守，是金融AI最易踩雷之处——尤其当机构调用外部大模型时，客户的敏感数据可能离开自己的掌控，上了公有云，甚至出了境。守住三条底线：

其一，本地化。 敏感金融数据、重要数据、个人信息，受本地化存储与处理的约束。这正是当下金融机构普遍选择"本地化部署模型"而非"直接调用外部公有API"的合规动因——把模型请进自己的算力环境，数据不出域，方为稳妥。

其二，脱敏。 用数据训练或调用模型前，须对个人信息脱敏。须辨两层：匿名化后的信息已不可复原识别特定个人，不再是个人信息；而去标识化的信息仍可借助额外信息复原，仍属个人信息，仍受全套约束。脱敏到哪一层，决定了后续义务的轻重。

其三，出境。 个人信息出境，须走安全评估、标准合同或认证三条路径之一；重要数据出境，须过安全评估。《银行保险机构数据安全管理办法》（金规〔2024〕24号，2024年12月27日公布并施行）另有刚性要求：涉及批量敏感级及以上数据的共享、委托处理、转让交易、数据转移，须在处理或合同签署前二十个工作日，向国家金融监督管理总局或其派出机构报告。

至于与非持牌机构的数据合作，则触征信的"断直连"红线，已详于第七篇。

一言以蔽：敏感之数，不可未脱敏而付诸不可控之模型；重要之数，不可未评估而越境而出。

四、数据治理的制度底盘

守数据，不止于单点合规，更须立制度之底盘。《银行保险机构数据安全管理办法》（金规〔2024〕24号）作为金融监管总局首部数据安全规章，确立了一套底盘：数据分类分级（核心、重要、一般），覆盖全生命周期的安全保护机制，多层级的数据安全治理架构（董事会、高管层、归口管理部门、业务与风险合规审计部门各司其职），以及每年1月15日前报送上一年度数据安全风险评估报告的义务。

这套底盘，与《网络数据安全管理条例》（国务院，自2025年1月1日起施行）及数据三法叠加适用——金融机构若通过网络开展数据处理活动，须同时满足条例与办法，面临"双重合规"。

本篇小结

数据是AI的燃料，也是金融AI合规的第一道闸。源头守其净（合法来源），过程守其度（第24条六义），出境守其界（本地化、脱敏、评估），方使引擎所驱，皆有所本、有所归。

此篇有两点须向读者点明。

其一，双重合规，叠加而严。《网络数据安全管理条例》（2025年1月1日）与《银行保险机构数据安全管理办法》（2024年12月27日）叠加于数据三法之上，金融机构尤其在"通过网络处理数据"时，须两规并守，不可偏废。

其二，调外部模型，边界待明。机构调用外部大模型API时，数据如何流向、在何处留存、是否构成委托处理或出境，现行规则尚未细化；本地化部署虽成主流规避之路，却给中小机构压上不小的成本。

数据者，燃料也，亦第一道闸也；闸守于前，则后篇所论之算法、投顾、风控、交易，皆有洁净之源可凭。

合规自检：数据与个人信息，过此五关

五关皆过，方为合规之始；任一存疑，即是数据违规与监管问责的风险所伏。

导读

算法治理，是全书那道张力——可解释与可问责——正面交锋的战场。

深度学习以黑箱换性能：模型越强，越难说清它为何如此判断。而监管以问责为底线：出了事，必须查得到原因、找得到责任。二者相搏，败一方则全盘皆输——禁了黑箱，金融AI无从谈起；放任黑箱，则无人担责。这一篇要回答三问：黑箱能不能用、要解释到什么程度、同质化的系统风险如何防。

一句定调：监管要的，不是打开黑箱看清每个神经元，而是黑箱的每一个输出，都有人能说清、能担责。

一、算法备案与用户权利：先亮明身份

算法治理的第一步，是把算法从暗处请到明处。

《互联网信息服务算法推荐管理规定》（国家互联网信息办公室、工业和信息化部、公安部、国家市场监督管理总局，自2022年3月1日起施行）立了几道规矩：具有舆论属性或者社会动员能力的算法推荐服务提供者，应当履行算法备案手续；应当向用户公示算法推荐服务的基本原理、目的意图与主要运行机制；应当为用户提供选择或者关闭算法推荐服务的选项；不得利用算法对消费者实行不合理的差别待遇（即大数据杀熟）。

落到金融，财富管理、产品营销中的算法推荐，若具备上述属性，须备案；面向客户的个性化推荐，须给得出关闭与选择之权。算法非暗箱操作之具；其情须公示，其用须可拒，其身须备案。

二、可解释到什么程度：黑箱如何过关

这是算法治理最硬的一问，也是全书张力的正面回答。

须先破一个误解：监管所求的"可解释"，不是要机构公开模型源码，更不是要打开黑箱、看清每一个神经元——那既不可能，也无必要。 它要的是"功能性可解释"：能说明这个决策的主要依据是什么、哪些因素起了关键作用、逻辑是否合理，从而使决策可被审查、可被问责、可被向相对人说明。

如何让黑箱过这一关？《人工智能算法金融应用评价规范》（JR/T 0221—2021）给出了全生命周期的解释路径——从建模准备、建模过程到建模应用，逐环节提出算法解释的方法、基本要求、评价方法与判定规则。循此，黑箱过关须备三件套：

• 事前：尽量选用可解释性更高的模型；若用黑箱模型，则辅以技术手段，说明各因素对决策的贡献程度。

• 事中：决策全程留痕，关键影响因素可追溯。

• 事后：能向监管、向相对人，说清这一决策的依据。

三件套之外，更须人工兜底：对个人权益有重大影响的决定，保留人工复核的通道（呼应第三篇第24条的拒绝权）。

故有此判：可解释者，非透其箱之每一线，而使其断之每一果，皆有据可说、有责可究。 可解释的标准，是"可问责"，不是"全透明"；而这把尺的松紧，随渗透深度而调——辅助性应用宽，自主决策应用严。这，就是全书核心张力的务实解法。

三、算法同质化与顺周期：看见个体看不见的风险

算法治理还有一重风险，藏在个体合规的背后——同质化。

设想：每一家机构，都各自选用了"最优"的算法策略。看似无可指摘，但当众人的"最优"恰是同一套时，麻烦就来了：策略趋同，则交易共振；一有风吹草动，同向操作蜂拥而出，市场波动被骤然放大，顺周期性被层层加剧。这是一种合成谬误——个体的最优，叠成了整体的最险。

此风险，单个机构看不见，也管不住——它不是任何一家的违规，而是群体行为的涌现。故监管须从"个体合规"上升到"系统监测"。《关于规范金融机构资产管理业务的指导意见》（银发〔2018〕106号）第23条颇具前瞻地要求，金融机构就人工智能模型的主要参数、资产配置的主要逻辑向监管报备，正为避免算法同质化加剧投资行为的顺周期性。程序化交易的实时监控（详见第八篇）、私募量化的集中度约束（详见第九篇），亦是同一用心的不同落点。

机构这一端，亦非无所作为：策略宜多元，不宜过度依赖单一或同质模型；须做极端行情下的压力测试；风控阈值宜含逆周期的考量。

一言以蔽：众皆趋同一最优之策，则最优反成最险——同质之祸，非一家之失，乃合成之谬；报备者，正为使监管见此个体所不能见之险。

四、软法的操作之力

算法治理的许多操作细节，落在软法层。《人工智能算法金融应用评价规范》（JR/T 0221—2021）、《人工智能算法金融应用信息披露指南》（人民银行金融行业标准），把"可解释怎么做、披露什么、如何评价判定"讲得具体而可循。

它们虽非强制，却是监管检查的对标尺、尽职免责的证明线——这正是第一篇所立"软硬协同"在算法治理上的兑现。守硬法的备案与反杀熟红线只是底线，对标软法的评价规范，方称尽职。

本篇小结

算法治理，是可解释与可问责张力的技术战场。三句可束其要：黑箱可用，而不可独断；可解释之标准，不在全透，而在可问；同质之风险，不见于一家，而现于合成。监管所为，是把每一个算法的输出，都拽回"有人担责"的框架之内。

此篇有两点须向读者点明。

其一，"解释到什么程度算够"，尚有弹性。可解释的具体程度，现行无统一硬标准；JR/T评价规范虽给方法，却非强制。实务中，渗透越深的应用，被要求的解释越细——这一梯度明于理，却乏明确之线。

其二，同质化监测，仍在路上。算法同质化的系统监测尚在发展，报备条款的具体执行——参数报到多细、如何据此监测——未完全明晰。

黑箱可用，独断不可；可解释以可问责为度，同质化以系统监测为防——治算法者，治的从来不是技术本身，而是技术背后那份不可推卸的责任。

合规自检：算法治理，过此五关

五关皆过，方为合规之始；任一存疑，即是算法失控与监管问责的风险所伏。