资本市场一直以风险和回报作为核心运营要素。但近年来,风险因素开始以惊人速度增长。从旨在压低股价的AI虚假宣传活动到引发搜集的算法操纵,上市企业如今正面临着十年之前难以想象的现实威胁。
以制药巨头礼来公司为例,一条来自冒名顶替者账户的虚假推文宣布,现在胰岛素将免费提供。通过肉鸡和社交媒体的病毒式转发,这条虚假消息在数小时内就导致公司4.5%的股票价值凭空蒸发。尽管公司随后出面予以澄清,但其对投资者信心及市场认知的损害已经形成。另一个典型案例则是GameStop事件,在线社区的协同行动拉动该公司股价大幅上涨,导致机构投资者面临数十亿美元损失。
资本市场情报公司Arx总裁兼CTO Yehuda Leibler表示,“如今的网络安全不仅仅强调保护服务器或者数据中心,而更多是在维护信任体系。无论是针对公司声誉的虚假宣传活动,还是出于操纵目的劫持股票代码,上市企业的攻击面都在呈指数级扩大。”
不过好消息是,在AI工具的帮助下,上市企业终于获得了反击之力,有望正面与恶意活动一较高下。
礼来和GameStop事件反映出一种日益增长的趋势,即恶意行为者正使用AI、社交媒体及其他数字工具来操纵市场动态,甚至在某些情况下会实质性引发市场崩溃。随着资本市场的崩溃,经济往往也会遭受显著影响,进而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,则体现在Leibler提到的股票代码劫持。在此类攻击活动中,恶意行为者在社交媒体平台上发布大量帖子,使用合法企业的股票代码引诱用户实施欺诈计划或者传播虚假信息。有时候,这些活动会人为抬高其他某只股票的价格;有时候,则会削弱人们对于企业品牌的信任,进而造成声誉和财务损失。
世界各地的嫠专家,也注意到了AI浪潮给市场带来的巨大变化。Greenberg Traurig资本市场业务股东、企业证券专家Gray Emmanuel表示,“证券法的目标在于保障市场的公平和公正。然而,我们目前正亲眼见证这种平衡被打破,因为AI正越来越多地影响到传统市场的供需动态。上市企业和监管机构都应该认真考虑,是否存在可用的工具以检测潜在由AI驱动的市场操纵行为,以便制定出应对不同类型威胁的保障性措施和计划。”
就在各行各业积极讨论AI科技价值的同时,投资AI安全工具的上市企业在动用AI保护其关键资产方面已经看到了真正的成果。与传统网络安全措施(即通常在漏洞出现之后才做出响应)不同,AI解决方案会主动实时监控并分析大量数据。
例如,Arx就使用AI技术以检测市场活动与社交媒体情绪中出现的异常模式。在一个案例中,该公司在向证券交易委员会(SEC)提交文件之前,就发现了数字化形式的恶意收购迹象。通过分析社交平台上的倾向性变化以及交易异常,其能够提醒受到影响的公司并帮助他们在威胁升级之前及时干预以缓解威胁。
除了防范风险之外,这些AI工具还有助于优化投资者关系、融资与业务增长,同时弥补关键的信息差距。Arx公司CEO Rotem Gantz指出,“对于上市企业而言,需要管理的不再只是核心业务,而是在管理新的额外产品——公司股票。跟其他产品一样,股票同样需要网络保护、基于数据的产品管理和市场分析的共同支撑才能成功。而事实证明,面对如今资本市场迅猛的变化速度,除了苹果和伯克希尔哈撒韦这样的行业龙头,大多数上市公司其实并不具备管理这项全新业务的能力。”
随着AI、网络安全、市场战略和企业声誉之间的界限不断模糊,上市公司必须重新审视并设计其风险管理方法。未来的风险将不再局限于IT系统,而更多涵盖估值、股东信任和长期增长等因素。
Gantz总结道,“资本市场已经成为新的战场。但有了正确的工具和策略,企业可以保护自己并获得真正的发展机会。而把握局势的关键,就在于认识到随着威胁的演变、解决方案也必须随之改进。”
好文章,需要你的鼓励
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。