top of page

新加坡 AI 任务瞄准诈骗与企业信贷

12分钟前
讀畢需時 13 分鐘
Illustrative photograph. Photo: Vlada Karpovich / Pexels.

新加坡于 2026 年 11 月 18 日宣布启动三项金融行业 AI 任务,目标涵盖金融犯罪、企业信贷以及由软件智能体发起的交易。新加坡 AI 任务将银行、研究人员和科技公司纳入共同开发工作。其核心挑战在于:在确保访问、决策和资金流动可追责的前提下,让金融信息发挥更大价值。

副总理颜金勇在新加坡金融科技节上概述了这些任务。新加坡金融管理局(MAS)和未来金融研究院(FFI)宣布了配套措施,其中包括面向开发者的合成金融数据,以及计划用于测试智能体支付的环境。

这一公告对一种常见做法提出挑战:每家机构围绕自己的信息和系统独立开发 AI。新加坡希望通过协作解决跨机构的问题。DBS、OCBC、Standard Chartered 和 UOB 是 FFI 的金融机构启动合作伙伴,但仅有参与并不能证明拟议服务已经有效。

新加坡 AI 任务实际改变了什么

新加坡正围绕单个机构无法独立完全解决的金融问题,组织共享开发与测试。

当前最明确的举措是 AI Innovation Arena。FFI 将与 MAS 合作,向开发者和解决方案提供商提供相关合成数据,即为反映金融活动而人工生成的记录。其初期重点是诈骗检测。

合成记录与不受限制的客户信息之间的区别至关重要。该计划并未向任何有兴趣的开发者开放真实银行账户的访问权限。科技公司、AI 实验室、解决方案提供商和研究机构可以提交访问意向申请。

根据官方金融 AI 举措,初始数据集反映了跨机构的交易模式和诈骗活动。MAS 与新加坡政府科技局共同开发该数据集,并参考了此前一项涉及五家银行汇集数据的项目。

这为开发者提供了明确的问题和更贴近实际的测试资源。模型可以研究模拟机构之间的关系,而不只是从孤立的账户历史中学习。它是否能改善实际检测效果,仍有待评估。

公告也将研究参与和运营权限区分开来。获得开发数据访问权,并不代表一家公司获准拦截付款、调查客户,或在银行生产系统中运营。这些决策需要各自的权限和控制机制。

因此,新加坡 AI 任务建立的是通往部署的路径,而不是宣布一项已经完成的国家级 AI 服务。这条路径之所以重要,是因为开发、验证和运营采用涉及不同责任。一项成功实验仍需要有机构愿意实际使用它。

FFI 的启动合作伙伴为该项目提供了与银行运营的连接。DBS、OCBC、Standard Chartered 和 UOB 带来了潜在的实施经验和金融专业知识。它们的参与并不意味着每个合作伙伴都已采用每项拟议应用。

这四家启动合作伙伴也不应与此前的五家银行数据项目混为一谈。这是两种范围不同的描述。公告并未表明它们的成员构成相同。

配套工作不止于欺诈模型和支付。FFI 将与 A*STAR 的先进智能与计算研究院合作,开发基于本地语境的语音转文字系统,即将口语转换为书面文字。该项目旨在推进金融行业的实际试点。

正在探索的一项应用是实时合规监测。FFI 和 A*STAR 还将探索生成式 AI 护栏,即旨在约束 AI 行为的控制措施。另行方面,FFI 将与 AI Singapore 合作开展人才培养,包括学徒项目。

这些举措应对的是实际部署难题。银行需要能够评估系统、将其整合进既有流程并识别故障的人才。当参与机构能够解读结果时,共享数据集才能发挥更大作用。

该计划的重要性正在于这种组合。新加坡将开发资源、银行参与和实施能力连接起来。检验标准在于,这些要素能否在日常运营条件下形成改善客户结果的服务。

诈骗检测需要超越单家银行的视角

反诈任务挑战了将每家银行的交易历史视为完整图景的局限。

颜金勇在其金融服务主题演讲中提到,一项现有的五家银行项目正使用安全汇集的交易数据。他表示,其研究结果将为全行业的 Scam Detection Utility 提供参考,设计研究将于 2027 年初启动。

这在现有项目、合成数据集和拟议工具之间形成了有用区分。它们服务于相关目的,但不可互换。该公告并不能证明一项全国性的运营工具已经在保护每一笔支付。

首先受到考验的是银行连接信息的能力。一家机构可以评估自身系统内的活动,却可能缺乏周边背景。协作旨在改善这一背景,同时不免除各机构自身的责任。

以涉及多家银行的一条示例性付款链为例。每家机构单独看,可能都只看到一笔平平无奇的转账;但合并观察时,这一序列可能因其时间、关联关系或资金在账户之间的反复流转而值得调查。

这个例子用于说明拟议方法,并非新加坡试验中报告的结果。关键问题在于,更广泛的背景是否能更早产生有价值的预警。在损失发生后发现可疑关系,与支持及时干预所带来的价值并不相同。

因此,开发者面临的考验不止于在准备好的数据集中识别异常记录。银行需要知道,预警是否足够及时,能够支持采取行动;它们还需要拥有可辩护的行动理由。

识别出真实诈骗的警报具有价值。中断一笔合法供应商付款的警报,则会带来额外工作和潜在损害。评估应同时检视两类结果,而不是仅因模型生成更多警报就给予奖励。

合成数据集为研究这些权衡提供了场所。开发者可以比较不同方法,而无需将每条开发记录都解读为真实客户事件。然而,这些比较的价值取决于数据对相关行为的代表程度。

合成数据并不会自动消除实验室练习与日常银行业务之间的差距。真实活动会变化,机构记录信息的方式不同,调查也会披露付款发生时尚不可得的细节。这些差异应纳入后续验证。

运营问题同样重要。模型或许能识别可疑关联,但仍需有人决定下一步怎么做。可能的应对措施包括进一步审查、联系客户,或按照机构现有程序升级处理。

共享检测也带来协调问题。参与银行需要明确评估信号和处理分歧的责任。若每家机构都假定另一参与方会展开调查,预警的价值就会降低。

这些考量解释了为何治理必须纳入该工具的设计。它决定谁可以使用信息、谁解读警报、谁有权批准干预。若将治理视为后续行政事务,主要运营问题仍将悬而未决。

对客户而言,相关结果是切实的保护,同时应合理对待合法活动。公开公告没有提供已测得的欺诈减少或误报结果。它的贡献在于提供一条协调测试路径,其最终表现仍需证据验证。

企业信贷面临不同的证据检验

更好的信息可以改善信贷评估,但 AI 模型无法把每份不完整申请都变成信用合格的借款人。

颜金勇的信贷提案聚焦中小企业(SMEs)。他指出,企业信息分散,评估又集中于过去表现、担保和抵押品。政府计划使用逼真的合成数据测试相关方法,并征求中小企业反馈。

这描述的是信息问题,而不是自动获批的承诺。贷款方需要区分记录有限但具有偿还能力的企业,与无力偿还的企业。额外数据只有在能可靠支持这种区分时才有帮助。

一家示例性企业可能定期收到客户付款,但缺乏长期借款记录。其发票和账户活动或可为传统申请中缺失的背景提供补充。AI 辅助评估可帮助整理这些证据,供人工审查。

这个例子也暴露了局限性。发票并不必然意味着客户一定会付款。近期收款也不会自动证明需求具有持续性,而看似完整的记录仍可能存在错误。

融资任务同时对银行和科技供应商提出要求。银行必须判断额外信息是否改善信贷判断;供应商则必须证明其系统能提供有用证据,而非用自信的建议掩盖不确定性。

对借款人而言,更快处理只是潜在好处之一。基于不准确信息迅速拒绝申请,并不构成改进。一项有价值的服务还应能识别缺失记录,并纠正重大错误。

这使模型周边的工作流程变得重要。需要有人确认一条记录对应的是哪家企业,以及它是否为最新信息;也需要有人决定相互冲突的信息如何影响评估。

这些任务听起来不如自动承保那么引人注目。自动承保是指使用软件评估贷款申请。但它们仍决定软件是否以正确证据评估了正确的企业。再先进的模型也无法可靠弥补身份认定错误。

该公告并未表明参与贷款方将取消抵押品要求或个人担保。它也没有报告批准率、还款表现或借款条款有所改善。这些将是测试后需要评估的结果。

可信的评估应区分流程改进与信贷改进。减少人工处理文件可以降低行政工作量,却不一定改变哪些企业获得融资。扩大准入需要证据证明,更多具备偿还能力的借款人获得了合适的融资方案。

还款表现与获得融资同样重要。在不了解风险的情况下扩大审批范围,可能会给借款人和贷款机构带来困难。反之,过于谨慎的模型也可能只是通过另一种技术流程延续原有的排除。

因此,新加坡 AI 贷款的影响将取决于模型开发之外的决策。数据获取、借款人参与、审查流程和机构贷款政策都会塑造结果。这项使命为测试它们之间的相互作用创造了条件。

中小企业的反馈尤为重要,因为即使技术上完备的系统,仍可能为申请人增加不合理的工作量。反复索要文件或解释不清,都可能削弱其承诺的便利性。测试应在机构扩大服务前揭示这些摩擦。

对于企业主而言,合适的解读应保持审慎。新加坡正在研究,更丰富的信息是否能支持更好的融资决策。它尚未宣布保证贷款、普遍更容易获得信贷,或取代贷款机构评估还款能力的责任。

Agent 支付将授权置于自主性之前

拟议中的 Agentic Money Sandbox 将把权限与问责置于测试可调动资金的软件的核心位置。

AI agent 是一种能够为实现指定目标选择行动并使用工具的软件。FFI 计划建设的 sandbox,即受控测试环境,将研究使用数字货币的 agent 交易。初步应用包括由 agent 发起的支付和资金管理,后者指对组织现金与融资的管理。

公告明确将这些活动置于既定授权、限制与保障措施之内。参与者应在部署至真实环境前测试控制机制。公告并未描述可不受限制、独立管理客户资金的软件。

这一边界改变了成功演示的定义。agent 完成付款只是测试的一部分。机构还需要证明该付款获得授权,并且控制措施如预期运行。

一个说明性的资金管理场景可将这种区别具体化。企业可能授权软件提议在指定账户之间转账。获准准备转账,并不必然意味着获准执行转账。

即使拥有执行权限,也可能附带条件。一项指令可能限制可用账户、要求对某些操作进行审批,或在指定任务结束后失效。这些是需要评估的控制措施示例,并非新加坡 sandbox 已确认的规范。

核心权衡在于有用的委托与受限的授权之间。要求审查每一个细小步骤,可能削弱自动化的收益。允许广泛的自由裁量,则可能使企业面临其从未打算授权的行为。

这正是新加坡 AI 使命超越更好预测的地方。诈骗检测和贷款评估可以为人工决策提供参考。支付 agent 则在软件判断与外部金融行为之间建立了直接联系。

因此,软件的指令需要具备可操作的含义。诸如“高效管理现金”这样的企业请求留有解释空间。金融机构需要明确规则,以界定 agent 实际能够做什么。

问责机制也需要经受技术复杂性的考验。如果 agent 在发起交易前使用了多项服务,调查人员需要获得可用的记录。该记录应将原始授权与最终行动,以及中间的任何审批关联起来。

异常情况同样值得像普通交易一样受到关注。测试应明确:当信息相互冲突、服务不可用或指令发生变化时,会发生什么。能够完成常规任务的系统,仍可能无法妥善处理非典型情况。

新加坡并非唯一在研究这些问题的国家。英格兰银行在其 2026 年 7 月的金融稳定评估中,将授权、可追溯性和责任认定列为自主支付所带来的议题。报告还介绍了 Project Logos,这是一项研究模拟市场中 AI 投资组合管理人的独立工作。

这种比较存在局限。投资组合管理实验和支付测试针对的是不同活动。两项工作本身都不能证明通用 agent 能够安全地完成任何金融任务。

它们的共同点在于,均利用受控环境在更广泛采用前研究后果。对企业采购方而言,可验证的克制行为是一项有用的采购标准。金融 agent 应能表明自己何时停止、寻求批准或拒绝一项指令。

共享 AI 基础设施也会共享失效风险

协作可以改善获得金融背景信息的机会,但也会带来需要单独审视的依赖关系。

支持新加坡做法的最有力理由在于实用性。有些金融问题超出了单一组织所掌握的信息范围。共享开发资源为相关参与者研究这些问题提供了一种途径。

质疑的焦点在于,这种协作在压力下如何表现。共享工具可以传播有用能力,但共同的弱点也可能影响多名参与者。机构仍需要理解其决策所依赖的服务。

金融稳定理事会秘书长 John Schindler 在 10 月 21 日一场关于负责任采用 AI的演讲中谈到了这一问题。他强调了供应商集中度、数据质量、模型治理、网络风险以及验证输出的困难。他的讲话是总体评估,并非对新加坡新使命的审查。

这一区分有助于避免夸大的结论。这些风险的存在,并不能证明新加坡的倡议不安全。它只是指出了测试和运营设计应当回答的问题。

其中一个问题关乎判断的独立性。多家机构使用类似工具时,可能以类似方式解读同一项异常活动。评估应检验这种一致性是反映了良好证据,还是共同的盲点。

另一个问题关乎接入安排。共同开发资源可以支持更广泛的参与,但其实际价值取决于谁有资格参与,以及他们能获得什么。明确的条件有助于开发者评估参与是否符合其能力和责任。

合成数据集同样需要谨慎解读。人工记录可支持实验,但并不等同于不受限制的现实世界证据。在这些记录上取得的强劲结果,仍需要在适当的运营条件下接受后续评估。

同样的原则适用于语音转录。将对话转为文本可支持审查,但不准确的转录可能改变陈述的含义。合规应用需要具备处理不确定性和核查重要解读的流程。

FFI 计划与 A*STAR 合作,承认了实际金融应用的重要性。不过,探索合规监测并不等于已经证明能够在每位说话者、每种语言组合或每种情境下实现可靠监测。机构需要与其实际面对的条件相关的证据。

人才培养是答案的一部分,因为监督不仅需要一份政策文件。员工需要识别模型输出何时值得审查,也需要拥有暂停流程并升级关切事项的权限。

共享基础设施应当使这些责任更清晰。它不应让银行因为由外部工具产出某项决定而无法解释该决定。协作改变的是能力的开发方式,而机构仍保留具有重大影响的运营选择。

最可信的结果,应将有用的共享资源与明确的机构责任结合起来。这能在不假定统一采用始终恰当的前提下实现共同学习。不同应用将需要不同的限制、证据和审查安排。

下一步信号在于接入、保障措施与结果

下一阶段应根据可观察的实施情况来评判,并为检测、融资和 agent 交易分别提供证据。

第一个信号是,诈骗检测工作是否形成清晰的参与和评估流程。开发者需要可用的接入条件,机构需要有意义的测试。计划于 2027 年初开展的公共事业设计研究提供了一个具体的观察点。

实践评估的证据将强化共享金融背景信息的论点。相关结果应同时说明检测表现,以及被错误标记的合法活动。仅公布参与消息只能表明兴趣,无法确定该方法是否提升了保护效果。

第二个信号是 Agentic Money Sandbox 的细节。应关注明确的参与者、允许的活动以及审查异常情况的程序。这些细节将使人们更容易评估拟议交易与获授权行动之间的边界。

成功的演示应说明已完成的任务和被强制执行的限制。agent 在适当情况下停止行动的证据,将支持该计划对保障措施的重视。仅报告已完成支付的演示,仍会留下重要的控制问题未获解答。

第三个信号是融资测试中借款人层面的证据。应关注参与企业、评估流程和申请人反馈的具体描述。处理速度固然重要,但应与决策质量及寻求融资企业的体验一并考量。

能够区分行政效率与扩大融资可得性的结果,将使新加坡 AI 贷款的影响更容易评估。泛泛声称放贷更快,提供的洞见较少。关键问题在于,更好的信息是否能产生以负责任方式服务可持续经营企业的决策。

这些信号未必会同时出现。这些使命涉及不同的技术任务和运营后果。诈骗研究的进展不应被视为支付 agent 或贷款应用已准备就绪的证明。

对开发者而言,该公告带来了密切关注接入要求和评估标准的理由。对银行而言,它提出了集成与责任方面的问题。对企业采购方而言,它提供了一个具体框架,用于质询供应商有关金融自动化的说法。

随着参与规则、试点发现和部署决策陆续出现,应保留一份与来源链接的记录。可搜索的知识库可以帮助团队将后续说法与原始范围进行比较。在该记录中区分目标、实验和运营服务,并保留每项结果附带的限制。在评估新加坡 AI 使命时,应要求与拟议活动相匹配的证据。诈骗模型能否支持及时干预?贷款系统能否改善对借款人的评估?支付 agent 能否在授权范围内行动,并在需要时停止?在将参与或一次成功演示视为可靠金融服务的证据之前,应以这些问题来评判下一项公告。

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page