AI悖论：越发展越愚钝？

如果有一天，像DeepSeek、ChatGPT这样的人工智能真的能够穷尽一切互联网上的人类知识，那么人们在互联网交流或发布信息时，就必然不再依靠个人的分析与数据搜集，而是完全依赖人工智能。这必然会导致互联网中的信息质量下降，进而使人工智能变得“无知”。

这必然会形成一个悖论：

当人工智能越聪明，人类越懒惰；而人类越懒惰，人工智能就越愚钝。

“有效市场”悖论

其实在金融学中，有一个类似的经典悖论——有效市场悖论：

如果市场真的是有效的，即市场价格实时完全反映了交易者的全部信息，那么交易者就没有动力挖掘新信息，仅需被动持有股票指数。这反而会导致市场价格失去信息含量，即市场无效。

要理解这一点，我们可以通过一个简化的“捡钱困局”来类比：

• 在有效市场假设下，如果地上有100元钱，你的第一反应是去捡，但有效市场逻辑告诉你：如果是真钱，早该被人捡走了。
• 因此，你的第二反应是不捡，但如果每个人都不捡，地上反而可能留有真钱——这又导致市场无效。

正是有效市场理论中的逻辑悖论：越相信市场有效，市场反而越可能失效。

破局的理论

Grossman 和 Stiglitz 于 1980 年在《美国经济评论》上发表的经典论文 《On the Impossibility of Informationally Efficient Markets》（https://www.aeaweb.org/aer/top20/70.3.393-408.pdf） ，是金融经济学和信息经济学的基石之一。它的核心目的就是直面并形式化地分析“有效市场悖论”。

他们假设市场上有两类参考者：

• 知情交易者：他们可以支付一个固定的成本 c，去获取一个关于资产未来价值的私人信号。这个信号能帮助他们更准确地预测回报。
• 不知情交易者：他们不获取私人信息，只能通过观察公共信息——主要是市场价格——来推断知情交易者的信息。

信息融入价格的过程：知情交易者根据他们的私人信息进行交易，他们的买卖行为会改变资产的供需，从而影响市场价格。不知情交易者是聪明的，他们知道价格中包含了知情交易者的信息，因此他们会试图从观察到的价格中“解译”出这些信息。这个过程被称为“理性预期均衡”。

噪声的引入：为了让“解译价格”这个过程不是完美的，模型必须引入噪声，例如资产供给的随机波动。如果没有噪声，不知情交易者就能直接从价格中完美反推出知情交易者的信息，那么获取私人信息就变得无利可图。噪声的存在使得价格信号变得模糊，从而保护了知情交易者获取信息的动机。

模型论证了，不存在一个所有信息都反映在价格中的均衡。相反，存在一个信息获取的均衡比例。

在这个均衡点上，一个交易者是否选择成为知情交易者，取决于信息成本与预期收益的权衡：

如果太多人获取信息，套利机会被摊薄，信息收益下降，以至于无法覆盖成本，那么一部分人就会退出，选择成为不知情交易者。

如果太少了人获取信息，价格包含的信息很少，那么获取信息就能带来巨大的套利利润，远高于成本，这会激励更多人成为知情交易者。

论文的结论就是：

• 市场是“部分有效”的：价格反映了一部分信息，其程度恰好使得边际的信息获取者觉得无利可图。
• 价格并非完全信息有效：总有一些信息没有被价格反映，因为反映所有信息的成本太高。
• 信息的回报体现在套利收益上：知情交易者通过利用其私有信息与市场公共信息（价格）之间的差距来获利。

用Grossman-Stiglitz模型来解决“捡钱困局”

在捡钱困局的类比中，Grossman和Stiglitz为捡钱赋予了“弯腰成本”（例如5毛钱）：

• 5毛钱以下面值的钱（即使是真钱）会被留在地上，因为不值得弯腰。
• 5毛钱以上面值的真钱会被捡走，因为回报高于成本。
• 但如果你看到地上有5毛钱以上的钱，你也知道它一定是假的，因为真钱早已被捡走（噪声导致的假信号）。

类比“AI悖论”

信息成本在AI语境中，对应的是人类专家进行独立研究、分析和验证所需付出的时间、精力和专业知识。

信息收益对应的是人类专家因其专业性和洞察力而获得的回报（如更高的投资回报、咨询费、职业优势等）。

模型的均衡预测是：总会有一部分人（成本低或收益高的人）选择成为“人类专家”，而不完全依赖AI。 因为如果所有人都依赖AI，那么AI的训练数据质量会下降（由于无人生产高质量原始信息），导致AI给出的答案价值降低，这反过来又创造了成为专家、利用更优信息获利的机会。

动态适应与市场周期的启示

上面的模型只告诉我们均衡状态是什么，但并没有详细谈论这种状态的形成路径，Brock和Hommes，分别用两篇论文（DOI:10.2307/2171879、10.1016/S0165-1889(98)00011-6）描述了均衡状态的动态演化过程。

• 在市场动荡时，专业投资者通过分析信息获利；
• 市场逐渐恢复稳定后，新手与跟风者涌入，使市场重新变得脆弱；
• 随后又发生崩盘，聪明人再度进场。

在 AI 生态中，也可能出现类似的动态循环：

• 当 AI 生成的信息质量下降时，专家与独立研究者（信息搜集成本低者）将重新进入市场，提供更可靠的信息；
• 他们的成果又会被 AI 学习吸收，使系统知识质量上升；
• 但当 AI 过度强大、信息供给稳定后，专家收益下降，又会退出，
• 从而导致 AI 再次面临“知识稀缺”的循环。

这意味着：

AI 与人类的知识互动，可能也会在“创新—依赖—退化—再创新”的周期中波动。

变数

变数一：以上用市场类比AI，前提是市场和AI都是被动的基于人类数据进行运作。但事实上我们之所以说AI是“智能”在于它有创造的可能性。如果AI能够“创造出优质的数据”，以上的均衡理论其实就被打破了。

变数二：由于长尾效应，对于小众领域，冷门领域，专家因收益不足而退出，而 AI 因缺乏足够样本或反馈，无法覆盖这些知识盲区，最终形成“知识荒漠”，即某些领域既无专家也无高质量数据。时间一长，人类的知识体系的结构会发生变化。

本文是在看到Degg_GlobalMacroFin的博文《有效市场悖论与人工智能悖论》（https://weibo.com/2453509265/MrVarfA1R?pagetype=homefeed）后的学习笔记。