穆迪首席执行官：人工智能存在信任问题——更好的模型无法解决

(SeaPRwire) –   几乎每周，人工智能领域的头条都被最新模型的消息占据。几天前，Meta发布了其最新模型Muse Spark——这是其重组后的AI部门推出的首款模型。根据他们的内部基准测试结果，这款新模型在多项任务上均可与主流竞品一较高下。 

然而，每一次新模型发布都透露出一个反直觉的现象：随着市场上的模型越来越多，它们正逐渐沦为大宗商品。如果真是这样，那么问题来了：对于试图采用并规模化部署AI的企业来说，差异化优势究竟是什么？ 

答案只有一个词——信任。 

假以时日，摆在你桌面上的模型本身，其重要性将不如为其提供支撑的可信互联智能。我认为，互联智能指的是从多个结构化来源中提取的精选数据。如此一来，AI模型便能基于全部数据进行综合推理，而非仅凭单一且不完整的信息做出判断。

我们可以换个角度理解：AI模型就好比我们驾驶的汽车，性能每天都在提升。但数据与智能就如同导航系统——这区别在于，你只是知道自己在移动，还是清楚自己要去往何方。一台搭载过时地图的基础GPS或许能带你到某个地方，但它能可靠且快速地抵达目的地吗？ 

Maybe.

但“或许”远远不够——尤其是在涉及高风险决策的金融服务领域。我们讨论的是一些世界上最具影响力的决策，它们会影响人们获得贷款、负担得起保险，以及保障资金免受金融犯罪侵害的能力。这些模型需要一个真实基准作为推理依据，否则，我们不仅会增加出现糟糕结果的概率，更会在全球范围内对机构的信任度持续下滑的当下，拿公众的信任冒险。

NVIDIA首席执行官黄仁勋近期就表达了这一观点，他说：“结构化数据是人工智能的真实基准。”他指出了行业迟迟未能正视的一点：强大的模型需要可信的数据支撑，而并非所有数据都能达到这一标准。 

数据需要经过组织、标准化，并贴合现实世界的运行逻辑进行校准。这是一项耗时费力的工作，绝非仅靠爬取网页就能完成。因此，能够将顶尖模型与这类互联智能相结合的机构，将建立起用户信任。此外，这也能确保基于AI做出的决策，能够向董事会、监管机构、客户以及股东做出合理解释。 

数据基础薄弱的恶果已经显现。据MIT统计，95%的AI试点项目未能带来可衡量的成效。这在一定程度上是因为数据基础过于薄弱。更强大的模型并不能解决这一问题——甚至恰恰相反，它们会让不良输出的后果更难被察觉，纠正成本也更高。 

浏览新闻就能发现，不良输出的风险显而易见：关税政策一夜之间重塑全球贸易，地缘政治重新划定供应链版图，极端天气事件打破历史模型的预测，网络攻击直指关键基础设施。正如世界经济论坛《2026年全球风险报告》所明确指出的，风险的规模、关联性和传播速度都在不断升级。 

对于银行、保险机构和资产管理公司而言，这种关联性并非理论层面的概念——它决定了你是被动应对风险，还是能够提前预判风险。 在这个“指数级风险”时代，核心挑战不仅在于威胁的规模不断扩大，更在于它们的关联性日益增强。例如，一场破坏基础设施的极端天气事件，可能会影响关键供应链节点，进而对经济增长和信贷产生连锁影响。对于金融服务企业来说，使用通用AI搭配零散数据，无法就如何评估这些风险给出经得起推敲的答案。然而，互联智能——涵盖气候、信贷和合规等多类数据集——能让你更接近一个值得信赖的答案。 

随着更多数据源实现统一，一幅比孤立数据处理方式更全面、更精准、更具可操作性的风险图景将浮现出来。这就是为什么那些将第三方数据与自有数据相结合的企业，能够做出更优质、更快速的决策，并且在关键时刻能够为这些决策辩护。

过去三年间，模型的复杂性和能力都得到了大幅提升。但现在，我们应该开始专注于优化模型背后的智能支撑。这些决策并非仅由工程师专属，任何认真致力于释放AI真正潜力的人都应参与其中。每一家规模化部署AI的机构，都应该像询问AI供应商一样，向自己的数据团队提出同一个问题：这种智能是否可靠、是否实现了互联，并且经过了真实场景的检验？

因为这背后的利害关系不止关乎营收与增长，也关系到所有希望强化市场赖以运行的机构信任的人。Moody’s创立于一个多世纪以前，其创立理念是：当所有人都能获取透明、严谨且独立的数据与分析时，市场会运行得更好。这一理念在今天依然成立，AI并未改变这一原则——只是让犯错的代价变得更高了。