资本市场一直以风险和回报为特征。然而近年来,这些风险正以惊人的速度增加。从旨在压低股价的 AI 驱动虚假信息活动,到触发抛售的算法操纵,上市公司如今面临着十年前难以想象的威胁。
以制药巨头礼来公司为例。一个冒名顶替者账号发布的假推文宣布胰岛素现在免费。在机器人和病毒式社交媒体分享的推波助澜下,这条虚假信息在数小时内就使公司股价蒸发了 4.5%。尽管这一虚假信息随后得到了纠正,但对投资者信心和市场认知的损害已经造成。另一个典型例子是 GameStop 事件,在线社区的协调行动导致股价大幅膨胀,使机构投资者面临数十亿美元的损失。
资本市场情报公司 Arx 的总裁兼首席技术官 Yehuda Leibler 表示:"如今的网络安全不仅仅是保护服务器或数据中心,更是要维护信任。无论是针对公司声誉的虚假新闻活动,还是出于操纵目的劫持股票代码,上市公司面临的攻击面都呈指数级增长。"
然而,好消息是,借助 AI 驱动的工具,上市公司现在有机会进行反击。
资本市场中的 AI 驱动威胁
礼来和 GameStop 事件反映了一个日益增长的趋势,恶意行为者利用 AI、社交媒体和其他数字工具操纵市场动态,在某些情况下甚至导致市场崩溃。当资本市场崩溃时,通常会对经济产生明显影响,给企业和个人带来毁灭性的后果。
另一个特别令人不安的趋势是 Leibler 所称的股票代码劫持。在这些攻击中,恶意行为者在社交媒体平台上大量发布使用合法公司股票代码(如 $AAPL)的帖子,以引导用户陷入欺诈计划或传播虚假信息。有时,这些活动会人为抬高另一支股票的价格。其他时候,它们会削弱人们对公司品牌的信任,造成声誉和财务方面的损失。
世界各地的法律专家也注意到 AI 正在市场中引发的巨大变革。Greenberg Traurig 资本市场实践部门的股东 Gary Emmanuel 是公司证券领域的专家,他表示:"证券法的目的是确保一个公平公正的市场环境。然而,我们目前正目睹 AI 日益影响传统的市场供需动态,打破了这种平衡。上市公司和监管机构都应考虑是否有可用的工具来检测潜在的 AI 驱动市场操纵,以制定相应的保障措施和应对不同类型威胁的计划。"
AI 在资本市场中的价值
虽然人们对 AI 在各行业的价值有很多讨论,但投资 AI 驱动安全工具的上市公司正在看到使用 AI 保护其关键资产的实际成效。与传统网络安全措施通常在违规发生后才做出反应不同,AI 驱动的解决方案能够主动实时监控和分析海量数据。
例如,Arx 利用 AI 检测市场活动和社交媒体情绪中的异常模式。在一个案例中,该公司在任何 SEC 文件提交之前就识别出了数字化敌意收购的迹象。通过分析社交平台上的叙事变化和交易异常,它能够及时提醒受影响的公司,帮助他们采取措施缓解威胁,防患于未然。
除了防御风险外,这些 AI 驱动的工具还可以帮助优化投资者关系、资金募集和增长,同时弥补关键信息缺口。Arx 的首席执行官 Rotem Gantz 指出:"当你上市后,你不再只是管理核心业务。你还在管理另一个产品——你的股票。像任何产品一样,它需要网络保护、基于数据的产品管理和市场分析才能成功。但不是苹果或伯克希尔·哈撒韦的上市公司并不完全具备管理一个全新业务的能力——考虑到当今资本市场的运转速度,这一点尤其如此。"
对上市公司的行动呼吁
随着 AI、网络安全、市场战略和公司声誉之间的界限日益模糊,上市公司必须重新思考其风险管理方法。如今,风险不再局限于 IT 系统,还涉及估值、股东信任和长期增长。
Gantz 表示:"资本市场已经成为一个战场。但有了正确的工具和策略,公司就能保护自己,并获得真正的机会茁壮成长。关键是要认识到威胁已经演变,解决方案也必须随之改变。"
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。