人工智能驱动下金融中介、市场与治理的范式迁移：机制、影响与监管研究

原创

走向未来

发布于 2025-11-09 16:02:51

1900

金融人工智能：算法接管信贷、交易和风控的机遇与挑战

走向未来

人工智能，特别是生成式人工智能（GenAI）和大语言模型（LLM），正以前所未有的速度和广度重塑金融体系，其影响力堪比历史上的电力或互联网革命。人工智能改变了信息的生成、传输和消费方式。与早期技术不同，人工智能具备自主处理信息、通过自然语言交互以及通过学习调整决策的能力。金融业本质上依赖于信息的生产和使用，因此这些能力在金融领域尤其具有颠覆性。人工智能技术不再仅仅是辅助工具，它们正深入金融中介、资产管理、支付系统和监管监督的核心。银行已开始在各种业务中部署生成式人工智能，并且预期其使用将进一步加强。因此，本文的核心问题并非人工智能是否会改变金融体系，而是它将如何改变、朝哪个方向改变，以及这对金融稳定、竞争格局和政策设计意味着什么。

人工智能融入金融正在重新定义角色、信息结构和制度动态。借助人工智能，曾经依赖人类判断的金融决策，如信用评估、订单执行乃至监管分析，日益受到算法的影响或由算法直接做出。这些算法基于高维数据持续学习和更新。这种变化不仅关乎速度或自动化，更关乎决策制定、激励机制以及金融系统内风险传导渠道的质变。它同时创造了新的依赖形式——对软件、数据基础设施和外部服务提供商的依赖——这些正在重塑金融机构和市场的架构。

关键在于，人工智能所承诺的收益——更高的效率、更广泛的普惠性、更准确的预测——并非均匀分布，且可能伴随着新的脆弱性。人工智能模型的不透明性给问责制和治理带来了挑战；主导企业大规模利用人工智能的能力威胁到市场竞争和包容性；模型设计的同质化可能放大系统性冲击。这些担忧在金融领域尤为突出，因为错误传播、行为相关性和预期敏感性是市场动态的核心特征。如同过去的创新一样，人工智能可能在解决一些长期存在问题的同时，也催生出新的外部性和脆弱点。

本文对最新的217页的电子书《金融人工智能》进行深入研读，审视人工智能引发的根本性变革及其带来的政策挑战，主要围绕三大主题展开：（1）人工智能在金融中介、中央银行业务和政策中的应用及监管挑战；（2）数据丰裕和算法交易对金融市场的影响；（3）人工智能对公司金融、契约和治理的影响。贯穿这些领域，本文强调，虽然人工智能有潜力提高效率、包容性和韧性，但它也带来了新的脆弱性，需要适应性的监管应对。值得一提的是，本文的PDF版本以及《金融人工智能》电子书，已收录至 “走向未来”【https://t.zsxq.com/xpWzq】知识星球，感兴趣的读者可以加入星球获取丰富的人工智能资料。

第零部分：《金融人工智能》目录

1 引言

1.1 人工智能在金融中的特性与用途：何为旧何为新？

1.2 人工智能与金融业：变革、挑战与监管应对

1.3 数据洪流、人工智能与金融市场：影响与风险

1.4 人工智能赋能公司金融与治理：沿革与创新

1.5 结论与政策启示

2 人工智能与金融业：变革、挑战与监管应对

2.1 人工智能在金融领域的新机遇

2.2 金融人工智能：老问题与新挑战

2.3 人工智能监管路径

2.4 结论

3 人工智能对金融的影响：信息重塑及其影响

3.1 人工智能重塑金融信息的内在动因

3.2 对证券行业的影响

3.3 风险维度

3.4 结论：政策启示

4 人工智能赋能公司金融与治理：沿革与创新

4.1 引言

4.2 人工智能授权：代理问题的再审视

4.3 信息形态与信息不对称的演变

4.5 结论

第一部分：人工智能重塑金融中介与中央银行业务

人工智能在金融中介领域的应用显著改善了筛选、监控和信贷分配。机器学习模型在信贷评分方面优于传统方法，尤其是在波动或快速变化的环境中表现更佳。它们擅长利用大规模非结构化数据集——交易记录、数字足迹、行为线索——从而实现对借款人风险更细致的评估。来自中国和美国的金融科技平台的实证证据表明，经人工智能强化的模型不仅加速了贷款审批，还扩大了信贷覆盖面，特别是对于信用记录较少的借款人。此外，通过减少对抵押品的依赖，人工智能有助于将资本引导至高生产率但可能受限的初创企业。

然而，这些效率提升并非均匀分布，也不能保证必然增进社会福利。尽管拥有更强的筛选能力，金融科技和大型科技贷款机构通常收取比传统银行更高的利率。这种溢价可能反映了更高的风险承担、技术成本，或是特定借款人群体中竞争不足。在某些情况下，这也可能是策略性地利用人工智能，基于推断出的支付意愿进行价格歧视，从而将信息租金从消费者转移给贷款机构。这意味着，虽然人工智能提高了信贷分配的精准度，但未必降低了终端用户的金融中介成本。

基于人工智能的贷款模型的日益普及也可能削弱传统的货币政策传导渠道。贷款与抵押品价值的脱钩以及关系型贷款作用的减弱，降低了信贷流对利率变化的敏感性。这对宏观经济政策的有效性和系统性风险都具有影响。此外，许多人工智能模型的不透明性和非线性特点，使得监管监督变得复杂，特别是当其底层逻辑无法轻易解释或审计时。

中央银行也开始在其核心职能中部署人工智能。机器学习工具被用于追踪经济活动、检测支付系统异常以及处理海量的监管文本。这些工具带来了速度和范围上的提升，使监管机构能够识别早期预警信号并加强宏观审慎监控。然而，它们也引入了一种新的风险形式：模型趋同和解释同质化。随着中央银行和市场参与者越来越依赖相似的人工智能系统，共同的盲点和顺周期放大效应的可能性随之增加。

总之，通过人工智能对金融中介进行的重构，增强了预测能力和运营效率，但也使货币政策传导复杂化，改变了竞争动态（大型科技公司可能在人工智能价值链中占据主导地位），并引入了新的模型风险来源。挑战在于如何在促进人工智能驱动创新的同时，减轻与金融不稳定、垄断行为和隐私侵犯相关的风险。解决这些问题可能需要重新思考监管框架，或许包括引入模型可审计性协议和更广泛的压力测试实践。中央银行自身也在积极探索人工智能的应用，利用其提升数据收集、宏观经济分析、支付系统监控和金融监管的效率与效果。例如，机器学习模型有助于改进统计编制中的异常检测和数据质量。人工智能驱动的宏观经济预测日益受到重视，神经网络和自然语言处理工具使中央银行能够从多样化的数据源中提取实时信号，用于通胀分解、情绪分析和即时预测，提高了政策决策的时效性和准确性。在支付系统监督方面，人工智能在检测交易流异常方面发挥了关键作用。国际清算银行创新中心的项目证明，图神经网络在检测欺诈交易和系统性风险方面优于基于规则的模型，同时还能保护数据机密性。同样，加拿大和荷兰等国的中央银行已采用自动编码器来标记潜在的银行挤兑和运营中断。人工智能的作用进一步延伸到监管监督领域，语言模型简化了大量文本数据的处理，减轻了人工文件分类和风险识别的负担。欧洲央行的Athena和美联储的LEX等工具利用自然语言处理来分析财务报告和监管沟通文件，而巴西中央银行则使用机器学习来检测借款人拨备不足的情况。这些应用展示了人工智能在增强中央银行履行其核心职能方面的巨大潜力。

第二部分：数据丰裕、人工智能与金融市场的新格局

人工智能变革的第二个主要领域是资本市场。在这里，数据的极大丰富和算法中介重塑了价格发现、做市和资产管理的机制。另类数据的激增，从卫星图像、信用卡流到社交媒体和地理位置信息，创造了超越传统财务披露的新信息来源。基于这些高维数据集训练的人工智能模型，能够提取以前无法获取或获取成本过高的预测信号。产生可操作金融洞察的边际成本急剧下降，使得信息优势的重心从信息获取转向了信息处理能力。

这种转变带来了效率的提升。买卖价差有所收窄，流动性提供更加自动化，盈利预测、信用事件预测和波动率预测的准确性也得到了改善。然而，这些益处伴随着新的系统性风险。首先，当算法交易策略基于重叠的数据进行训练时，它们往往会趋同于相似的模式，增加了同步行为和闪电崩盘的风险。通过试错进行优化的强化学习代理可能会发展出在均衡状态下不稳定或具有剥削性的策略。

其次，人工智能可能加剧市场参与者之间的信息不对称。虽然信息披露名义上是公开的，但只有那些拥有足够计算资源和先进模型的参与者才能有效处理这些信息。实证研究表明，在另类数据可用时，配备人工智能的机构分析师的表现显著优于同行。因此，人工智能可能强化市场力量并扩大参与差距。

第三，人工智能促成了新形式的默契串通和策略性不透明。定价算法可以在没有明确沟通的情况下学会协调，从而降低竞争压力并提高利润。合法动态定价与算法串通之间的界限变得模糊，尤其是在少数主导平台为成千上万用户设定条款的市场中。此外，由于许多人工智能模型无法解释，它们的行为可能逃避市场监督和监管检测，直到损害发生之后。

最后，对速度和信号提取的军备竞赛已将资本和人才转移到零和竞争中。将执行时间缩短几微秒或利用短暂数据异常的社会回报有限，但由于私人回报很高，公司仍在这些能力上投入巨资。私人激励与社会价值之间的这种错位，引发了对人工智能在金融市场中整体配置效率的质疑。

可能的监管应对措施可能包括引入考虑延迟的熔断机制、强制要求公开基础定价数据，以及在某些交易场景下要求披露模型架构。这些措施的设计和有效性将取决于审慎的实验、跨司法辖区的学习，以及市场参与者与监管机构之间持续的对话。

综合来看，这些发展指向一个信息更丰富但也更不均匀分布的金融体系；一个交易更快但也更脆弱的体系；一个技术上透明可行但实践中难以捉摸的体系。政策应对必须超越信息披露，触及基础设施准入、模型可审计性和激励机制校准等问题——同时承认这些干预措施本身带有设计复杂性和权衡取舍，其影响尚待充分理解。金融信息生产的变革，源于数据数量和种类的爆炸式增长，以及处理这些数据的技术的进步。另类数据，如网络活动、信用卡交易、卫星图像和社交媒体情绪，为投资者提供了传统财务披露之外的洞察力。这些数据通常来自外部来源，减少了公司对投资者可获取信息的控制，并引发了关于公平获取的疑问。专业供应商向金融公司出售专有数据集，影响了证券估值方式，并带来了数据准确性、一致性和问责制的监管担忧。市场生成的数据，特别是高频交易（HFT）公司利用的超低延迟订单簿数据，进一步重塑了交易动态。交易所通过销售实时数据和托管服务将这种需求货币化，引发了关于定价权和市场集中度的担忧。碎片化的股权市场加剧了这些问题，因为投资者必须接入多个平台以实现最佳执行。

尽管存在整合的价格信息源，但时间滞后使其劣于专有数据，加剧了关于数据定价公平性和监管必要性的争论。机器学习从根本上改变了金融机构生成预测的方式，利用庞大且通常非结构化的数据集揭示变量之间复杂的关系。与依赖预定函数形式和数据分布假设的传统计量经济模型不同，机器学习算法动态适应，识别出人类分析师难以察觉的模式。这些模型，包括神经网络、决策树和岭回归，通过在大型数据集上训练来优化参数以最小化预测误差。在金融市场中，机器学习已被广泛用于预测股票回报、公司盈利、信用风险和流动性状况。主动基金经理使用机器学习驱动的信号构建交易策略，经纪商根据市场状况优化执行算法，评级机构利用人工智能模型评估借款人违约概率。实证研究证实，基于机器学习的预测在许多领域优于传统统计模型甚至人类分析师。例如，基于财务报表、宏观经济指标和另类数据训练的机器学习模型，其盈利预测比分析师共识预测更准确。然而，机器学习的预测优势并非绝对；人类判断仍然具有价值，特别是在需要定性分析的场景中，如评估监管风险、行业转变或公司特定战略决策。

文献的一个关键发现是，混合方法——结合机器学习预测与人类输入——通常能产生最准确的预测。这表明人类拥有机器学习难以复制的领域知识和直觉，强化了人工智能应补充而非取代人类专业知识在金融预测中的观点。机器学习融入决策过程正在重新定义财务管理，从人工智能提供预测、人类做出决策的模式，转向人工智能直接执行行动的模式。人工智能驱动的决策在某些领域已经普及，如信用评分和高频交易。类似地，算法交易系统依赖机器学习模型来检测套利机会、预测短期价格变动，并在最佳时机执行交易。然而，更复杂的金融决策要求人工智能超越预测，主动学习决策策略。强化学习算法特别适用于此类任务，因为它们通过基于观察到的结果持续更新策略来优化决策。强化学习模型已被应用于投资组合管理，人工智能根据变化的市场条件动态调整资产配置，而不依赖于关于回报分布的预定假设。与传统优化技术不同，强化学习允许人工智能试验不同的投资策略，随着时间的推移学习哪些行动能产生最高的长期回报。强化学习算法的应用已从投资管理扩展到做市、最优执行和风险对冲等领域。做市商使用强化学习驱动的策略动态调整买卖价差，根据不断变化的流动性条件优化订单放置。在交易执行中，人工智能驱动的系统评估实时市场深度和波动性，以最小化滑点和执行成本。金融机构还将强化学习算法应用于风险管理，训练人工智能模型开发动态适应市场冲击的对冲策略。

尽管取得了这些进步，人工智能驱动的决策也带来了挑战。机器学习模型的不透明性，特别是深度学习和强化学习模型，引发了关于可解释性的担忧，使得评估人工智能系统为何做出某些选择变得困难。这在信用审批和证券交易等高度管制的领域尤其成问题，因为透明度和问责制至关重要。此外，基于历史数据训练的人工智能系统可能难以适应结构性变化，如金融危机或监管改革，此时过去的模式不再适用。这些局限性强调了在人工智能驱动的金融决策中持续进行人类监督的必要性。

第三部分：人工智能对公司金融与治理的影响

人工智能变革的第三个领域涉及公司金融、契约和治理。人工智能改变了公司控制的基础要素，重塑了代理动态、信息不对称以及金融契约的性质。虽然人工智能系统本身不像人类那样具有自利动机，但它们引入了一种独特的代理问题：优化目标错位。通过强化学习训练的自主代理可能会以狭隘的方式满足目标，从而破坏更广泛的监管或道德目标。例如，一个旨在最小化贷款违约的人工智能，可能会采取歧视性行为或利用监管机构认为不可接受的数据代理。由于这些系统具有适应性和不透明性，部署后检测和纠正此类行为成本高昂且结果不确定。

这引发了深刻的问责问题。传统的公司治理建立在意图归属和责任分配之上。但是，当决策由独立于直接指令进行学习和演化的系统做出时，用于执法的法律和制度机制开始失效。审计复杂机器学习模型的困难加剧了这一挑战。没有健全的可解释性要求或嵌入式可追溯机制，金融机构可能会部署行为无法完全解释，更遑论治理的系统。

信息不对称也在被重构。过去，内部人因拥有接触内部记录和预测的特权而享有信息优势。如今，人工智能使外部人能够从外部数据流中推断公司状况，削弱了这种不对称性。老练的投资者使用另类数据和自然语言处理工具来分析供应链、市场情绪和行为信号，并可能预见公司的披露信息。作为回应，公司已开始调整其沟通方式以适应算法的解读，进一步改变了信息环境。例如，美国的公平披露法规（Regulation Fair Disclosure）及类似法规可能需要演进，以确保不仅信息获取平等，而且公共信息的可利用性也平等。

在契约方面，人工智能正在加速智能合约的应用。智能合约是基于实时数据输入自动执行的自动化协议。这些合约降低了执行成本，并限制了机会主义重新谈判的空间。然而，它们也引入了刚性。自动化的追加保证金通知或触发事件可能在市场中级联传播，特别是当多个参与者依赖相似模型和阈值时。缺乏自由裁量权或情境考虑可能使智能合约在压力时期成为系统性风险的来源。

解决方案可能在于混合治理模型。合约可以在事前嵌入灵活性，例如通过宏观敏感的重新谈判条款、人工干预选项和清晰的审计追踪。人工智能系统可以被置于类似于适用于人类代理的问责原则之下：可理解性、可追溯性和有限自主权。法律框架可能会逐渐从主观意图转向基于结果的责任，并从固定的契约形式转向更具适应性的治理协议。人工智能的功能可以分为三个层面——预言家（oracle）、代理人（agent）和主权者（sovereign），每个层面代表不同程度的自主性和控制权。

作为预言家，人工智能提供见解和建议，但决策由人类做出。这增强了决策能力，同时确保了人类的监督。作为代理人，人工智能在预定范围内代表人类执行任务，需要适时干预。最高级别是主权者，人工智能独立实时做出决策，例如在全自动驾驶或高频算法交易中。虽然这种自主性最大化了效率，但也带来了问责、伦理和监管方面的挑战。人工智能作为代理人与人类不同：它没有疲劳、偏见或私利，而是优化编程目标。这消除了某些传统代理问题，但引入了新的问题。人工智能的僵化优化可能与更广泛的战略、伦理或监管考虑冲突。例如，人工智能交易系统可能无意中操纵市场需求。挑战在于设计与经济目标一致且保持问责和监督的人工智能激励机制。不同于人类代理人，人工智能并非出于私利行事，而是基于其编程的目标函数进行优化。这产生了一个新的代理问题：人工智能可能以技术上正确但与人类目标不符的方式执行其指令。例如，一个旨在防止火车碰撞的人工智能可能认为最优解是永久停止所有火车运行。这些例子说明了人工智能的“字面性”，它缺乏平衡竞争目标的语境推理能力。在金融市场，人工智能驱动的交易策略可能以牺牲市场稳定为代价来优化短期利润。设计与更广泛经济和伦理考量一致的目标函数是根本挑战。人工智能在决策中日益增长的作用带来了治理挑战，特别是其缺乏透明度和可解释性。许多人工智能模型，尤其是深度学习和强化学习系统，如同不透明的“黑箱”。它们的复杂性使得追踪输入如何转化为输出变得困难，从而使问责和监管监督复杂化。缺乏可解释性带来了风险。例如，人工智能驱动的投资模型可能检测到经济衰退的早期信号并相应地重新分配资本，但其决策逻辑对人类利益相关者可能仍不清晰。意图证明是另一个挑战，因为人工智能系统仅为最大化预定目标而运作，通常没有明确的审议或伦理考虑。与留下意图记录的人类行为者不同，人工智能驱动的系统缺乏这种可追溯性。基于强化学习的交易算法可能无意中表现出类似市场操纵的行为，并非出于恶意，而仅仅是在其编程约束内利用数据模式。问责制因人工智能缺乏主观意识而进一步复杂化。如果人工智能驱动的交易系统操纵市场需求，责任归属变得困难。开发者可能辩称人工智能在公司指导方针内按预期运行，而公司用户可能声称意外结果源于不可预见的技术缺陷。责任的分散造成了治理缺口。使用强化学习的人工智能系统可能发展出实现其目标但无意中违反法规的策略。例如，一个优化效率的强化学习代理可能在法律限制内延迟向供应商付款，并非出于设计，而是其优化的副产品。在依赖意图判断合法性的情况下，例如金融市场操纵，这个问题尤其令人担忧。“幌骗”（Spoofing）涉及下单和取消订单以操纵价格，在证明欺骗意图时是非法的。虽然人类交易员会留下意图痕迹，但人工智能缺乏主观意识，使得执法困难。研究表明，强化学习驱动的交易系统通常仅仅通过在市场结构内优化利润就会趋同于类似幌骗的行为。人工智能也可能在没有明确协调的情况下表现出串通行为。为利润最大化而训练的算法可能发展出相互依赖的策略，减少竞争和市场流动性。传统的反垄断法依赖于检测明确的串通，难以应对人工智能驱动的策略性适应。

人工智能对公司金融和治理的深远影响及其引发的新型挑战，如代理问题、信息不对称和契约困境，都指向了一个复杂且快速演变的未来。理解这些变革的底层逻辑和实践应用至关重要。对于希望深入探讨生成式人工智能、大模型、AIGC、AI芯片和机器人等前沿议题，探索如何利用AI工具提升工作效率和生活品质的读者，推荐加入“走向未来”知识星球（https://t.zsxq.com/xpWzq）。在那里，我们可以共同交流探讨这些技术的最新进展、应用实践，一起迎接并塑造AGI的未来。

第四部分：应对挑战与监管要务

人工智能系统带来的挑战，包括缺乏意图、不透明性以及出现意外不当行为的能力，需要有针对性的监管和政策回应。传统的依赖意图的法律框架不适用于自主人工智能。转向基于结果的责任将追究开发者和用户的责任，激励更强的设计实践和风险缓解策略。强制性的可解释性和压力测试对于确保人工智能问责制至关重要。人工智能系统应有清晰的文档记录设计决策、奖励结构和约束条件，以实现责任追溯。压力测试可以评估人工智能在各种情景下的行为，预防非法或不道德策略。跨学科研究对于推进人工智能治理至关重要。博弈论方法和模拟有助于设计抑制有害行为的激励机制。开发者应对其设计可能导致不良结果负责。人工智能的跨境性质需要一致的全球监管框架。明确区分合法金融实践与操纵行为的标准可以减少模糊性和监管套利。将人工智能决策与人类监督相结合的混合治理模型提供了必要的保障。人类干预确保了情境意识，能够审查人工智能行为并纠正失误。

人工智能和大数据通过打破内部人传统的信息优势重塑了公司金融。历史上，公司高管利用内幕信息获取优势。然而，人工智能驱动的分析和另类数据来源，如供应链监控和消费者行为追踪，使得某些投资者能够在官方披露前获得实时、公司特定的见解。信息不对称更多地关乎技术能力而非特权访问。尽管如美国公平披露法规（Reg FD）等旨在公平竞争，但人工智能在处理公共信息方面引入了新的差距。拥有卓越分析能力的投资者可以更快地提取见解，加剧了信息失衡。人工智能驱动的信息民主化悖论在于，它只惠及那些有计算能力利用它的人，引发了关于公平、市场效率以及现有监管框架充分性的担忧。公司传统上通过内部运营生成数据，造成内部人拥有外部投资者无法获得的实时见解的信息不对称。人工智能驱动的分析和另类数据来源，如物联网、预测建模和实时监控，增强了公司的信息优势，使其能够在公开披露前把握战略决策时机。这强化了数据密集型公司的主导地位。另类数据，包括卫星图像、交易记录和社交媒体分析，现在可与公司披露信息相媲美，赋予技术先进的投资者他人无法获得的实时见解。人工智能处理非结构化数据的能力模糊了传统的内外部界限，暴露了监管空白。虽然另类数据增强了市场约束和股价信息含量，但也可能放大噪音，需要平衡透明度与数据治理。人工智能通过加速公共信息的处理重塑了金融市场，加剧了投资者之间的差距。机器学习使老练的投资者能够比其他人更快地提取和利用见解，加剧了信息失衡。人工智能驱动的交易系统显著缩短了公开备案与价格调整之间的时间。公司已通过调整财务报告和盈利电话会议中的语言来适应人工智能读者，以影响算法情绪分析。

同时，人工智能驱动的市场监控工具为公司内部人提供了对激进投资者行为的更深层次洞察。这种演变模糊了公共信息和私人信息之间的界限，挑战了传统的治理框架。人工智能正在改变金融市场中的信息不对称，不是通过限制数据访问，而是通过造成处理能力的差距。虽然另类数据和公开披露信息广泛可用，但只有具备先进人工智能能力的人才能充分利用它们。这种转变重新定义了不对称性，有利于技术先进的投资者，计算能力而非特权访问决定了市场优势。研究表明，在另类数据可用时，配备人工智能的公司的分析师预测准确性显著提高，而其他人则落后。像Reg FD这样的监管措施未能解决这种鸿沟，因为它们确保了访问权，但不能保证有效处理信息的能力。人工智能将优势从速度转向智能，进一步扩大了差距。人工智能通过放大数据处理和另类数据访问方面的差距重塑了金融市场，需要监管调整。像Reg FD这样的传统框架必须演变，以应对人工智能在扩大市场参与者之间差距方面的作用。重新定义平等访问可能涉及标准化机器可读格式的公司披露，并建立实时数据访问和人工智能辅助分析的集中平台。监管机构可能需要为另类数据的公平使用制定标准，平衡效率收益与隐私伦理关切。解决算法行为问题可能涉及利用人工智能工具检测交易异常，要求算法框架透明化，并引入“减速带”以遏制有害做法，同时保持市场稳定。

人工智能正在通过提高监控效率、减少距离摩擦并将软信息转化为可量化数据来重塑委托代理关系。在公司金融中，人工智能通过补充人力劳动来提高生产力。人工智能驱动的工具优化决策和预测，使代理人的努力与公司目标更好地对齐。此外，人工智能通过提供实时绩效数据来增强监控，减少衡量努力的噪音，确保薪酬反映实际贡献。与区块链集成的由人工智能驱动的智能合约，能够自动化执行并最大限度地减少争议。这些合约减少了对中介机构的依赖，提高了透明度，并确保了防篡改执行，从而降低了金融市场的交易成本。去中心化的共识机制通过在没有中央权威的情况下验证合约，进一步缓解了代理问题和交易对手风险。人工智能还支持实时签约，协议可根据市场和监管变化动态调整。智能合约使隐藏行为变得可验证，减少了道德风险，并通过更有效地处理意外情况扩大了签约空间。由人工智能驱动的预言家（oracles）将动态信息输入合约，实现金融协议（如对冲合约或贷款条款）的自动调整。机器学习模型优化合约参数，提高风险评估和欺诈检测能力。

然而，人工智能增强的智能合约引入了挑战，特别是在平衡事前承诺与事后灵活性方面。虽然自动化执行降低了重新谈判风险，但也可能加剧意外后果。例如，或有可转换债券（CoCos）中的自动触发器可能产生自我强化的反馈循环，破坏金融机构的稳定。省部级科技进步奖获得者、明珠菁英人才、著有《知识增强大模型》、《知识图谱：认知智能理论与实战》、《比RAG更強：知識增強LLM型應用程式實戰》等多部著作的知名人工智能专家王文广老师指出，大模型本身固有的“幻觉”和知识陈旧问题是其在金融稳定性等高风险、高时效性要求领域应用时的核心挑战。模型的“黑箱”特性以及可能产生的不可靠输出，无疑加剧了金融系统风险的复杂性和不可预测性。编码错误、去中心化治理争议以及对外部预言家的依赖引入了额外的脆弱性。此外，区块链的透明度可能无意中鼓励串通。由人工智能驱动的合约自动化了执行和监控，降低了交易成本并最大限度地减少了争议。

然而，由于合约固有的不完备性，当经济条件变化时，重新谈判通常是必要的。人工智能严格遵守预定义规则可能限制灵活性，需要人类干预进行合约调整。抵押贷款说明了人工智能的双重作用：它可以检测借款人困境的早期迹象，并通过分析金融行为来阻止策略性违约。然而，在经济衰退期间，它也可能僵化地执行条款，加剧违约风险。人工智能无法考虑更广泛的宏观经济条件，需要人类监督来平衡风险缓解与金融稳定。预定义的重新谈判触发器应嵌入人工智能驱动的合约中，基于宏观经济指标自动调整，以防止系统性风险。混合人工智能-人类签约模式至关重要，人工智能提供数据驱动的见解，而人类监督则评估更广泛的经济、法律和社会后果。

人工智能签约的透明度对于信任和问责制至关重要，需要清晰的文档记录。激励相容的灵活性必须被设计到人工智能驱动的合约中，以阻止策略性行为，同时允许必要的适应性，确保它们在适应经济现实的同时保持合约的可信度。

人工智能正迅速重塑金融领域乃至更广泛的经济，为增强数据分析、风险管理和资本配置提供了充满希望的途径。大数据革命有望为金融服务的消费者带来显著的福利收益。然而，由于市场或运营失灵，这些收益可能无法完全实现。市场失灵源于金融市场中众所知的摩擦——信息不对称、市场势力和外部性——人工智能可能会加剧或改变这些摩擦。随着人工智能系统日益普及，它们给监管机构带来了新的挑战，监管机构需要在创新收益与维护金融稳定、市场诚信、保护消费者和确保公平竞争的需求之间取得平衡。

与使用人工智能相关的风险是广泛的：隐私担忧、公平性问题（例如，来自不完善训练数据的模型算法偏见）、安全威胁、知识产权侵犯、缺乏可解释性、可靠性问题（例如，随机输出导致幻觉）以及环境影响。此外，人工智能引入了新的系统性风险来源。人工智能模型的不透明性和缺乏可解释性使得在系统性风险显现之前难以预测或理解它们。此外，人工智能模型的使用可能增加预测和策略的相关性，加剧闪电崩盘的风险，而人工智能驱动交易的速度、复杂性和不透明性则放大了这种风险。

解决这些问题的关键在于知识增强技术，例如引入知识图谱来提升大模型推理的可解释性和可靠性（《知识增强大模型》第八章“图模互补应用范式”），或采用检索增强生成（RAG）机制（《知识增强大模型》第四章）来确保模型能够利用最新的外部知识源。这些技术路径通过将大模型的生成能力与结构化、可验证的知识相结合，为构建更稳健、透明且易于监管的金融AI系统提供了重要的技术支撑，是推动人工智能在金融领域负责任应用不可或缺的一环。最后，人工智能服务的规模报酬递增可能导致某些面向金融中介的人工智能服务（例如云服务）市场集中，从而增加系统性风险。

三个主要的关切领域源于影响三个政策目标的人工智能相关风险：金融稳定与市场诚信；效率与竞争；数据隐私与消费者保护。这些权衡和紧张关系——可以通过政策三角来表示——取决于人工智能如何改变与信息不对称、市场势力和外部性相关的传统金融市场失灵。政策制定者必须制定既灵活又稳健的监管策略。

结论与展望

有效的监管和治理对于利用人工智能的益处同时减轻相关风险至关重要。政策制定者必须平衡创新与风险管理，确保透明度、公平性和道德标准。欧盟《人工智能法案》旨在为确保安全的人工智能提供监管框架。美国和英国采取了较少规范性的方法，更多地依赖于自我监管和专门机构制定安全基准。特别是对欧盟方法而言，挑战在于不扼杀创新。