عرضه مدل R1 شرکت چینی هوش مصنوعی DeepSeek در ژانویه ۲۰۲۵، بحث پیرامون رقابت فناورانه بین ایالات متحده و چین را از نو زنده کرد. نکته‌ای که کمتر به آن توجه شد، این است که DeepSeek ابتدا به عنوان یک شرکت فرعی از یک شرکت تجارت کمی شروع به کار کرد که از تکنیک‌های اولیه هوش مصنوعی در بازارهای مالی استفاده می‌کرد. این ارتباط، نوید عظیم کاربردهای هوش مصنوعی در صنعت مالی را برجسته می‌سازد. این باید به ما یادآوری کند که در این حوزه، ایالات متحده به دلیل عمق بازارهای سرمایه خود، استعدادهای فعال در این بازارها و فناوری‌ای که بر پایه آن کار می‌کنند، مزیت رقابتی بی‌نظیری دارد. پس چگونه از این مزیت برای هدایت موج بعدی توسعه هوش مصنوعی استفاده کنیم؟
همانند سایر صنایع، هوش مصنوعی از پیش در حال ساده‌سازی و بهینه‌سازی جریان‌های کاری قدیمی و ناکارآمد در حوزه مالی است؛ به عنوان مثال از طریق ابزارهایی که اصطلاحات را از توافقنامه‌های مالی پیچیده استخراج کرده و کد توسعه می‌دهند. اما این دستاوردها، اگرچه مفید هستند، اما جزئی و افزایشی به شمار می‌آیند. کاربردهای مهم‌تر هوش مصنوعی در امور مالی شامل بهبود عملکردهای اصلی خود بازارها می‌شوند: قیمت‌گذاری دارایی‌ها، اندازه‌گیری ریسک، شناسایی تغییرات در اقتصاد و مدیریت نوسانات. این‌ها حوزه‌هایی هستند که توانایی هوش مصنوعی در شناسایی الگوهای ظریف در حجم زیادی از داده‌ها می‌تواند تحول‌آفرین باشد.
در نظر بگیرید که چگونه مدل قیمت‌گذاری بلک-شولز (Black-Scholes)، یک فرمول ریاضی نوآورانه که در سال ۱۹۷۳ معرفی شد، بازار جدیدی برای مشتقات مالی ایجاد کرد و دسترسی به آن‌ها را به طور گسترده فراهم ساخت. هوش مصنوعی نیز مجموعه‌ای از ابزارهای ریاضی است که می‌تواند دامنه کاری بازارها را گسترش دهد. یک نمونه خوب از این امر، برخی از بازارهای معاملاتی جدیدی است که اخیراً اهمیت پیدا کرده‌اند، مانند بازارهای پیش‌بینی و رمزارزها، که در آن‌ها قیمت‌گذاری پیچیده است، عرضه و تقاضا به سرعت و به طور مداوم نوسان می‌کند و عدم قطعیت فراگیر است. هوش مصنوعی مدرن برای ارائه الگوریتم‌هایی که قیمت‌های عادلانه را به شرکت‌کنندگان در این بازارها ارائه می‌دهند، ضروری خواهد بود و این بازارها را نقدشونده‌تر، پایدارتر، دسترس‌پذیرتر و ایمن‌تر برای همه می‌سازد.
برای بهره‌برداری حداکثری از هوش مصنوعی در بازارهای مالی، ایالات متحده باید نه تنها در داده‌ها و فناوری‌ای که این ابزارها را قدرت می‌بخشند سرمایه‌گذاری کند، بلکه در یک سیستم نظارتی نیز که مانع نوآوری مسئولانه نشود، سرمایه‌گذاری نماید. یکی از موانع اصلی، انتظار تفسیر کامل هر تصمیم هوش مصنوعی است؛ به عنوان مثال، اینکه چرا پیش‌بینی می‌کند یک سهام بالا می‌رود یا پایین می‌آید. با پیشرفته‌تر شدن این سیستم‌ها، ردیابی منطق داخلی آن‌ها دشوارتر می‌شود. آن‌ها اغلب به عنوان «جعبه‌های سیاه» عمل می‌کنند؛ ما می‌توانیم نتایج را ببینیم، اما دلیل دقیق پشت آن‌ها را خیر. اگر بر شفافیت کامل اصرار ورزیم، خطر از دست دادن ابزارهای مفیدی را داریم که می‌توانند عملکرد بازارها را بهبود بخشند.
یک اصل کاربردی‌تر، قابلیت کنترل است. این شامل توانایی نظارت موثر بر مدل‌ها، تعیین مرزهای صریح برای رفتار آن‌ها و مداخله در صورت لزوم است. به جای درخواست قابلیت تفسیر کامل، نهادهای نظارتی باید بر این موضوع تمرکز کنند که آیا این مدل‌ها را می‌توان در محدوده ایمن نگه داشت و از ایجاد نتایج مخرب جلوگیری کرد. این رویکرد به نوآوری اجازه می‌دهد تا ادامه یابد و در عین حال ثبات بازارها را حفظ می‌کند.
با این حال، حتی با زیرساخت قوی و مقررات صحیح، چالش‌های قابل توجهی باقی می‌مانند. بازارهای مالی محیط‌های ایستا نیستند که توسط قوانین ثابت اداره شوند. آن‌ها سیستم‌های غیرثابت و رقابتی هستند که رفتار در آن‌ها به طور مداوم در پاسخ به شوک‌های سیاسی، تغییرات فناورانه و تصمیمات غیرقابل پیش‌بینی انسان تغییر می‌کند. مدل‌های هوش مصنوعی کنونی اغلب در پاسخ به چنین نوساناتی با مشکل مواجه می‌شوند.
بنابراین، در حالی که کاربرد هوش مصنوعی در امور مالی مهم است، کمتر مورد توجه قرار می‌گیرد که چگونه امور مالی، به نوبه خود، می‌تواند به پیشرفت هوش مصنوعی کمک کند. این محیط‌های غیرثابت فرصت‌های نادری را برای آزمایش دقیق هوش مصنوعی فراهم می‌آورند، که انگیزه‌های مالی قوی را با بازخورد روزانه از نوسانات قیمت و یک هدف روشن ترکیب می‌کند: حداکثر کردن سود در محدودیت‌های معین. هنگامی که دنیای مالی دچار تغییرات ناگهانی رژیم می‌شود، همانطور که به طور منظم اتفاق می‌افتد، مشخص نیست که مدل‌ها چگونه در زمان واقعی سازگار خواهند شد. تصور کنید یک چت‌بات بسازید که کاربرانش ناگهان شروع به صحبت به یک زبان کاملاً جدید می‌کنند؛ سیستم باید در عین حال که به تدریج قوانین و ساختار جدید را یاد می‌گیرد، به عملکرد خود ادامه دهد. این نوع اختلال در بازارهای مالی با تغییر انتظارات، بازنگری در قیمت‌گذاری ریسک و ظهور روندهای سکولار، امری معمول است. مدل‌های هوش مصنوعی موجود با برنامه‌ریزی تطبیقی و بلندمدتی که این امر مستلزم آن است، دست و پنجه نرم می‌کنند.
راه‌حل‌های آینده برای هوش عمومی مصنوعی (AGI) احتمالاً نیازمند حل این چالش تطبیقی خواهد بود. انسان‌ها روزهای خود را با مواجهه با شگفتی‌های جدید، اهداف متغیر و استراتژی‌های در حال تحول سپری می‌کنند. هوش عمومی مصنوعی نیز باید همین کار را انجام دهد. برای محققان هوش مصنوعی که روی این مسائل اساسی کار می‌کنند، امور مالی زمینه‌ای برای آزمایش ارائه می‌دهد که در آن راه‌حل‌های توسعه‌یافته برای مدیریت بازارهای غیرثابت ممکن است سنگ بنای دستیابی به سطح بعدی هوش ماشینی باشند.
این یکی از دلایلی است که ایالات متحده باید به جذب و پرورش استعدادهای ریاضی در سطح جهانی ادامه دهد. امور مالی کمی مدت‌هاست که آهن‌ربایی برای ریاضیدانان بوده است، دقیقاً به این دلیل که این حوزه برخی از پیچیده‌ترین مسائل ریاضی مورد استفاده در هر صنعتی را مطرح می‌کند. ریاضیدانان الگوها را در بازارها کشف می‌کنند، راه‌هایی برای کارآمدتر کردن آن‌ها می‌یابند و الگوهای جدیدی را برای کاوش دیگران آشکار می‌سازند. همه این‌ها به یک چرخه فضیلت‌مندانه از نوآوری و کارایی کمک می‌کند. حفظ این اکوسیستم از طریق سرمایه‌گذاری آکادمیک و مسیرهای باز برای استعدادهای جهانی، برای باقی ماندن ایالات متحده به عنوان مرکز جهانی نوآوری مالی ضروری است.
امور مالی یکی از معدود محیط‌هایی است که در آن داده‌های واقعی به طور مداوم وارد می‌شوند، پیامدها فوری هستند و انگیزه رقابت و نوآوری پایان‌ناپذیر است. اگر ایالات متحده انتخاب کند تا از برتری خود در بازارهای سرمایه از طریق سرمایه‌گذاری، مقررات هوشمندانه و حمایت مستمر از افرادی که این پیشرفت‌ها را به ارمغان می‌آورند، استفاده کند، می‌تواند اطمینان حاصل کند که وال استریت پیشگام نسل بعدی سیستم‌های هوش مصنوعی خواهد بود.
آقای اشمیت رئیس هیئت مدیره Relativity Space و مدیرعامل سابق گوگل است. آقای تسمِنتزیس بنیان‌گذار و مدیرعامل hLevel، یک استارت‌آپ هوش مصنوعی، و رئیس سابق بخش هوش مصنوعی کاربردی در گلدمن ساکس بوده است.