AI 能讓金融更公平，也能讓崩盤更快速：潘特蘭與利普頓的金融系統診斷
MIT 社會物理學家潘特蘭與前美林量化金融主管利普頓在《數位主義者文集》合著分析：AI 對金融系統的改變是結構性的，不只是效率提升。同一批技術可以民主化資本取得，也可以在毫秒內引爆系統性崩盤。兩人從華爾街實戰和去中心化資料治理兩條路徑，為 AI 時代的金融穩定開出處方。
本文為「數位主義者文集」導讀系列 #V2-11。導讀對象為 Alex "Sandy" Pentland 與 Alexander Lipton 合著的〈Transformative AI in Financial Systems〉，收錄於 The Digitalist Papers Volume 2（2025）。
社會物理學家遇上華爾街量化專家
艾力克斯．山迪．潘特蘭（Alex "Sandy" Pentland）在《數位主義者文集》裡是個特別的存在。他是系列中少數在兩卷都有文章的作者之一。在第一卷，他和 MIT 政治學者 Lily Tsai 合寫了一篇關於多元主義的文章，談的是去中心化的資料治理如何讓民主運作得更好。到了第二卷，他換了搭檔，但主題的底層邏輯沒有變。這次他和亞歷山大．利普頓（Alexander Lipton）合著，把去中心化資料治理的思路從政治領域搬到了金融系統。兩篇文章隔了一年，中間的連結是一條清晰的線索：資料不應該被集中控制，不管那個控制者是政府還是華爾街的巨頭。
潘特蘭的學術身份很難用一個頭銜概括。他是 MIT 媒體實驗室的教授，但他真正的影響力來自「社會物理學」這個他一手建立的領域。簡單說，社會物理學用大量的行為數據來理解人群如何做決策、如何交換資訊、如何形成共識。他的研究證明了一件事：最好的集體決策不是來自最聰明的個人，而是來自資訊流動最順暢的網路。這個洞見直接影響了他對 AI 和金融的看法。他不信任任何把權力集中在單一節點的系統，無論那個節點是一家央行、一家科技公司，還是一個超級 AI 模型。
利普頓帶來的是完全不同的底子。他是 Risk Magazine 2000 年首屆「年度量化分析師」得主，2006 到 2016 年擔任美國銀行全球量化團隊共同負責人，在那之前還待過 Citadel、瑞士信貸和德意志銀行。更早之前，他是伊利諾大學的數學系正教授，研究過核融合和天體物理。這種從純數學跳到華爾街的職涯路徑，在量化金融圈其實不算罕見，但利普頓走得比多數人更遠。他不只做模型，還做制度設計。他和潘特蘭在 MIT 出版社合著了《建構新經濟：資料即資本》（Building the New Economy: Data as Capital），後來又寫了一本關於區塊鏈和分散式帳本數學基礎的專著。兩人的合作有明確的知識脈絡，不是臨時湊的組合。
這個搭檔之所以值得認真對待，是因為他們同時具備理論視野和實戰經驗。潘特蘭看得見金融系統的網路結構如何影響風險傳播，利普頓親手設計過那些結構裡的量化模型。一個從社會科學的角度看金融，一個從金融的內部看金融，兩條視線交叉的地方，就是這篇文章的獨特之處。
AI 改變的不只是效率，而是金融的結構
多數人對 AI 在金融領域的想像，停留在「做事更快」的層次。更快的交易執行、更精準的信用評分、更即時的詐騙偵測。這些都是真的，但潘特蘭和利普頓認為，只看這些就像看到冰山的尖端。他們的核心命題是：變革性 AI（Transformative AI，他們縮寫為 TAI）正在改變金融系統的結構本身，而結構的改變帶來的機會和風險，比效率提升大得多。
機會的部分很具體。他們提出，AI agents 結合代幣化（tokenization）和分散式帳本，可以做到三件過去做不到的事。第一，讓資本取得民主化。傳統金融體系裡，小企業和低收入個人很難取得信用，因為銀行評估他們的成本太高。AI 可以用更細緻的數據建立信用模型，把過去被排除在金融體系外的人拉進來。第二，碎片化資產所有權。一棟大樓、一家公司的股權，可以被拆成極小的份額，讓普通人也能參與過去只有機構投資者才玩得起的市場。第三，即時的金融監測。傳統的金融監管仰賴事後申報，AI 可以做到即時追蹤資金流動和風險累積，讓監管機構在問題爆發之前就看到預警信號。
但風險的部分同樣具體，而且跟機會是同一枚硬幣的兩面。AI agents 能幫助小投資者進入市場，也能被大型金融機構用來組建操縱性的交易聯盟。代幣化讓資產更容易流通，也讓恐慌更容易蔓延。即時監測能幫監管者看見風險，但如果所有市場參與者都用同一批 AI 模型做風險評估，他們會在同一個時間點做出同一個決定：賣。這就是模型同質化風險，金融穩定委員會（FSB）、歐洲央行（ECB）和英國央行都在最近兩年密集發出警告。SEC 前主席 Gary Gensler 用了一個精準的詞來形容這個問題：「單一文化」。農業裡的單一文化意味著整片農田對同一種病蟲害毫無抵抗力；金融裡的單一文化意味著整個市場對同一個衝擊毫無抵抗力。
歷史已經給過我們教訓。2010 年 5 月 6 日的閃崩，道瓊工業指數在幾分鐘內暴跌近千點，起因是一家公司的演算法在不考慮價格和時間的條件下拋售了 41 億美元的期貨合約，高頻交易公司的演算法跟著放大跌幅，然後集體退出市場，流動性瞬間蒸發。2024 年 6 月又發生了類似的事件，S&P 500 和道瓊在 AI 驅動的連鎖反應中跌了近一成。潘特蘭和利普頓的警告不是理論推演，而是對已經發生的事情的結構性解釋。
不是中央計畫，也不是放任市場
讀到這裡，你可能會以為他們的結論是「管起來」。但潘特蘭和利普頓走了一條更微妙的路。AI 對金融的結構性衝擊既然同時包含機會和風險，他們認為監管的目標不應該是「阻止改變」，而是「引導改變」。他們明確反對兩個極端：AI 驅動的中央計畫，和完全放任的自由市場。他們的理由很有意思。
反對中央計畫，是因為 TAI 有根本性的限制。人類的偏好會演化，而且不可預測。創新需要不確定性和試錯空間，如果所有資源配置都由一個中央系統決定，試錯的空間就被壓縮了。更關鍵的是，分散式的知識分配是市場的核心優勢，這一點海耶克在八十年前就論證過，AI 的出現並沒有改變這個基本事實。一個再強大的 AI 模型也無法即時掌握所有個人和企業的在地知識，因為這些知識有很大一部分是隱性的、脈絡化的、無法被數據化的。
反對完全放任，則是因為金融市場的外部性太強。一家銀行的風險管理失敗不只影響它自己，會透過網路效應傳播到整個系統。AI 讓這種傳播速度變得更快、範圍變得更廣。潘特蘭和利普頓在這裡引了馬克思對資本集中的批判，但他們的解法不是馬克思式的。他們提出的是「TAI 增強的市場」：政府負責協調策略性部門和監控系統性風險，市場負責分配消費品和日常資源，AI 則在兩者之間扮演即時情報系統和模擬工具的角色。
具體的政策工具有幾個。第一個是用 AI 增強的「存量-流量一致性模型」（Stock-Flow Consistent model），讓政策制定者可以做到即時的動態經濟建模，而不是仰賴季度報告。第二個是數位孿生：用 AI agents 來模擬家庭、企業和銀行的行為，在政策實施之前先做壓力測試。第三個是最有操作性的：限制聯盟形成。他們建議透過偵測交易模式中的異常相關性、在交易系統中注入噪音、以及把交易在時間上分散開來，防止 AI agents 在毫秒間協同操控市場。最後一個比較出人意料：他們認為加密貨幣市場是天然的行為經濟學實驗室，可以用來研究市場微結構和投資者行為，為主流金融市場的監管設計提供數據。
一場跨越整個系列的對話
這篇文章最大的價值，要放回《數位主義者文集》的整體脈絡裡才看得見。它跟至少三篇已經上線的導讀形成直接對話。
跟史迪格里茲那篇的對話最明顯。我們在導讀史迪格里茲時談過，他用資訊不對稱的框架分析了 AI 如何破壞資訊生態：真相的供給萎縮、謊言的供給暴漲、糾錯的努力沒人埋單。潘特蘭和利普頓把同樣的邏輯搬到了金融市場。金融市場本質上就是一個資訊市場。股價反映的是投資者對未來的集體判斷，而這個判斷仰賴資訊品質。如果所有市場參與者都從同一批 AI 模型取得分析，資訊的多元性就消失了。史迪格里茲擔心的 Grossman-Stiglitz 悖論在金融市場有一個更危險的版本：當 AI 讓所有人的資訊處理能力趨同，市場價格看起來更「有效率」，但實際上失去了自我修正的能力。潘特蘭和利普頓描述的模型同質化風險，正是這個悖論在金融市場的具體呈現。
跟 Athey 和莫頓那篇也有呼應。我們在導讀她們的文章時談過「雙重傷害」：在壟斷結構下，AI 降低成本的紅利不會流到消費者手上，非技術勞工反而受到兩重打擊。潘特蘭和利普頓的分析提供了金融面的補充。AI 確實能讓資本取得更民主化，但前提是市場結構允許。如果少數金融巨頭壟斷了 AI 基礎設施，讓小企業和個人也能取得信用的新工具，最後可能只是讓大銀行多了一套精準提取價值的手段。民主化資本取得和壟斷市場結構之間的張力，是 Athey/莫頓和 Pentland/Lipton 共同指向的核心問題，只是一個從商品市場看，一個從資本市場看。
跟 Korinek 和 Lockwood 的財政分析互補也很清楚。Korinek 算出，當一塊錢的價值創造從勞動轉向 AI 資本，聯邦稅收就少一毛五。潘特蘭和利普頓把視角從公共財政移到金融體系的穩定性。一個談的是政府收入端的挑戰，一個談的是金融系統端的風險。兩篇合在一起看，你會看到一個完整的圖像：AI 同時在削弱政府應對危機的財政能力，和放大需要政府應對的金融風險。這是一個不舒服但必須面對的組合。
台灣：全球資本市場的小型開放經濟體
台灣金融業的 AI 應用正在加速，但離潘特蘭和利普頓討論的結構性變革還有一段距離。金管會 2025 年 4 月的調查顯示，三成三的金融機構已經導入 AI，主要用在內部行政效率和智能客服。LINE Bank、樂天銀行、將來銀行三家純網銀帶來了數位化的推力，但核心的信用模型和風險管理仍然高度仰賴傳統方法。機器人理財的規模也在成長，17 家機構管理的資產已超過 131 億新台幣，使用者超過 21 萬人，但跟全球市場預估 2033 年達 3.2 兆美元的規模相比，還是非常早期。
但台灣面對的風險，跟應用的成熟度不成比例。台灣是一個高度開放的小型經濟體，股市的外資占比長期超過四成。這意味著，即使台灣本土的金融 AI 應用還在初期階段，全球金融市場中 AI 驅動的波動會直接傳導到台灣。2024 年 6 月的全球閃崩事件，台股也經歷了劇烈震盪。潘特蘭和利普頓描述的模型同質化風險，對台灣來說不是未來式，而是已經在承受的現實。當全球主要投資機構都用同一批 AI 模型做亞太市場的風險評估，台灣市場的波動就不再只反映台灣的基本面，而是反映了一個全球化演算法網路的集體判斷，以及集體恐慌。
金管會 2024 年 6 月發布的「金融業運用人工智慧指引」，提出了治理與問責、公平與以人為本、隱私與客戶權益、系統安全與穩健、透明與可解釋性、永續發展六大原則。2025 年底通過的《人工智慧基本法》進一步建立了法律框架。這些都是必要的起步，但目前的監管重心還是在個別機構的合規層面。潘特蘭和利普頓提醒我們的，是系統層面的風險：不是某一家銀行的 AI 模型出錯，而是所有銀行的 AI 模型同時出錯。台灣的金融監管如何從個別機構的合規審查，升級到系統性風險的即時監測，是下一步最關鍵的課題。
AI 時代的金融問題，不是技術問題
潘特蘭和利普頓在這篇文章裡做了一件重要的事：他們拒絕把 AI 對金融的影響簡化為「機會大於風險」或「風險大於機會」的二選一。他們的分析指向一個更根本的認知：機會和風險是同一套技術的兩面，差別只在制度設計。同樣的 AI agents 可以幫助一個非洲農民首次取得小額信貸，也可以在紐約證交所的毫秒級交易中引爆連鎖崩盤。技術本身沒有善惡，但制度選擇有。
回頭看潘特蘭在這個系列裡的兩次登場，有一條一以貫之的線索。第一卷跟 Tsai 合寫多元主義，第二卷跟利普頓談金融系統，表面上主題差很遠，但底層邏輯是同一個：資料和決策權力不應該集中在單一節點。在政治領域，這意味著民主參與和去中心化治理；在金融領域，這意味著分散式的風險監測和多元化的模型生態。這個堅持不是學術偏好，而是來自他對網路動力學的研究結論。集中式的系統在效率上可能贏，但在韌性上必定輸。金融系統最不需要的就是效率最大化，因為效率最大化的反面就是冗餘最小化，而冗餘恰恰是危機時刻的保險。
這篇文章留下了一個他們自己沒有完全回答的問題：誰來設計那些制度？他們建議的聯盟偵測、噪音注入、交易時間分散，都需要一個有能力、有意願、而且速度夠快的監管者。但全球金融監管的現實是，監管者的技術能力長期落後於市場參與者。當華爾街已經用 AI 做到毫秒級交易時，多數國家的金融監管機構還在用季度報告做風險評估。潘特蘭和利普頓為 AI 時代的金融穩定畫了一幅藍圖，但藍圖到落地之間的距離，可能比他們估計的更遠。
📚 「數位主義者文集」導讀系列