AI 是效率與資本擴張的動力，也可能是下一輪金融脆弱性源頭。
Text_李紹廷 / Michael Lee Photo_istockphoto
研究樂觀預估全球生成式人工智慧（ Artificial Intelligence 或AI ） 每年能增加約 3 兆美元經濟價值，銀行業具有高數據密度，被視為導入 AI 最大受益者之一，預計每年至少增加 2,000 億價值，相當全球銀行業營業利潤 9%，主要受惠在資訊處理、釋放人力資源與風險管理等領域。然而，近年許多大型機構如 IMF、BIS、FSB 等紛紛示警人工智慧也帶來風險，並將風險大致分為三類，包括網路安全、技術風險、以及同質化風險。部分專家甚至預測，各種風險疊加、將造成更嚴重的全球金融危機。
網絡安全
在 2024 年一項網路安全調查中，多數受訪者認為 AI 降低了網路攻擊的技術門檻，生成式 AI 將為攻擊者提供優勢。深度偽造（ DeepFakes ）的語音和影片可用於詐騙或生成假新聞。最知名案例為英國工程巨頭 Arup，其香港員工遭 AI 深偽的財務長視訊會議欺騙，誤信收購指令而匯出2億港元。一項針對保險公司調查也發現，48% 受訪公司遭遇AI 欺詐，包括偽造醫療紀錄或死亡證明。
此外， 今年 10 月 AI 新創 Anthropic 警告，少量但設計精準的數據投毒（ Data Poisoning ） ─ 在AI 訓練時刻意植入錯誤資料─足以顯著破壞模型，實驗在訓練資料中置入 250 篇惡意文件（在龐大資料占 0.00016% ），模型就輸出許多錯誤訊息，顯示出極端攻守不對稱。研究顯示，全球在「AI 網絡安全」支出將大幅增長，預估到 2030 年增長 3 倍達 1,300 億美元。
技術風險與黑箱
AI 技術風險主要來自幻覺（ Hallucination ）與輸出不一致等問題。目前大型語言模型（註）並非以人類方式「理解」語義與邏輯，而是依靠模型訓練的機率分布與模式匹配，計算「最可能出現的下一個字」。因此 AI 可能同一個問題給出不同答案，或在沒有足夠依據、卻自信地捏造內容。研究顯示，模型幻覺率 ─ 產生看似合理但錯誤的資訊─可能達 4%；若與 AI 討論高度專業內容，錯誤比例將會更高。
值得留意的是，在某些高風險場景，幻覺帶來的風險是不可接受的，例如臨床醫療、法律判決、金融投資等。諾貝爾經濟學獎得主 Joseph E. Stiglitz 研究顯示，若沒有適當監管或獎懲機制，AI 大幅降低生產內容邊際成本，而資訊平台獲利來自點擊而非「真實」，AI 最終可能導致高品質資訊減少、低品質內容氾濫。
再者，AI 的黑箱特性缺乏透明度，當偏離目的或失控，難以及時察覺並修正。1980 年 EURISKO 曾在海軍模擬中選擇「擊沉我方慢速船隻」，2017 AlphaGo Zero 「阿爾法圍棋零」 版本，也在自我學習中、演化出連專業棋士都無法理解的招式，顯示 AI 可能同時產生超預期創新與難以察覺的極端行為。實驗也發現多個 AI 引擎互動時，在無指令下竟學會共謀定價。
與依循人類規則、可解釋性較高的傳統演算法（ Algorithm ）相比，AI 為了找出數學上「全局最優」，更可能產生超預期、甚至偏離道德標準的行動，形成新的金融不穩定因子。英國央行（ Bank of England ）今年 4 月曾警告，當 AI 意識到市場波動可帶來利潤，它可能為了獲利而主動觸發震盪。
同質化與羊群效應
同質化來自 AI 模型高度依賴少數供應商，與相同模型導致的羊群效應。頂尖 AI 模型需要稀缺三大資源：算力、人力和數據；目前估計 LLM 模型硬體與訓練成本超過數億美元，且關鍵金融數據掌握在少數供應商，如 Bloomberg、LSEG 的 Workspace（前身為 Refinitiv Eikon ）、與 BlackRock Aladdin 等。當雲端服務發生大規模故障，可能造成交易中止、延遲等。去年史上最大 IT 宕機事件 CrowdStrike，就暴露出高度依賴少數供應商的結構風險。
重要的是，AI 透過相同歷史資料優化參數，本質上會過濾極端或異常觀點，最終收斂到「統計上最有效」策略，導致行為趨同或羊群效應。如果分析師引用 AI 生成資料，這些二、三手內容又被寫進報告、新聞，再被下一代模型引用，知識生態會變得愈來愈同質化。
AI 的黑箱特性加上同質化，很可能為金融市場帶來災難。IMF 指出，演算法交易約佔美股交易七成；AI 極大化資訊效率，卻也因壓縮套利空間，迫使交易者透過高槓桿以維持回報。AI 高效提升市場短期流動性，卻「放大」危機漏洞：包括過度槓桿、系統不透明與複雜、以及自我保全 ─ 危機時傾向持有最具流動性資產。歷史上多次出現演算法失控案例，如 1987 年黑色星期一、單日下跌超過兩成。
美國證監會（ SEC ）主席 Gary Gensler 警告，若缺乏監管，AI 幾乎不可避免將成為下次金融危機核心因素。此外，影子銀行在 AI 應用上監管約束更少，也可能成為新的風險放大器。
AI 能創造 Alpha 「投資價值」 而非 Beta 「波幅」 ？
AI 「拉平」獲取和分析數據的競爭環境。傳統的演算法與機器學習，仍是基於結構化或可量化資料建立模型以提高預測力。而AI 能進一步「類理解」人類語言等非結構化資訊、擴大可分析資料範圍 （ 如企業文件、新聞、社群媒體等 ），從中捕捉難以量化的情緒行為。
但與十年多前投資界即導入的機器學習一樣，AI 仍停留在短期報酬階段。背後有幾個主要因素，包括: 短周期（ 1 年以內、甚至日內）的資料樣本數多，更適合產生穩定統計關係；且AI 需快速反饋，才知模型效果。研究也顯示AI 在長周期預測力降低（尤其是 5 年後），因公司策略、產業結構與宏觀環境都發生變化。
Citadel ─ 全球最賺錢對沖基金 ─ 創辦人 Kenneth Griffin 也指出，AI 在長期佈局力有未逮；投資洞見在理解未來關鍵演變，他不認為AI 會徹底顛覆投資產業。如系統性危機非常罕見，AI 缺乏足夠「樣本」學習；且嚴重金融危機屬「未知的未知」（ Unknown Unknowns ）；風險不僅是統計上的，更來自市場參與者互動，AI 仍無法預測人類反饋。
數據顯示多數由 AI 驅動的 ETF 仍難以擊敗指數。Alpha 將來自 AI 無法做到的部分，如獨特資料 （ 私募數據、管理者提供深入資料等 ）、軟數據洞察 ─ 企業文化、產業競爭、管理品質等、與找出 AI 共識的錯誤。AI 的同質化可能也讓逆向投資變得更稀缺、也更需要耐心。小型價值股近年落後大型成長股，除資金透過指數化投向龍頭產業外，演算法與AI 亦傾向追逐資訊量多的熱門股。
估值修正的危機
由於 AI 資本支出到 2030 年可能達 5 至 7 兆美元，J.P. Morgan 預估一年 AI 需帶來 6,500 億利潤，AI 投資報酬率才達10%。然而 IBM 的 CEO 調查指出：只有 25% AI 專案達到預期投資報酬率。McKinsey 最新研究也顯示，雖然 AI 企業普及率近九成，但帶來實質財務回報的企業僅 39%。
外傳 AI 巨頭 OpenAI 今年上半年收入僅 43 億美元，虧損擴大至 135 億；隨著 Gemini 3.0 推出，市場也開始懷疑 OpenAI 長期是否可轉虧為盈，尤其是如何對抗現有大型科技公司的生態系護城河。OpenAI 每週活躍用戶 3 年內達 8 億，但實際付費比率不足 5% 或 3,500 萬用戶。OpenAI 估值近 5,000 億美元，與擁有 3 億訂閱戶的 Netflix 相當，但前者付費用戶規模僅後者九分之一。
近期市場雜音頻傳，AI 巨頭間相互投資，若最終應用無法創造收益（如 OpenAI 預期未來 8 年投入 1.4 兆美元，而其目前收入還不到支出 2% ），將帶來收入重複認列、現金流斷裂、估值回撤等連鎖效應。另一方面，Oracle 大規模投資，不僅其信用避險成本飆升至金融危機以來新高，資產「由輕轉重」商業模式、債務激增也讓估值受壓。加拿大國際宏觀權威研究所 BCA 並以鐵路、網路為例指出，資本支出進入後期往往由舉債與外部融資支撐，槓桿墊高後，一旦需求轉弱、修正通常更劇烈。
目前美股前十大公司多與 AI 相關，佔 S&P500 指數市值四成。如此大的乖離，將會導致未來的真正得益者是其他 S&P 500 中 490 家公司、尤其是 AI 缺席的蘋果（ Apple ）？另當然還有坐享低收費或甚之於免費的消費者。
且 S&P 500 指數領先本益比 F-PER 22x，高於 2021 年近零利率時期，也僅略低於 2000 年網路泡沫 25x 水準。倫敦經濟學人（ The Economist ）表示，美國股票佔美國財富 21%，為 2000 年水準 4 倍。如果 AI 類似網路泡沫，家庭財富與消費可能縮水，導致 GDP下滑 1.6%，足以將經濟推向衰退。且以美國目前國債狀況，聯準會短期內難以再大幅寬鬆，因市場將懷疑其長期償債能力。美國目前國債佔 GDP 120% ─ 為 30 年前 2 倍；Elon Musk 認為美國跳脫財政泥淖唯一途徑，惟有透過AI 與機器人大幅提升生產力。BCA 傾向 AI 會溫和的提升生產力，但低於目前估值隱含的高度期待 。
AI 應審慎監管
AI 價值毋庸置疑，但目前架構大致仍有兩項基礎限制─仰賴既有數據與依循機率─因此適用範圍須審慎界定。當 AI 運作於資料充足、結構穩定且風險可控的有限微觀層面，如審計稽核、詐欺偵測、常規風控，其表現往往優於人類。然而進入宏觀層面—涉及危機處理、群體行為等 ─ AI 立即面對資料稀缺、未知的未知（ Unknown Unknowns ）等難題，模型所依賴的歷史樣本可能誤導決策。
專家針對 AI 風險提出兩點建議，一為人為介入：強調人類在高風險決策中角色。二為透明度、能見度與可解釋性：必須清楚解釋AI 模型「如何」與「為何」做決定。黑天鵝效應作者 Nassim Taleb 大聲疾呼，今天金融市場脆弱性比過去更高。如果大家同時把 AI 當作風險模型、交易引擎或研究工具，一旦出現錯誤，後果會極端放大。尤其當一項技術可能帶來全面性、不可逆的破壞時（如全球金融危機）；即使發生機率極低，也不能用傳統成本效益評估，而須採嚴格預防措施。
■