各國政府可以對工人進行再培訓，但它們無法對概率進行再培訓。呼籲將公共資金投入 AI 提升技能聽起來審慎，但也不完整。更大的風險不是人們無法適應新工具，而是市場、監管者和企業以相同方式採用相同工具。這就是脆弱性的成因：模型的單一生態、同步的激勵和薄弱的緩衝。我們不是在構建一個更聰明的經濟體；我們是在構建一個相關性更強的經濟體。這種安排會導致突然的系統性失靈。
認為國家主導的培訓能防止由 AI 引發的經濟衝擊，把微觀修補當成了宏觀風險的對策。技能確實影響工資和流動性，但不能治癒系統層面的暴露。當經濟在定價、交易、信貸、招聘和物流中以相似的模型架構和相同的數據殘跡嵌入 AI 時，我們就在集中風險。當一個模型誤判了制度環境，許多模型也會跟著誤判。在工程學中，冗餘意味著相互獨立且故障方式不同的組件。在市場中，冗餘現在應當意味著不存在的演算法多樣性。百萬受過新訓練的用戶執行相同的玩法，並不會分散風險，反而會放大風險。
歷史懲罰統一策略。組合保險放大了 1987 年的崩盤。具有共同因子的模型放大了 2007 年的平倉潮。當許多交易台追逐長期波動率套利時，2018 年的 VIX 突發成為機械化拋售。AI 提高了賭注，因為它放大了速度並縮窄了判斷。如果基金和做市商部署類似的強化學習策略，輸入幾乎相同的特徵，它們的行為就是共線的。一個小衝擊可以傳播為一個大衝擊。近零延遲將猶豫變成回饋迴路。閃崩並非謎團；它是緊耦合和共享啟發式的屬性。然而我們正鼓勵更多這樣的情況。這不是教育問題，而是設計問題。
AI 偏好近期數據，因為近期能比遙遠的歷史更好地預測下一筆變動。政策制定者和高管偏愛 AI，因為它減少噪聲並提高表面上的準確性。二者合力可能會忘記尾部如何表現。以近期數據為優化目標的模型會對平靜期賦予過高權重，而低估緩慢累積的不平衡。稱之為經濟失憶。我們最需要的記憶是漫長且令人謙卑的：信貸週期、能源衝擊、政策失誤、資產負債表衰退。如果工具剔除了「無關」的歷史，決策者可能對以新面貌重演的舊模式視而不見。結果是在結構性斷裂到來之前的麻痹自適。明斯基教導我們，穩定會孕育不穩定。在穩態制度上訓練出來的 AI 學會押注穩定。這在有效時表現卓著，直至不再有效。
關於 AI 賦能小散戶的敘事忽視了在共同訊號下人群的行為。我們見過個別股票因協同的熱情和空頭的擠壓導致被迫買入的暴漲。未來會更快、更頻繁地再次發生，因為模型現在在公開數據中讀取相同的情緒和資金流指標。掃描頭條和期權流的散戶工具會推動用戶在同一時間向相同交易靠攏。這看似是民主化。在博弈論中，這其實是一個協調問題。當人人都知道觸發點且知道彼此都知道時，就會發生踩踏。當放大由演算法驅動時，天然熱度與操縱之間的界限變得模糊。調準為老舊遊戲手冊的監管者將會遲到。市場不會等人。
市場依賴分散、獨立的價格發現。若任由 AI 優化器發展，它們可能在沒有任何明確協議的情況下趨同於更高的價格。租賃市場已給出警示，關於據稱推動房東走向演算法性協調的軟體引發了訴訟。當相同的演算法攝取相同的需求訊號、風險偏好和競爭者行為時，不需要陰暗的密室討論。Goodhart 法則適用：一旦價格目標或入住率指標成為目標，系統便會學會迎合指標而不是服務真實市場。僅把政策資源放在培訓工人而忽視演算法趨同問題是錯誤配置。公平性問題拖得越久，企業因被視為榨取而非競爭的政治風險就越大。
AI 既是盾也是矛。隨著模型觸及更多金融管線，攻擊面擴大。數據投毒可以通過微小、難以檢測的輸入改變輸出。深度偽造可以通過模擬高管、監管者或地緣政治事件來移動價格。一條時機恰到好處的合成謠言，如果自動化系統在人工核實前就採取行動，就可能變成真實的拋售。在高度耦合的市場中，假象在足夠長的時間內即可成為事實並造成破壞。這不是假設。我們以前已經見過市場因虛假頭條而波動。現在，規模和逼真度使得這種手法更便宜、更迅速。如果你的防禦只是培訓人們提高數位素養，你就是用研討會去對抗毫秒級的攻擊。系統需要認證、斷路器，以及在最關鍵處由人工介入的設計。
能經受衝擊的經濟體是為方差而非季度報表而建。這意味著冗餘、正交性和檢驗相關性失效的監管。多樣性要求不應僅限於董事會；它應適用於模型和數據。在主要市場參與者之間強制特徵、目標函數和再平衡日程的異質性。要求披露模型重疊情況和對共享供應商的依賴。對關鍵演算法進行壓力測試時應覆蓋長期歷史制度，而不僅僅是滾動的五年窗口。監管者應像航空當局審查共同模式故障那樣審查同步觸發器。為關鍵職能建立慢車道，接受延遲和人工核查作為安全成本。目標不是阻止 AI，而是讓系統從壓力中獲益而不是粉碎。
如果國家想防止 AI 引發的經濟衝擊，應將提升技能與標準並行推進。為政策和風險模型設定最低記憶要求，納入遠週期數據。推廣開放審計軌跡，以便獨立研究者能檢測從眾行為。鼓勵模型供應商之間的競爭以減少供應商鎖定。更新市場規則，將演算法性放大視為一種風險因素，在交易或價格顯著受自動化訊號影響時要求報告。投資於專注於模型完整性的網路安全，而不僅僅是周邊防禦。當然，也要資助工人培訓。但不要假裝培訓能解決機構在相同優化路徑上趨同所創造的脆弱性。下一次危機不會問我們是否學會了編碼，而會問我們是否學會了分散假設。
悖論顯而易見。AI 承諾提高效率，而市場熱愛效率。但沒有彈性的效率不過是沙堡。一個謹慎的社會會接受一些摩擦和大量異質性，以避免脆弱的收益。提升技能有用，但它不是護城河。護城河是獨立判斷、非相關的模型，以及那種記住我們機器更願意忘卻的週期的謙遜。
