各国政府可以对工人进行再培训，但它们无法对概率进行再培训。呼吁将公共资金投入 AI 提升技能听起来审慎，但也不完整。更大的风险不是人们无法适应新工具，而是市场、监管者和企业以相同方式采用相同工具。这就是脆弱性的成因：模型的单一生态、同步的激励和薄弱的缓冲。我们不是在构建一个更聪明的经济体；我们是在构建一个相关性更强的经济体。这种安排会导致突然的系统性失灵。
认为国家主导的培训能防止由 AI 引发的经济冲击，把微观修补当成了宏观风险的对策。技能确实影响工资和流动性，但不能治愈系统层面的暴露。当经济在定价、交易、信贷、招聘和物流中以相似的模型架构和相同的数据残迹嵌入 AI 时，我们就在集中风险。当一个模型误判了制度环境，许多模型也会跟着误判。在工程学中，冗余意味着相互独立且故障方式不同的组件。在市场中，冗余现在应当意味着不存在的算法多样性。百万受过新训练的用户执行相同的玩法，并不会分散风险，反而会放大风险。
历史惩罚统一策略。组合保险放大了 1987 年的崩盘。具有共同因子的模型放大了 2007 年的平仓潮。当许多交易台追逐长期波动率套利时，2018 年的 VIX 突发成为机械化抛售。AI 提高了赌注，因为它放大了速度并缩窄了判断。如果基金和做市商部署类似的强化学习策略，输入几乎相同的特征，它们的行为就是共线的。一个小冲击可以传播为一个大冲击。近零延迟将犹豫变成反馈回路。闪崩并非谜团；它是紧耦合和共享启发式的属性。然而我们正鼓励更多这样的情况。这不是教育问题，而是设计问题。
AI 偏好近期数据，因为近期能比遥远的历史更好地预测下一笔变动。政策制定者和高管偏爱 AI，因为它减少噪声并提高表面上的准确性。二者合力可能会忘记尾部如何表现。以近期数据为优化目标的模型会对平静期赋予过高权重，而低估缓慢累积的不平衡。称之为经济失忆。我们最需要的记忆是漫长且令人谦卑的：信贷周期、能源冲击、政策失误、资产负债表衰退。如果工具剔除了“无关”的历史，决策者可能对以新面貌重演的旧模式视而不见。结果是在结构性断裂到来之前的麻痹自适。明斯基教导我们，稳定会孕育不稳定。在稳态制度上训练出来的 AI 学会押注稳定。这在有效时表现卓著，直至不再有效。
关于 AI 赋能小散户的叙事忽视了在共同信号下人群的行为。我们见过个别股票因协同的热情和空头的挤压导致被迫买入的暴涨。未来会更快、更频繁地再次发生，因为模型现在在公开数据中读取相同的情绪和资金流指标。扫描头条和期权流的散户工具会推动用户在同一时间向相同交易靠拢。这看似是民主化。在博弈论中，这其实是一个协调问题。当人人都知道触发点且知道彼此都知道时，就会发生踩踏。当放大由算法驱动时，天然热度与操纵之间的界限变得模糊。调准为老旧游 戏手册的监管者将会迟到。市场不会等人。
市场依赖分散、独立的价格发现。若任由 AI 优化器发展，它们可能在没有任何明确协议的情况下趋同于更高的价格。租赁市场已给出警示，关于据称推动房东走向算法性协调的软件引发了诉讼。当相同的算法摄取相同的需求信号、风险偏好和竞争者行为时，不需要阴暗的密室讨论。Goodhart 法则适用：一旦价格目标或入住率指标成为目标，系统便会学会迎合指标而不是服务真实市场。仅把政策资源放在培训工人而忽视算法趋同问题是错误配置。公平性问题拖得越久，企业因被视为榨取而非竞争的政治风险就越大。
AI 既是盾也是矛。随着模型触及更多金融管线，攻击面扩大。数据投毒可以通过微小、难以检测的输入改变输出。深度伪造可以通过模拟高管、监管者或地缘政治事件来移动价格。一条时机恰到好处的合成谣言，如果自动化系统在人工核实前就采取行动，就可能变成真实的抛售。在高度耦合的市场中，假象在足够长的时间内即可成为事实并造成破坏。这不是假设。我们以前已经见过市场因虚假头条而波动。现在，规模和逼真度使得这种手法更便宜、更迅速。如果你的防御只是培训人们提高数字素养，你就是用研讨会去对抗毫秒级的攻击。系统需要认证、断路器，以及在最关键处由人工介入的设计。
能经受冲击的经济体是为方差而非季度报表而建。这意味着冗余、正交性和检验相关性失效的监管。多样性要求不应仅限于董事会；它应适用于模型和数据。在主要市场参与者之间强制特征、目标函数和再平衡日程的异质性。要求披露模型重叠情况和对共享供应商的依赖。对关键算法进行压力测试时应覆盖长期历史制度，而不仅仅是滚动的五年窗口。监管者应像航空当局审查共同模式故障那样审查同步触发器。为关键职能建立慢车道，接受延迟和人工核查作为安全成本。目标不是阻止 AI，而是让系统从压力中获益而不是粉碎。
如果国家想防止 AI 引发的经济冲击，应将提升技能与标准并行推进。为政策和风险模型设定最低记忆要求，纳入远周期数据。推广开放审计轨迹，以便独立研究者能检测从众行为。鼓励模型提供商之间的竞争以减少供应商锁定。更新市场规则，将算法性放大视为一种风险因素，在交易或价格显著受自动化信号影响时要求报告。投资于专注于模型完整性的网络安全，而不仅仅是外围防御。当然，也要资助工人培训。但不要假装培训能解决机构在相同优化路径上趋同所创造的脆弱性。下一次危机不会问我们是否学会了编码，而会问我们是否学会了分散假设。
悖论显而易见。AI 承诺提高效率，而市场热爱效率。但没有弹性的效率不过是沙堡。一个谨慎的社会会接受一些摩擦和大量异质性，以避免脆弱的收益。提升技能有用，但它不是护城河。护城河是独立判断、非相关的模型，以及那种记住我们机器更愿意忘却的周期的谦逊。
