随着人工智能逐步从股市热门话题迈入证券交易、银行账户管理等领域,美联储对这项技术可能带来的金融风险也愈发关注。
当地时间周一,美联储理事迈克尔·巴尔在为美国计算机协会(ACM)金融人工智能国际会议准备的讲话中,系统讨论了AI投资热潮背后的融资风险,以及AI交易、网络安全和消费者金融领域的潜在隐患。

这是他过去一年第四次专门围绕AI发表讲话。就在上周五,美联储发布的半年度《金融稳定报告》也重点讨论了AI投资热潮及其背后的融资风险。
巴尔关注的风险横跨AI的建设与使用两个环节:一方面,数据中心扩张越来越依赖债务、循环融资和复杂的表外安排,投资回报若不及预期,可能引发重新定价和连锁抛售;另一方面,AI智能体可能加速银行挤兑,相似的交易模型可能放大市场踩踏,算法还可能自主学会串通、操纵市场,或在提供金融服务时损害客户利益。
不过,巴尔强调,他对AI的长期前景仍然乐观。
“我依然抱有希望:如果我们有力、有效地应对今天的挑战和未来可能出现的冲击,AI将改善人们的处境,提高生产率,并广泛提升生活水平——让大多数人学到更多、赚到更多。”他同时指出,AI要真正增强金融体系,就必须支持金融稳定。
智能体可能加速挤兑
在媒体报道中,巴尔有关“AI加速银行挤兑”的警告备受关注。
当智能体能够根据收益率差异或银行稳定性信号自动转移存款,资金撤离的速度可能远超银行和监管部门的应对能力。
巴尔在讲话中表示:“过去需要客户亲自执行转账,而AI智能体可能瞬间识别收益率差异或稳定性信号,并自主高速转移资金,可能加剧在几分钟内发生挤兑,使传统流动性管理和监管干预难以及时应对。”
巴尔透露,已经有大型银行报告称,发现AI智能体试图操作零售客户的账户,而银行无法验证这些操作的真实性、是否获得客户同意,以及是否符合客户指令。
他认为,这些情况表明,AI金融服务要取得长期成功,必须建立适当的防护措施,包括“严格的身份验证、针对具体操作明确核实客户同意、限制智能体能力的技术控制,以及基于规则和价值观的双重约束”。
AI投资回报面临考验,债务与循环融资放大风险
谈及近期市场对AI投资可持续性的质疑,巴尔表示,美联储并不以股指点位为目标,但需要评估与金融稳定有关的长期问题。即便AI最终成为大幅提高生产率的变革性技术,如果投资回报的兑现时间或规模不及预期,仍可能触发显著的重新定价,并通过投资减少和财富缩水拖累经济增长。
而科技巨头们的“金融财技”,可能放大这一调整。
巴尔援引最新《金融稳定报告》指出,七家最大的AI企业表内债务预计将在今年年底前超过8000亿美元;增长更快的长期合同、租赁承诺和残值担保等表外义务,潜在最高名义金额已超过3万亿美元。
这些表外义务涉及能源供应合同、长期数据中心和算力租赁等安排,其中相当一部分由信用较好的大型企业,为信用较弱企业参与的项目融资或公用事业投资提供间接支持。
他警告称:“这种金融复杂性对于缺乏专业经验的投资者而言可能是不透明的,而当投资者情绪转变时,这种不透明性可能加剧抛售,因为很难知道风险究竟在哪里。”
风险还体现在产业链内部的“循环融资”。
据巴尔介绍,超大规模科技企业和大型GPU生产商,对大模型实验室及云计算初创企业的累计股权投资已超过1000亿美元。这些企业向较小公司注资,后者再用资金向出资方租赁或购买GPU和算力。此外,大企业还可能为融资抵押品中的数据中心或GPU提供转售价值担保,在借款方违约、抵押品被处置时承担损失。
这些安排最终能否持续,仍取决于真实客户需求能否接棒。
巴尔表示:“要让AI建设投资最终在经济上具有可行性,这些较小的企业最终必须用付费客户带来的收入,取代来自其供应商的资金。”
警惕杠杆退潮引发连锁抛售
对于当前AI建设热潮,巴尔并未断言其必然走向破裂。他指出,铁路、公路和光纤网络等历史上的基础设施投资,也曾在某些阶段显得建设过度,但最终留下了有价值的基础设施。
“鉴于支撑当前热潮的债务规模仍然有限,我对直接损失的担忧相对较小。”他说,“然而,在对冲基金杠杆和整体风险偏好似乎都相当高的情况下,急剧逆转可能导致快速去杠杆,并可能引发自我强化的甩卖。”
巴尔表示,大型银行较高的资本水平能够抵御部分外溢冲击,但股市波动期间,交易对手风险敞口可能上升,因此有必要持续监测,尤其要关注在AI领域持有大量头寸的交易对手。
基础设施本身也存在价值变化风险。数据中心的大部分成本来自GPU和其他专用芯片,而技术更新可能使这些设备迅速贬值。不过,他也指出,较老型号芯片的租赁价格目前似乎仍然坚挺。
如果AI需求不及预期,部分电力和网络设施可能需要多年才能得到充分利用。
但巴尔也保留了另一种可能:“也许AI投资不会熄火,而是继续繁荣,我们对AI服务的需求将充分消化目前正在建设的资本设施,甚至还不够。只有时间能给出答案。”
交易模型趋同,可能从“羊群效应”走向市场踩踏
在证券交易领域,巴尔承认,生成式AI能够处理更丰富的信息、运用更复杂的逻辑,也有助于降低先进交易技术的使用门槛和改善市场监测。但他强调,据其了解,生成式AI目前尚未被大规模用于自主交易,相关风险需要提前研究。
其中一个隐患是模型和数据趋同。
“如果交易者依赖少数几种使用相似数据训练的相似AI模型,他们就会面临羊群行为的风险——交易策略可能变得相似,并对新闻和其他信息作出同步反应。”巴尔说。
这意味着,同一个缺陷可能影响大量模型,并产生系统性后果。恶意行为者也可能通过操纵交易、报价或新闻,同时误导相似的AI交易系统,放大市场扰动。
更值得注意的是,巴尔援引部分理论研究指出,一些被称为Q-learning的强化学习交易算法,可能在没有被明确要求串通的情况下,自主形成串通行为。这种算法还可能学会通过虚假挂单制造需求假象,或采用制造并利用泡沫的交易策略。
“当一项技术尚未被充分理解,而且其发展实际上可能正在远远跑在我们的理解前面时,保持一些谨慎是有必要的。”巴尔说。
AI投资建议可能暗藏利益冲突
对普通消费者而言,风险还来自看似个性化的投资建议。
巴尔指出,消费者正在主动推动AI在金融领域的应用,例如向聊天机器人寻求投资建议;金融机构也在利用AI改善投资咨询服务。但在许多情况下,聊天机器人提供这些建议时,并没有传统金融机构提供同类建议时所适用的系统性保护措施、监管和监督。
随着消费者和金融机构越来越多地使用AI,投资建议的质量、潜在利益冲突,以及机构是否履行了以投资者最佳利益行事的义务,正成为重要问题。
巴尔表示,AI系统提出建议时,可能不仅考虑投资者的财务状况和投资目标,还会考虑有利于金融机构自身商业利益的因素,例如推广自有产品、赚取交易费,或鼓励客户更加频繁地交易。
“这些利益冲突可能被嵌入算法之中,使经纪商和顾问、投资者或监管机构都难以识别或理解。”他说。
即便没有利益冲突,建议本身也可能存在问题。巴尔指出,AI系统可能依赖不完整或存在偏差的数据、生成不准确信息,或者推荐与投资者风险承受能力、财务状况及投资期限不相符的投资。
在讲话总结中,巴尔强调,要持续发挥生成式AI的潜力,基于这些模型作出的决策必须“受到良好控制,在数值和法律层面准确,可解释,并且可复现”。他同时指出,AI开发者目前在上述各项要求上,仍然不同程度地面临困难。
(文章来源:财联社)