金融体系的核心是将大量信息处理并汇总为协调经济参与者的价格信号。纵观历史，从简单的簿记到人工智能（AI），信息处理的进步已经改变了金融业。本文使用此框架来分析生成性AI（Genai）和新兴的AI代理以及更具投机性的人工通用智能将如何影响金融。本文还评估了人工智能的进步对金融稳定和审慎政策的影响。此外，本文研究了人工智能对实体经济的潜在溢出效应，同时研究了乐观和颠覆性的人工智能情景。为了应对人工智能进步对金融体系的变革性影响，本文提出了一个基于完善的人工智能治理一般原则升级金融监管的框架。
金融系统就像生物体的大脑一样，处理大量分散的信息，并将其汇总为价格信号，以促进经济所有参与者的协调并指导稀缺资源的分配。它不仅可以有效的资本流动，而且通过管理风险，维持流动性和支持稳定性来促进经济体系的整体健康。金融市场和中介机构运作良好时，是进步和福利的基本来源。相反，财务政策和法规的作用不是纠正“大脑故障”的实例，而是利用金融体系的智能来增强社会福利。
处理所有必要的信息并协调经济中众多参与者的行为是一个特别复杂的问题。由于经济的大脑，金融市场和中介机构已经发挥了很长时间。例如，多年来，电信和互联网等技术进步不断提高金融市场解决经济问题的能力：可以更有效地处理更多信息的大脑更适合解决日益复杂的任务。毫不奇怪，金融市场既吸引了尖端信息处理技术和成熟的人才。最近，人工智能（AI）的快节奏进步增强了金融系统的信息处理能力。
在本文中，通过信息处理的进步棱镜描述了金融部门的演变，并特别聚焦AI。本文评估了来自不同世代的人工智能（包括机器学习（ML），生成AI（Genai）和AI代理的出现）为金融部门创造的机遇和挑战。本文还讨论了AI对财务稳定性的影响以及由AI造成的实际部门中断的风险。鉴于这些见解并增加了AI的采用，本文讨论了对金融部门监管的影响。
金融体系的演变与信息处理技术的演变息息相关。为了了解AI对金融的影响，与货币和金融的发展相结合地研究计算方法的历史发展是有帮助的。计算硬件和软件的进步使高级分析，机器学习和生成式AI能够演变。在过去的每一个技术转弯处，金融系统要么是变革的催化剂，要么是技术的早期采用者。
计算的起源可以追溯到古代美索不达米亚人和算盘，这是一种已知的最早计算设备之一。这是数字系统被创造出来以满足金融需求的最早实例之一。法律也受到商业和金融需求变化的驱动：《汉谟拉比法典》是最早的法律法令之一，它在公元前18世纪就制定了治理金融交易的法律。类似地，中世纪的意大利城市国家开创了复式簿记，这是会计学中的一项开创性发展，开启了商业和金融前所未有的扩展。事实上，复式记账至今仍是监管、税收、治理、合同法和金融监管的基础。
计算机：随着时间的推移，分析工具取得了巨大的进步，且进步速度不断加快。其中最重要的进步之一发生在上个世纪：计算机的发明。不出所料，金融部门是最早采用和使用计算机的领域之一。例如，1954年推出的IBM 650由于其在金融领域带来的效率提升而受到欢迎。在现代计算的早期阶段，计算能力仅限于基本的算术、逻辑和符号操作（例如，遵循“如果-那么”规则）来解决问题。随着计算能力的提升，分析能力也随之演变，使得人工智能从基础计算机系统中崭露头角。
AI：人工智能（AI）广泛指的是那些执行通常需要人类智能的任务的计算机系统（Russell 和 Norvig，2010）。艾伦·图灵和约翰·冯·诺依曼奠定了理论基础，划定了后来计算和人工智能进步的基石。最先进的机器学习（ML）系统基于深度神经网络，这些算法以人脑的工作方式为灵感。深度神经网络是通用函数近似器，可以在任何训练数据集中学习系统性关系，特别是在日益复杂的非结构化数据集中（Hornik 等，1989；Goodfellow 等，2016；Broby，2022；Huang 等，2020）。这些进展使金融机构能够分析包括新闻流和社交媒体情绪在内的太字节级信号。在总体层面上，这导致了市场的快速发展和动态变化，优化了定价和估值。
然而，由于这些模型动态适应新数据，通常无需人类干预，它们在决策过程上有些不透明（Gensler 和 Bailey，2020；Cao，2020）。在20世纪的大部分时间里，人工智能被GOFAI（Good old-fashioned AI）和专家系统主导，这些系统是在这些开创性贡献之后发展起来的。GOFAI出现在1950年代末，并持续主导至1980年代。在此期间，人工智能研究人员专注于开发基于规则的系统来模拟人类智能，这些系统基于逻辑规则和符号表示。尽管这些系统对基本的金融功能（如风险管理、基本的算法交易规则、信用评分、欺诈检测）非常有用，但在模式识别、处理不确定性和复杂推理方面远未达到人类水平。硬件的进步使得小型桌面计算机，如1980年代和1990年代的个人计算机成为可能。存储数据和使用电子表格及其他计算机程序进行基本分析的能力导致了金融领域的广泛采用和效率提升（Ceruzzi，2003）。
机器学习：下一波进展是机器学习（ML），这是人工智能的一个子领域（见图1 - Figure 1）。ML算法可以自主学习和执行任务，例如分类和预测，而无需明确列出底层规则。与早期的信息处理进展一样，尽管在早期阶段其有用性受到计算能力的限制，但ML在金融领域迅速被采用。早期的ML示例依赖于大量结构化和标注的数据。
生成式人工智能（GenAI）：在过去15年中，即自深度学习时代开始以来，用于训练最前沿AI模型的计算能力每六个月翻一番——远快于摩尔定律的预测（见图2）。这些进展催生了人工智能的快速进步，并促成了最近一代GenAI系统的出现，这些系统能够生成数据。最重要的GenAI类型是大型语言模型（LLMs），以ChatGPT等系统为代表，这些系统专注于处理和生成自然语言。
AI代理：领先的AI实验室目前正在开发的下一个前沿是AI代理，即建立在先进LLM（如GPT-4或Claude 3）基础上的AI系统，这些系统具备规划能力、长期记忆，并且通常能够访问外部工具，如执行计算机代码、使用互联网或进行市场交易。自主交易代理已经在金融市场的特定领域使用了很长时间，例如高频交易。新一代AI代理的特点在于它们拥有最前沿的LLM的智能和规划能力。例如，它们可以自主分析数据、编写代码创建其他代理、试运行并根据需要更新等。因此，AI代理有可能彻底改变金融机构的许多功能——就像自主交易代理已经改变了金融市场的交易一样。
人工通用智能：对于一些领先的AI实验室来说，最终目标是开发人工通用智能（AGI），即能够执行人类能执行的所有认知任务的AI系统（Morris等，2024）。与当前的狭义AI系统不同，这些系统旨在执行具有预定义能力范围的特定任务，而AGI则能够进行推理、解决问题、在各种领域进行抽象思维，并跨不同领域转移知识和技能，就像人类一样。相关的，有些AI研究人员和AI实验室领导提到变革性AI（TAI），定义为具备足够能力以彻底改变我们的经济和社会运作方式的AI，例如，因为它们可以自主推动科学进步，包括AI进步，以远远超过人类习惯的速度，或因为它们显著加速经济增长（Sul九游体育官方网站eyman和Bhaskar，2023）。关于AGI或TAI是否以及多快能够实现，存在激烈的辩论。作为经济学家，我们认为对未来的一系列潜在情景给予一定的信任是明智的（Korinek，2023b）。
AI的快速发展正在改变金融系统。然而，正如在第2节所看到的，AI只是最新的信息处理技术。表1总结了之前描述的技术，从传统分析到AI代理，对四个关键金融功能的影响：金融中介、保险、资产管理和支付。
传统分析：早期基于规则的系统在金融中介和保险市场中被采用以自动化风险分析（Quinn（2023））。在资产管理中，它们允许自动交易并出现了新的产品，如指数基金。在支付中，它们自动化了基础设施的一个重要部分，也有助于欺诈检测。尽管这些模型通常易于解释，但它们也很僵化，需要大量人工监督。它们通常有很少的参数——这是它们效果的一个关键限制。
机器学习：机器学习的进步为金融领域的人工智能开辟了新的应用范围。与早期依赖数字处理的计算进展相比，机器学习能够处理各种数据格式。Kelly等（2023）指出了金融领域内三个使机器学习特别相关的因素。首先，预期价格或价格预测在金融市场分析中至关重要。其次，预测分析所需的信息集通常非常庞大，并且在传统模型中很难纳入。第三，金融市场分析可能在很大程度上依赖于功能形式的基本假设，而这些假设往往缺乏共识。在这种背景下，机器学习模型可以非常强大，因为它们能够纳入大量数据（因此，信息集），并且基于灵活的非参数功能形式。由于这些优点，机器学习模型已广泛应用于金融和经济学（Athey, 2018）。
生成式人工智能（主要是大语言模型）作为新领域的一部分，带来了独特的机会。生成性人工智能有两个关键方面对金融部门特别有用。首先，虽然早期的计算进展使得传统金融数据处理更加高效，但生成性人工智能能够提升新型（通常是非结构化）数据的可读性，这可以增强风险分析、信用评分、预测和资产管理。其次，生成性人工智能赋予机器类似于人类的对话能力，这可以改善后端处理、客户支持、机器人顾问和合规监管。此外，它还允许自动化之前被认为是人类独有的任务，例如，向客户提供建议并说服他们购买金融产品和服务（Matz等，2024）。
人工智能代理是那些在世界上直接行动以实现中长期目标的人工智能系统，几乎不需要人工干预或如何执行的具体说明。尽管当前的人工智能代理（如支持软件工程的代理（Scott, 2024））可能在规划能力上有限，但技术进步的速度可能在不久的将来带来更具能力的代理。这些人工智能代理能够比人类更快地处理新型信息并自主行动，例如用于软件设计或数据分析。人工智能代理可以将高频信息处理和自主行动从交易扩展到金融的其他部分。例如，它们可能很快会自主设计、营销和销售金融产品和服务。在金融领域及其相关领域中，人工智能代理的日益采用可能会带来挑战，特别是在没有监督和安全措施的情况下。在短期内，这可能包括网络安全、欺诈和由于高度个性化的数字金融助手造成的访问不平等；在中期，可能出现流动性危机或对人工智能代理的结构性过度依赖。
虽然金融部门擅长平滑小的经济冲击并帮助经济调整，但大型经济冲击有可能扰乱金融部门，从而被放大。人工智能的进步带来了扰乱许多经济部门及其劳动力的风险。根据颠覆的程度，这可能导致金融稳定风险。这不仅仅是理论上的可能性，因为历史上确实有重大经济颠覆波及金融部门的先例。例如，1920年代农业机械化使超过10%的美国劳动力从农业部门转移，导致广泛的按揭违约，这在1929年的金融危机和随后的大萧条中发挥了重要作用。科技专家和商业领袖越来越认为，未来几年人工智能的进步可能会更加具有变革性（见例如Korinek, 2023b）。尽管如此，近期数据尚未显示出任何大规模颠覆的迹象。然而，政策制定者还是应该做好应急计划，以防变革性人工智能情景成为现实。为了涵盖可能的结果范围，本文提出了两种情景。第一种是乐观情景，在这种情景下，人工智能的进步更有可能有利于金融稳定。第二种是消极情景，其中人工智能的实际效果扰乱金融稳定。当然，在这两种极端情况之间还有许多现实的情景值得准备。
乐观的人工智能情景：在最温和的情景下，人工智能将显著提高生产力，而不会产生显著的破坏性影响。到目前为止，人工智能工具在公司中的使用已经提高了员工的生产力，从客户支持（Brynjolfsson等，2023年）和程序员（Peng等，2023年）到各种其他业务专业人员（Noy和Zhang，2023年），甚至经济学家（Korinek，2023年）。近期证据表明，人工智能的采用与企业生产力之间存在正相关关系（Yang，2022年；Czarnitzki等，2023年），尽管这可能在不同职业和部门之间有所不同（Felten等，2023年）。在这种情景下，可以把人工智能视为一种正面（且适度的）生产力冲击，在不同部门之间产生不同的影响。使用基于Felten等（2021年）的人工智能曝光指数对宏观经济多部门模型进行校准，Aldasoro等（2024b）发现，人工智能可以显著提高短期和长期的产出、消费和投资。供应冲击在短期内可能是去通胀的，前提是家庭和企业没有充分预期到人工智能对经济的影响。但无论代理人如何形成预期，长期效应是通胀的。这种情景可能导致货币政策的“金发女孩”状态。人工智能的更广泛使用可能会减轻近期的通胀压力，从而支持中央银行将通胀率回到目标水平。在中长期内，由于人工智能引发的需求增加，通胀可能会上升，但中央银行可以通过紧缩政策来抑制需求。人工智能对增长的积极贡献可能会抵消一些威胁未来增长的长期不利因素，包括人口老龄化、再本土化以及全球供应链的变化，以及地缘政治紧张和政治碎片化。对产出的积极影响可能会增强经济偿债的能力，对债务可持续性产生积极影响。由于生产力的提高而导致的金融资产重新估值也可能支持这一过程，只要借贷成本的上升没有掩盖增长效应。
颠覆性人工智能情景：替代情景可能会更加颠覆性。一些人工智能专家预测，高度智能的自主人工智能代理可能在十年内达到通用人工智能（AGI）的水平，并可能能够自动化几乎所有由人类执行的任务。即使出现了新的任务，这些机器也可能在新任务上与人类一样出色，从而导致大规模的就业市场颠覆。在劳动力短缺的情况下，产出将呈指数级增长。在这种情况下，企业，尤其是劳动力市场，将面临非常大的冲击，因为劳动将被严重贬值。Korinek（2023b）考虑了两种情景，其中AGI分别在五年或二十年内达到。为了简化并突出这种转变的关键影响，本文在此考虑向人工智能代理的转变，而不具体确定时间线。
Korinek和Suh（2024）在一个宏观经济自动化模型中考虑了这些情景，强调了自动化速度对结果广泛分布的影响。例如，AI的快速增长情景，如AI起飞情景，可能在短时间内引发收入和财富的大规模重新分配。为了具体化这一点，本文将进一步描述人工智能的变革性进展如何影响要素和商品价格。可以肯定的是，变革性人工智能的出现越慢，相关的结构性转型以及任何支持政策措施越好，就越不必担心上述负面后果。
首先，人工智能的快速进展可能会显著贬值劳动，相对于资本，这可能导致广泛的消费者违约，除非采取对抗政策措施。在最近几十年中，已经有一些迹象表明，劳动收入份额有所下降，且有大类别的工人收入停滞（Autor，2022）。最近，关于生成型人工智能对劳动力市场影响的初步研究表明，高学历工人获得的技能溢价正在减弱（Noy和Zhang，2023）。相比之下，支撑生成型人工智能系统的“数字大脑”硬件的价值正在迅速上升。
第二，人工智能的快速进展可能会破坏传统企业，并将企业收入重新分配到围绕人工智能建立的新公司。这一转型可能发生得比正常的企业更替要快，从而带来企业违约的风险。例如，OpenAI的首席执行官Sam Altman最近表示，他预计我们将很快看到没有（人类）劳动力的万亿美元公司迅速接管某些业务领域。数字技术的赢家通吃效应可能会加剧这种动态。
第三，如果人工智能的快速进展显著加速经济增长和物价，利率可能会上升一个数量级（Chow和J Z Mazlish，2023）。这一激增可能导致信贷质量严重恶化和广泛的违约，可能对金融机构的资产负债表造成严重压力。
第四，如果劳动力市场（政府的主要收入来源）受到破坏，政府可能会经历税收收入的显著减少，从而质疑其债务可持续性。
第五，虽然人工智能的快速进展可能会促进技术发展前沿国家的增长，但也可能导致一种新的“智能鸿沟”。这种鸿沟可能使其他国家落后，导致严重的贸易条件损失（Korinek和Stiglitz，2021）。
这项研究强调了人工智能在塑造金融系统动态中的关键作用，金融系统被视为经济的“大脑”。通过研究从基于规则的系统到生成型人工智能的演变路径，突出了人工智能技术如何逐步增强金融部门的信息处理、风险管理和客户服务能力，从而提升其认知能力。然而，尽管人工智能为效率提升和创新提供了重要机会，但它也带来了复杂的挑战，包括模型不透明、数据依赖性以及系统稳定性问题。因此，制定有效的监管和治理框架对于充分利用人工智能的好处，同时减轻相关风险至关重要，这要求注重透明、公平和全球合作。同时，监管部门应意识到并非所有风险都需要监管——监管应针对表现为外部性的问题，而将那些不显现的风险留给市场机制处理。
通过关注人工智能进步与更广泛经济体之间的相互关联，本文还强调了现实经济和金融系统之间潜在的溢出效应和反馈效应。随着人工智能渗透到商业运营和决策过程中，需要仔细考虑其对就业、生产力、收入分配和更广泛经济的影响。政策响应必须考虑各种情景，从生产力提升到显著的劳动市场干扰，以确保包容性的经济增长和稳定性。
展望未来，持续的警惕和适应性的监管方法是必要的。通过促进利益相关者之间的对话和跨学科合作，政策制定者可以制定强有力的框架，利用创新促进社会福祉。持续的研究和实证分析对于深入理解人工智能对金融系统的影响，并指导在快速发展的技术环境中的明智政策决策至关重要。最终，通过利用人工智能的变革潜力，同时保护其风险，促进一个更具韧性和公平的金融生态系统，造福全社会。
