“阿法狗”胜利给税收风险管理带来的启示

【题注】从国内外税务管理的经验看，税收风险管理总体上仍是新生事物，较理想目标尚有不小距离。本文作者吴云是我多年好友，最近他从AlphaGo的胜利联想到税收风险管理，提出在风险识别能力、分析方法、识别结果上的三点启示，篇幅不长，内容丰富，推荐阅读。（国庆注）

难度堪称人工智能阿波罗计划的围棋挑战，最终还是被一只机器狗（AlphaGo）取得了胜利。当前科学技术的发展趋势呈现高度的指数性质，初始阶段为线性或者次线性，而加速阶段则是超线性。未来是不可预知的，因此对于预测也是自由的，鉴有感于“阿法狗”的胜利，针对业务与技术高度融合的税收风险管理，进行一些相关启示探讨。

首先，由此及彼，让我们简单回顾下吸引着世人目光的对弈过程。比赛过程一波三折，在连输两场时李世石曾表示已想到如何取胜，但“阿法狗”背靠互联网海量数据资源，运用先进算法和工作原理，在对弈中做到了全局形势的准确判断，局部战斗的精准手段，低发生率的失误，稳稳取得三连胜。在第四场出现了小插曲，李世石下出“阿法狗”没有计算到的变化，让系统出现了混乱，随后接连出错，李世石似乎发现了“阿法狗”的弱点，人类扳回一局。然而，谷歌团队在修改bug的同时，“阿法狗”利用深度学习原理迅速获得进化，满血复活，第五场再次以李世石认输落幕。李世石公开表示，自从与“阿法狗”较量后，从不服气到服气，从服气到开始学习。毋庸置疑，程序用一场胜利，给了人类棋手看待围棋的新视角。

其次，由彼及己，在大数据互联网时代背景下，税收风险管理领域从中获得启示，也有着很多值得思考的内容。 

启示一：深度学习工作原理可促使风险识别能力不断自我演进。“阿法狗”不是一出现就如此强大，目前也并非尽善尽美，第四局的反转也说明了这点，而深度学习（deep）工作原理，恰恰是它如此强大，并继续不断变强的根源。深度学习算法不仅仅被动地接受数据，还能给予数据的选择过程一种反馈，形成数据选择机制，能够分辨哪种类型的数据有助于持续提升模型性能，哪种类型的数据则是毫无帮助的，从而最终形成一种良性循环体系。基于此原理，假设与税收风险模型理论深度融合，我们的税收风险识别所依耐的技术工具：指标、模型，即便在极少人为干涉的情况下，也可以不断地获得自我改进与优化，与以往靠税务人员分析调整来的更加常态化、智能化。更甚于，依靠增量式的结果累计，连续式的深度学习，风险识别系统能够智能自主性进化。

启示二：人工神经网络思维可带来风险分析方法实现逻辑突破。围棋号称无法被算法穷举，“阿法狗”能够挑战它，在于突破了传统固定程序逻辑，技术架构更像人类大脑神经模式。人工神经网络（Artificial Neural Networks）是一种新的思维方式，即直观性的思维。有别于逻辑性的思维，直观性的思维是将分布式存储的信息综合起来，信息是通过神经元上的兴奋模式分布储在网络上，信息处理是通过神经元之间相互作用的动态过程来完成的，结果是忽然间产生想法或解决问题的办法。现有的税收风险分析主要依靠的逻辑推理的结果，如果大胆假设串行的指令式风险指标，上升为神经元动态风险模型，智能化的风险分析过程就能够更多的利用分布式涉税信息，或许能够作出更像有经验的税务人员的风险分析结果，大大简化的风险分析过程中人工介入的必要，从而解决人工分析人力资源严重不足的问题。

启示三：误差反向传播算法可促进风险加工结果更加精准。“阿法狗”作为人工智能，敢于叫板人类，必然底气十足，因为它依赖的算法更先进、灵活。误差反向传播算法又称为BP算法（Back Propagation），是人工神经网络中的一种监督式的学习算法，众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。该算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，风险加工工具除了紧紧围绕税收业务需求之外，基于的基础必然也是数理模型，新型的算法也可以给风险监控带来更大的灵活性，使风险加工的结果更加科学、合理。

最后，由点及面，不妨再将视野扩展开来，就税收征管而言，面临着全新的机遇与挑战，树立科学理念和新型思维，巧借先进技术，激活潜力，增加动力，释放活力，最大限度地提高纳税人税法遵从和满意度，大数据互联网时代的税收征管模式才能有所突破，有所创新，有所建树。