沃勒行长关于在联邦储备系统中落实人工智能的演讲

谢谢你，柯林斯主席，也感谢你今天给予我发言的机会。人工智能是一种席卷全球的技术现象。我们每天都在阅读相关报道，许多人也以各种方式使用它。在我有生之年，我从未见过如此的技术革命——我见证了太空探索的诞生、个人电脑的崛起、互联网的爆炸式发展以及智能手机的普及。虽然这些都具有变革性，但没有一项能与人工智能在改变我们生活方面的潜力相提并论，而且速度令人惊叹。企业、家庭和每个政府都在努力将其融入到运作方式中。而我在这里要告诉大家，联邦储备系统也不例外。

因此，鉴于本次会议的主题和听众构成，我认为现在是讨论联邦储备系统如何利用人工智能构建和优化支持我们工作的系统，以及将其嵌入到其他内部应用中的良好时机。

大多数人将联邦储备与货币政策联系在一起——利率、通胀，以及每年八次会议上引发头条的决策。但我们日常工作的主要内容是操作性工作，比如支付、财务管理、人力资源，以及为美国财政部提供金融服务。这项操作性工作的关键要素之一是技术。人工智能是我们在日常工作中引入的最新技术，以实现运营效率。

1913年，联邦储备被设计为由地区性银行组成的系统，历史上许多技术决策都是由各个银行单独做出的。在早期，这样的做法是合理的，因为每个储备银行实际上都是一个独立的组织。但随着联邦储备的工作变得更加数字化和互联互通——以及银行系统和更广泛经济的演变——这种做法逐渐带来了重复、低效和操作风险。

当系统相互连接时，孤立做出的决策会引发协调问题——尤其是在联邦储备操作的系统规模和关键性如此之大的情况下。维护中央银行的韧性和安全标准需要更为协调的模型。

因此，我们正朝着以联邦储备系统为核心的方向迈进——共享标准和基础设施，同时在货币政策和经济研究等最关键的领域保持去中心化。

而实现这一转变的紧迫性也在不断增加。技术变革的规模和速度持续加快。作为在美国和全球金融体系中扮演重要角色的公共机构，联邦储备必须跟上步伐，以提供有效、可靠的服务，与私营部门共同前行。

这种变化的速度在我主持的最近一次支付创新会议上表现得淋漓尽致，会议中多方参与者讨论了人工智能、稳定币、代币化和支付的融合——这是我在与行业交流中经常听到的主题，也可能在今天的各个讨论环节中反复出现。

在如此快速的变化中，逐个银行的做法显然行不通，尤其是在代币化、量子计算和生成式人工智能等前沿技术方面。这些都是大胆的挑战，也是跨越联邦储备系统的机遇。

应对这一时刻需要系统范围的协调、行动偏好和大规模的纪律执行。这也是为什么我们有意建立了以系统为中心的创新实践。我们不再重复努力——在整个系统中做一百次相同的事情，而是可以做一百件不同的事情。系统化的方法让我们能更快、更高效地将创新从试验转化为落地。

**人工智能正是这种做法的典范。**我无需告诉这个听众，人工智能的发展速度——它正在重塑工作方式和组织运作方式。作为建设者和领导者，你们亲身体验到这一点。联邦储备也不例外。我们必须保持同步。是的，我们是中央银行；“打破一些东西，然后请求原谅”在这里行不通。权力越大，责任也越大。人工智能系统可能会像提高效率一样迅速放大错误。它们可能会产生幻觉，带来数据保护、模型风险、偏见和操作韧性等真实风险。我们不能对人工智能掉以轻心。作为中央银行，我们对自己有很高的标准。这意味着对其使用方式和场所设定明确的界限，强化信息安全控制，严格进行模型验证，确保决策有人类责任，并随着技术发展不断进行评估。创新与风险管理不是对立的优先事项——它们相辅相成。

我们需要遵守这些原则，但被动等待也不是选择。我们不能迟到，也不能以碎片化的方式审视变革。因此，我们采取了不同的做法。在联邦储备系统内推行人工智能时，我们以系统为一体，保持共同的方向和一致性。我们开发了一个面向所有储备银行员工的通用内部人工智能平台。我们的方法有意以业务为导向，结合人工智能能力。我们从要解决的问题和业务需求出发，然后应用整个AI技术栈中的合适能力。这种纪律帮助我们在避免不必要的复杂性和成本的同时，交付真正的业务价值。

以业务为导向也意味着将人工智能融入联邦储备的运作——而不是将其视为一堆随机的试验或“僵尸项目”。

目标不是新奇，而是实用。

**让我们进入人工智能应用的实际案例。**我们以三种重点、互补的方式部署人工智能，反映了大型复杂机构的工作流程——为所有员工提供广泛的访问权限，为建设者提供专业工具，以及在企业工作流程中嵌入能力——这些共同构成了联邦储备日常运作的一部分。

首先是面向所有员工的通用人工智能，因为这是最先带来日常影响的领域。

这意味着让人工智能成为日常工作的基础能力，而不是一个边缘工具。每位员工都可以使用联邦批准的人工智能解决方案——用来起草、总结、分析信息，更快解决问题。对许多人来说，它就像一个无处不在的数字助手——一个可以随时返回的“智囊”，帮助他们解决问题、完成日常任务。目标不是让每个人都变成技术专家，而是减少日常工作的摩擦，让人们能把更多时间用在判断、问题解决和高价值活动上。

在很多方面，这与人们在个人生活中使用人工智能的方式类似。在我家，人工智能已成为日常工具——就像智能手机甚至微波炉一样，大家习以为常。我的妻子每天都用它：规划旅行、帮助孩子考虑职业选择、比价购物，或者把一些琐碎、烦人的任务变得更容易应对。

这并不神秘。这是一种工具。

这也是我们在工作中对人工智能的正确态度。

让我用实例说明。

联邦工作人员经常会收到大量非FOMC的背景材料，以帮助准备各种会议。为了帮助整合信息，他们有时会使用联邦内部的通用人工智能工具，快速提取关键主题。当然，这不能取代准备工作或判断力。它压缩了机械性工作，让更多时间用于内容和重要问题。

另一个例子是，一位同事刚刚度假归来——真正的数字排毒，没有使用工作设备或电子邮件——回来时收件箱和文件队列都堆积如山。她没有花几天逐一整理，而是用联邦的内部AI工具对积压内容进行总结和分类。这让她可以直接专注于需要专业知识的部分。

在这两种情况下，工具处理了大量信息和第一轮筛选。由人类做出最终决策。

第二个带来实际影响的领域是开发者和实践者——那些将想法转化为实现的人。

编码助手帮助开发者优化软件开发生命周期中的工作——从文档和重构，到编写代码和单元测试。这帮助团队更快处理积压任务、提升质量和可靠性、实现系统现代化，以及交付更多价值和创新。

但这不仅仅关乎速度。

人工智能正在承担软件开发中一些最耗时、最不令人满意的部分，让开发者能专注于安全和质量。这对像联邦储备这样对生产系统的可靠性和韧性要求极高的机构尤为重要。

以单元测试为例。它对质量和韧性至关重要，但开发者通常不喜欢做这部分工作。在一些团队中，以前需要几天完成的任务，现在借助AI助手几小时就能搞定。一位开发者直接告诉我：“以前花两天的事，现在只要两小时。”这为更高价值的工作腾出了时间，比如加强安全和开发新能力。随着这些工具的成熟，优势会不断叠加。

这也关系到产能的问题。当编码助手降低软件开发成本、提升质量时，可能性也在扩大。我们可以写更多代码、构建更多能力、交付更多价值。随着稀缺性的减弱，产能提升——让我们能应对积压和随着时间积累的技术债务。

我听过的一个比喻是iPhone和摄影。把相机放到每个人口袋里，并没有取代专业摄影。它降低了生产成本，增加了拍摄量，扩大了市场。拍摄的照片更多了，对高质量作品的需求也在增长。我认为，编码助手对软件的影响也会如此。

在联邦储备，我们已经看到早期的强劲采用——数百名开发者迅速采纳这些工具——这表明这项能力满足了实际需求。

我还想举一个不同的例子——它不那么关于代码，而是关于倾听我们服务的社区。

在联邦储备系统内，我们收集了大量定性信息——与企业、社区领袖和市场参与者的对话。过去，跨地区和时间段整合这些信息非常费力。

借助人工智能工具，分析师现在可以从大量访谈笔记中提取目标主题，比较不同周期的模式，快速发现情绪变化。这并不取代人类判断，而是加快了第一轮筛选，让经济学家能花更多时间解读重要内容。

第三个将人工智能投入实际应用的方式是将其直接嵌入到已有的工作流程中。

我们不是让团队采用全新工具或开发定制解决方案，而是在已有平台中激活人工智能能力，支持法律、风险、采购、运营等企业职能的日常工作。

采用与工作流程同步。当人工智能嵌入其中——而不是简单附加——人们无需改变工作方式就能获得价值。

如果你经常在线购物或旅行，可能已经体验过这种变化。当出现问题——航班延误、错过转机、包裹损坏——现在通过简单的聊天、短信，甚至那令人头疼的电话，解决问题通常更快。在许多情况下，人工智能在幕后总结上下文、引导问题，甚至直接解决问题——当有人参与时，他们也更有能力提供帮助。体验变得更简单、更快，效果也更好。

联邦储备的情况也是如此。通过将人工智能嵌入现有企业系统，我们可以提升速度、一致性和服务质量，而不造成碎片化的解决方案。这也是财政上的责任。考虑到技术的快速发展，通过供应商平台使用人工智能，可以持续受益于不断的改进，而无需自己开发和维护可能变得昂贵或过时的工具。

总的来说，这些例子展示了我们如何通过协调一致、以系统为先的方法，将人工智能从探索转向落地。

结果是提升了整个组织的产能，使团队能够应对复杂问题、创造更多价值，同时通过负责任的创新提升生产力和成本效率。

虽然这是一个良好的开端，但我们并不满足于一时的成功。持久性才是关键，这需要关注采纳、问责和领导力。

这也是许多人工智能项目成功或失败的关键——当接力棒从早期采用者传递到日常操作人员时。技术本身已不再是难题，变革管理才是核心。关键在于人们多快采纳工具、如何深度融入日常工作，以及这种采纳是否转化为实际成果。

因此，我们采取了以采纳为先的策略。我们将人工智能视为人力资本的投资，而非边角试验。培训和技能提升在工作时间内进行，而非在下班后。

这种培训不是一次性的或理论性的，而是持续的、实践导向的、角色相关的。员工通过在实际工作中使用人工智能，参加应用研讨会、实操培训和快速集思会来学习。这种“动手操作”方式很重要，因为熟练和自信来自实践，而非幻灯片。

我们也明确了期望。人工智能的使用不是可选的。基础的理解和应用正被纳入整个系统的员工绩效目标。衡量的东西，才会去做。

我亲身经历过这一点。曾在圣路易斯担任研究主管时，我们制定的战略计划大多搁置一旁。真正改变行为的是将这些优先事项直接写入员工目标。一旦大家知道了重点和衡量标准，执行就变得自然。这段经历影响了我对如何让变革持久的看法。

领导力在这里扮演着关键角色。设定期望、进行投资是必要的，但还不够。团队需要看到领导者身体力行、传达他们的承诺——并且领导者自己也要成为这项技术的学习者。这种领导信号能将早期的动力转化为持续的行为变化。

这就是我们如何通过结合技术、培训、问责和领导力，将人工智能变成联邦储备系统持久运作的一部分，从而实现从早期胜利到持久能力的转变。

**像这样的会议关注技术如何重塑未来。**我今天试图展示的是，我们在联邦储备系统如何应对这一挑战——通过技术驱动的创新实现使命，重点在于执行和效率。在此过程中，我们展示了公共机构如何负责任地采用人工智能，并增强公众信任。

当代币化和自主智能等新技术逐渐出现时，值得记住，这并非我们行业首次经历类似的转变。早期引入ATM时，它们并没有取代银行柜员，而是改变了银行业务的运作方式。常规交易变得更便宜、更快、更易获取，人力资源转向更高价值的活动。真正的影响不只是自动化，而是机构围绕技术的重组。

人工智能也是如此。最大的收益不会来自简单地在现有流程中加入AI，而是要重新思考工作流程、角色和系统，充分利用这项技术带来的可能性。

我们无法预知这些技术何时会达到全面的转折点。我们不会在AI从快速发展转向真正系统性影响时收到明确信号。但等待完美的信号不是策略。如果我们想在那一刻到来时做好准备，工作就必须从现在开始。

人工智能正是联邦储备系统可以大胆执行、规模化推进的一个典范——采用系统优先的方法。