當金融機構共用少數底層模型，成交速度與表面流動性可以一起上升，但壓力來臨時，我們可能連價格為什麼跌都無法確定。這篇追問的不是 AI 會不會取代基金經理人，而是它進入交易之後，價格還能不能繼續當作可靠的公共訊號。
電子市場早已能在基本面沒有明顯改變時，因為參與者互動與流動性變化而快速移動。
2010 年那場閃崩，後來的調查沒有把責任全推給高頻交易。一筆大型賣單、原本已經緊張的市場、不同演算法彼此追逐，都參與了那場閃崩。這個案例之所以值得今天重提，是因為當時的交易規則大多仍由人類寫下，監管者事後調閱大量紀錄，至少還能慢慢還原發生了什麼。
2014 年的美債暴走同樣不是 AI 造成的。全球最深的美債市場當時一直有成交，但「能成交」並沒有讓價格變得容易理解。自主 AI 若再加入一層人類難以還原的決策，事後分析只會更困難。
金融市場最重要的功能之一，是把散落各處的判斷濃縮成價格。
出口商比央行更早知道海外訂單變化，銀行先看到企業還款狀況，基金經理人各自研究財報、薪資和消費。每個人知道的都不完整，但當他們願意拿錢交易，這些資訊就會一點一點進入股價、債券殖利率和信用利差。
央行也依賴這套機制。它觀察兩年期美債、美元、公司債與股票，不只是想知道投資人今天開不開心，而是想從價格裡讀出民間對通膨、成長與信用風險的判斷。
AI 確實可能讓這件事做得更好。它可以同時讀完幾千份財報、即時整理供應鏈消息，把人類來不及處理的資料更快放進價格。若不同模型使用不同資料、採取不同方法，錯價被發現的速度甚至可能比現在更快。
今年 Jackson Hole 年會裡，經濟學家 Markus Brunnermeier 把另一種情況稱為「不對稱理解」。他的論文談的是一種需要提前防範的極端情境，並非宣告 AI 已經控制金融市場。但這篇論文抓到了一個很容易被忽略的問題：AI 進入交易後，市場最大的風險未必只是速度更快，而是價格可能變得更難解讀。
成交量增加、買賣價差縮小，看起來都像市場更有效率。可是一個價格值不值得相信，還要看它能不能把分散資訊帶給其他人，以及壓力來臨時，有沒有人理解價格背後的決策，願意站到另一邊接單。
英格蘭銀行與 FCA 在 2024 年完成一輪調查，留下兩組方向相反的訊號。
| 調查項目 | 數值 | 備註 |
|---|---|---|
| 已使用 AI 的受訪金融機構 | 75% | 另有 10% 準備在未來三年採用 |
| 包含某種程度自動決策的使用案例 | 55% | AI 已進入銀行、保險、資產管理與金融基礎設施的日常 |
| 完全自主的案例 | 2% | 距離無人監督地管理龐大資產仍有很長一段距離 |
| 設有對 AI 框架負責之人的機構 | 84% | 人工課責機制目前仍普遍存在 |
| 依賴第三方 AI 的案例（2022 → 2024） | 17% → 接近三分之一 | 外部依賴上升 |
| 前三大第三方模型供應商占比（2022 → 2024） | 18% → 44% | 不是營收市占率，也不能證明不同銀行會下同一張單 |
集中度數字提供的是一個必要條件：許多機構可能正在同一套底層模型上，建立看似不同的風控與投資系統。平常看不出問題，因為提示詞、微調資料、投資限制和客戶需求都不同。遇到共同衝擊時，底層的相似性才可能跑出來。
資料來源：英格蘭銀行與 FCA 2024 年調查。
假設通膨意外上升，一連串看似各自獨立的風控動作，可能沿著同一條路徑傳遞。
每家公司都只是在做自己的風險管理，整個市場加總起來，卻成了同方向賣壓。這就是系統論裡常說的合成謬誤：個別機構採取看似安全的行動，集合起來反而讓系統更不安全。
金融市場一直都有資訊不對稱。一家公司比外部投資人更清楚自己的訂單，一家銀行比存款人更了解資產品質。雙方仍然使用相同的概念，只是其中一方知道得更多，監管者可以要求揭露、稽核資料，慢慢縮小差距。
不對稱理解不太一樣。AI 可能從上億筆資料中形成一套有效的判斷方式，卻無法被翻譯成人類熟悉的因果關係。模型可以告訴你「因為通膨、匯率與信用條件改變，所以我賣出」，但這段文字只是它生成的另一個答案，不一定等於實際促成交易的內部路徑。
這像一位交易員每次都賺錢，也總能在事後講出一個合理故事；我們卻不知道，他是真的按照那套故事下單，還是先憑另一套無法說明的直覺做決定，再把理由補上。人類交易員也會如此，差別在規模與速度：一個人無法在幾毫秒內，同時讓幾百個市場的部位改變；被大量金融機構接入的模型可以。
問題於是從「它能不能賺錢」轉成「當它改變整個市場時，我們能不能知道原因」。如果答案是否定的，價格仍然會形成，卻不一定還能充當可靠的公共訊號。
這件事對央行尤其棘手，因為雙方正在進行一場反覆猜測的博弈。
聯準會讀取債券殖利率、美元與信用利差，判斷市場怎麼看經濟。交易模型也會讀取聯準會的政策框架、官員談話與過去反應，預測央行看到什麼價格後會怎麼做。如果 AI 比央行更快掌握央行自己的反應模式，它就可能提前布局；央行看到價格變化後，卻未必知道那是民間新資訊，還是模型正在押注央行下一步。
舉例來說，信用利差突然擴大，可以代表企業違約風險上升，也可能是幾套模型推測聯準會將維持高利率，於是搶先降低信用部位。央行若把後者當成經濟即將急凍的證據，提早放鬆政策，模型原本的押注便可能自我實現。反過來也成立：央行若懷疑價格只是機器造成的雜訊，忽略了一次實際的信用惡化，政策又可能太慢。
博弈論裡，一方不只觀察現實，也會觀察對手如何觀察現實。當 AI 能快速學習央行，人類卻無法還原 AI 的反應函數，雙方理解彼此的能力就不再對稱。Brunnermeier 擔心的正是這裡：AI 代理人可能愈來愈懂央行，央行卻愈來愈看不懂市場價格。
市場價格原本是央行的儀表板。若儀表板裡混入大量模型彼此猜測的結果，央行就得先判斷燈號是真是假，才有辦法決定政策。
這個題目最容易被寫過頭的地方，是把風險情境說成眼前現實。
英國調查雖然顯示 55% 的 AI 案例包含部分自動決策，完全自主的案例卻只有 2%；84% 的受訪機構也設有對 AI 框架負責的人。多數金融 AI 目前仍用在反詐欺、客服、資料分析、信用評估與輔助判斷，離無人監督地管理龐大資產，還有很長一段距離。
而且 AI 不必然讓市場更同質。即使使用同一個基礎模型，不同資料、風險限制、投資期限與目標函數，仍可能讓機構做出相反決定。當一個基金被迫賣出，另一個長期投資人也可能因為 AI 更快辨識錯價而進場承接。
人類也沒有比較天然多元。傳統風控模型、績效考核、監管規則與新聞敘事，早就會讓機構同時去槓桿。2008 年不需要大型語言模型，市場一樣會羊群化。
所以目前較準確的判斷是：金融系統正在加入一批可能難以稽核、又可能共用少數底層模型的新決策者。它們會不會降低價格品質，還需要實證，不宜先把所有自動交易都當成危機來源。
BIS 今年 6 月啟動的 Project Logos 正是在補這個缺口。研究團隊會建立模擬市場，比較規則式與大型語言模型代理人的資訊解讀、資產配置和限制反應，觀察哪些條件會讓決策變得更相關。這類研究比問 AI 會不會取代基金經理人重要，因為金融穩定需要知道的是：大家收到同一個衝擊時，會不會一起衝向同一扇門。
最直覺的防線，是在市場失控時按下停止鍵——但停止交易能切斷錯誤指令，也可能順手切斷市場僅存的流動性。
問題在於，做市、避險與風控也可能都由自動系統執行。若監管者同時關閉大量模型，原本已經稀薄的買盤可能更少，企業也可能失去調整風險的工具。
更實際的做法，是平常就保留替代能力。不同機構不應只比較模型準確率，也要測試彼此在共同衝擊下的行為是否過度相似；重大部位與風險門檻需要留下可用的人工授權；稽核不能只收模型寫出的理由，還要透過改變輸入與壓力測試，確認它真的依照宣稱的機制行動。
Brunnermeier 甚至提出保留較慢、能由人類接管的市場區段。這會犧牲部分平時流動性，也可能提高交易成本，卻能避免整個金融系統只剩一種速度與一套決策邏輯。就像一座城市不會因為高速公路效率高，就把所有一般道路拆掉；平常看似多餘的替代路線，在事故發生時才知道有沒有價值。
如果上述四件事同時成立，那麼「AI 會讓價格更難相信」這個判斷需要修正。AI 屆時更可能是提高價格效率的工具，而非市場結構的新風險。
但如果模型愈來愈集中、部位愈來愈同步，市場又只拿成交量和價差證明一切正常，我們就可能誤把速度當成流動性，誤把價格當成資訊。
2010 年的閃崩花了大量交易紀錄，才勉強拼回幾分鐘內發生的事。下一次市場快速下跌時，最麻煩的情況不是找不到交易，而是找得到每一張單，仍然沒有人能說清楚這些單為什麼同時出現。AI 讓市場跑得更快，並不保證它把路標也留下來。
接下來要看四件事，它們決定這個判斷該被強化還是被推翻。