今天，我们正站在新一轮技术革命的浪潮之巅，以人工智能为代表的颠覆性技术正以前所未有的深度和广度渗透到金融领域的各个层面。然而，人工智能作为一把双刃剑，在带来机遇的同时也伴生新的复杂摩擦，这些问题不仅可能抵消技术进步所带来的红利，还对金融体系的稳健运行提出了新的挑战。

佛罗里达大学沃灵顿商学院金融学教授，斯科特·弗里德曼金融人工智能讲席教授、金融学博士项目主任唐岳华在《北大金融评论》发文表示，传统的金融市场理论将信息不对称、交易成本和代理问题视为影响市场效率的三大核心摩擦。人工智能技术凭借其独特优势，为缓解这些顽固的摩擦提供了有效的解决方案。但是，面对人工智能带来的机遇与挑战，监管机构需要一个多层次、具有前瞻性的治理框架，平衡创新激励与风险防控。

本文完整版刊登于《北大金融评论》第25期。

一直以来，金融市场始终在与各类“摩擦”作斗争。这些市场摩擦，如信息不对称、交易成本和代理问题，阻碍资本的自由流动，降低市场效率，甚至可能引发金融风险。从早期的电报到现代的互联网，技术进步一直是削减这些摩擦、推动金融市场演进的关键驱动力。

今天，我们正站在新一轮技术革命的浪潮之巅，以人工智能（AI）为代表的颠覆性技术正以前所未有的深度和广度渗透到金融领域的各个层面。金融业已经成为人工智能应用最为积极的领域之一，同时也是最大的受益者。人工智能凭借其处理海量非结构化数据、识别复杂模式和进行预测性分析的能力，为解决长期存在的金融市场摩擦提供了全新的工具和视角。它不仅能够提升信息获取和处理的效率，还能自动化复杂的交易和决策流程，从而为建立一个更高效、更透明、更普惠的金融体系注入了强大动力。

然而，人工智能作为一把双刃剑，在带来机遇的同时也伴生新的复杂摩擦。算法的“黑箱”特性削弱了可解释性，广泛使用相似模型可能加剧市场趋同，金融机构对少数算力与平台供应商的依赖增加了集中度风险，AI 系统的互联性放大了网络与操作风险，而生成式AI 的“幻觉”与信息污染则可能冲击市场稳定。这些问题不仅可能抵消技术进步所带来的红利，还对金融体系的稳健运行提出了新的挑战。本文旨在系统分析AI 对金融市场摩擦的双重影响，评估其在缓解传统摩擦和产生新型摩擦方面的作用机制，并提出相应的政策应对框架。

AI缓解传统金融市场摩擦的机制

传统的金融市场理论将信息不对称、交易成本和代理问题视为影响市场效率的三大核心摩擦。人工智能技术凭借其独特优势，为缓解这些顽固的摩擦提供了有效的解决方案。

信息不对称的智能化解决

信息不对称是金融市场最基础的摩擦。借贷双方以及投资者与企业之间普遍存在的信息差异，直接影响信贷和投资市场的效率，甚至可能导致市场失灵。AI 技术通过多维度信息整合和智能分析，有望显著缓解这一问题。

首先，大数据与机器学习的结合极大拓展了信息获取的边界。传统信贷评估主要依赖财务报表等结构化数据，而AI 则能够处理社交媒体、线上交易、移动支付等海量非结构化信息，构建更为全面的信用画像。蚂蚁金服的芝麻信用正是典型案例，其整合阿里生态内外的多维数据，覆盖数以亿计的实名用户，用于构建信用度量体系，有效缓解了普惠金融中的信息不对称。已有国际研究表明，基于机器学习并结合租金、水电缴费、账户流水、教育与电商行为等非传统数据的信用评估模型，能够显著改善违约预测效果。通过发现“隐形优质客户”（即传统评分偏低但实际违约风险不高的借款人），AI模型不仅增强了风险识别能力，也为普惠金融的拓展提供了新的路径。

其次，自然语言处理（NLP）技术，特别是大型语言模型（LLM）的应用，显著提升了信息生产与解码效率。LLM 能够将新闻、研究报告、公司公告乃至社交媒体等海量非结构化数据实时转化为可交易信号，缩短从“信息”到“定价”的时滞。我与合作者的实证研究发现，LLM 在处理和解读新闻标题时表现突出，其评分对股票日内收益具有显著预测力，凸显了其在信息解码中的独特潜能。不仅如此，生成式AI 正从信息“解码器”向“合成器”演进。它能够分析既有文本，还能跨文档、跨语言整合公司年报、政策法规、宏观经济数据等多源信息，自动生成投资摘要、风险评估乃至估值模型。这一能力降低了深度研究门槛，缩小了机构与个人投资者、大型与中小机构之间的信息鸿沟。总之，AI 通过从大数据中提炼信号，为信贷评估、企业估值和宏观预测提供了全新的工具，有效缓解金融市场中的信息不对称。

再次，人工智能在提升市场透明度方面也有独特价值。以监管科技（RegTech）为代表的应用，能够自动抓取并分析上市公司的公告、财务报表和问询函回复，识别其中可能存在的虚假陈述与信息披露违规。这不仅可以降低监管机构的监督成本，还能提升信息披露的有效性，进而增强市场的整体透明度，保护中小投资者的合法权益。

交易成本的智能化压缩

交易成本包括搜索成本、执行成本和监督成本，是制约市场流动性和配置效率的重要因素。AI 技术在各个环节均展现出明显的降本增效的潜力。

在搜索匹配方面，智能算法有效降低了金融产品与交易对手的搜寻成本。国际上，智能投顾（Robo-advisor）通过建模客户风险偏好、资产状况与目标，实现个性化配置与自动再平衡，其服务费率远低于传统的人工投顾。在数字信贷/ 撮合场景，平台利用机器学习进行风险分层与智能匹配，以提升撮合效率并改进风控表现。

在交易执行方面，AI 驱动的算法交易与高频交易在降低市场冲击和执行成本方面发挥了重要作用。高频交易系统通过订单分割与最优执行策略，可有效减少大额交易的市场冲击。投资银行广泛使用的 VWAP（成交量加权平均价格）算法，结合机器学习预测日内成交量分布，优化交易节奏，其执行表现通常优于人工交易。此外，AI 驱动的智能订单路由系统（Smart Order Routing）能够实时分析多市场流动性，为订单选择最优路径，进一步压缩交易费用。

在清算与结算方面，人工智能的应用正逐步展现价值。跨境支付长期依赖代理行体系来完成资金清算和外汇交易，但随着反洗钱（AML）、客户尽职调查（KYC）和反恐融资（CFT）等合规要求趋严，代理银行因高成本与低利润而缩减业务，导致部分地区与全球金融体系的连接度下降，跨境支付网络趋于碎片化。在此背景下，交易层级数据的丰富性为 AI 模型提供了新的突破口。AI 可通过实时分析海量交易流水，更精准地识别可疑模式并降低误报率，在满足严格合规要求的同时提升跨境支付效率，从而缓解“去风险化”带来的支付割裂，并为全球清算与结算网络的稳健运行注入动力。

在操作与人力成本方面，生成式AI 已展现出显著潜力。基于 LLM 的聊天机器人和“副驾”（Copilot）系统能够处理更复杂的交互，已从试验走向更广泛应用，包括呼叫中心和智能投顾等场景。一项针对大型客服中心的准实验研究表明，引入生成式AI 助手后，员工单位小时解决问题数平均提升约15%，其中新手和低技能员工提升幅度高达30%。这些结果显示，生成式AI 不仅可以降低人力成本，也为客户服务和财富管理等更复杂场景的智能化奠定了基础。

代理问题的智能化监督

代理问题源于所有权与控制权的分离，表现为管理层与股东、基金经理与投资者之间的利益冲突。AI 技术通过提升“可监督性”和“透明性”，为缓解代理问题提供了新的工具。

在公司治理层面，AI 增强了股东对管理层的监督能力。基于机器学习的文本与网络分析，可以对高管披露文本、历史决策与关联关系建模，识别潜在的内部人控制或利益输送等行为。此外，一些另类数据甚至可以用来监测工厂的开工率、港口的货运量等，为判断企业真实经营状况提供交叉验证。与此同时，智能审计与异常检测工具能够对海量凭证与交易进行连续性监控，在异常分录与潜在舞弊线索上提供实时预警。包括德勤在内的四大会计师事务所已将人工智能技术集成至审计平台，用于加速文档检查、提升高风险交易识别的效率，从而改进稽核质量与及时性。更广义而言，人工智能作为一项颠覆性的技术，正在重塑传统公司治理模式。在大数据与AI 的结合下，信息不对称被持续削弱，使股东和投资者能够更有效地行使治理权利。

在投资管理层面，AI 有助于提升投资决策的透明度与可追溯性。算法化与量化模型的运行逻辑、参数与执行轨迹都可以被完整记录与回溯，减少了基金经理的“黑箱”空间，缓解了道德风险。另外，AI 可以对基金经理的投资行为进行深度归因分析，剥离市场贝塔、风格因子与运气成分，更客观地评估其主动管理能力（阿尔法），从而为激励机制设计提供更科学的依据。在美国，面向终端投资者的智能投顾则通过算法化资产配置，降低了获取专业服务的门槛，其管理费率通常显著低于传统人工投顾（例如0.25%—0.50% ，对比约 1%），在成本与透明度的平衡上更好地体现了投资者利益。

监管合规的智能化转型

监管合规是金融机构的重要成本负担，尤其对中小机构更为沉重。人工智能技术通过自动化和智能化，正在显著提升合规效率，并推动了监管科技（SupTech）的快速发展。

在反洗钱（AML）领域，机器学习模型大幅提升了可疑交易识别的准确性。传统基于规则的交易监测系统通常误报率极高，行业报告普遍称其为 90%—95%。机器学习模型则能够从历史与实时交易数据中学习复杂模式，从而在多个落地案例中显著降低误报、提升真阳性。例如，一家大型跨国银行在全球部署AI 反洗钱系统后，报告显示告警数量减少、真阳性提升2—4 倍，从而将合规人员的注意力集中在高风险交易上，提高了调查效率。

在监管报送方面，自然语言生成（NLG）与流程自动化显著缩短了报告编制周期。大型投行与商业银行的实践表明，智能报告系统能够自动从交易系统中提取数据，生成符合监管口径的风险报告。在部分案例中，原本需要数周完成的合规报送被压缩到数分钟内即可运行完成。

AI 在缓解传统摩擦的同时，也引入了新的、更为复杂且具有系统性影响的摩擦。这些挑战不仅影响单个金融机构，更可能通过市场传导机制威胁整个金融系统的稳定。

算法黑箱与信任危机

深度学习模型的复杂性导致决策过程难以解释，形成“算法黑箱”问题。这种不透明性可能加剧而非缓解信息不对称，引发新的信任危机。2019 年，苹果信用卡被指控存在性别歧视，男性用户获得的信用额度系统性地高于女性用户。由于算法的不可解释性，苹果及其合作发卡行高盛无法有效回应质疑，引发了广泛的社会争议和监管调查。欧盟的《通用数据保护条例》虽赋予用户对算法决策的“解释权”，但其技术实现仍面临巨大挑战。

算法趋同与系统性风险

当市场参与者广泛采用相似的AI 模型、数据源或第三方服务时，交易、借贷与定价行为容易趋同，从而加剧市场相关性与系统性风险。这种由 AI 驱动的高度相关性可能在市场承压时放大波动，引发流动性紧缩和资产价格的剧烈调整。历史案例已为此提供警示。2007 年8月的“量化基金危机”中，多家基金因依赖相似的统计套利模型，在市场异常波动时同时触发止损抛售，加剧市场下跌；2010 年5 月6 日美国股市“闪崩”事件则显示，高频交易算法的连锁反应可能在数分钟内引发千点级暴跌。此外，若众多模型过度依赖相同的数据源，一旦这些数据存在偏误，可能导致大范围的集体性误判，放大市场风险。这些现象表明，算法趋同不仅放大了羊群效应，还可能通过数据质量问题引入新的系统性脆弱性。

供应链依赖与集中度风险