核心观点

    　　随着大模型加速迭代，AI 有望快速实现大规模应用。面对ESG 投资生态中的监管追踪难、企业合规成本高、投资端数据获取分析困难等痛点，AI 能在多个环节帮助不同参与者降本增效，通过智能、高效、创造性输出等特点，助力ESG 投资打通生态链条。目前AI 正面影响与负面争议作用于多个行业，并与多方面的ESG 议题相关，但对AI 治理的直接评估并不直接体现在ESG 框架中，我们整理了全球实践情况，发现将负责任AI 原则与ESG 框架相融合，可以建立AI 伦理风险分析体系，为管控相关投资风险提供思路。

    　　AI 有望大规模应用，帮助完善ESG 投资基础设施。

    　　近期，AI 大模型迭代速度加快，模型热度在周度统计中都发生了较大变化，同时算法优化成本降低，有望进一步加速大规模应用。AI 有助于解决ESG 生态中的多方痛点。对监管与国际机构而言，过去ESG 政策追踪困难、追踪成本高，AI 通过广泛整合信息的动态化监测，以及智能对比逻辑关系的交叉验证体系，有望帮助监管端降低追踪成本，助力ESG 政策与倡议的顺利施行；对企业而言，面对多样的ESG 政策，企业学习理解与合规保本的成本都较高，AI 提供了知识图谱等工具，助力企业政策分析；同时生成式AI 能够帮助企业进行合规报备和ESG 信息披露。合规成本的降低将使企业更有动力参与ESG 实践。

    　　AI 助力投资端优化策略与营销。

    　　在投资层面，传统ESG 数据存在来源多、收集处理困难、更新频率低、滞后性强等问题。AI 首先可以智能化获取包含文本、图片在内的多模态海量数据，同时能够智能化将数据整理成为“终端友好”的形式，为投资者分析ESG 变化提供支撑。同时，AI 可以实现争议事件的实时抓取和分析，帮助投资者及时调整估值。在投资策略方面，机器学习算法能够在因子策略构造与因子筛选方面提供帮助，同时语言分析、识别与预测模型也能够成为构建新型量化策略的核心，帮助投资人优化风险-收益情况。在营销端，生成式AI 通过生成营销方案、营销内容，大大降低了营销成本。

    　　负责任AI 成为共识，整合ESG 框架的RAI 体系助力伦理风险管理。

    　　当前AI 立法尚不完善，而AI 的争议性影响在环境、社会、治理层面广泛存在，例如：在环境维度，AI 既能够通过智能化系统助力降低能效，但AI 所需的算力耗能巨大；社会维度，AI 既提高了生产效率，也造成了就业冲击、隐私泄露等社会问题甚至伦理争议；公司治理维度，AI 赋能了公司治理也带来了监管挑战。面对缺少法律框架参考但仍会受到监管督导、社会舆论压力等因素冲击的AI 行业，整合ESG 框架与负责任AI 原则，能够帮助投资者识别有AI 伦理风险的企业。在投资实践中，主要有公司治理维度关注AI 与ESG 框架整体整合两种方式。投资者也可以通过与企业的进一步沟通获得信息，为管理有关企业的投资风险提供参考。

    　　风险提示

    　　经济修复不及预期；AI 模型不稳定风险；市场情绪与偏好波动风险。