AI 无黑箱的适当性：面向客户关系经理的治理模型

1. 界定机器获准执行的范围

在AI辅助下开展适当性评估，应从明确的使用场景开始。客户关系经理可利用技术检索客户已陈述的目标、汇总持仓、提取产品条款、比较记录在案的约束条件、揭示不一致之处或起草通俗易懂的说明。每项任务的风险各不相同。检索可能返回错误文件。提取可能遗漏某项条件。比较可能适用错误规则。生成可能产生看似合理但无来源依据的陈述。

公司应说明该系统是提供信息、提出建议、作出决定还是进行沟通。应明确用户、客户群体、产品、数据、模型、界面、输出及禁止用途。经批准用于总结内部研究的工具，不应自动用于推荐复杂结构性产品。不应假定针对英文文件验证过的模型在其他语言中具有同等表现。

适当性仍然是一个端到端的专业流程。客户关系经理必须了解客户的情况与目标、产品及其风险、拟议匹配的理由以及支持证据的质量。技术可以增强这项工作，但不能将不完整的事实转化为可靠的建议。

操作边界应通过允许的操作、所需审批和停止条件来表达。缺少源文件、客户信息过时、目标冲突、风险披露不可用或产品不在已批准范围内，应阻止自动化流程继续推进。仅显示警告却允许完成操作的控制措施，在员工面临时间压力时可能无效。

作者框架。每一层均保留其证据、负责人和决策状态。

表 1. 最低适当性证据记录

记录结构应适配适用的法律与行为框架。

2. 将可解释性视为证据重构

“黑箱”一词可指代若干不同问题。模型可能在数学上很复杂。供应商可能保护其知识产权。客户关系经理可能收到未附来源引用的排名。合规审查人员可能看到最终答案，但缺少输入信息和决策路径。治理应识别实际的不透明性并处理其影响。

就适当性而言，实际可解释性意味着合格审查人员能够重构以下内容：为什么考虑某一产品、为什么排除其他替代方案、哪些客户事实至关重要、哪些产品属性至关重要、系统产出了什么、人工更改了什么以及沟通了什么。这种重构不要求公开披露模型权重。它要求的是与决策相关的证据。

记录应保留来源标识、生效日期、版本、提取时间和转换信息。如果 AI 助手表示某产品具有月度流动性，推荐文件应链接到支持该陈述的已批准文件及条款。如果它估算投资组合敞口，记录应保留持仓、价格、方法和时间戳。如果它解读客户的自由文本目标，客户关系经理应确认该解读。

解释应与受众相匹配。客户需要清晰的理由、风险、成本和替代方案。客户关系经理需要可操作的证据和不确定性说明。合规需要可追溯性和规则适用情况。模型风险人员需要数据、测试和故障分析。高级管理层需要结果、事件和控制趋势。

3. 建立从来源到沟通的证据溯源链

证据溯源链追踪从来源到建议及最终沟通的信息。它应识别客户记录、产品文件、计算、政策、模型调用、检索到的段落、编辑和审批。为每个条目设置稳定标识符，可使公司在源文件或模型发生变化后复现该记录。

溯源控制应解决时效性问题。客户情况可能变化。产品条款、成本、流动性和风险分类可能被修订。投资观点和市场状况可能变动。流程应界定每类证据必须保持的时效，以及来源超出该时间窗口时如何处理。

溯源还应保留缺失和冲突。缺失的流动性需求必须保持可见。相互冲突的客户回答不应由模型静默解决。客户关系经理应寻求澄清、记录解决情况或停止推荐。未知信息也是一项决策事实。

系统应将来源内容与生成内容分开。检索到的段落、计算字段和起草的叙述可以以不同方式显示。没有可归属来源的断言应标记以供核验，或在沟通前删除。

作者框架。证据包保留来源、转换、决策和沟通记录。

4. 将适当性义务置于模型设计之前

官方监管路径因市场而异。FCA 将包括消费者责任和高级管理层问责在内的现有框架适用于 AI 的使用。ESMA 已表示，在投资服务中使用 AI 的机构应继续遵守 MiFID II 义务，并强调了偏见、决策不透明、过度依赖、隐私和安全风险。香港证监会将生成式 AI 语言模型生成的投资推荐、顾问意见和研究视为需要额外控制的高风险用途。

FINRA 提醒会员机构，技术中立的证券规则继续适用于生成式 AI。ASIC 对金融服务持牌机构的审查发现，治理可能落后于采用，包括在公平性、偏见和第三方系统方面的缺口。IOSCO 的 AI 与机器学习报告涉及市场中介机构和资产管理机构的治理、测试、数据质量、外包、披露和人工监督。

新加坡的《模型 AI 治理框架》提供了基于可解释性、透明度、公平性和以人为本决策的自愿性跨行业设计参考。DFSA 的材料和当前监管沟通提供了金融服务领域治理、问责、监督和可解释性方面的证据。每个来源都有其自身的法律地位和适用范围。

机构应梳理适用于其实体、牌照、服务、客户和产品的具体要求。共同的设计规范可支持集团控制模式。当地法律分析必须确定适当性测试、披露、审批、记录、投诉、数据保护和监管报告。

表 2. AI 辅助适当性评估的国际设计证据

这些材料具有不同的法律效力；机构应确认当前适用性及当地义务。

5. 将决策权分配给具体个人

人工监督不应只是点击确认。审批人需要具备足够的知识、时间、证据和权限来质疑输出结果。运营模式应明确哪些决策属于客户关系经理（RM）、产品负责人、合规、投资委员会、模型负责人、技术职能和高级管理层。

客户关系经理（RM）应对所采集客户信息的准确性、所述目标的相关性、替代方案的说明以及推荐建议的专业理由负责。产品负责人应对经批准的产品证据、目标市场、限制条件和生命周期事件负责。合规应对规则解释、监控和上报机制设计负责。模型风险职能或适当独立的控制职能应对验证标准和重大局限性负责。

职责分离很重要。同一业务团队不应在缺乏独立质疑的情况下批准用例、选择验证证据、评判表现并自行关闭自身缺陷。规模较小的机构可以通过委员会或外部专家实施比例原则，同时确保决策可问责。

授权应明确。在书面委托范围内的低风险、非复杂配置可采用标准工作流程。集中、流动性差、带杠杆或新型产品可能需要额外的产品与合规审批。重大系统限制可能需要暂停 AI 职能。

表 3. 决策权矩阵

职位名称仅为示例；公司应在其治理框架下指定具名责任人。

6. 建立有意义的人工控制关口

控制关口应设在建议面向客户或可执行之前。第一道关口可检验客户证据是否完整且最新。第二道关口可确认产品已获批准且证据为最新。第三道关口可检验投资组合适配性、集中度、流动性和成本。第四道关口可要求客户经理（RM）比较替代方案并记录判断依据。最后一道关口可确认披露、审批和记录保存。

当重大条件不满足时，自动化应停止。示例包括客户目标不一致、缺失损失承受能力信息、产品文件过期、成本数据不可用、产品未获批准、集中度超限、输出缺乏依据或发生系统事件。停止消息应说明缺少哪些证据以及谁可以解决。

人工覆盖应极少发生、针对具体情况且可审查。它应指明警告、决策人、权限、支持证据、客户影响和失效时间。反复覆盖可能表明规则校准不当、员工绕过保障措施或产品流程薄弱。

审批后抽样仍然有用，尤其是对未获得预先批准的低风险案件。抽样应基于风险，并包括新产品、弱势客户、重大变更、高集中度、复杂产品、跨境案件以及具有异常模式的客户经理（RM）。

作者框架。重大失败会将案件转至澄清、上报或拒绝流程。

7. 验证完整的建议系统

验证应测试整个流程，而不仅是模型。系统包括数据源、文档检索、规则、计算、提示词、模型、界面、人工决策和下游记录。即使技术准确的模型，如果客户数据过时或工作流程遗漏整体投资组合敞口，仍可能产生不适当的结果。

验证计划应涵盖预期用途、禁止用途、数据质量、检索精度、提取准确率、计算可复现性、模型稳定性、幻觉、偏差、提示词注入、访问权限、记录完整性、人为因素和回退机制。测试应包括普通案例、边界案例和刻意设计的对抗性输入。

绩效指标必须具有决策意义。检索精度可显示系统是否找到已批准文档。引用准确性可显示陈述是否有引文段落支持。假阴性率可衡量遗漏的限制。覆盖率可揭示工作流程阻力或控制薄弱。结果测试可检查情况相似的客户是否受到重大不一致的对待。

验收阈值是管理层在考虑义务、损害和风险偏好后作出的决策。适合起草会议纪要的阈值，可能不足以用于客户建议。局限性应被记录，并转化为使用限制、人工检查或拒绝该用例。

表 4. 验证与监控计划

阈值应针对具体使用场景获得批准；本表定义的是测试类型，而非数值基准。

8. 将客户数据作为建议依据进行治理

客户数据很少是单一且干净的记录。目标可以在会议、问卷、电子邮件和投资组合指令中表达。风险容忍度可能通过评分来体现，而亏损承受能力取决于财务承诺和流动性。知识与经验可能因产品而异。法律实体、信托和家族结构可能涉及多个决策者。

系统应保留每项重要事实的来源和状态。客户陈述的偏好不同于已验证的账户余额。计算得出的敞口不同于客户经理的判断。缺失的答案不同于否定答案。这些区别应在数据导入模型后仍然保留。

自由文本解读需要确认。如果客户表示资金应保留用于购房，AI 系统可能将其归类为流动性需求。客户经理应确认时间、金额、币种和确定性。记录的事实应反映客户确认的内容。

数据最小化和访问控制仍然重要。模型只应接收已批准任务所需的信息。敏感个人信息不应传输到未经批准的公共工具。保留、删除、跨境传输和客户权利应根据适用的数据框架进行评估。

9. 对产品证据进行全生命周期治理

产品货架会不断变化。条款可能被修订，认购可能被暂停，可能设置流动性门槛，管理人可能被更换，风险分类可能更新。适当性系统应使用经批准的产品证据，并明确责任归属和生效日期。

产品记录应涵盖目标、策略、投资工具、杠杆、流动性、估值、费用、表现情景、损失特征、币种、目标市场、利益冲突、分销限制及相关文件。每个重大属性都应链接至权威来源。营销文本不应替代法律文件和经批准的产品文件。

产品事件应触发工作流操作。暂停赎回应改变流动性证据。管理人变更或策略变更可能要求重新评估。文件更新应使被取代的段落失效。系统应识别受重大变更影响的客户建议或持仓。

复杂产品应接受更深入的管控。模型生成的比较可能掩盖路径依赖、发行人信用、杠杆、提前终止和情景局限性。客户关系经理应理解收益结构，并解释可能的不利结果。标准评分不应替代该分析。

10. 将建议与可信的替代方案进行比较

当客户关系经理比较现实的替代方案时，适当性会得到加强。替代方案集应包括在适当情况下维持当前投资组合、成本更低或流动性更高的选项、不同的实施路径以及拟议产品。比较应基于客户的目标和整体投资组合。

AI 可帮助识别符合书面筛选条件的产品。它也可能因内置假设或商业优先事项而过度收窄范围。因此，产品货架覆盖范围、排名逻辑、利益冲突和被排除产品应对客户关系经理和审核人可见。

成本应在具体情境中累计考虑。产品费用、顾问费用、交易成本、融资成本、外汇影响和退出成本可能改变结果。建议说明应描述所选选项的预期价值及其相对于替代方案的重大劣势。

当公司收取募集费、返佣或其他利益时，应在适用框架下处理该利益冲突。模型不应在将输出呈现为以客户为主导的同时优化商业收入。应针对该风险监控排名逻辑和人工覆盖。

表5. 假设性客户—产品比较

所有数值和评估均为用于演示文档的假设性管理层假设；不推荐任何产品。

11. 为客户关系经理（RM）提供说明卡

界面应帮助客户关系经理（RM）进行推理，而不仅仅是批准。决策卡可以展示客户目标、关键事实、拟采取的行动、替代方案、支持来源、重大风险、成本、不确定性、利益冲突和所需审批。它应显示缺失和过时的证据。

说明卡应区分机器生成的内容。检索到的段落可附带来源链接显示。计算可展示方法和输入。生成的叙述可在内部工作流中编辑并明显标记。最终客户沟通材料应仅包含经核实并批准的内容。

解释应足够具体，以便测试。诸如“适合分散投资”之类的表述，若未明确当前集中度、拟议变更、时间范围、流动性和风险，则说服力不足。审核人应能理解该建议如何服务于客户目标，以及可能在何处失效。

界面应限制自动化偏差。在客户关系经理（RM）审查证据之前，拟议产品不应在视觉上占主导地位。替代方案和停止条件应获得同等突出的展示。置信度指标应被定义并测试；经过润色的语气绝不应被视为置信度。

作者框架。内部说明卡突出证据、不确定性、替代方案和决策责任。

12. 控制提示词、检索和模型变更

生成式系统即使界面看似稳定，也可能发生变化。模型提供商可以更新底层服务。公司可以更改系统提示词、检索索引、文档解析器、温度、安全配置或后处理规则。每项重大变更都可能改变建议流程。

变更清单应记录组件、负责人、版本、日期、理由、测试、审批和回滚。回归测试应包含已知的常规、边界和故障案例。对产品文档解析器的变更应针对表格、脚注、扫描页和修订文档进行测试。

提示词是控制载体。系统提示词、经批准的模板和禁止性指令应进行版本管理并实施访问控制。在要求且安全的情况下，应保留用户提示词和模型输出。提示词注入和恶意文档内容应纳入安全测试。

第三方模型更新需要合同和技术层面的监控。公司应了解通知安排、服务日志、数据使用、保留、次级处理者、区域、安全、韧性和退出安排。如果提供商不披露模型细节，公司仍可测试可观察性能、限制输入和输出、要求提供证据并保留回退能力。

13. 将覆盖操作设计为风险信号

当规则存在已记录的局限性且合格人员拥有更好的证据时，覆盖操作可能是适当的。它也可能成为绕过必要控制的途径。治理应区分这些情况。

覆盖记录应包括触发条件、系统输出、人工理由、证据、权限、客户影响和到期时间。重大覆盖应在采取行动前接受独立审查。低风险覆盖可按政策在事后抽样。

模式比孤立的总量更重要。某一产品的高比率可能表明产品数据质量差。某位客户经理（RM）的高比率可能表明培训或行为操守问题。对流动性规则的反复覆盖可能显示商业压力。能够改善客户结果的覆盖可能表明模型存在应予纠正的局限性。

管理报告应将覆盖与决策联系起来。负责人应决定是更改规则、改进数据、重新培训员工、限制产品、重新审查客户案例，还是暂停系统。未测试变更就关闭工单会使风险未得到解决。

14. 监控结果、漂移和行为操守

生产监控应覆盖系统性能和客户结果。技术指标包括可用性、延迟、检索、引用准确性、模型错误和安全事件。流程指标包括完成率、停止、升级、覆盖、审查时间和记录质量。结果指标包括集中度、成本、投诉、取消、补救以及不同客户群体之间的差异。

漂移可能源于市场状况、产品变更、客户行为、数据源和模型更新。稳定的准确性评分可能掩盖不断变化的案例构成。因此，在法律和运营上适当的情况下，监控应按产品复杂度、客户类型、地理区域、渠道、客户经理（RM）和模型版本进行细分。

行为操守监督可以审查建议是否集中在商业利益更高的产品上、风险警示是否被覆盖、弱势客户是否获得不同结果，以及生成的解释是否遗漏不利因素。对受保护或敏感属性的任何分析都需要适当的法律和隐私治理。

阈值应触发既定行动。重大且缺乏依据的声明可能需要立即遏制。覆盖率上升可能需要加强抽样。产品文件故障可能需要将该产品从已启用清单中移除。重大客户影响可能需要识别案例、沟通和补救。

作者框架。数值为虚构的管理假设，用于展示仪表板设计。

15. 为事件与客户补救做好准备

AI 事件可能涉及缺乏依据的建议、错误的产品数据、有偏见的对待、数据泄露、未经授权的访问、供应商故障或记录缺失。

事件负责人应识别受影响的模型版本、日期、用户、客户、产品和输出。保留的数据血缘使这成为可能。公司应停止或限制该用例、保全证据、应用备用程序，并决定过往建议是否需要复核。

严重程度应反映实际和潜在的客户损害、监管违规、数据敏感性、数量和持续时间。通知义务取决于司法管辖区和事实。法律、合规、数据保护、信息安全、业务和传播团队需要明确的权限和升级路径。

整改应处理个案和系统性原因。受影响客户可能需要根据适用义务和具体情况获得更正、解释、投资组合操作、费用调整或补偿。根本性应对措施可能包括数据更正、模型变更、规则重新设计、加强审查、供应商行动或用例撤回。

16. 将第三方 AI 作为受监管流程的一部分进行管理

供应商尽职调查应审查服务、模型、数据、安全性、韧性、变更流程、审计证据、子处理商和合同权利。调查深度应反映供应商是否检索信息、对产品排序、生成建议内容或参与客户决策。

公司应了解客户数据和公司数据如何被使用。应确定提示或输出是否用于训练供应商模型、数据在何处处理、保留多长时间、谁可以访问以及删除机制如何运作。保密条款应与技术配置保持一致。

运营监督应包括可用性、性能、事件、重大变更和恢复。退出计划应保留提示、记录、产品证据、客户决策以及可行的人工或替代流程。可移植性很重要，因为建议记录可能比技术合同存续更久。

责任归属应保持清晰。供应商可以提供模型，但仍可能缺乏批准建议所需的客户背景和受监管责任。财富管理公司必须保留履行自身义务所需的治理和证据。

17. 培训客户关系经理质疑系统

培训应涵盖获批用例、证据、局限性、禁止用途、客户沟通、人工覆盖、事件和后备方案。应使用系统正确、信息不完整以及自信但错误的真实示例。

客户关系经理应能识别缺乏支持的陈述、过时的产品条款、不一致的客户事实、隐藏假设和投资组合影响。他们应明白，表达流畅并不等于证据。能给出清晰解释的模型仍可能依赖错误来源。

能力评估应包含对实际决策的观察。简短的知识测试可以确认理解程度。情景演练可以显示客户关系经理是否会质疑工具、寻找缺失事实、比较替代方案并记录理由。重复错误应导致针对性辅导、限制访问或重新评估。

管理者应监控工作量。如果审批队列过长、证据难以查阅或商业时机不利于提出质疑，人工审查就会失去价值。处理能力是一项控制条件。

18. 在180天内实施该框架

实施应从盘点现有和计划中的 AI 用途开始。应纳入通过公共工具进行的影子使用。每个用例都应有业务负责人、风险分类、数据映射、供应商、审批状态和运营限制。

范围受限的试点应使用明确的客户和产品群体。应测试证据链、控制关口、客户关系经理界面、记录、监控和后备方案。试点结果应包括失败案例和员工行为，而不仅是生产率。

扩展应基于已验证的能力。来源治理稳定后，可以扩大产品覆盖范围。边缘案例和公平性风险经过测试后，可以扩大客户覆盖范围。新的语言和市场需要各自的证据和法律分析。

董事会或受委托的委员会应在项目结束时收到关于运营状态的决策。该材料包应说明获批用途、限制、验证结果、事件、未解决的风险、客户保障措施、问责机制及下次审查。

表6. 180天实施路线图

时间安排是示意性排序框架，应根据公司规模、风险和现有能力进行调整。

19. 使董事会报告对决策有用

高级管理层需要了解使用情况、风险敞口、绩效和未解决风险。报告应展示活跃用例、受影响的客户和产品、重大变更、验证状态、局限性、控制绩效、例外覆盖、事件、投诉、整改和供应商依赖。

指标应与阈值和行动相挂钩。只有当管理层知道哪些失败会影响客户决策以及后续采取什么应对措施时，引用支持率才有价值。只有当按原因、产品、客户经理和结果细分时，例外覆盖数量才有价值。

董事会应看到运营边界。报告包应识别哪些职能已启用、哪些被禁止、哪些群体被排除以及存在哪些人工后备方案。扩展决策应说明批准前所需的证据。

保证应包括独立质疑。合规监控、内部审计、模型验证、安全测试和外部审查均可提供不同的证据。发现的问题应有明确的责任人、截止日期和关闭测试。

作者框架。报告将风险敞口和控制证据与明确的管理决策联系起来。

20. 让可信建议成为商业主张

客户可以受益于更快的准备、更一致的证据和更清晰的比较。信任取决于公司如何治理该建议。客户关系经理（RM）应能够说明使用了哪些信息、技术发挥了什么作用、客户关系经理作出了哪些判断，以及仍存在哪些局限。

公司应准确描述 AI 的使用情况。宽泛宣称客观性或自动化无差错并不恰当。客户沟通应聚焦于服务、保障措施、重大限制以及提出疑问或要求更正的途径。披露要求取决于适用框架和事实。

受控的适当性流程可以支持规模化。产品和客户证据变得可重复使用，决策变得可审查，反复出现的薄弱环节变得可见。运营数据可为产品治理、培训、服务设计和客户支持提供依据。

商业价值来自可问责的建议。客户应获得以当前证据、整体投资组合背景、可信替代方案和人工判断为依据的建议。AI 可以帮助整理和检验该记录。公司人员仍对专业决策负责。

结论

AI 辅助的适当性应设计为证据与决策系统。客户事实、投资组合数据、产品证据、政策、机器转换、人工判断和客户沟通必须保持彼此区分且可追溯。

实际可解释性使合格审查人无需访问专有模型权重即可重构该建议。记录标明来源、版本、计算、模型贡献、替代方案、人工覆盖、审批和最终措辞。缺失和相互冲突的证据仍然可见。

国际官方材料采用不同的法律路径。它们反复强调治理、问责、适当的人工参与、数据质量、测试、监测、供应商监督、记录保存和客户保护。财富管理机构可以将这些规范转化为通用运营模式，同时完成特定司法管辖区的法律分析。

核心问题很直接：客户关系经理和公司能否依据当前证据证明：该建议为何符合该客户有记录在案的情况和目标，技术发挥了什么作用，考虑了哪些替代方案，解释了哪些风险和成本，以及哪位合格人员承担了责任？完整的回答使 AI 从难以理解的生产力工具转变为专业建议中受控的组成部分。

参考文献

1. 英国金融行为监管局，《我们对 AI 的做法》， https://www.fca.org.uk/firms/innovation/ai-approach
2. 英国金融行为监管局，《金融服务中的 AI：我们的做法》，2026年6月8日， https://www.fca.org.uk/news/blogs/ai-financial-services-approach
3. 英国金融行为监管局，《关于消费者义务》， https://www.fca.org.uk/firms/consumer-duty/about
4. 英国金融行为监管局，PS22/9：《新的消费者义务》， https://www.fca.org.uk/publications/policy-statements/ps22-9-new-consumer-duty
5. 英国金融行为监管局，《Mills 对零售金融服务中 AI 的审查》，2026年7月6日， https://www.fca.org.uk/news/press-releases/fca-publishes-landmark-review-impact-ai-retail-financial-services
6. 欧洲证券和市场管理局，《关于在零售投资服务提供中使用人工智能的公开声明》，2024年5月30日， https://www.esma.europa.eu/sites/default/files/2024-05/ESMA35-335435667-5924__Public_Statement_on_AI_and_investment_services.pdf
7. 香港证券及期货事务监察委员会，《致持牌法团关于使用生成式 AI 语言模型的通函》，2024年11月12日， https://apps.sfc.hk/edistributionWeb/api/circular/list-content/circular/intermediaries/supervision/doc?lang=EN&refNo=24EC55
8. 香港证券及期货事务监察委员会及其他香港监管机构，《关于扩大生成式人工智能沙盒的联合通函》，2026年3月5日， https://apps.sfc.hk/edistributionWeb/gateway/EN/circular/intermediaries/supervision/doc?refNo=26EC11
9. 澳大利亚证券和投资委员会，第798号报告：《警惕差距》，2024年10月29日， https://asic.gov.au/regulatory-resources/find-a-document/reports/rep-798-beware-the-gap-governance-arrangements-in-the-face-of-ai-innovation/
10. 澳大利亚证券和投资委员会，《审查你的人工智能治理与风险管理安排》，2025年4月， https://asic.gov.au/about-asic/corporate-publications/newsletters/market-integrity-update/miu-issue-166-april-2025/
11. 美国金融业监管局，监管通知 24-09：使用生成式 AI 和大型语言模型时的监管义务，2024年6月27日， https://www.finra.org/rules-guidance/notices/24-09
12. 迪拜金融服务管理局，《2025年人工智能调查》， https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop
13. 迪拜金融服务管理局，《金融服务中的网络与人工智能风险》，2025年6月30日， https://www.dfsa.ae/news/new-dfsa-report-explores-regulatory-insights-cybersecurity-artificial-intelligence-and-quantum-risks
14. 新加坡个人资料保护委员会，《人工智能治理框架范本》，第二版， https://www.pdpc.gov.sg/-/media/files/pdpc/pdf-files/resource-for-organisation/ai/sgmodelaigovframework2.pdf
15. 新加坡个人资料保护委员会，新加坡的 AI 治理方法， https://www.pdpc.gov.sg/Help-and-Resources/2020/01/Model-AI-Governance-Framework
16. 国际证券委员会组织，《市场中介机构和资产管理机构对人工智能和机器学习的使用》，2021年9月， https://www.iosco.org/library/pubdocs/pdf/IOSCOPD684.pdf

关于作者

Chennakeshav Adya 是一位独立研究员，也是 Matchpoint Partners 的管理合伙人。他的研究考察私募和公开市场中的战略、资本形成、估值、交易和运营执行。