【題注】從國內外稅務管理的經驗看，稅收風險管理總體上仍是新生事物，較理想目標尚有不小距離。本文作者吳云是我多年好友，最近他從AlphaGo的勝利聯想到稅收風險管理，提出在風險識別能力、分析方法、識別結果上的三點啟示，篇幅不長，內容豐富，推薦閱讀。（國慶注）
難度堪稱人工智能阿波羅計劃的圍棋挑戰，最終還是被一只機器狗（AlphaGo）取得了勝利。當前科學技術的發展趨勢呈現高度的指數性質，初始階段為線性或者次線性，而加速階段則是超線性。未來是不可預知的，因此對于預測也是自由的，鑒有感于“阿法狗”的勝利，針對業務與技術高度融合的稅收風險管理，進行一些相關啟示探討。
首先，由此及彼，讓我們簡單回顧下吸引著世人目光的對弈過程。比賽過程一波三折，在連輸兩場時李世石曾表示已想到如何取勝，但“阿法狗”背靠互聯網海量數據資源，運用先進算法和工作原理，在對弈中做到了全局形勢的準確判斷，局部戰斗的精準手段，低發生率的失誤，穩穩取得三連勝。在第四場出現了小插曲，李世石下出“阿法狗”沒有計算到的變化，讓系統出現了混亂，隨后接連出錯，李世石似乎發現了“阿法狗”的弱點，人類扳回一局。然而，谷歌團隊在修改bug的同時，“阿法狗”利用深度學習原理迅速獲得進化，滿血復活，第五場再次以李世石認輸落幕。李世石公開表示，自從與“阿法狗”較量后，從不服氣到服氣，從服氣到開始學習。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，在大數據互聯網時代背景下，稅收風險管理領域從中獲得啟示，也有著很多值得思考的內容。
啟示一：深度學習工作原理可促使風險識別能力不斷自我演進。“阿法狗”不是一出現就如此強大，目前也并非盡善盡美，第四局的反轉也說明了這點，而深度學習（deep）工作原理，恰恰是它如此強大，并繼續不斷變強的根源。深度學習算法不僅僅被動地接受數據，還能給予數據的選擇過程一種反饋，形成數據選擇機制，能夠分辨哪種類型的數據有助于持續提升模型性能，哪種類型的數據則是毫無幫助的，從而最終形成一種良性循環體系。基于此原理，假設與稅收風險模型理論深度融合，我們的稅收風險識別所依耐的技術工具：指標、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與優化，與以往靠稅務人員分析調整來的更加常態化、智能化。更甚于，依靠增量式的結果累計，連續式的深度學習，風險識別系統能夠智能自主性進化。
啟示二：人工神經網絡思維可帶來風險分析方法實現邏輯突破。圍棋號稱無法被算法窮舉，“阿法狗”能夠挑戰它，在于突破了傳統固定程序邏輯，技術架構更像人類大腦神經模式。人工神經網絡（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的信息綜合起來，信息是通過神經元上的興奮模式分布儲在網絡上，信息處理是通過神經元之間相互作用的動態過程來完成的，結果是忽然間產生想法或解決問題的辦法。現有的稅收風險分析主要依靠的邏輯推理的結果，如果大膽假設串行的指令式風險指標，上升為神經元動態風險模型，智能化的風險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驗的稅務人員的風險分析結果，大大簡化的風險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重不足的問題。
啟示三：誤差反向傳播算法可促進風險加工結果更加精準。“阿法狗”作為人工智能，敢于叫板人類，必然底氣十足，因為它依賴的算法更先進、靈活。誤差反向傳播算法又稱為BP算法（BackPropagation），是人工神經網絡中的一種監督式的學習算法，眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。該算法在理論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網絡的中間層數、各層的處理單元數及網絡的學習系數等參數可根據具體情況設定，風險加工工具除了緊緊圍繞稅收業務需求之外，基于的基礎必然也是數理模型，新型的算法也可以給風險監控帶來更大的靈活性，使風險加工的結果更加科學、合理。
最后，由點及面，不妨再將視野擴展開來，就稅收征管而言，面臨著全新的機遇與挑戰，樹立科學理念和新型思維，巧借先進技術，激活潛力，增加動力，釋放活力，最大限度地提高納稅人稅法遵從和滿意度，大數據互聯網時代的稅收征管模式才能有所突破，有所創新，有所建樹。
