導 讀 003
第一章 駕馭老虎 001
第二章 繫統性風險 009
第三章 土撥鼠之日 033
第四章 風險的圓形監獄 061
第五章 風險計量儀的迷思 087
第六章 想法很重要：風險和不確定性 113
第七章 內生風險 131
第八章 如果你不能承擔風險，請更換風險計量儀 155
第九章 “金發姑娘原則”的挑戰 179
第十章 風險表演 203
第十一章 一致、效率和穩定的三難困境 229
第十二章 鮑勃的故事：機器人和未來風險 249
第十三章 不該走的路 271
第十四章 該怎麼辦 293
致 謝 311
注 釋 313
參考文獻 319
譯後記 327

第十二章
鮑勃的故事：機器人和未來風險

AI是什麼
計算機說不。——卡蘿爾·比爾
關於AI的文章已經有很多，這裡沒有必要重復介紹。我強烈推薦斯圖爾特·羅素的《AI新生：破解人機共存密碼——人類*後一個大問題》這本書。但我想闡述一下我的立場，所以請耐心聽我說。AI背後的理念是計算機通過了解世界的種種來獨立決策。它能做像玩遊戲一樣簡單的事情，也能完成像開車一樣復雜的事情，它甚至可以監管金融體繫。對AI進行描述並不簡單，甚至連專家也無法達成共識。先從機器學習開始說，機器學習是一種計算機算法，使用可用數據來了解產生這些數據的世界。這種算法研究所有規律和復雜的因果關繫。神奇的是，它可以在沒有人為干預的情況下做到這一點，即無監督學習。這與我們通常從事科學研究的方式不同。一般的做法是，我們首先對世界運行的可能方式提出一些想法（某種理論），然後看看數據是否與該理論相容。
一家超市可以用機器學習算法來確定店內銷售可口可樂的*佳位置，以實現銷量*大化。數據科學家通常需要收集可口可樂的銷量、天氣和人口統計等歷史數據。他用機器學習算法處理這些數據，然後告知超市貨架上銷售可口可樂的*佳位置。這將涉及大量的數據。對於像沃爾瑪這樣的連鎖零售商來說，這通常意味著千萬億條數據，即所謂的大數據。*關鍵的是，機器學習算法不需要了解關於可口可樂或超市的任何信息，而隻需要獲取銷售相關數據並發現規律即可。
但天下沒有免費的午餐，有得就有失。機器學習需要大量的數據，遠遠超過大多數統計應用所需要的。它需要大數據，因為它對世界一無所知，所以必須從數據中學習一切。相比之下，人類了解世界，可以用先前掌握的信息，包括文化、經濟、歷史等來解決問題，因此需要的數據要少得多。我們了解理論，所以小數據集就可以滿足傳統統計工具的需求。
機器學習為的是從數據集中提取信息，而AI的目標是基於這些數據做出決策。如今，AI已經被用來做很多決定。在21世紀初的一部英國喜劇《小不列顛》中，有一幕反復出現——銀行信貸職員卡蘿爾·比爾每次面對客戶的問詢，他都在電腦上打字，然後回答：“計算機說不。”即使是對*合理的要求也是如此。
不過，AI這個詞有點用詞不當。當下AI的智能和人類的聰明不一樣。它隻知道很多假設性的指令。比如，如果交通信號燈紅燈閃爍，司機就停下來；如果綠燈閃爍，司機就看看交通狀況再走。AI在某種程度上想要復制人類的大腦。人類大腦平均有860億，它們通過突觸相互連接，形成神經網絡。理論上，一臺擁有足夠多人的計算機，若以同樣的方式連接起來，就可以變得智能。但我們還沒到那個階段。現在AI的智能還隻停留在普通昆蟲的水平，比如蟑螂。它們是較聰明的昆蟲之一，能夠學習和適應環境，甚至還被認為是唯一一種能在核戰爭中幸存的動物。它們不是*具社會性的動物，但確實表現出復雜的社會行為。AI還沒有趕上蟑螂。用理論物理學家加來道雄的話來說，“目前，我們*先進的機器人加起來的智能和智慧與一隻蟑螂相當，還是大腦遲鈍的蟑螂，一隻被切除額葉的智障蟑螂”。1
以英特爾聯合創始人戈登·摩爾的名字命名的摩爾定律指出，一個芯片中的晶體管數量每18個月會翻一番。這個定律有用嗎？與我辯論的那位技術愛好者所提倡的就是這個定律。我讀博士時，曾在一臺2 70的Cray Y-MP超級計算機上運行過計算機代碼。當時我們要排隊使用這臺計算機，一個經濟學博士生的需求也得不到優先滿足。但我了解到周日排隊的人不多，所以我周日早上4點起床去辦公室，就可以獨享這臺計算機一段時間了。我經常這樣做。我*近在巴黎的時候，在科學博物館看到了一臺Cray Y-MP超級計算機。我口袋裡蘋果手機的運行速度是這臺計算機的很多倍。從我出生前到現在，計算速度一直呈指數級增長，而且沒有放緩的跡像。
摩爾定律能幫助AI趕上人類智力嗎?簡短的回答是否定的。摩爾定律是有關計算速度的增長，但AI追趕人類的問題不在於速度，而在於概念。不管計算機有多快，現在的AI算法的質量根本無法幫助我們走得很遠。然而，突破可能會在一夜之間發生，有人可能已經想出了一種全新的算法，讓AI超越人類。但這一切可能永遠也不會發生。
專家稱這種可能性為技術奇點，一些人認為這並不遙遠。谷歌的工程總監雷·庫茲韋爾表示：“2029年是我一直預測的年份，屆時AI將通過有效的圖靈測試，從而達到人類的智能水平。我把2045年定為‘奇點’年份，到那時，通過與我們創造的智能相結合，我們的有效智能可以實現10億倍的增長。”
然而，我們並不需要到達奇點纔能讓AI發揮作用。AI不需要達到人類智能的水平，甚至不需要蟑螂或螞蟻智能的水平纔能有用。問題越具體，AI的表現就越好。所以，AI擅長玩規則已知且目標明確的遊戲。*近一個著名的AI應用是谷歌的，它隻接受了關於圍棋遊戲規則的指導，就能在三天的時間裡學會如何戰勝它的前身阿爾法狗，後者早些時候擊敗了圍棋世界冠軍。
擅長玩復雜的遊戲就意味著擅長做其他事情嗎？很多人都這麼認為。蘇聯人很尊敬本國的棋手，認為如果一個人能夠掌握國際像棋的復雜策略，就應該能夠管理中央計劃經濟或在戰爭中取勝。列寧是一個厲害的棋手，斯大林更是如此。然而，擅長下棋的AI更像一個白痴神童，就像電影《雨人》中的主角一樣。擅長下棋並不能說明它是否有做其他事情的能力，比如監管金融體繫或駕駛汽車。在像國際像棋這樣的遊戲中，玩家可以采取的行動數量事先是確定的，並且所有關於遊戲狀態的信息對玩家來說都是可見的。用博弈論的語言來說：信息是完整的，行動空間是有限的。
這也是AI可以（在一定程度上）駕駛汽車的原因：有很多信息可供AI學習，規則易於理解而且不會有太大變化。即便如此，AI也隻能在高速公路上行駛，而且天氣不能太糟糕。AI是不可能在城市裡開車的，更不用說在大雪天所有交通標志都看不清楚的時候駕駛。也許對駕駛汽車的AI來說，*大的挑戰是人類。人類是不可預測的，我們的行為方式可能會讓自動駕駛汽車感到不安。所以，一些AI設計師提議對人類行為進行重新規範。3
當AI面對的不再是棋盤遊戲和高速公路駕駛這樣具體的任務時，它的表現就會變差。它不擅長玩那些信息不完整、行動空間不明確的遊戲。我認為它不會在我*喜歡的遊戲《外交》中有很好的表現。我曾經和幾個朋友在網上玩《外交》，其中一位是政客。他毫不費力地擊敗了我們，表現出其他選手所沒有的狡猾和策略。我覺得人工智能在短時間內不可能打敗他。如果規則在遊戲過程中發生變化，那麼AI面臨的挑戰就更大了，但大多數人類活動都會出現規則的變化。
我自己有一個檢驗機器人和AI的測試。我可以付給一個從未來過我家的人1來幫我洗衣服。他來到我的大學辦公室，我給他錢、鑰匙和我家地址。他找到我家，進去找到我的洗衣籃和洗衣機，弄清楚如何操作機器，在哪裡可以找到洗滌劑。他洗好衣服，放進衣櫃，離開，把鑰匙從我家門上塞郵件的縫裡塞進去。在做這一切的過程中，他都不需要任何解釋或指示。這種技術存在的時間比我的年齡還長。要是AI有一天可以做到這一點，那我將相當欽佩。
英格蘭銀行的機器人：鮑勃
幾年前，英格蘭銀行首席經濟學家安迪·霍爾丹設想了一種控制金融體繫的新方法，監管者將“近乎實時地（想像一下他們坐在《星際迷航》中的椅子上，使用一組監視器）跟蹤全球資金流動，就像監控全球天氣繫統和全球互聯網流量一樣。他們關注的是全球金融流動圖”。4我們就把這個監管者稱為鮑勃，全稱英格蘭銀行機器人（見圖12-1）。鮑勃是監管英國金融體繫的未來AI。鮑勃將收集所有的數據和人類行為，並用它們來識別所有的突發事件，識別脆弱性、低效和繫統性風險。進一步假設，其他主要金融中心也開發了自己版本的鮑勃，比如弗蘭和伊迪斯，而且所有AI都展開友好合作。各個金融機構也將有自己的AI，比如格斯、瑪麗和貝蒂等。這是一個注定要失敗的不切實的未來願景，就像20世紀70年代的飛行汽車一樣嗎？不。雖然鮑勃和它的其他AI朋友還不存在，但是創造它們的技術已經存在了，大部分都存在了，我們缺乏的隻是意願。
微觀審慎監管機構已有機器人監管者。監管科技（RegTech）——其英文為監管（Regulation）和技術（Technology）兩個單詞的縮寫——成了備受關注的流行詞。其主要支持者英國金融行為監管局將監管科技定義為“使用新技術來促進監管要求的實施”。在過去的幾年裡，我參與了英國金融行為監管局、我所在的研究中心和其他感興趣的各方進行的一個聯合監管科技研究項目。
一切從規則手冊開始。如果把所有監管規則和法規打印出來，打印出來的紙張會有兩米高。英國金融行為監管局已將規則輸入AI引擎，以檢查規則是否存在矛盾之處，並提供更快、更好的建議。與英國金融行為監管局機器人通信的金融機構發現，它的回答比人類同事好得多。AI也正在徹底改變銀行的風險管理。建立風險管理AI的第一步是開發和管理風險測量方法，這對AI來說是一項簡單的任務。它可以快速學習所有已批準的模型，數據可以很容易獲得，並且設計風險測量方法也很容易。如今，許多金融機構的AI引擎正是這樣做的。然後，AI需要了解一家銀行的所有投資，以及做出這些投資的個人。這樣，我們就有了一個可以正常運行的風險管理AI。必要的信息已經儲存在銀行的信息技術基礎設施中，風險管理過程中也不存在不可逾越的技術障礙。如果有，就使用阿拉丁繫統或風險計量繫統來克服。這樣做將巨大的成本。銀行可以用AI取代大多數風險建模師、風險經理和合規官。技術已經存在了，剩下要做的就是將銀行的高層目標告知AI。然後，AI就可以自動管理風險，建議誰被解雇或獲得獎金，並就如何投資提出建議。
風險管理和微觀審慎監管是AI的理想用途——利用大量結構化數據確保明確的規則和流程得到遵守。它們可以接觸到有關人類行為的監測數據，得到精確的高層目標的指導，並產生可以直接觀察到的結果。就像玩遊戲的應用場景一樣，監管場景中的信息大多是完整的，而行動空間是有限的。雖然還有一定差距，但技術進步的軌跡讓我們深信AI有一天可以完全實現當前的許多功能。我們面臨的主要障礙不是技術，而是在法律、政治和社會方面的考慮。
但是宏觀審慎監管是一個不同領域的問題，因為AI在該領域實現良好表現的所有先決條件都不存在。數據是稀缺的，宏觀審慎監管涉及的事件大多是獨特且偶發的。畢竟，經合組織成員平均每43年纔會遭遇一次繫統性危機，所以可供AI訓練的數據很少。更糟糕的是，監管當局和私人機構從過去的危機中吸取教訓，往往不會重復犯錯，但是會制造出新的錯誤，使AI無法應對。在*近的一篇論文《人工智能和繫統性風險》（本章其餘部分基於該研究）中，我與兩位合作者羅伯特·麥克雷和安德烈亞斯·烏特曼一起研究了AI執行宏觀審慎政策所面臨的主要問題。我們認為有四個方面需要特別關注：順周期性、未知的未知因素、缺乏信任，以及反繫統的優化。
銀行業本質上是順周期的。銀行在經濟景氣時自由放貸，刺激了繁榮；而當形勢惡化時，它們反過來又收縮放貸，導致信貸緊縮。現代金融法規和風險管理實踐對風險計量儀和風險儀表盤的依賴，進一步加劇了順周期性。風險計量儀查看近期的歷史價格數據，如果數據看起來穩定，那麼風險計量儀的風險讀數就低。問題在於，價格數據在上漲時往往比在下跌時更穩定，任何回顧式的、數據驅動的過程，包括AI背後的機器學習過程，都將認為在市場平靜時期風險較低，在危機之後較高，所以測量風險過程本身就是順周期的。我們對風險計量儀輸出結果的使用也是順周期的。這些結果會影響風險控制繫統和監管，因此那些負責風險投資決策的業務經理、信貸員及交易員也會放大金融周期。當然，這並非源於AI本身的問題。但我認為，由於AI以特殊的方式與風險測量和管理產生相互作用，這個問題變得更加嚴重。
金融機構和監管機構的AI引擎都可以使用相同的數據和機器學習技術，都擁有重要的計算資源。各種AI引擎將不可避免地以比人類風險建模者更快的速度選擇同一個風險計量儀，從而實現知識的統一。AI還將統一行動，協調金融機構對新信息的反應。它比人類更能理解*佳實踐，知道應該做什麼，不該做什麼。AI將推動銀行以同樣的方式管理風險。所有這些都是順周期的，因為它們與銀行的客觀功能相互作用，在已有限制下實現利潤*大化。各家銀行獲得的信息越相似，它們的解決方案就越接近。這意味著出現擁擠交易，金融周期被放大。歸根結底，AI之所以具有順周期屬性，是因為它傾向於單一栽培。由於AI比人類風險管理人員擁有更多的信息，因此從整個行業來看，它推薦的解決方案會變得越來越相似。但即便如此，如果沒有所有外部約束（*重要的是監管法規），AI也不一定是順周期的。監管法規和AI之間的相互反饋，是單一栽培和繫統性風險*危險的驅動因素。
如果我們要求AI管理金融穩定，那它會去哪裡尋找危險？從事後來看，2008年金融危機有很多預警信號，許多人批評人類監管者錯過了所有這些信號。AI能做得更好嗎？不太可能。對於基於次級抵押貸款開發結構性信貸產品並為其提供隱形流動性擔保的做法，如果沒有對其在多個行政轄區、不同類別機構和國家產生的後果進行觀察和總結，那麼AI就無法進行學習。可以想像，在2008年，一個設計良好的AI引擎可能已經注意到房價、抵押貸款違約和違約相關性（決定CDOs價格的幾個因素）之間的聯繫。它還可能意識到流動性蒸發時結構性信貸產品的脆弱性。但是，即使AI識別出了每一個素，它素組合在一起的可能性也相當低，而這是發現體繫的一繫列脆弱性所必需的。這對AI、銀行和各國金融當局都提出了很高的要求，各國金融當局必須允許數據驅動式的國際監管深度介入各國的數據和監管中。
能否成功發現金融體繫中的繫統性風險，取決於脆弱性在哪裡。有充分經濟理論支撐的日常因素會驅動金融危機出現。然而，每個危機事件的底層細節通常都是獨特的。每次危機過後，監管者和金融機構都會吸取教訓，調整流程，避免再犯同樣的錯誤。