【題注】從國內(nèi)外稅務(wù)管理的經(jīng)驗(yàn)看，稅收風(fēng)險(xiǎn)管理總體上仍是新生事物，較理想目標(biāo)尚有不小距離。本文作者吳云是我多年好友，最近他從AlphaGo的勝利聯(lián)想到稅收風(fēng)險(xiǎn)管理，提出在風(fēng)險(xiǎn)識(shí)別能力、分析方法、識(shí)別結(jié)果上的三點(diǎn)啟示，篇幅不長，內(nèi)容豐富，推薦閱讀。（國慶注）
難度堪稱人工智能阿波羅計(jì)劃的圍棋挑戰(zhàn)，最終還是被一只機(jī)器狗（AlphaGo）取得了勝利。當(dāng)前科學(xué)技術(shù)的發(fā)展趨勢(shì)呈現(xiàn)高度的指數(shù)性質(zhì)，初始階段為線性或者次線性，而加速階段則是超線性。未來是不可預(yù)知的，因此對(duì)于預(yù)測(cè)也是自由的，鑒有感于“阿法狗”的勝利，針對(duì)業(yè)務(wù)與技術(shù)高度融合的稅收風(fēng)險(xiǎn)管理，進(jìn)行一些相關(guān)啟示探討。
首先，由此及彼，讓我們簡單回顧下吸引著世人目光的對(duì)弈過程。比賽過程一波三折，在連輸兩場時(shí)李世石曾表示已想到如何取勝，但“阿法狗”背靠互聯(lián)網(wǎng)海量數(shù)據(jù)資源，運(yùn)用先進(jìn)算法和工作原理，在對(duì)弈中做到了全局形勢(shì)的準(zhǔn)確判斷，局部戰(zhàn)斗的精準(zhǔn)手段，低發(fā)生率的失誤，穩(wěn)穩(wěn)取得三連勝。在第四場出現(xiàn)了小插曲，李世石下出“阿法狗”沒有計(jì)算到的變化，讓系統(tǒng)出現(xiàn)了混亂，隨后接連出錯(cuò)，李世石似乎發(fā)現(xiàn)了“阿法狗”的弱點(diǎn)，人類扳回一局。然而，谷歌團(tuán)隊(duì)在修改bug的同時(shí)，“阿法狗”利用深度學(xué)習(xí)原理迅速獲得進(jìn)化，滿血復(fù)活，第五場再次以李世石認(rèn)輸落幕。李世石公開表示，自從與“阿法狗”較量后，從不服氣到服氣，從服氣到開始學(xué)習(xí)。毋庸置疑，程序用一場勝利，給了人類棋手看待圍棋的新視角。
其次，由彼及己，在大數(shù)據(jù)互聯(lián)網(wǎng)時(shí)代背景下，稅收風(fēng)險(xiǎn)管理領(lǐng)域從中獲得啟示，也有著很多值得思考的內(nèi)容。
啟示一：深度學(xué)習(xí)工作原理可促使風(fēng)險(xiǎn)識(shí)別能力不斷自我演進(jìn)?！鞍⒎ü贰辈皇且怀霈F(xiàn)就如此強(qiáng)大，目前也并非盡善盡美，第四局的反轉(zhuǎn)也說明了這點(diǎn)，而深度學(xué)習(xí)（deep）工作原理，恰恰是它如此強(qiáng)大，并繼續(xù)不斷變強(qiáng)的根源。深度學(xué)習(xí)算法不僅僅被動(dòng)地接受數(shù)據(jù)，還能給予數(shù)據(jù)的選擇過程一種反饋，形成數(shù)據(jù)選擇機(jī)制，能夠分辨哪種類型的數(shù)據(jù)有助于持續(xù)提升模型性能，哪種類型的數(shù)據(jù)則是毫無幫助的，從而最終形成一種良性循環(huán)體系?；诖嗽?，假設(shè)與稅收風(fēng)險(xiǎn)模型理論深度融合，我們的稅收風(fēng)險(xiǎn)識(shí)別所依耐的技術(shù)工具：指標(biāo)、模型，即便在極少人為干涉的情況下，也可以不斷地獲得自我改進(jìn)與優(yōu)化，與以往靠稅務(wù)人員分析調(diào)整來的更加常態(tài)化、智能化。更甚于，依靠增量式的結(jié)果累計(jì)，連續(xù)式的深度學(xué)習(xí)，風(fēng)險(xiǎn)識(shí)別系統(tǒng)能夠智能自主性進(jìn)化。
啟示二：人工神經(jīng)網(wǎng)絡(luò)思維可帶來風(fēng)險(xiǎn)分析方法實(shí)現(xiàn)邏輯突破。圍棋號(hào)稱無法被算法窮舉，“阿法狗”能夠挑戰(zhàn)它，在于突破了傳統(tǒng)固定程序邏輯，技術(shù)架構(gòu)更像人類大腦神經(jīng)模式。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks）是一種新的思維方式，即直觀性的思維。有別于邏輯性的思維，直觀性的思維是將分布式存儲(chǔ)的信息綜合起來，信息是通過神經(jīng)元上的興奮模式分布儲(chǔ)在網(wǎng)絡(luò)上，信息處理是通過神經(jīng)元之間相互作用的動(dòng)態(tài)過程來完成的，結(jié)果是忽然間產(chǎn)生想法或解決問題的辦法。現(xiàn)有的稅收風(fēng)險(xiǎn)分析主要依靠的邏輯推理的結(jié)果，如果大膽假設(shè)串行的指令式風(fēng)險(xiǎn)指標(biāo)，上升為神經(jīng)元?jiǎng)討B(tài)風(fēng)險(xiǎn)模型，智能化的風(fēng)險(xiǎn)分析過程就能夠更多的利用分布式涉稅信息，或許能夠作出更像有經(jīng)驗(yàn)的稅務(wù)人員的風(fēng)險(xiǎn)分析結(jié)果，大大簡化的風(fēng)險(xiǎn)分析過程中人工介入的必要，從而解決人工分析人力資源嚴(yán)重不足的問題。
啟示三：誤差反向傳播算法可促進(jìn)風(fēng)險(xiǎn)加工結(jié)果更加精準(zhǔn)?！鞍⒎ü贰弊鳛槿斯ぶ悄埽矣诮邪迦祟?，必然底氣十足，因?yàn)樗蕾嚨乃惴ǜ冗M(jìn)、靈活。誤差反向傳播算法又稱為BP算法（BackPropagation），是人工神經(jīng)網(wǎng)絡(luò)中的一種監(jiān)督式的學(xué)習(xí)算法，眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、良好的自組織自學(xué)習(xí)能力等特點(diǎn)。該算法在理論上可以逼近任意函數(shù)，基本的結(jié)構(gòu)由非線性變化單元組成，具有很強(qiáng)的非線性映射能力。而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定，風(fēng)險(xiǎn)加工工具除了緊緊圍繞稅收業(yè)務(wù)需求之外，基于的基礎(chǔ)必然也是數(shù)理模型，新型的算法也可以給風(fēng)險(xiǎn)監(jiān)控帶來更大的靈活性，使風(fēng)險(xiǎn)加工的結(jié)果更加科學(xué)、合理。
最后，由點(diǎn)及面，不妨再將視野擴(kuò)展開來，就稅收征管而言，面臨著全新的機(jī)遇與挑戰(zhàn)，樹立科學(xué)理念和新型思維，巧借先進(jìn)技術(shù)，激活潛力，增加動(dòng)力，釋放活力，最大限度地提高納稅人稅法遵從和滿意度，大數(shù)據(jù)互聯(lián)網(wǎng)時(shí)代的稅收征管模式才能有所突破，有所創(chuàng)新，有所建樹。
