一、开场：这份文件讲什么
新加坡金融管理局在二零二四年十二月发布《AI 模型风险管理》信息文件，基于对多家银行的专题审查。本期十二步拆解这份监管文件，并用真实行业案例讲透——银行用 AI，到底要管住什么。
二、为什么银行用 AI 会翻车
银行用 AI 已经很普遍：反洗钱、欺诈检测、信用评分、产品推荐、客服机器人。但用不好就会翻车——模型精度差导致金融损失，自动化流程意外中断造成运营事故，面向客户的机器人给出错误信息引发声誉危机，支撑合规的模型失灵直接触碰监管红线。核心问题是：监管到底要求银行怎么管 AI？
三、MAS 监管路径：四年五步
MAS 的监管路径层层递进：二零一八年提出 FEAT 四大原则——公平、道德、问责、透明；二零一九年启动 Veritas 计划落地评估方法论；二零二三年 Project Mind Forge 聚焦生成式 AI 风险；二零二四年七月发网络风险文件，十二月再发本文件；并在结尾预告——二零二五年发布面向全体金融机构的监管指引。
四、三步治理：识别、清单、重要性评估
第一步识别：模型管理职能当最终裁判，判定什么算 AI。第二步清单：全行 AI 统一入册，记录用途、辖区、模型类型、负责人、上下游依赖，确保 AI 只在获批范围内使用——一个辖区获批，不等于另一个辖区可用。第三步风险重要性评估：按影响、复杂性、依赖度三维度定级，高风险独立验证，低风险同行评审。
五、开发部署的七大标准领域
开发部署有七大标准领域：数据管理、模型选择、性能评估、文档可复现、验证、缓解模型局限、监控与变更管理。所有 AI 先过基线标准，高风险或监管用途再加增强标准。例如用于资本计量与风险报告的模型，评估阈值必须更严格。
六、数据管理与监控
数据管理强调代表性——训练数据要覆盖真实世界的压力情景；部署后持续监控数据质量、异常与漂移，区分数据漂移、概念漂移、模型漂移。上线前做前推测试与边界用例测试；上线后分层阈值预警，配应急计划与急停开关；任何变更都要重新审批验证。
七、行业案例一：模型风险变真金白银
美国 Zillow 的算法购房业务。房价预测模型过于激进，用算法批量出价收购房屋，二零二一年模型失灵导致巨额亏损，公司被迫关停整个业务、裁员约四分之一，股价暴跌。模型风险，直接变成了真金白银的财务损失。
八、行业案例二：数据里的偏见
亚马逊二零一八年被曝内部招聘 AI 歧视女性——训练数据来自男性占多数的历史简历，模型自动给女性候选人降分，项目最终废弃。同年 Apple 信用卡也被投诉算法给女性授信额度远低于男性，引发监管调查。数据里的偏见，会原样长进模型。
九、行业案例三：生成式 AI 的幻觉
加拿大航空客服聊天机器人二零二四年误导乘客的丧亲票价退款政策，航司一度辩称聊天机器人是独立法律责任主体，被法院驳回，裁定航司必须为自己的 AI 负责并赔偿。面向客户的 AI，幻觉的代价由企业买单。
十、新加坡本地案例：DBS 被罚
星展银行 DBS 二零二三到二零二四年多次数字银行服务长时间中断，MAS 二零二三年十一月出手：要求 DBS 额外保留约十六亿新元资本，暂停非必要 IT 变更六个月；二零二四年十一月再次延长一年。监管对运营与治理的容忍度，正在收紧。
十一、生成式 AI 三层防线
对生成式 AI，MAS 点名三层防线：一，用银行自有数据构建测试集，通用能力不代表行内场景表现；二，输入输出护栏，过滤毒性、偏见与敏感信息；三，RAG 检索增强，把答案锚定在内部知识库并附引用。但文件也承认——就算有 RAG，幻觉仍可能发生，人类监督不可省。
十二、总结
识别、清单、重要性评估、开发、验证、部署、监控、变更——MAS 把 AI 全生命周期装进治理框架，二零二五年监管指引落地后，这些良好实践就是检查标准。对每个用 AI 做事的团队，今天就是按图施工的最好时机。
以上内容根据公开资料整理，具体以官方文件为准。