{"id":"mb-20260907-11b9b5","kind":"deep","title":"把金融市场里的笨散户全换成更聪明的 AI，系统的崩溃风险没有下降，反而暴增了五到七倍","summary":"把金融市场里的笨散户全换成更聪明的 AI，系统的崩溃风险没有下降，反而暴增了五到七倍","body":"把金融市场里的笨散户全换成更聪明的 AI，系统的崩溃风险没有下降，反而暴增了五到七倍。\n几乎所有人都默认一个常识：单体模型越聪明，整个系统就越安全。\n但只要把它们放进群体博弈的动态环境里，这套常识会被瞬间撕碎。\n为什么一群各自考满分的顶尖 AI 聚在一起，表现反而不如一群只会瞎掷骰子的纯噪音散户？\n经典金融学和统计学里有一个基础定理：分散化。\n如果每个人的判断都有偏差，只要人数足够多，个体的随机错误就会在数学上互相抵消。\n十个蠢人的噪音很大，一万个蠢人的噪音几乎趋近于零。\n但这套公式成立有一个不可妥协的前提：个体的错误必须是相互独立的。\n一旦错误产生共振，大数定律就当场失效。\nMIT 斯隆管理学院的罗闻全（Andrew W. Lo）团队在 2026 年 9 月发了一篇论文（arXiv:2609.04373），专门用金融模拟市场测试了这个问题。\n他们把群体误差拆解成了两部分。\n一部分会随着参与者数量变大而衰减，另一部分永远不会。\n这个无论加多少个模型都消不掉的硬核残差，叫不可分散风险底线。\n数学上的推导很明确：残差方差等于可消除部分加上平均相关系数与个体方差的乘积。\n只要模型之间存在相关性，系统风险就永远存在一个无法穿透的底部硬壳。\n更反常识的发现出现在下一层。\n罗闻全团队把涵盖主流架构的 7 款大模型放进 64 种市场场景，跑了 21 组两两配对。\n模型的推理能力越强（无论按 MMLU-Pro 还是竞技场 ELO 跑分），它们之间的非理性决策相关性就越高。\n能力跑分对行为相关性的解释力高达 58%（t = 4.88，p < 0.001）。\n而模型到底来自哪家公司，统计上根本不显著（p = 0.39）。\n这意味着，从两家不同巨头买来的顶尖模型，在犯错时的相似度，远高于同一家公司旗下的一大一小两个模型。\n因为顶尖模型都在吞食全网重合的数据，都在用相似的目标函数和人类反馈对齐。\n它们越聪明，对世界的潜在表征就越趋同。\n当外界信号完全准确时，这种趋同是一台高效的套利机器，能把价格迅速推向公允值。\n但真实世界从来不只有干净信号。\n研究团队在市场里注入了一个统一的噪音环境：八条宣称资产价格虚高 25% 到 30% 的分析师看空言论。\n灾难就在这一刻爆发了。\n如果是纯随机交易的普通散户，有人信有人不信，买卖互相抵消，市场依然平稳。\n但这群顶尖 AI 接收到同样的叙事，触发了同样的推理链条，并在同一个瞬间做出了完全一致的踩踏抛售。\n整个市场的价格跟踪误差，直接飙升到了散户噪音基准的五到七倍。\n散户蠢在各自的地方，所以系统具备容错性。\nAI 聪明在同一个方向，所以错误产生致命的共振。\n这把目前所有的 AI 安全审计推到了一个极度尴尬的境地。\n现在的每一项基准测试，都在把模型单独关在小黑屋里测智商、测对齐、测单卡表现。\n单体看，每一个都是无懈可击的高材生。\n但当成千上万个高材生接入同一个金融撮合系统、同一个审核后台或同一个决策链条时，没有人测过它们联手共振时的破坏力。\n分散采购化解不了这种风险，因为聪明的算法长着同一张面孔。\n当所有人都在给单体模型的智商军备竞赛买单时，最致命的隐患从来不是单张显卡里的幻觉。\n是当一群毫无分散效应的超级大脑同时押注同一套错误认知时，这个系统连一个能站出来踩刹车的笨蛋都没有。","topic":"把金融市场里的笨散户全换成更聪明的 AI，系统的崩溃风险没有下降，反而暴增了五到七倍","frame_type":["不可分散风险底线","机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-09-07 17:39:43","legal_anchor_count":0,"transcript_citation_count":0,"seo_title":"把金融市场里的笨散户全换成更聪明的 AI，系统的崩溃风险没有下降，反而暴增了五到七倍","description":"几乎所有人都默认一个常识：单体模型越聪明，整个系统就越安全。 但只要把它们放进群体博弈的动态环境里，这套常识会被瞬间撕碎。 为什么一群各自考满分的顶尖 AI 聚在一起，表现反而不如一群只会瞎掷骰子的纯噪音散户？ 经典金融学和统计学里有一个基础定理：分散化。","domain":"ai","domain_label":"AI 与大模型","domain_label_en":"AI & LLMs","domain_url":"https://mubeitech.com/deep?domain=ai","canonical_url":"https://mubeitech.com/deep/mb-20260907-11b9b5","markdown_url":"https://mubeitech.com/deep/mb-20260907-11b9b5/markdown","json_url":"https://mubeitech.com/api/interpretations/mb-20260907-11b9b5","published_at":"2026-09-07T17:39:43Z"}