請務必閱讀正文之后的免責條款部分正文目錄AI將有助于完善ESG基礎設施、疏通ESG投資鏈條 5ESG投資中的信息流通過程存在難點 5AI拐點已至，性能提升+成本降低有望推動在ESG事務中的使用 6監(jiān)管機構(gòu)端：AI助力監(jiān)管有效監(jiān)督政策落實情況 9ESG監(jiān)管痛點：難驗證、難追溯，企業(yè)或主動漂綠 9AI方案：動態(tài)監(jiān)管與多模態(tài)交叉驗證 10企業(yè)端：AI助力企業(yè)多方位降低合規(guī)成本 合規(guī)成本高成為企業(yè)參與ESG實踐的重要阻礙 AI政策智能解析：從被動應對到主動適應 12AI幫助報告自動化：從數(shù)據(jù)孤島到智能洞察 13AI技術(shù)賦能，為資管機構(gòu)提供了ESG投資的豐富工具 14投研與風控：AI帶來更加豐富ESG投資手段 14數(shù)據(jù)收集與處理：AI助力多模態(tài)數(shù)據(jù)的敏捷挖掘和快速處理 14AI助力優(yōu)化投資策略 17AI助力資管企業(yè)與投資人進行溝通 20AI產(chǎn)生廣泛外溢影響，ESG+RAI框架助力分析風險與機遇 21ESG議題角度下，AI的效率提升與倫理爭議 21環(huán)境：提升環(huán)保效率與自身消耗資源的兩面性 21社會：促進社會發(fā)展與產(chǎn)生倫理爭議的兩面性 25公司治理：機遇與挑戰(zhàn)并存 28AI面對強監(jiān)管風險，AI倫理與負責任AI實踐成為趨勢 29強隱性監(jiān)管背景下，企業(yè)人工智能風險凸顯 29AI倫理逐步成為道德共識，負責任AI成為行動規(guī)范 30ESG+RAI框架整合助力防范投資中的AI風險暴露 31挪威銀行資管NBIM：關(guān)注公司治理中對AI的治理措施和機制建設 32UBS資管：多層級AI公司治理分析模型 33CRISO的ESG-AI全面整合框架 34風險提示 36圖表目錄圖1：ESG投資生態(tài)模型 5圖2：國內(nèi)上市公司可持續(xù)報告編制負責人 6圖3：國內(nèi)上市公司可持續(xù)報告編制咨詢成本 6圖4：人工智能系統(tǒng)模型 7圖5：具備影響力的人工智能模型發(fā)布時間、行業(yè)及數(shù)據(jù)量 8圖6：人工智能在多個能力測試上已經(jīng)超過人類基準水平 8圖7：2025年后具備推理能力的大語言模型收到用戶信息占比 8圖8：Deepseek-R1定價較OpenAIo1顯著降低 8圖9：2017-2024全球各類機構(gòu)應用AI與生成式AI的比例變化 9圖10：2023-2024分地區(qū)機構(gòu)應用AI的比例變化 9圖2021、2022年全國電力消費平均二氧化碳排放因子 10圖12：2021、2022年各區(qū)域電力消費平均二氧化碳排放因子 10圖13：ESG合規(guī)是參與ESG活動的主要驅(qū)動 圖14：國內(nèi)上市公司可持續(xù)報告披露成本占比最高的部分 圖15：知識圖譜概念界定 12圖16：政策知識圖譜分析的本體模型 12圖17：使用神經(jīng)網(wǎng)絡模型進行政策情感分析流程 13圖18：針對國內(nèi)文獻對“雙碳”政策研究的關(guān)鍵詞聚類 13圖19：多元異構(gòu)數(shù)據(jù)的融合處理與AI分析流程圖 14圖20：大數(shù)據(jù)“4V”特性 15圖21：風云四實時衛(wèi)星圖像 16圖22：臺風監(jiān)測-大氣海平面氣壓實時情況 16圖23：跟蹤的中國平安近半年的爭議事件信息 16圖24：傳統(tǒng)數(shù)據(jù)處理方式與結(jié)合大模型的數(shù)據(jù)處理方式對比 17圖25：兩層決策樹結(jié)構(gòu)助力ESG因子篩選 18圖26：ESG觀點值與國家ESG相關(guān)政策變化相關(guān)性 19圖27：GEO五分位對應企業(yè)遠期碳強度同比變化 20圖28：GEO五分位對應企業(yè)致力于科學碳目標和綠色專利比例 20圖29：大數(shù)據(jù)與AI分析在能源網(wǎng)絡中的應用 21圖30：機器學習技術(shù)如何推動建筑行業(yè)減碳 23圖31：人工智能模型在訓練過程中產(chǎn)生的碳排放量估計 24圖32：2024年發(fā)表的領(lǐng)域內(nèi)論文中由AI驅(qū)動研究的比例 25圖33：提及AI應用的臨床實驗數(shù)量（單位：個） 25圖34：AI算法中可能存在偏見 26圖35：2012-2024年有記錄的AI倫理爭議事件數(shù)量（單位：件） 26圖36：ChatGPT發(fā)布后寫作類崗位發(fā)布數(shù)量銳減 27圖37：圖像生成AI發(fā)布后制圖相關(guān)崗位需求減少 27圖38：2012-2023全球工業(yè)機器人存量年度變化（單位：千臺） 27圖39：高收入人群崗位也將受到GenAI的沖擊 27圖40：歐盟《人工智能法案》分類方法及監(jiān)管措施 29圖41：2024-2025企業(yè)對負責任AI相關(guān)風險的關(guān)注度 31請務必閱讀正文之后的免責條款部分圖42：企業(yè)在負責任AI實踐中受到相關(guān)法律影響的調(diào)查 請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分圖43：ESG議題與負責任AI議題在范疇上相互交織 請務必閱讀正文之后的免責條款部分圖44：NBIM公司負責任AI問責三大要素 33圖45：ESG-AI分析步驟 34表1：人工智能發(fā)展歷史 7表2：歐盟碳邊境調(diào)節(jié)機制（CBAM）政策內(nèi)容概述 10表3：歐盟可持續(xù)披露規(guī)則適用范圍和適用內(nèi)容 12表4：基于決策樹的ESG因子策略表現(xiàn) 18表5：易方達、華夏、嘉實三家基金智能客服對ESG有關(guān)提問的回復 20表6：人工智能模型在電力系統(tǒng)中的應用 22表7：AI助力工業(yè)脫碳的應用場景與作用機制 22表8：AI大模型發(fā)展的不同階段及對應碳排放強度變化 24表9：AI大模型碳排放的主要來源 25表10：AI應用到公司治理面臨的問題 28表我國人工智能有關(guān)的主要部門規(guī)章 29表12：科技部《新一代人工智能倫理規(guī)范》基本規(guī)范內(nèi)容 30表13：UBS資管對公司AI治理進行評估的三層框架 34表14：ESG-AI框架的AI用例及對應用例的風險 34表15：RAI治理指標分析問題 35AI將有助于完善ESG基礎設施、疏通ESG投資鏈條ESG值潛力和潛在風險，推動資本向可持續(xù)發(fā)展領(lǐng)域傾斜。AIAI能夠更好地發(fā)揮作用，助力全球的可持續(xù)發(fā)展。ESG投資中的信息流通過程存在難點我們構(gòu)建了ESG投資的簡化生態(tài)鏈模型來梳理ESG投資的主要參與者和主要活動。ESGESG/倡議ESGESGESGESG投資策略，而資金所有者根據(jù)投資傾向選擇資管機構(gòu)。資料來源：圖1：ESG投資生態(tài)模型資料來源：繪制提升信息的真實可靠性，降低信息產(chǎn)生與分析成本是ESG投資的內(nèi)在需求。從信息流ESGESGESG評級等投資工具，應用在投資實踐中。資ESGESG表現(xiàn)選擇ESGESGESG投資參與者的一致需求。具體而言，不同的類型的參與者可能會面臨如下問題：監(jiān)管部門與國際組織具備解決環(huán)請務必閱讀正文之后的免責條款部分ESGESG請務必閱讀正文之后的免責條款部分倡議等的實現(xiàn)形成了挑戰(zhàn)。企業(yè)痛點：如何在低成本的前提下實現(xiàn)合規(guī)要求。ESG相關(guān)政策推進的過程中，許ESG工作的組織架構(gòu)。因此無論是政策解讀、政策執(zhí)行還是后續(xù)10-30100不斷尋求方案在滿足合規(guī)要求的前提下降低成本。圖2：國內(nèi)上市公司可持續(xù)報告編制負責人 圖3：國內(nèi)上市公司可持續(xù)報告編制咨詢成本61萬-100萬元61萬-100萬元,100萬元以上,31萬-60萬元9.04%1.13%0.56%小于10萬元,19.21%自行編制,40.07%公司主導、聘請外部機構(gòu)協(xié)助,42.66%

10萬-30萬元,70.06%請務必閱讀正文之后的免責條款部分上市公司協(xié)會， 上市公司協(xié)會，資管機構(gòu)與第三方機構(gòu)痛點：如何實現(xiàn)快速、迅捷的信息獲取和分析。資管機構(gòu)與第三AI拐點已至，性能提升+成本降低有望推動在ESG事務中的使用AI（人工智能）是一種從輸入信息中推斷并輸出的系統(tǒng)。根據(jù)經(jīng)合組織的定義，AI系統(tǒng)是一種基于機器的系統(tǒng)，對于一組顯式或隱式目標，它可以從收到的輸入中推斷如何生成IBMAI簡言之，AI系統(tǒng)能夠智能化處理輸入的信息，并根據(jù)模型輸出相應內(nèi)容。圖4：人工智能系統(tǒng)模型OECD，資料來源：世界進入“生成式A（GenA”時代，AI的交互與創(chuàng)造能力進一步加強。AI資料來源：1956態(tài)均為“決策式AI2018年后，以大語言AIAIAI系統(tǒng)進行交互，并生成更加多元化、具備創(chuàng)造性的內(nèi)容。表1：人工智能發(fā)展歷史階段 時間 代表性技術(shù)成果 數(shù)據(jù)規(guī)模 技術(shù)棧階段 時間 代表性技術(shù)成果 數(shù)據(jù)規(guī)模 技術(shù)棧弱人工智能 1950年-1990年基于人工設計的則系統(tǒng)HMM，CTF，

數(shù)百規(guī)則集 基于專家知識和則的系統(tǒng)統(tǒng)計機器學習算法+統(tǒng)計機器學習 1990年-2012深度學習 2013年-2018生成式AI 2018年-至今

SVM，反向傳播，卷積網(wǎng)絡ImageNet，ResNet，Word2vec，Attention，TransformerBERT，PaLM，LLaMA，GPT-4，GLM

百萬級標注數(shù)據(jù)十億級標注數(shù)據(jù)全網(wǎng)萬億數(shù)據(jù)，海量用戶反饋

算法包(scikit-learn，XGBoost)深度神經(jīng)網(wǎng)絡+開發(fā)框架(TensorFlow,PyTorch)預訓練+微調(diào)+開源社區(qū)IBM，中關(guān)村科技會展，模型快速迭代，AI功能逐漸強大，達到較高的產(chǎn)業(yè)化水平。早期的大語言模型需要海請務必閱讀正文之后的免責條款部分AI出更加密集，202490%2025GEO圖像分類的人類極限。隨著大模型的出現(xiàn)，AI請務必閱讀正文之后的免責條款部分圖5：具備影響力的人工智能模型發(fā)布時間、行業(yè)及數(shù)據(jù)量 圖6：人工智能在多個能力測試上已經(jīng)超過人類基準水平StanfordHAI， StanfordHAI，推理成本進一步降低，使用端費用大幅下降促廣泛應用。EpochAI的統(tǒng)計，根據(jù)工作任務的不同，所有類型的大語言模型的推理成本均大幅下降，每年下降到最初版本的1/9~1/900DeepseekOpenAIo1（DeepseekR1版本、4.5（epeek3版本，用戶端的使用費用下降數(shù)十倍。隨著AI大模型進一步快速迭代帶來的性能提升+AI一步滲透，有望在更多事務性的商業(yè)活動中發(fā)揮作用。2024AIAI的StanfordHAIAI的78%23%75%27%，是全球增速最快的地區(qū)之一。圖7：2025年后具備推理能力的大語言模型收到用戶信息占比圖8：Deepseek-R1定價較OpenAIo1顯著降低元/1Mtokens5004504003503002502001501000

API價格（緩存命中）API價格（緩存未命中API價格請務必閱讀正文之后的免責條款部分資料來源：資料來源：DeepSeek-R1 o1-mini o1-preview o1請務必閱讀正文之后的免責條款部分資料來源：資料來源：POE， Deepseek，圖9：2017-2024全球各類機構(gòu)應用AI與生成式AI的比例變化 圖10：2023-2024分地區(qū)機構(gòu)應用AI的比例變化2023年 2024年 同比變化90%80%70%60%50%40%30%20%10%資料來源：資料來源：0%資料來源：資料來源： StanfordHAI， StanfordHAI，麥肯錫，

30%25%20%15%10%5%0%我們認為AI將在各個環(huán)節(jié)幫助ESG投資降本增效。在AI持續(xù)迭代的大背景下，ESG1.31.4AI降低2AIESG由于生成式AIAIAIAIESGAI的應用場景，而是包含所有類型的人工智能。監(jiān)管機構(gòu)端：AI助力監(jiān)管有效監(jiān)督政策落實情況AI有望幫助監(jiān)管端和企業(yè)端建設好ESG投資的“基礎設施”。由監(jiān)管部門、國際組織/（ESG政策和倡議實施的基礎模式。只有該模式良好運營，投資端才能依據(jù)披露的信ESG實踐。我們認為，AIAIESG實踐與信息披露。ESG監(jiān)管痛點：難驗證、難追溯，企業(yè)或主動漂綠ESG披露中非結(jié)構(gòu)化數(shù)據(jù)較多，導致驗證成本較高。企業(yè)ESG披露中大量數(shù)據(jù)為年報文本、供應鏈記錄等非結(jié)構(gòu)化數(shù)據(jù)，而抽樣審計對非結(jié)構(gòu)化數(shù)據(jù)的覆蓋率低，傳統(tǒng)的自動審綠的投機行為，對市場信心造成了打擊。組織間數(shù)據(jù)孤島阻礙ESG披露責任追溯。ESG數(shù)據(jù)的收集和匯總需經(jīng)多個部門多次轉(zhuǎn)手，過程中缺乏統(tǒng)一的數(shù)據(jù)治理標準并存在數(shù)據(jù)壁壘。監(jiān)管端一方面難以觸達企業(yè)的原始數(shù)據(jù)，另一方面也難以跨越多個組織進行“穿透式”核查。請務必閱讀正文之后的免責條款部分ESGESG表現(xiàn)看起來優(yōu)于實際情況，從而誤導投資者和監(jiān)管機構(gòu)。以碳排放數(shù)據(jù)為例，BCG請務必閱讀正文之后的免責條款部分ESG度。AI方案：動態(tài)監(jiān)管與多模態(tài)交叉驗證AI可以通過多種方式幫助提高ESG可以通過其處理信息快速的特點賦能動態(tài)監(jiān)管，而生成式AI的發(fā)展也給融合圖像、文字、數(shù)據(jù)的“多模態(tài)”驗證提供了支持。仍以碳排放數(shù)據(jù)為例，AI提升碳數(shù)據(jù)準確性的監(jiān)管技術(shù)路徑展望如下：AI幫助構(gòu)建動態(tài)碳排放因子庫與標準化披露監(jiān)管。碳排放因子庫指衡量一定量的某種但碳排放因子庫在時間和空間上都可能發(fā)生變化，監(jiān)管中可能產(chǎn)生數(shù)據(jù)滯后等問題。AI先可以幫助碳排放因子底層計算數(shù)據(jù)的收集。目前，AI伸”已經(jīng)在我國農(nóng)產(chǎn)品碳足跡因子基準數(shù)據(jù)庫助力提高了因子核算水平。其次，AIIPCCIEAAI模型分析歷史數(shù)據(jù)，預測因子變化趨勢，提前預警監(jiān)管機構(gòu)可能的數(shù)據(jù)滯后風險，實現(xiàn)標準化流程監(jiān)管。圖11：2021、2022年全國電力消費平均二氧化碳排放因子圖12：2021、2022年各區(qū)域電力消費平均二氧化碳排放因子kgCO2/kWh10

2021年 2022年 同比

0%-1%-2%-3%-4%

kgCO2/kWh0.20.10

2021年 2022年 同比

10%5%0%-5%-10%-15%資料來源：資料來源：南方 東北 華東 華北 西北 華中 西南資料來源：資料來源：國家溫室氣體排放因子數(shù)據(jù)庫， 國家溫室氣體排放因子數(shù)據(jù)庫，AI利用多模態(tài)數(shù)據(jù)進行交叉核驗。監(jiān)管端可以利用自然語言處理等技術(shù)解析企業(yè)ESGESG投資中的數(shù)據(jù)漂綠CBAM法規(guī)規(guī)定，CBAM電子注冊系統(tǒng)提交申請文件及完整的產(chǎn)品碳足跡數(shù)據(jù)，并接受系統(tǒng)自以確保符合歐盟技術(shù)標準要求。在此過程中，AI驗證工具通過智能算法能顯著提升了數(shù)據(jù)核驗的準確性和效率。表2：歐盟碳邊境調(diào)節(jié)機制（CBAM）政策內(nèi)容概述類別 政策內(nèi)容類別 政策內(nèi)容費用計算國家范圍：費用計算國家范圍：CBAM適用于從非歐盟國家進口到歐盟的商品，歐盟內(nèi)部貿(mào)易不受影響。

商品范圍：覆蓋鐵、鋼、水泥、化肥、鋁、電力和氫氣，主要是具備高碳排放和碳泄漏風險商品。請務必閱讀正文之后的免責條款部分碳價差異：費用基于EUETS請務必閱讀正文之后的免責條款部分除。嵌入排放：嵌入排放：CBAM費用取決于商品生產(chǎn)過程中的碳排放量，碳足跡越高，費用越高。實施步驟

過渡期：自2023年10月1日起至2025年12月31日，主要進行數(shù)據(jù)收集和報告。OECD，歐盟官方公告，企業(yè)端：AI助力企業(yè)多方位降低合規(guī)成本企業(yè)是履行ESGESGESG合規(guī)方面面臨的主要挑戰(zhàn)包括數(shù)據(jù)收集和處理的復ESG合規(guī)方面投ESGESG合ESG的應用非常契合，德勤發(fā)布的報告表示，78%2025AI技42%AIESG緊密相關(guān)的領(lǐng)域。合規(guī)成本高成為企業(yè)參與ESG實踐的重要阻礙標準碎片化使得企業(yè)學習適應ESG規(guī)則的成本較高。當前全球ESG領(lǐng)域存在逾600份（GRI/SASB/TCFD等ESG標準，并對企業(yè)的戰(zhàn)略設定、合規(guī)執(zhí)行、信息披露都造成了挑戰(zhàn)。ESGESG要求的經(jīng)驗。2%ESG執(zhí)行的全ESG治理架構(gòu)，難以進行內(nèi)部協(xié)調(diào)。圖13：ESG合規(guī)是參與ESG活動的要驅(qū)動 圖14：國內(nèi)上市公司可持續(xù)報告披露成本占比最高的部分遵守合規(guī)要求和公眾期望改造業(yè)務流程融入ESG通過ESG創(chuàng)造增量收益14%8%14%8%13%9%13%27%19%15%35%45%80%60%40%20%

對影響組織發(fā)展議題長期投資參與對社會影響更大的ESG

60%50%40%30%20%10%0%0%2009

2019麥肯錫， 上市公司協(xié)會，ESG信息披露報告通常涉及大量的數(shù)據(jù)收集、和分析工作，形成了額外成本。企業(yè)需要從多個部門和外部供應商處獲取數(shù)據(jù)，進行復雜的計算和驗證，同時在披露文本上配例，企業(yè)需要報告六個大項下的數(shù)十個細分信息，才能夠滿足監(jiān)管要求的披露標準。表3：歐盟可持續(xù)披露規(guī)則適用范圍和適用內(nèi)容類別類別對象內(nèi)容適用范圍

大型企業(yè) 所有大型企業(yè)（非微型）及上市企業(yè)需報告。非歐盟企業(yè) 年營業(yè)額>1.5億歐元且在歐有子公司（大型/上市）或分支機構(gòu)（年業(yè)額>4000萬歐元。中小企業(yè)（SMEs） 上市中小企業(yè)從2026年起報，2026-2028年可暫不報告（聲明因。商業(yè)模式與戰(zhàn)略 包括氣候韌性、轉(zhuǎn)型計劃（如1.5°C目標、利益相關(guān)方影。目標與進展 時間綁定目標（如2030/2050減排、科學依據(jù)、進展披露。治理 管理層角色、專業(yè)知識、激勵機制（如與ESG掛鉤的薪酬。報告內(nèi)容盡職調(diào)查風險與指標覆蓋價值鏈（運營、產(chǎn)品、供應鏈/OECD標準。氣候、生物多樣性等風險；量化指標（如碳排放、性別薪酬差距。價值鏈信息通用標準全價值鏈披露，前三年允許部分缺失（需說明原因。2023年6月30日前通過，覆蓋所有行業(yè)。報告標準行業(yè)特定標準2024630（如能源、制造業(yè)。中小企業(yè)簡化標準2024年6月30日前制定，比例適度。有限保證（2026年前）法定審計師或獨立機構(gòu)出具意見。審計與保證合理保證（2028年后）可能過渡，需評估可行性。審計內(nèi)容包括標準符合性、數(shù)據(jù)標記、歐盟分類法第8條披露。CSRD摘要，AI政策智能解析：從被動應對到主動適應自然語言處理+AIESG推理和歸類。目前在政策分析中已經(jīng)有成熟的應用。圖15：知識圖譜概念界定 圖16：政策知識圖譜分析的本體模型艾瑞咨詢， 張雨等《科技政策知識圖譜構(gòu)建研究》，AI監(jiān)控+預測，助力企業(yè)應對監(jiān)管變革。AI行監(jiān)控和挖掘，能夠持續(xù)跟蹤全球監(jiān)管動態(tài)變化。同時，借助機器學習算法，AI關(guān)聯(lián)的政策議題和政策文本口徑的變化情況。此外，AI夠通過不斷積累的案例提升解析能力。圖17：使用神經(jīng)網(wǎng)絡模型進行政策情感分析流程 圖18：針對國內(nèi)文獻對“雙碳”政策研究的關(guān)鍵詞聚類張雨等《科技政策知識圖譜構(gòu)建研究》，周成《“雙碳”政策的知識圖譜、研究熱點與理論框架》，請務必閱讀正文之后的免責條款部分AI幫助報告自動化：從數(shù)據(jù)孤島到智能洞察AI技術(shù)可以通過自動化、數(shù)據(jù)整合處理和智能分析顯著簡化ESG報告的流程，同時縮減時間和成本。自動化數(shù)據(jù)收集：減少人工干預，提升效率。AI技術(shù)通過自然語言處理（NLP）和智能NLPPDFExcel、ESGAPIESG響報告的完整性和準確性。AI通過機器學習的數(shù)據(jù)修復算法和自然語言處理技術(shù)，不僅能自動標準化不同來源的非結(jié)構(gòu)化數(shù)據(jù)，還能智能識別數(shù)據(jù)缺省并生成合理估值。圖19：多元異構(gòu)數(shù)據(jù)的融合處理與AI分析流程圖《AI驅(qū)動的ESG投資鏈接可持續(xù)未來》，資料來源：文本生成：從數(shù)據(jù)到文稿，跨越ESG報告編寫的“最后一公里”。信息披露文件的起草資料來源：ESG合規(guī)工作的基礎性任務之一。傳統(tǒng)方式下撰寫相關(guān)文書耗時耗力。有了人工AIGRI、SASB等標準的報告初稿，并支進行檢查。同時，隨著語言模型的能力逐漸增強，AI在多語言翻譯方面也可以提供更加精準的支持。AI技術(shù)賦能，為資管機構(gòu)提供了ESG投資的豐富工具AI的低成本和便捷性為投資端也提供了工具包。我們認為，AI對投資端的影響總體體現(xiàn)在兩個方面，一是在投資與風控端，AIESGAI的方式與廣泛的資管產(chǎn)品投資者互動。投研與風控：AI帶來更加豐富ESG投資手段數(shù)據(jù)收集與處理：AI助力多模態(tài)數(shù)據(jù)的敏捷挖掘和快速處理ESG投研過程中面臨著信息收集和處理的難題。一是ESG相關(guān)信息量大，且來源分ESG請務必閱讀正文之后的免責條款部分信息來源也分布多個ESG（由企業(yè)主動披露的信息請務必閱讀正文之后的免責條款部分二是非結(jié)構(gòu)化數(shù)據(jù)多。除少數(shù)數(shù)據(jù)是企業(yè)披露的結(jié)構(gòu)化數(shù)據(jù)之外，大部分ESG數(shù)都是非結(jié)構(gòu)化數(shù)據(jù)，主要以文本的形式分布在企業(yè)ESG 、企業(yè)年報、新聞報導相關(guān)信息平臺中。傳統(tǒng)上需要人力對不同的非結(jié)構(gòu)化數(shù)據(jù)進行打分，人力成本高昂。三是實時性需求無法滿足。ESGESGESG投資的重點需求。四是數(shù)據(jù)顆粒度無法滿足更深入的研究需求。當前，氣候風險越來越引發(fā)投資人的關(guān)注。ESGESG大數(shù)據(jù)+AI在解決上述問題中逐漸扮演著越來越關(guān)鍵的作用。ESG數(shù)據(jù)需求本質(zhì)上是一種大數(shù)據(jù)挖掘+4V（volume（variety（velocity（valueESGAI圖20：大數(shù)據(jù)“4V”特性政府門戶網(wǎng)站，資料來源：AI可使ESG數(shù)據(jù)收集的范圍更廣。通過大語言模型、機器視覺、機器學習模式識別等資料來源：請務必閱讀正文之后的免責條款部分PDF等多種來源。ESGESGCervestEarth-Scan平臺，（請務必閱讀正文之后的免責條款部分圖21：風云四實時衛(wèi)星圖像 圖22：臺風監(jiān)測-大氣海平面氣壓實時情況國家氣象信息中心， 國家氣象信息中心，AI幫助投資者實時跟蹤ESG數(shù)據(jù)，控制突發(fā)的投資風險。AI的實時跟蹤主要體現(xiàn)在對爭議事件的高頻更新中。數(shù)據(jù)商往往通過大語言模型、圖片識別等技術(shù)實時提取信息。一些機構(gòu)也是用神經(jīng)網(wǎng)絡進行信息篩選，大大減少了人工流程。目前，MSCI、等數(shù)據(jù)商均提供日度更新的爭議事件數(shù)據(jù)，以便投資者及時追蹤全媒體ESG信息。以MSCI為例，該數(shù)據(jù)商通過密切跟蹤數(shù)千家媒體的新聞報道，提取包括商業(yè)道德、環(huán)境污染、消費者訴訟、環(huán)保公告、監(jiān)管調(diào)查約談等信息事件。的爭議事件則分類為新聞輿情、監(jiān)管處罰、法律訴訟三大類。圖23：跟蹤的中國平安近半年的爭議事件信息，注：數(shù)據(jù)截至2025年6月3日資料來源：AI幫助投資機構(gòu)和第三方機構(gòu)將原始信息轉(zhuǎn)化為“終端友好”數(shù)據(jù)。即人工智能可以將非結(jié)構(gòu)化的零散數(shù)據(jù)處理為便于ESG投資的數(shù)字型數(shù)據(jù)或可視化關(guān)系圖等。例如，面對資料來源：請務必閱讀正文之后的免責條款部分ESGAI模型進行有監(jiān)督訓練，AI模型在后續(xù)即可幫助研究人員智能化打分。針對爭議事件文本，投資人可以利用請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分除了本身的技術(shù)提升外，AI還大大提高了數(shù)據(jù)分析的工作效率。AI請務必閱讀正文之后的免責條款部分AI生成代碼來完成數(shù)據(jù)分析的編程AIGraphAI結(jié)合了大型語言模型和圖邏輯，只需通過簡單描述就能自動提取網(wǎng)頁信息，無需編寫復雜的數(shù)據(jù)挖掘代碼，同時支持標準化輸出格式，大大簡便了數(shù)據(jù)挖掘的步驟。圖24：傳統(tǒng)數(shù)據(jù)處理方式與結(jié)合大模型的數(shù)據(jù)處理方式對比數(shù)據(jù)STUDIO，資料來源：AI助力優(yōu)化投資策略資料來源：目前AI優(yōu)化投資策略有三個主要的研究方向。一是利用機器學習模型的優(yōu)化能力篩選ESGESG信AI該方向的主題投資。機器學習模型ESG因子挖掘機器學習模型的ESGEnricoBernardini（2023）1REFINITIVESG100ESG變量、MSCIESG支柱217ESG因子構(gòu)建了初步的因子庫。EUROSTOXX300指數(shù)內(nèi)的公司。為了排除其他影響，作者剔除了退出和新252200612月31日至2019年4月30日的時間序列。論文主要選取了機器學習中的決策樹模型進行因子篩選。論文依次將最大化收益、最小ESG因子構(gòu)建多個兩層決策樹。具體來說，ESG因子作為劃分決策樹的閾值（25%50%，最低25，計算分割后這些公司的絕對收益（或者波動率和夏普比率）ESGESG因子構(gòu)建第ESG10個因子構(gòu)建組合，并用因子大小加權(quán)。1Lanza,Ariel&Bernardini,Enrico&Faiella,Ivan.(2023).MachineLearning,ESGIndicators,andSustainableInvestment.10.1007/978-3-031-33882-3_10.圖25：兩層決策樹結(jié)構(gòu)助力ESG因子篩選《MachineLearning,ESGIndicators,andSustainableInvestment》，資料來源：該策略使組合表現(xiàn)明顯優(yōu)化。論文中的結(jié)果顯示，在整合該ESG投資策略后，組合表現(xiàn)有明顯改善。優(yōu)化回報率、波動、夏普的三大模型均在對應的優(yōu)化目標上表現(xiàn)良好，且在資料來源：Fama-French模型和BIRR模型下都錄得明顯的正向阿爾法。表4：基于決策樹的ESG因子策略表現(xiàn)絕對收益波動夏普比率模型訓練集測試集訓練集測試集訓練集測試集回報率最優(yōu)4.50%1.20%1.20%-0.60%2.40%0.50%波動率最優(yōu)0.01%-0.02%-0.12%-0.09%-0.18%-0.09%夏普比率最優(yōu)0.073930.038560.026610.020580.048530.046937FF模型α3.66%0.81%1.70%BIRR模型α3.28%0.23%1.07%《MachineLearning,ESGIndicators,andSustainableInvestment》，除了決策樹外，仍有其他方法在因子篩選上具備優(yōu)勢。上述論文選擇了決策樹模型作為ESG變量的方案。論文構(gòu)建的兩層決策樹結(jié)構(gòu)簡單，利于直觀理解變量的相互作LASSOSCADAIESG語言模型分析利用語言模型進行文本分析的主要依據(jù)是金融文本與金融市場的相關(guān)性。文本信息（包含企業(yè)披露信息、新聞媒體、網(wǎng)絡討論信息等）隨著會聯(lián)網(wǎng)的發(fā)展快速增長，拓展了金融市請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分國內(nèi)市場研究指出文本分析獲得的ESG情緒能夠被市場定價。徐鳳敏等（2023）2,請務必閱讀正文之后的免責條款部分2018—202140ESGESG觀點對股票收益率的影響存在月度反轉(zhuǎn)效應，收益在政策的下個月有部分修正。資料來源：圖26：ESG觀點值與國家ESG相關(guān)政策變化相關(guān)性資料來源：《ESG觀點與股票市場定價》，人工智能算法預測ACADIAN開發(fā)了一種基于自然語言處理技術(shù)的機器學GEO（綠色經(jīng)濟機會）系統(tǒng)預測信號。該信號在能源GEO數(shù)據(jù)，ACADIANGEO敞口，為投資者提供投資轉(zhuǎn)型相關(guān)企業(yè)的工具。2徐鳳敏,馬杰傲,景奎.ESG觀點與股票市場定價——來自AI語言模型和新聞文本的證據(jù)[J].當代經(jīng)濟科學,2023,45(6):29-43.圖27：GEO五分位對應企業(yè)遠期碳強度同比變化 圖28：GEO五分位對應企業(yè)致力于科學碳目標和綠色專利比例ACADIAN， ACADIAN，AI助力資管企業(yè)與投資人進行溝通人工智能重構(gòu)基金營銷生態(tài)。業(yè)內(nèi)人士認為，生成式AI推動了基金營銷的轉(zhuǎn)型。在營銷過程中，過去工作流程繁瑣、消耗工作人員大量精力的營銷內(nèi)容制作（視頻等形式AIAIAI人工智能已經(jīng)可以部分替代溝通職能，有助于普及ESG產(chǎn)品信息和ESG投資理念。目前已經(jīng)有部分基金公司上限了智能客服服務，通過與智能客服的在線溝通，投資者可以了ESGESG表5：易方達、華夏、嘉實三家基金智能客服對ESG有關(guān)提問的回復輸入問題 易方達基金 華夏基金 嘉實基金輸入問題 易方達基金 華夏基金 嘉實基金ESG基金產(chǎn)品有哪些？ 易方達ESG責任投資股票基金相華夏ESG可持續(xù)投資一年持有混合A

“目前嘉實涉及新能源主題相關(guān)產(chǎn)品如下，您可以點選查看★主動精選（基金經(jīng)理主動選關(guān)問題某基金產(chǎn)品代碼是什么？ “易方達ESG責任投資的基金碼為：007548”“ESG

基金網(wǎng)頁“ESGA014922，C“ESG

股配置）★被動精選（被動跟蹤相關(guān)指數(shù)）”點擊“被動精選”，輸出基金名稱及對應基金產(chǎn)品代碼詢問特定基金的基金經(jīng)理，輸某基金經(jīng)理是誰？

理是：郭杰”

金(基金代碼014922/014923)的現(xiàn)任基金出對應基金經(jīng)理簡歷經(jīng)理是:潘中寧”基金官網(wǎng)智能客服，請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分AI產(chǎn)生廣泛外溢影響，ESG+RAI框架助力分析風險與機遇AI與GAI不僅驅(qū)動EESG投資全鏈條實現(xiàn)投資效率的躍升；與此同時，AI的高速發(fā)展也產(chǎn)生了倫理問題和社會爭議，AIESG但相關(guān)法規(guī)尚不完善，監(jiān)管也仍會就出現(xiàn)的爭議對相關(guān)企業(yè)提出要求。AI外ESG框架，是一個值得探討的思路。我們認為，ESG+AIAI相關(guān)風險的手段。ESG議題角度下，AI的效率提升與倫理爭議AI在ESG議題中表現(xiàn)出影響的兩面性，即具備在系統(tǒng)中提高效率的能力，同時也產(chǎn)生了諸多挑戰(zhàn)與爭議，并且爭議也隨著AI應用的快速推廣而放大。在環(huán)境層面，AI能夠提升環(huán)境管理系統(tǒng)的效能，但AI訓練、運營所需的算力也產(chǎn)生了大量碳排放；在社會層面，AI即降低了信息獲得的成本，并賦能了科研和醫(yī)療，但也潛藏著傳播偏見、沖擊就業(yè)的隱患；在公司治理層面，AI可以幫助決策，但也沖擊著現(xiàn)存的監(jiān)管與法律。環(huán)境：提升環(huán)保效率與自身消耗資源的兩面性AI助力提升能效在環(huán)境方面，AI推動系統(tǒng)性環(huán)境治理創(chuàng)新。在檢測端，AI通過結(jié)合無人機、傳感器等硬件設施，可以實現(xiàn)環(huán)境數(shù)據(jù)的智能檢測；在管理系統(tǒng)端，AI則可以整合環(huán)境數(shù)據(jù)，實現(xiàn)從單點優(yōu)化到全局治理的跨越，通過數(shù)字化重構(gòu)能源系統(tǒng)和智能化升級治理模式，AI可以AI可以應用在環(huán)境保護、自然資源開發(fā)、能源應用、生物多樣性等多個環(huán)境議題，推動系統(tǒng)性的治理提升。我們以能源為例具體分析。圖29：大數(shù)據(jù)與AI分析在能源網(wǎng)絡中的應用《AI-poweredEnergyInternetTowardsCarbonNeutrality:ChallengesandOpportunities》，能源供應端角度：AI幫助優(yōu)化可再生能源系統(tǒng)。請務必閱讀正文之后的免責條款部分AI解決方案。利1597.24%，4請務必閱讀正文之后的免責條款部分91.72%，2490%，顯著優(yōu)于傳統(tǒng)超算預測模式。同時，27%15%本。AIAI技術(shù)得以更好實現(xiàn)，具體應用包括預測、監(jiān)應用呈現(xiàn)大數(shù)據(jù)、系統(tǒng)性的趨勢。特別是以大模型為代表的深層次人工智能技20241220242025DeepSeek進一步升級。表6表6：人工智能模型在電力系統(tǒng)中的應用任務名稱年份方法數(shù)據(jù)來源光伏發(fā)電預測2014機器學習美國數(shù)十個光伏電站相關(guān)天氣、傳感器、衛(wèi)星等數(shù)據(jù)電力盜竊檢測2015機器學習(聚類+SVM)法國電力客戶行為試驗光伏發(fā)電預測2016深度學習(AutoLSTM)德國太陽能發(fā)電場數(shù)據(jù)住宅電力負載預測2017深度學習(LSTM)澳大利亞智能城市項目：住宅用電負載電力價格預測2017深度學習(WASENN)ISO新英格蘭電力價格數(shù)據(jù)概率網(wǎng)絡負載預測 2019深度學習(貝葉斯LSTM)美國太陽能和負載數(shù)據(jù)電動汽車充電需求預測 2020深度學習(ANN)國家公路旅行調(diào)查Netfix電網(wǎng)故障監(jiān)測智能系2020機器學習系統(tǒng)愛沙尼亞電網(wǎng)智能電表數(shù)據(jù)一小時風功率預測 2020 深度學習(深度殘差網(wǎng)ERCOT間歇性可再生能源資源數(shù)據(jù)絡)“大瓦特”電力大模型2024AI大模型 南方電網(wǎng)多場景多模態(tài)數(shù)據(jù)虛擬電廠+AI2025深度學習/AI大模型 中國電力市場交易政策、負荷特性分析和交易輔助決策專家經(jīng)文本數(shù)據(jù)《電力系統(tǒng)自動化》期刊，《AI-poweredEnergyInternetTowardsCarbonNeutrality:ChallengesandOpportunities》，南方電網(wǎng)，國家核安全局信息門戶，AI能源公眾號，能源消費端：助力重點行業(yè)節(jié)能減排。工業(yè)、建筑與交通減排是用能剛性需求最強、技術(shù)替代路徑最明確的突破口。AI技術(shù)可以通過多種途徑在不同的工業(yè)減排場景中得到應用。具體而言，多種AI算法通過助力全方位節(jié)能降耗、加快供能結(jié)構(gòu)低碳轉(zhuǎn)型、推動工藝流程清潔化和助力負排放技術(shù)部署四類方式，直接或間接地推動工業(yè)領(lǐng)域?qū)崿F(xiàn)“雙碳”目標。表7：AI助力工業(yè)脫碳的應用場景與作用機制11助力全方位節(jié)能降耗大模型與自然語言處理智能通信機器視覺與智能傳感強化學習與智能控制 時間序列分析機器學習高性能材料研發(fā)

實現(xiàn)工藝過程的動態(tài)優(yōu)化和控制提高自動化水

精準預測工藝能耗曲線優(yōu)化庫存管理與

實時提供工藝過程數(shù)據(jù)；實現(xiàn)智能檢測與安全運營支持產(chǎn)品生命周

數(shù)據(jù)調(diào)度、集

整合專家知識，輔助相關(guān)技術(shù)研發(fā)和工藝設計優(yōu)化運營管理決策；支持源需求

平，減少非必要能源損耗

供應鏈管理過程

期管理

周期管理

生命周期管理；助力需求請務必閱讀正文之后的免責條款部分端行為改變請務必閱讀正文之后的免責條款部分加快供能結(jié)構(gòu)低碳轉(zhuǎn)型

精準預測可再生

安全高效地提供

整合專家知識，輔助相關(guān)滲透率

技術(shù)研發(fā)優(yōu)化多能協(xié)同供

實現(xiàn)動態(tài)的多能

能源供應曲線；提高能源供需匹

提供輔助能源調(diào)

數(shù)據(jù)調(diào)度、集

技術(shù)研發(fā)和工藝設計

管理和綜合調(diào)度

配度與技術(shù)協(xié)同

度的數(shù)據(jù)集

服務；支持生命

減少各環(huán)節(jié)信息不對稱綜合能源系統(tǒng)

署決策；優(yōu)化設 度施布局

周期管理

性；優(yōu)化運營管理決策推動工藝流程清潔化助力工藝過程革

安全高效地提供

整合專家知識，輔助相關(guān)藝應用

新；輔助相關(guān)材料和技術(shù)研發(fā) 實現(xiàn)工藝過程

精準預測工態(tài)參數(shù)，降低檢測時

實現(xiàn)智能檢測與

數(shù)據(jù)調(diào)度、集

技術(shù)研發(fā)和工藝設計

動態(tài)優(yōu)化和控制滯

安全運營

服務；支持生命

減少各環(huán)節(jié)信息不對稱工藝流程

方、化學反應條件等

周期管理

性；優(yōu)化技術(shù)升級相關(guān)決策助力負排放技術(shù)部署DAC、CCS用

助力相關(guān)材料和技術(shù)研發(fā)；識別優(yōu)質(zhì)碳封存區(qū)

優(yōu)化碳封存的注 封存點監(jiān)入策略

整合專家知識，輔助相關(guān)技術(shù)研發(fā)和工藝設計

實現(xiàn)工藝過程的用技術(shù)的應用

工藝和技術(shù)研發(fā)

動態(tài)優(yōu)化和控制《學術(shù)前沿》期刊，人工智能在推動建筑行業(yè)碳減排方面發(fā)揮著關(guān)鍵作用，主要體現(xiàn)在智能能耗管理和低（和深度學習技術(shù)（如LM，實現(xiàn)了建筑能耗的精準預測，為能源管理決策提供科學依據(jù)，使管理者能夠優(yōu)化能源調(diào)度，有效減少能源浪費。在低碳建筑智能化方面，AI來發(fā)展。圖30：機器學習技術(shù)如何推動建筑行業(yè)減碳《AIandBigData-EmpoweredLow-CarbonBuildings:ChallengesandProspects》，（優(yōu)化請務必閱讀正文之后的免責條款部分交通系統(tǒng)性能（推廣公共交通與非機動出行AI（GIS分析（請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分資料來源：（請務必閱讀正文之后的免責條款部分資料來源：AI算力消耗大量能源并排放大量溫室氣體AI尤其是大模型的發(fā)展，極度依賴高性能計算資源。訓練一個大規(guī)模模型（如GPT、、DALL·E）GPU在數(shù)周內(nèi)并行運算。其計算背后的電力消耗巨大，而這些電力在許多地區(qū)依然主要來自煤炭、天然氣等高碳能源。此外，AI應用階段 碳排強度 具體情況表8：AI大模型發(fā)展的不同階段及對應碳排放強度變化應用階段 碳排強度 具體情況模型訓練階段 高 模型規(guī)模越大，訓練越久，排越大。推理階段 較高 多數(shù)模型部署后在終端頻繁調(diào)也會產(chǎn)生持續(xù)能耗。數(shù)據(jù)存儲/傳輸 中等 特別是分布式存儲和重復訓練務會疊加?！秂co2AI:CarbonEmissionsTrackingofMachineLearningModelsastheFirstStepTowardsSustainableAI》，隨著模型訓練數(shù)據(jù)量的增加，碳排放量也隨模型迭代而增加。AI碳排放量和模型規(guī)模都有所擴張。根據(jù)StanfordHAI的估計，2018年面世的預訓練模型2.6噸二氧化碳當量。20235184AI在運行過程中IEA2023年數(shù)據(jù)中心和數(shù)據(jù)傳輸系統(tǒng)就分別占到了全球用電量AI圖31：人工智能模型在訓練過程中產(chǎn)生的碳排放量估計碳排放量（噸CO?當量）10000100000StanfordHAI，碳排放的主要來源表9：AI大模型碳排放的主要來源碳排放的主要來源硬件能耗 GPU和CPU是主要耗能部件，尤其是訓練大規(guī)模模型時。數(shù)據(jù)中心效率PUE（電能使用效率）直接影響總碳排放（PUE=1.110%卻等。區(qū)域電力結(jié)構(gòu)使用高比例可再生能源的地區(qū)（如法國，67.53kgCO?/MWh）碳排放更低。依賴化石燃料的地區(qū)（如印度，625.57kgCO?/MWh）碳排放顯著更高?！秂co2AI:CarbonEmissionsTrackingofMachineLearningModelsastheFirstStepTowardsSustainableAI》，社會：促進社會發(fā)展與產(chǎn)生倫理爭議的兩面性AI促進社會發(fā)展以eeek為代表的AIAI大模型的加速迭代，一方面新一代大模型本身有更低的成本、更AIAICB借助開源模型，用戶經(jīng)過模型微調(diào)即可用于自身的場景中。在研究領(lǐng)域，AI方面幫助科研人員做出了巨大貢獻，并驅(qū)動了諸多科研結(jié)果的生成。此外，AI段在臨床醫(yī)學中正從被動干預轉(zhuǎn)向主動的決策支持。StanfordHAIAI在癌癥診斷方面的準確度已經(jīng)超過了醫(yī)生，AI與醫(yī)生結(jié)合的診斷方式可以提高臨床醫(yī)療的效果。圖32：2024年發(fā)表的領(lǐng)域內(nèi)論文中由AI驅(qū)動研究的比例圖33：提及AI應用的臨床實驗數(shù)量（單位：個）9% 6008%6%7% 5006%5%4% 4003%2% 3001%0% 200 1000資料來源：資料來源：20142015201620172018201920202021202220232024資料來源：資料來源：StanfordHAI， StanfordHAI，AI產(chǎn)生社會爭議AI的部分問題由于算法本身的不足。算法偏見是指算法系統(tǒng)可能產(chǎn)生帶有社會偏見的結(jié)果，從而加劇社會中的不平等的現(xiàn)象。具體有如下四種形式：輸入數(shù)據(jù)偏見：指訓練數(shù)據(jù)請務必閱讀正文之后的免責條款部分能中被稱為I（rbagein,rbageout當導請務必閱讀正文之后的免責條款部分資料來源：圖34：AI算法中可能存在偏見資料來源：《Societalimpactsofartificialintelligence:Ethical,legal,andgovernanceissues》，有偏見的算法會影響社會公平，并在反饋中不斷加深影響。當算法包含輸入數(shù)據(jù)偏見時，"高風險"→警方增加巡邏→發(fā)現(xiàn)更多輕微違規(guī)行為→新數(shù)據(jù)進一步"驗證"相較于傳統(tǒng)人工智能，生成式人工智能還會產(chǎn)生其他問題。一是生成虛假信息：生成式AI可以生成看似可信，但事實不正確或具有誤導性的內(nèi)容。這可能導致錯誤信息或虛假信GenAI工具處理和分析個人數(shù)據(jù)時，AI模型可能會抓GenAI處理，由于多數(shù)情況下這類數(shù)據(jù)可能存在限制泄露的合同，GenAIGenAI2023-2024年，AI相關(guān)的倫理爭議事件發(fā)生也更加頻繁。圖35：2012-2024年有記錄的AI倫理爭議事件數(shù)量（單位：件）StanfordHAI，請務必閱讀正文之后的免責條款部分AIAI請務必閱讀正文之后的免責條款部分ChatGPTAIAI替ChatGPTGenAI替代的崗位每周發(fā)布量相比勞動密集21%30.37%，軟件應用/網(wǎng)頁開發(fā)20.62%10.42%Midjourney、StableDiffusionDALL-E2等圖像生成AI3D建模技能的需求也下降了17.01%。圖36：ChatGPT發(fā)布后寫作類崗位布數(shù)量銳減 圖37：圖像生成AI發(fā)布后制圖相關(guān)崗位需求減少HarvardBusinessReview， HarvardBusinessReview，社會勞動收入份額?；谌蝿招腿斯ぶ悄苘浖幊痰臋C器人已經(jīng)可以替代諸多重復的機械2023428AI可以進一步影響白領(lǐng)工作。國際勞工組織（ILO）與近期的研究則表明，全球35.8%的就業(yè)崗位可能受到生成式人工智能影響。需要人工輸入的文員工作受到?jīng)_擊最大，GenAI53.9%布萊恩杰爾夫森(Brynjolfsson，2014)圖38：2012-2023全球工業(yè)機器人存年度變化（單位：千臺） 圖39：高收入人群崗位也將受到GenAI的沖擊最高影響顯著影響中等影響較低影響最小影響沒有影響80%70%60%50%40%30%20%10%資料來源：資料來源：全球平均 高收入人群中高收入人群中低收入人群低收入人群資料來源：資料來源：StanfordHAI， ILO，請務必閱讀正文之后的免責條款部分二是人工智能在就業(yè)上的影響的深度并不均衡，對低收入群體影響更大。請務必閱讀正文之后的免責條款部分如自動化點餐系統(tǒng)人力成本而非擴大經(jīng)營規(guī)模，導致就業(yè)崗位凈減少。公司治理：機遇與挑戰(zhàn)并存AI賦能ESG治理升級，以數(shù)據(jù)智能驅(qū)動風險識別與決策優(yōu)化的治理新生態(tài)。人工智能通過數(shù)據(jù)驅(qū)動的精準分析、自動化流程和智能決策支持，顯著提升了公司治理的效能。應用主要集中在四個關(guān)鍵領(lǐng)域：93%的準確率預測企業(yè)財務困境，這一表現(xiàn)遠優(yōu)于傳統(tǒng)統(tǒng)計方法。這些技術(shù)已成功應用于制造業(yè)、礦業(yè)和網(wǎng)絡零售等多個行業(yè)，并在中國、歐洲和北美等不同地區(qū)展現(xiàn)出顯著效果。存在差異，需要開發(fā)針對性的識別模型。及完全自動化治理（目前僅停留在理論探討階段智能完全取代人類決策仍面臨諸多挑戰(zhàn)。的透明度和利益相關(guān)方參與度。將AI應用到公司治理中會面臨挑戰(zhàn)。當AI系統(tǒng)處理大量敏感信息時，會出現(xiàn)數(shù)據(jù)隱AI無縫集成到公司治理中時，平衡創(chuàng)新與倫理問題和監(jiān)管要求仍然困難。問題 原因表10：AI應用到公司治理面臨的問題問題 原因數(shù)據(jù)隱私和安全 AI依賴于大型數(shù)據(jù)集，引發(fā)了對數(shù)據(jù)隱私和敏感信安全性的擔憂。道德和偏見問題 如果模型沒有經(jīng)過精心設計和測試，AI可能會無意在決策中嵌入偏見。AI模型的不透明性 董事會可能難以理解復雜的AI算法，因此很難完全任自動推薦。法規(guī)適應性 企業(yè)需要確保AI解決方案滿足相關(guān)法規(guī)的變化情況。資料來源：變更阻力 實施AI可能會面臨來自關(guān)注工作角色和傳統(tǒng)流程的工和高管的阻力。資料來源：TrustCloud，AI面對強監(jiān)管風險，AI倫理與負責任AI實踐成為趨勢強隱性監(jiān)管背景下，企業(yè)人工智能風險凸顯202420243（ItAI4AI險”的系統(tǒng)則會被明令禁止。圖40：歐盟《人工智能法案》分類方法及監(jiān)管措施安永，搜狐網(wǎng)，我國對人工智能的立法體系更為靈活，在部門規(guī)章層次提出更細節(jié)的規(guī)定。在圍繞人工3關(guān)企業(yè)通過顯式標識（如文字提示、角標）和隱式標識（如元數(shù)據(jù)嵌入，確保用戶能夠清AI生成內(nèi)容與真實內(nèi)容，減少誤導風險。表11：我國人工智能有關(guān)的主要部門規(guī)章政策 發(fā)布時間 發(fā)布部門政策 發(fā)布時間 發(fā)布部門主要內(nèi)容《互聯(lián)網(wǎng)信息服務算202112法推薦管理規(guī)定》《互聯(lián)網(wǎng)信息服務深202211度合成管理規(guī)定》《生成式人工智能服20237務管理暫行辦法》

國家網(wǎng)信門門門國家網(wǎng)信

對互聯(lián)網(wǎng)信息服務的推薦算法在推薦內(nèi)容、模型數(shù)據(jù)、頁面生態(tài)方面進行了規(guī)定規(guī)定，明確了用戶的選擇權(quán)、知情權(quán)等有關(guān)權(quán)益。要求深度合成技術(shù)應用要保護用戶信息、評估生成式算法機制機理，并對易混淆的內(nèi)容添加明顯標識。禁止生成式人工智能生成違法內(nèi)容、禁止算法設計中的歧視行為，提升內(nèi)容透明度與準確性，保護數(shù)據(jù)安全與用戶隱私。明確了深度合成服務提供者對生成內(nèi)容需添加不《人工智能生成合成內(nèi)容標識辦法》

20253

辦等四部門

影響用戶使用的標識（隱式標識）及在可能誤導公眾時對內(nèi)容作出顯著標識（顯式標識）的義務。政府政務信息平臺，2024網(wǎng)絡針對性優(yōu)化信息推薦算法功能、調(diào)整信息推薦算法規(guī)則。影響的外溢性使得AI面臨的監(jiān)管風險來源廣泛。202452025年AIAI督導等相關(guān)措施靈活監(jiān)管。AIAIAIESG的高于法律需求的風險分析框架。AI倫理逐步成為道德共識，負責任AI成為行動規(guī)范人工智能倫理（AIethics）是發(fā)展人工智能的主要自律性質(zhì)共識。受限于人工智能的快指導人工智能治理的主要共識。AI倫理關(guān)注點在于確保AI系統(tǒng)的設計和使用符合道德規(guī)范和社會責任。如我們在前2021由193上，保護人們的權(quán)利和尊嚴，并始終牢記人類監(jiān)督人工智能系統(tǒng)的重要性。AI倫理的公約數(shù)包括以6使用等特定活動的18項具體倫理要求。表12：科技部《新一代人工智能倫理規(guī)范》基本規(guī)范內(nèi)容規(guī)范類別 規(guī)范內(nèi)容規(guī)范類別 規(guī)范內(nèi)容在提供人工智能產(chǎn)品和服務時，應充分尊重和幫助弱勢群體、特殊群體，并根據(jù)需要提供相應替代方案。促進公平公正在提供人工智能產(chǎn)品和服務時，應充分尊重和幫助弱勢群體、特殊群體，并根據(jù)需要提供相應替代方案。促進公平公正堅持公共利益優(yōu)先，促進人機和諧友好，改善民生，增強獲得感幸福感，推動經(jīng)濟、社會及生態(tài)可持續(xù)發(fā)展，共建人類命運共同體。

堅持以人為本，遵循人類共同價值觀，尊重人權(quán)和人類根本利益訴求，遵守國家或地區(qū)倫理道德。堅持普惠性和包容性，切實保護各相關(guān)主體合法權(quán)益，推動全社會公平共享人工智能帶來的益處，促進社會公平正義和機會均等。保護隱私安全

請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分確?？煽乜尚艔娀熑螕?/p>

保障人類擁有充分自主決策權(quán)，有權(quán)選擇是否接受人工智能提供的服務，有權(quán)隨時退出與人工智能的交互，有權(quán)隨時中止人工智能系統(tǒng)的運行，確保人工智能始終處于人類控制之下。堅持人類是最終責任主體，明確利益相關(guān)者的責任，全面增強責任意識，在人工智能全生命周期各環(huán)節(jié)自省自律，建立人工智能問責機制，不回避責任審查，不逃避應負責任積極學習和普及人工智能倫理知識，客觀認識倫理問題，不低估不夸大倫理風險。提升倫理素養(yǎng)主動開展或參與人工智能倫理問題討論，深入推動人工智能倫理治理實踐，提升應對能力。科技部門戶網(wǎng)站，頭部企業(yè)提出符合AI倫理的內(nèi)控要求，并積極進行實踐負責任AI（RAI）實踐。無獨AIAIAI也可以看成是AI倫理的具象化和規(guī)則化。隨著AI運用更加廣泛，企AIAccenture和斯坦福大學的聯(lián)合調(diào)查，企業(yè)對AIAIAITensorFlow建立了定義問題-準備數(shù)據(jù)-訓練模型-評估模型-部署和監(jiān)RAIRAI下的內(nèi)容安全監(jiān)測、公平性分析、錯誤分析流程。圖41：2024-2025企業(yè)對負責任AI關(guān)風險的關(guān)注度 圖42：企業(yè)在負責任AI實踐中受到相關(guān)法律影響的調(diào)查

2024 2025

70%60%50%40%30%20%10%0% StanfordHAI， StanfordHAI，資料來源：資料來源：ESG+RAI框架整合助力防范投資中的AI風險暴露資料來源：資料來源：AI的倫理問題實質(zhì)上會外溢影響企業(yè)ESG表現(xiàn)，并與ESG議題相重合。雖然目前大ESGAIAI對社會的影響范圍擴大、影響程度請務必閱讀正文之后的免責條款部分（AI算力高耗能增加碳排放（AI沖擊就業(yè)結(jié)構(gòu)造成失業(yè)（AI數(shù)據(jù)治理問題ESG表現(xiàn)。AIESGCRISOESG議題與負責任AIAIESG框架下的環(huán)境、社會議題交叉請務必閱讀正文之后的免責條款部分圖43：ESG議題與負責任AI議題在范疇上相互交織CSIRO，框架或可助力識別AIAI的影響AIESGAIESGAIAIESGESG風險與機遇。挪威銀行資管NBIM：關(guān)注公司治理中對AI的治理措施和機制建設挪威銀行資管（NBIM）認為AI產(chǎn)業(yè)應當同樣重視負責任的商業(yè)行為。NBIM是規(guī)模1.5NBIMNBIM通過治理過程中的三大要素衡量公司負責任AI治理能力。一是董事會問責制。董事會對公司負責任地開發(fā)和使用AI負主要責任。NBIM認為，請務必閱讀正文之后的免責條款部分AI產(chǎn)生的社會風險與機遇。這需要公司董事會具備相關(guān)法規(guī)、國際組織有關(guān)指南等等（AIAI書等AI請務必閱讀正文之后的免責條款部分請務必閱讀正文之后的免責條款部分二是確保透明度和可解釋性。NBIMAI系統(tǒng)的設AI請務必閱讀正文之后的免責條款部分（例如審計機構(gòu)或監(jiān)管機構(gòu)）提供信息，以便他們驗證AI系統(tǒng)并評估其風險。三是穩(wěn)健的AI風險管理措施。公司必須積極主動地管理AI相關(guān)風險，風險管理流程AI除了確保業(yè)務彈性外，AIAI風險。在長期管理上，AI的推移定期審計。圖44：NBIM公司負責任AI問責三大要素NBIM，WEF，UBS資管：多層級AI公司治理分析模型UBSAM建立了一個公司分層次的AI治理框架。UBS資管關(guān)注董事會和管理團隊如何RAIAI治理過程中內(nèi)部問責和跨業(yè)務職能溝通的重要性。因此，UBSAI治理模型（例如數(shù)據(jù)、模型和應用程序?qū)樱┺D(zhuǎn)換為公司治理模型，并對