当联合国大会开始讨论人工智能是否可能触发金融危机之际，《金融时报》9 月下旬刊发专栏，剖析 AI 给本就脆弱的银行体系带来的新型风险。这场危机的触发逻辑并非科幻作品里的失控 AI，而是现代金融体系长期隐藏的结构性弱点，正在被技术放大。同月在剑桥举办首届全球智能监管黑客松，由国际清算银行前总裁阿古斯丁・卡斯滕斯与英国金融行为监管局主席阿什利・奥尔德联合召集，近 300 支团队连同数十个东西方监管机构共同推演：当机器迭代速度超越法规更新时，金融监管应当如何运转。
银行往往凭借多元化资产组合，认为自身风险已经分散。但 AI 揭示，金融系统的脆弱性并不体现在资产负债表上，而是藏在底层运维体系：云服务商、第三方软件、模型输出结果，以及嵌入自动化决策中的各类假设。看似错落如森林的金融体系，在压力冲击下会迅速表现为单一作物式的同质化风险。
卡斯滕斯指出，大部分 AI 相关金融风险不在央行传统监管边界之内，集中体现为银行业对云服务商的高度依赖。传统监管框架擅长核查资本充足率、财报披露等指标，却难以巡查支撑这些数据运转的无形基础设施。监管者如同工程师发现大桥建立在未知断裂带上，风险焦点不再只是金融机构本身，而是机构之下的机器机房。有资深监管者直言，监管只能在现有法定权限内尽可能创新执法，法律修订滞后、技术飞速演进，使得监管执法不得不临场应变。
传统监管长期追求 AI 模型的可解释性，要求算法事后说明决策逻辑。如今这一思路正在退让，监管重心转向监控系统压力下的运行结果，并部署紧急熔断机制。二者本质差异明显：可解释性重在事后溯源；结果导向的风控，则保证系统在极端冲击下能够被紧急关停，即便模型本身无法被完全解读。
AI 金融风险的核心不是模型预测出错，而是相关性行为。多家机构采用相近算法、相同数据集与一致激励目标，单一模型错误就会演变为市场羊群效应。市场踩踏不需要人为串通，大量主体使用同类 AI 工具同步调仓，就足以引发共振。如同鸟群集体转向，并非每只鸟都有统一规划，只是局部信号趋同，而这种良性同步在压力环境下会迅速转化为系统性风险。
剑桥黑客松的初衷，不只是梳理 AI 风险，更是尝试由监管方自研智能监测工具，追踪资金流动、市场羊群行为、欺诈风险和智能投顾业务。监管不再只要求机构披露模型细节，而是打造能跟上机器速度的监控系统。但这套方案存在天然短板：政府监管系统算力、敏捷度不及私人机构，监管资源有限、决策偏谨慎；市场主体迭代更快，对试错容忍度更高。应急熔断机制也存在短板，紧急系统往往只能在事故发生后才完成压力验证。
有意思的是，本次黑客松不少创新思路来自印度、巴基斯坦、卢旺达、肯尼亚、阿联酋等非西方监管机构。资源有限反而倒逼监管因地制宜，拓展监管想象力。但局部监管优化，又会在系统其他位置催生新漏洞。英格兰银行已经将云服务商列为关键第三方主体纳入监管，这意味着金融稳定的边界持续向外延伸，每新增一处监管范围，就会新增一组风险管控难题。
历史反复证明，文明不断搭建更快的系统，再花费数十年学习如何避免系统崩塌。AI 未必一定会引爆金融危机，但复杂系统往往在信心最足、透明度最低处发生崩溃。金融本就依靠杠杆、相关性与中介信任运行，AI 压缩判断时间，一次算法错误还来不及上报，就已经被机器反复放大。金融监管的真正挑战，不是创新与风控的取舍，而是跳出旧有监管习惯，直面体系内部看不见的依赖关系。监管的目标，是在冲击到来前完成风险设计，而不是等待危机发生后被动验证脆弱性。
