数字经济和实体经济的深入融合，是我们国家经济发展的产业战略，在这个背景下，金融业务、金融产品随之活跃，金融风险的控制成为首先要关注的问题。采用人工智能手段做风控，有很多种方法，但是哪种会起更大作用，或者能够把中国的金融风控做成世界最好，至少比较先进？中国科学院院士郑志明日前出席“科创中国”金融科技产业创新论坛暨（2022）第六届中国金融科技创新大会并发表题为《跨尺度系统学习及其在金融风控中的应用》的主旨演讲时，指出了构建跨尺度系统学习的重要性。

一、金融风险分析

从尺度上来讲，金融风险可以分为两类，大尺度和小尺度。大尺度，就是政策变化、宏观经济环境和全球金融市场等因素引起的金融风险。小尺度，就是个体融资和交易引发的金融风险。

像美国硅谷银行破产，可以看成是由政策变化（大尺度）所导致风险。而2008年由次级贷款投资引发的全球性的金融危机，就是个体活动（小尺度）引发出来的。

金融系统是一种典型的复杂社会系统。复杂的核心在于大尺度和小尺度之间是有关系的。是相互作用、相互影响，相互叠套的。如果大尺度和小尺度没有关系，那叫做是简单系统。很显然，金融系统是复杂系统，金融的大尺度和小尺度之间容易互相引发相关风险。

事实上，金融系统比一般的复杂系统更加复杂缠绕。比如，大尺度政策的制定、环境的确立，一开始把各方面设想地非常周到，大家反复论证过没问题，但是实施中由于小尺度方面的一系列活动，使得最后反而生成了一个与预期相反的局面，这就是由于大尺度和小尺度之间相互作用导致的。

所以，通过对小尺度金融行为的分析，捕捉风险在不同尺度间的传递模式，从而有效防范由蝴蝶效应所引起的大尺度金融风险，这种跨尺度系统学习，对金融风控来说是十分必要且重要的。

二、跨尺度系统学习

当前人工智能普遍采用动态线性研究方法，不能反映出由小尺度数据特征演化所导致的系统的复杂性。当前普遍采用的大模型方法，相当于身体检查，做CT扫描，一片片扫描。一片片扫描的方法对于简单系统没问题，但是对于复杂系统，切片到什么时候是头？需要解决几十亿、上百亿、上千亿的参数，这就是资源代价。所以必须要用跨尺度的研究方法，真正找清它的问题是什么，以及它会导致什么东西，弄清楚这些，才能真正的把风险控制住。

从系统的角度看，复杂大数据智能学习的复杂性恰由小尺度数据特征的动态非线性和随机关联所导致的。复杂大数据内涵知识，本质上是由小尺度层面数据特征的非线性随机演化而生成的这是基本结论。金融也不例外，金融风控是一样的道理。

跨尺度系统学习关键要解决三个难点问题。

难点一：数据小尺度特征及其耦合关系。

小尺度问题里面要把领域知识嵌入进去，在局部的数据里面做风控，必须把金融里面风控所有的可能性要嵌入到这里面，使得复杂的金融数据转化为内嵌规律的科学化数据。

难点二：介尺度的多模态建模方法。

内嵌规律规范化数据通过介尺度科学建模，生成智能学习的系统原型。嵌进去以后模型就出来了，只要把这个东西在小尺度嵌好了，自然就可以导出它的风控模型，通过这个风控模型就可以判断这个东西风控水平到底怎么样。

难点三：复杂大数据精准分析和系统学习。

智能学习的系统原型对大尺度演化规律分析后，就能够对金融突发事件精准发现、演化分析。这个模型的风控能力效果如何？就要看大尺度的情况。关于时空演化系统大尺度突发事件精准分析与系统学习，国家基金委2021年也设立重大专项支持，正在大力布局。可以说，下一个人工智能的热点一定是跨尺度系统智能学习，因为它能够解决人类以前一直解决不了的问题。

三、代表性成果

目前，关于跨尺度系统学习的研究和应用已经取得了一些成就。

一是超级传播子。

超级传播子内嵌局部拓扑形态特征全局结构学习方法，建立动态网络中影响最大节点快速智能精准搜索方法。北航的学者们完成了真实网络世界中超级传播子研究的首个工作。

因为所有的搜索技术都是基于静态搜索，但是网络是动态的，怎么把网络上最活跃的节点能够实时搜索出来，这是我们做的事情。别看这里是信息网络节点的搜索，实际上就是金融风控的节点也可以搜索。

二是回声室效应。

建立了大规模社交网络上舆情引导与公共观念演化的微观动力学模型，并在真实网络中证实了舆情引导和调控摇摆社团观念演化的重要性。

我们建立了舆情引导和公共观念的演化这样的跨尺度的自主学习方法，一个策略出去以后，看看对方群众有什么想法，反馈回来以后改变策略再过去，最后被引导过来，它是一种引导思维，对我们一些产业领域是非常有用的。

总之，跨尺度系统学习这个领域应该是下一个人工智能的最大热点，而且是基础解决现代科学和工程问题理论困惑的方法，是一个非常重要的方法。

来源：CIC金融科技与数字经济专家委