香港四大金融監管機構（金管局 HKMA、證監會 SFC、保監局 IA、積金局 MPFA）聯同數碼港推出的 GenA.I. 沙盒++（GenA.I. Sandbox++），標誌著本地金融科技監管由過往單一銀行的專案試點，正式升級為跨金融業態的協同監管平台。
然而，隨著生成式人工智能（GenAI）由文本摘要迅速邁向具備自主執行能力的 Agentic AI（智能體），加上數字貨幣、穩定幣與區塊鏈實體世界資產代幣化（RWA）所催生的全新鏈上數據形態，監管維度若僅停留在「四局聯動」，已難以涵蓋實體經濟與新型數字金融網絡的交匯節點。唯有打破傳統體制邊界，將科技、治安、私隱以及海關、稅局、統計部門全面納入，並針對區塊鏈原創新數據模式制定沙盒標準，香港才能真正將「沙盒++」打造成引領下一代數字經濟的核心基礎設施。
一、 監管沙盒的核心作用與「沙盒++」的制度突破
監管沙盒（Regulatory Sandbox）的核心作用，在於為金融機構與科技企業提供一個「風險可控、具邊界限制」的真實測試環境。它允許企業在不立即承擔全套繁複合規與處罰風險的前提下，試驗未有明確法律條文完全覆蓋的新興技術與商業模式；同時，監管機構得以在第一線觀察技術風險、評估演算法外溢效應，進而動態修訂指引，在「鼓勵金融創新」與「維護金融穩定及消費者權益」之間取得動態平衡。
本次「沙盒++」相比以往單一部門試驗，實現了三大關鍵跨越：
- 打破監管孤島，統一步調：過去銀行、證券、保險與強積金各有獨立管轄權，跨業務方案常需面臨重複審批。新沙盒建立統一平台，顯著降低跨界合規摩擦成本。
- 公共算力與技術底座集約化：參與機構能直接對接數碼港人工智能超算中心的 GPU 算力資源，讓中小型券商或保險中介無需斥巨資自建算力，即可低門檻進行模型微調（Fine-tuning）與檢索增強生成（RAG）。
- 「以 AI 對抗 AI」與 Agentic AI 自主性探索：超越傳統文本生成，重點探索具自主執行能力的智能體（Agentic AI），並引入攻防對抗機制，由 AI 實時監管與校驗另一個 AI 的行為。
二、 首期入選隊伍陣容、分類與代表性知名項目
第一期沙盒++共收到近 100 份申請，經學術專家與監管委員會嚴格篩選，最終入選 36 個用例，匯聚了 30 家金融機構與 27 家科技合作夥伴。
入選團隊廣泛涵蓋零售及虛擬銀行、大型跨國與中資券商/資產管理公司、跨國保險巨頭、強積金信託機構（如銀聯信託）及大型支付清算機構；科技夥伴則集合了雲端超大規模廠商、全球支付網絡（Visa）、金融科技領軍企業（如螞蟻科技）及本地頂尖 AI / RegTech 初創。
入選用例聚焦於三大核心主軸，其中三個具備高度代表性的試點項目，分別展現了銀行支付、流動性風控與保險/強積金雙重監管架構下的智慧合規：
- 項目一：中銀香港（BOCHK）× Visa —— 自主授權跨生態 Agentic Commerce 支付測試
背景與技術：探索將中銀香港的 BOC Pay+ 生態與外部民生服務平台（如 OpenRice、中國移動香港）深度對接。
試點內容：在獲得用戶事前授權下，由 AI Agent 自主識別日常消費需求、發起交易並經由 Visa 提供的安全基礎設施完成結算驗證，在受控沙盒內驗證智能體跨機構自主調用資金的合規邊界與防偽架構。 - 項目二：螞蟻銀行（香港）（Ant Bank HK）× Bettr —— 基於時間序列大模型的流動性風險預測
背景與技術：針對虛擬銀行高頻、多變的即時資金進出特性，引入螞蟻集團的 Falcon 時間序列 Transformer（TST）AI 模型 2.0。
試點內容：在沙盒內進行逐日高精度資金流動性預測，測試 AI 對極端提款與外匯波動場景的動態壓力評估能力，探索將大模型由傳統分析工具提升至「輔助資金管理與流動性合規」的決策層級。 - 項目三：宏利（Manulife）聯同科技合作夥伴 —— 多模態智能核保、理賠防偽與銷售合規檢測
背景與技術：作為香港領先的保險及強積金（MPF）服務巨頭，宏利橫跨保監局（IA）與積金局（MPFA）兩大監管範疇，面臨海量非結構化醫療病歷審核、繁複保單條款解讀及中介人銷售行為合規（Conduct of Business）等多重挑戰。
試點內容：在沙盒環境中利用多模態大模型進行醫療單據與手寫病歷的智能抽取、語意理解與自動化交叉審查，大幅提升理賠精準度並防範保險欺詐；同時引入語音與文本分析 Agent，對銷售過程錄音及宣傳素材進行實時合規檢核，杜絕誇大投資回報與誤導陳述，並嚴格測試演算法在個人私隱保障與模型可解釋性上的防護標準。
三、 若維持「不整合」體制所帶來的負面影響
若缺乏跨部門的統一協調與深層整合，監管架構將衍生顯著的體系內耗與系統性風險：
- 監管套利（Regulatory Arbitrage）：若銀行業對 AI 模型的解釋性、可追溯性標準極高，而證券或保險相對寬鬆，金融集團極可能透過組織架構調整，將高風險演算法轉移至監管較寬鬆的附屬機構運行。
- 責任真空與跨業傳染：當銀行端 AI 串接第三方理財或保險 Agent，一旦演算法失控或出現誤導陳述，各監管部門若缺乏跨領域歸責標準，極易陷入互推責任的困局，損害消費者利益。
- 科技初創負擔加重：金融科技企業研發反深偽或合規科技時，若必須重複適配四家機構互不相容的格式與指標，將嚴重阻礙本地金融科技成果的商業化進程。
四、 突破界限：擴大納入核心政府與法定機構的深度佈局
金融並非空中樓閣，其業務命脈緊扣貿易物流、稅務申報與實體經濟。沙盒應進一步擴展納入以下兩大範疇的政府部門：
1. 數碼治理、合規與治安樞紐
- 數字政策辦公室（DPO）：統籌全港政務雲與公私營數據互通標準（如商業數據通 CDI、智方便），為金融 AI 建立權威、標準化的公共數據基座。
- 個人資料私隱專員公署（PCPC）：Agentic AI 深度依賴生物特徵與個人行為軌跡，私隱專員公署早期介入測試，能在創新階段即為模型確立合規邊界，防範落地後觸犯《個人資料（私隱）條例》。
- 香港警務處網絡安全及科技罪案調查科（CSTCB）：即時導入最新的深偽欺詐樣本與黑產攻防情報，使沙盒的防詐騙演練更貼近真實威脅。
- 知識產權署（IPD）：針對大模型訓練與 RAG 引用版權、專有研報確權等爭議，在沙盒內推動業界清晰的合理使用指引。
2. 貿易、財稅與實體數據核心
- 香港海關（Customs and Excise Department）：
痛點：貿易融資長期受困於發票造假、提單重複質押等痛點，由 AI 生成的高仿真偽造單據更加劇了查驗難度。
沙盒落地：透過隱私計算串接海關通關數據，在沙盒內測試「貿易融資合規與智能核驗 Agent」，即時跨國核對物流軌跡與報關真偽，盤活中小企供應鏈融資，並築牢反洗錢防線。 - 稅務局（Inland Revenue Department, IRD）：
痛點：面對 CRS 及 BEPS 2.0 等國際稅務透明化規則，家族辦公室與跨境併購的架構設計極為複雜，機構微調財稅模型稍有偏差便可能引發合規災難。
沙盒落地：銀行及理財機構的財稅 Agent 在沙盒內與稅局規則庫做沙盤推演；同時稅務局亦可藉由合成數據，訓練識別空殼公司與異常避稅的偵測演算法。 - 政府統計處（Census and Statistics Department, C&SD）：
痛點：傳統宏觀經濟統計指標具時間滯後性，難以支撐 AI 即時量化交易與市場極端情況下的壓力測試。
沙盒落地：提供高頻、權威的宏觀數據庫接口，供金融機構的宏觀風控 Agent 結合非結構化市場輿情進行跨維度分析，避免演算法放大市場順週期波動。
五、 前瞻拓展：應對區塊鏈與數字金融新數據模式的沙盒建議
隨著香港合規穩定幣發行架構落地、央行數字貨幣（數字人民幣 e-CNY / 數碼港元 e-HKD）推進，以及現實世界資產代幣化（RWA）的爆發，金融數據結構已由傳統中心化關係型資料庫（SQL）轉向分散式帳本事件（Ledger Events）、智能合約狀態（Contract States）及去中心化身份（DID）。GenA.I. 沙盒++必須主動納入對此類新型數據模式的測試支持：
- 鏈上多源異構數據的語意解析與動態標籤化（Graph & Semantic Parsing）：
挑戰：鏈上轉賬哈希（TxHash）與合約事件僅記錄原始代碼與數值，缺乏業務上下文與交易意圖。
建議：沙盒應設立專屬數據管道，測試「鏈上 AI 分析 Agent」如何結合自然語言大模型，將複雜的 DeFi 呼叫軌跡、跨鏈橋交互與代幣轉移，即時轉化為結構化的資金流動圖譜與富語意標籤，解決鏈上數據難以被傳統風控系統即時理解的痛點。 - AI 賦能鏈上反洗黑錢（On-chain AML）與合規預言機（Compliance Oracle）：
挑戰：洗錢者利用暗池（Dark Pools）、混幣協議（Mixers）及多鏈跳轉迅速隱匿資金，傳統規則引擎難以應對非線性鏈上洗錢手法。
建議：在沙盒內測試「合規預言機智能體（Oracle Agent）」，由 AI 對鏈上實時交易進行行為異常辨識，並即時產出風險評分；同時透過可信預言機將評級即時反饋至智能合約，實現「未經合規驗證即刻拒絕交易調用」的事前程式化攔截。 - 智能合約代碼自主審計與形式化驗證（Formal Verification by Agent）：
挑戰：RWA 代幣化合約一旦部署上鏈便不可篡改，微小的邏輯漏洞或重入攻擊（Re-entrancy）即會造成巨額實體資產損失。
建議：引進專攻合約安全的大語言模型，在沙盒內進行對抗性攻防測試。利用 Agentic AI 自動掃描複合型 DeFi 與 RWA 智能合約，結合形式化驗證工具自動推演邊界條件，在合約上主網前完成全自動的安全漏洞與合規性壓力評估。 - 結合零知識證明（ZKP）與隱私增強技術（PETs）的數據確權：
挑戰：公鏈上的公開透明特性與金融機構對商業機密、客戶私隱的嚴格保護要求存在天然衝突。
建議：沙盒應重點測試 AI 與 ZKP（零知識證明）的協同機制。例如在中小企供應鏈代幣化場景中，企業利用 ZKP 證明其在海關有真實報關單、在稅局有按時納稅，而 AI Agent 可以在無需獲取原始商業發票細節的前提下驗證證明並核發代幣化信貸，實現「數據可用不可見、資產真實可驗證」。
六、 跨領域整合後的系統質變與往後發展
當金融機構、政府各涉農與涉商部門（海關、稅局、統計處）與區塊鏈新型數據底座打通後，香港將迎來兩大質變：
- 中小企信貸評估徹底重構：跳脫依賴磚頭抵押品的傳統模式，透過海關真實貨流、稅務信用以及鏈上可驗證憑證（Verifiable Credentials），信貸 Agent 能即時建立立體信用畫像，實現代碼驅動的自動化審批。
- 資產代幣化（RWA）打通真實閉環：若貨物倉單、跨境物流、應納稅費等關鍵鏈下數據缺乏權威機構即時鏈上確權，Tokenized Asset 就沒有信用基礎。海關與稅局的深度參與，配合鏈上 AI 預言機，是 RWA 走向規模商用的必經之路。
七、 制度挑戰與往後發展藍圖
跨部門常設協調機制：從階段性的專案沙盒（Sandbox++），逐步制度化為由財經事務及庫務局、創新科技及工業局牽頭的跨部門「金融科技與人工智能治理專責組」，制定全港統一的金融大模型與智能合規評測標準。
破解法律保密與數據隱私壁壘：稅務條例第 4 條（公職人員保密責任）及海關數據披露法規極為嚴苛。沙盒應大力部署安全多方計算（MPC）與聯邦學習（Federated Learning），結合 ZKP 貫徹「數據不出域、可用不可見」的法定測試模式。
推動本地垂直領域基礎模型（Domain Model Hub）：結合沙盒沉澱的跨界合規與鏈上分析樣本，聯同本地大學與研發中心，訓練高度適配香港雙語（中英/粵語）、特區法規及 Web3 語境的金融垂直基礎模型，供全港中小機構共享，構建自主可控的產業生態。
對接大灣區跨境數據安全流動：落實粵港澳大灣區數據跨境流動機制，將沙盒測試延伸至跨境徵信互認、貿易情報協查及外匯風險預警，鞏固香港作為大灣區乃至全球數字金融與 Web3 創新樞紐的不可替代地位。
作者:Emil Chan 陳家豪
Unwire Pro 特約編輯
以「還俗IT人」自居。香港金融科技革命「吹哨人」。主要工作除了擔任金融科技初創企業顧問外，也在香港多家知名商學院擔任特約教授及客席講師，積極透過教育推動本地及大灣區金融科技及智慧城市發展。 放下幾十年編寫電腦程式的鍵盤後近年重新以此寫作。以「但憑愚公志，復我獅山茂」為工作目標。
