美联储理事巴尔警告:AI融资、交易与网络风险或影响金融稳定
要点速览
- •七家最大AI公司的表内债务预计将在2026年底前超过8000亿美元,而表外义务的潜在最大名义价值已超过3万亿美元。
- •超大规模云服务商和主要GPU生产商在大型语言模型实验室和云计算初创企业中持有超过1000亿美元的累计股权投资,巴尔将其描述为一种循环融资。
- •巴尔将AI相关资本支出的规模与此前的基础设施热潮相类比,包括19世纪70年代的铁路、20世纪中叶的高速公路、90年代的光纤以及90年代末的电信周期。
- •如果许多交易者依赖在相似数据上训练的相似AI模型,共同的缺陷可能引发具有系统性后果的故障;理论研究显示,强化学习算法可以在没有明确意图的情况下自主发展出合谋行为。
- •AI代理可能在压力时期以高速自动转移资金,从而加速存款外流,可能将银行挤兑压缩至数分钟内,令传统的流动性管理时间框架不堪重负。

人工智能对金融稳定的若干潜在影响
2026年11月16日 — 迈克尔·S·巴尔,美联储理事会理事
在第七届ACM国际人工智能与金融会议上的讲话,意大利米兰
官方演讲原文
迈克尔·S·巴尔表示,人工智能有望提升生产率、扩大金融服务可及性并强化市场功能,但他同时警告,该技术也可能通过高杠杆投资、交易系统集中化、网络安全漏洞以及消费者保护不足等途径给金融稳定带来风险。由于巴尔是以美联储现任理事身份、在央行最新一期《金融稳定报告》发布之际发表上述讲话的,这些言论让读者得以直接了解美联储高级官员如何将AI定位为既是经济机遇、又是潜在的系统性风险来源。
巴尔表示,这是他过去一年中第四篇专门讨论人工智能(AI)的演讲,并指出AI在其近期大多数其他演讲中也有涉及。他形容AI对全球民众和经济的影响是当今社会面临的最重要议题之一。
巴尔说:“我对AI在长期内赋能全社会个人、企业和机构的前景持乐观态度。”他补充说,如果能够有力且有效地应对当前挑战和未来潜在冲击,AI有望提高生产率和生活水平,让大多数人学得更多、赚得更多。
巴尔表示,他的乐观态度也反映出对社会理解并应对AI所带来的变化的能力的信心。他说,需要开展建设性对话,确保AI的益处不被其不可避免带来的冲击和风险所淹没。
他说,本次会议是这一对话的组成部分,探讨AI如何帮助人们管理财务、获得信贷与服务、降低成本、提升金融服务机构的能力,并使市场更有效运转。但巴尔指出,AI只有在支持金融稳定的前提下,才能以此方式强化金融体系,而金融稳定对健康经济不可或缺。
巴尔表示,美联储最新一期半年发布的**《金融稳定报告》(FSR)**——美联储对金融体系所面临脆弱性的旗舰评估——于周五(11月13日)发布,其中包含关于AI与金融稳定的重要发现。该报告聚焦AI投资热潮,以及美联储工作人员对为这一增长提供融资的创新性债务结构中杠杆程度的评估。
巴尔表示,他将概述报告的发现,然后探讨将AI整合入金融市场(尤其是批发交易)的收益与风险的相关研究,随后讨论AI相关的网络安全风险及其对消费者和投资者保护的影响。
AI投资热潮
巴尔表示,投资者近来对AI投资热潮的可持续性提出了质疑。他强调,美联储理事会决策者不以金融市场水平为目标,市场有涨有跌。他表示,自己避免评论短期市场波动,而是评估与金融稳定相关的较长期问题。
在早前的一次演讲中,巴尔讨论了AI对经济可能产生影响的三种情景。他说,即使AI被证明是大幅提升生产率的变革性创新,一个关键问题是投资者能否在他们预期的时间范围内、以预期的程度获得AI建设的回报;若结果不同,可能导致大规模重新定价。
巴尔指出,此类重新定价可能造成的巨额投资损失,可能通过两种途径降低产出增长:其一是投资下降(GDP的组成部分)的直接影响;其二是财富损失的间接影响,可能抑制消费乃至企业支出。
最新FSR指出,股权溢价——衡量投资者持有股票相对于无风险债券所要求的额外回报的粗略指标——相对于历史水平处于低位,尽管远不及互联网泡沫时期股市热潮时的低点。巴尔表示,股权溢价只是评估整体股票估值相对历史水平的一个指标。
数据中心建设中的杠杆
AI建设越来越多地依靠债务融资。FSR探讨了AI数据中心及相关投资融资——报告称之为“先进计算债务”——可能影响金融稳定的三种途径:债务的快速增长、循环融资网络以及其他复杂的金融义务。
巴尔表示,如果AI投资被大规模重新定价,来自这三方面的融资压力可能放大重新定价。
七家最大AI公司的表内债务在2026年大幅增长,预计将在年底前超过8000亿美元。巴尔将这一增长与上世纪90年代末和本世纪初电信投资周期中的债务增长相类比。
FSR将超大规模云服务商(hyperscaler)——最大的云和数据中心运营商——自2020年以来的累计资本支出和发债规模,与1995年开始的宽带投资周期中所有电信公司的支出和发债进行了比较。超大规模服务商尚未超越此前热潮的对比组,但其资本支出的近期加速表明它们可能很快就会做到。
其他义务——包括长期合同、租赁承诺和剩余价值担保——的增长速度甚至超过表内债务。FSR估计,此类义务(作为表外负债处理)的潜在最大名义价值现已超过3万亿美元。
企业通常在折现前列报表外负债,这使得与已折现的表内数据的比较变得复杂。
这些义务中有相当大一部分来自复杂的安排:超大规模服务商和其他高评级公司间接支持涉及信用较弱企业的项目融资,或为公用事业投资提供支持。这些表外负债包括能源供应合同、长期数据中心与算力租赁,以及各种表外融资结构。
巴尔表示,这种复杂性对不成熟的投资者而言可能不透明。当投资者情绪转变时,这种不透明性可能加剧抛售,因为很难判断风险所在。他表示,这些庞大表外结构的发展值得密切监测。
巴尔说,最依赖外部融资的低信用质量企业近月来融资成本显著上升,因此正转向更复杂的资产支持融资。
超大规模服务商和大型图形处理器(GPU)生产商还在大语言模型(LLM)实验室和云计算初创企业中持有超过1000亿美元的累计股权投资。巴尔将这些投资描述为一种“循环融资”:超大规模服务商和GPU制造商向较小企业提供资本,而这些较小企业随后用这些资金向出资企业租用或购买GPU和算力。
这些投资在超大规模服务商和GPU生产商的资产负债表中占比相对较小,但对获得资本的小公司至关重要。要使AI建设投资最终具有经济可行性,这些小企业最终必须以付费客户的收入来取代来自超大规模服务商和GPU制造商的供应商融资。
另一种间接的循环融资形式涉及为购买超大规模服务商和GPU生产商的产品与服务提供支持的抵押品担保。当最依赖外部融资的企业遭遇融资约束时,它们可能从发行公司债券转向资产支持融资。
为支持此类融资的信用,规模更大、信用更优的公司往往为用作抵押品的数据中心或GPU的转售价值提供担保。这些担保(即抵押品兜底)作为表外负债列报,因为它们代表超大规模服务商和GPU生产商在违约和抵押品清算时可能承担的损失。
与此前基础设施热潮的比较
巴尔表示,评估AI相关资本投资的规模时,应与以往的技术和基础设施周期进行对照。一项估计显示,AI建设相关的投资规模有可能与以往基础设施投资热潮相当甚至超过,包括19世纪70年代的铁路、20世纪50和60年代的高速公路,以及90年代的光纤光缆。
巴尔说,每一轮投资热潮在某些时刻可能都显得过度建设,但它们留下的铁路、高速公路和光纤容量至今仍有价值。尽管如此,一些较早的热潮最终归于失败,并对更广泛的金融体系产生了影响。
由于当前热潮背后的债务规模仍然有限,巴尔表示他对直接损失的担忧较低。然而,对冲基金的杠杆和整体风险偏好似乎相当高。因此,剧烈逆转可能引发快速去杠杆,以及可能自我强化的廉价抛售。
近年来,股票策略中使用的杠杆也有所增加,这部分通过大型交易商的主经纪商服务提供。最大银行的高资本水平为防范溢出效应提供了屏障,但在股市波动期间,对手方风险敞口可能上升。巴尔表示,应继续监测风险敞口,包括对持有大量AI头寸的对手方的敞口。
数据中心成本的大部分来自GPU和其他专用AI芯片。一个担忧是,随着更新的技术取代它们,这些专用芯片可能快速贬值,使其所代表的算力未来用处有限。
巴尔表示,较旧代际芯片的租赁价格目前保持坚挺,表明落后于最前沿的算力技术仍有用武之地,但他补充说这一趋势值得监测。如果相关服务的需求令人失望,AI相关资本存量中的其他部分——如变电站、高压连接和电网互联——将作何用途也难以判断。
在某些地区,无论AI的未来如何,额外的电力和网络容量都将有用。在其他地区,过剩产能可能需要多年才能发挥作用,正如90年代繁荣与萧条之后一些地区的“暗光纤”那样。
巴尔表示,也存在AI投资热潮不会消退而是持续繁荣的可能,届时对AI服务的需求将充分乃至超出限度地利用目前正在安装的资本。“只有时间会给出答案,”他说。
AI在批发证券交易中的意外后果
AI可能重塑金融市场的交易格局,此前的FSR也讨论过这一议题。生成式AI能够处理更广泛、更丰富的数据和信息,应用比传统交易算法更复杂的逻辑,降低获取先进交易技术的门槛,并增加市场参与者的多样性。它还有助于改善市场监察。
这些能力可以提升市场的效率、诚信和运行质量。但巴尔表示,与任何新技术一样,AI也带来了风险。
据他的了解,生成式AI尚未被大规模用于自主交易。尽管如此,监管机构和市场参与者仍需了解其采用的风险和影响。关于AI将如何影响金融市场的许多最重要问题,不会在抽象层面得到回答,而是取决于模型设计、训练数据、测试和部署方面的技术选择。
AI可以普及交易专业知识和技术的获取途径,但也可能加剧信息不对称和市场集中。最先进的系统造价高昂,需要大量投资,这可能赋予最大的公司优势,并使市场力量向其集中。即便AI工具被广泛获取,有效使用仍需要相当高的技能,这可能有利于大型在位企业。
将AI整合入金融市场交易对价格效率的影响尚不确定。马尔库斯·布伦纳迈尔在其2026年杰克逊霍尔论文中提醒,证券价格可能因理解的不对称而变得信息含量降低:AI代理理解人类并能预判其行为,而人类对AI代理的理解则没有那么深入,也难以预判它们可能做什么。
AI还可以通过更快地处理更广泛的信息来提升价格的信息含量。巴尔引用的研究包括张雁如、董希、马丁秀敏和周昌云2025年发表于《会计与经济学杂志》的论文《生成式AI是否促进投资者交易?来自ChatGPT宕机的早期证据》,以及蒂埃里·福柯等人在《金融中的人工智能:银行业的未来》中的研究。
与此同时,据David Hirshleifer、林鹏、王启光、张伟晨和张晓燕的研究《AI、观点生态系统与金融》(NBER工作论文系列34807,2026年2月发表),社交媒体上AI生成的金融内容可能传播误导性信息并加剧波动。
市场羊群效应与可能的踩踏
如果交易者依赖在相似数据上训练的少量相似AI模型,交易策略可能趋同,并对新闻和其他信息产生同步反应,从而产生羊群行为的风险。
单个算法可能因缺陷而失败。但如果市场上有大量可能存在相同缺陷的相似模型,则可能出现具有系统性后果的故障。不良行为者还可能操纵交易、报价或新闻,同时误导相似的AI交易系统,放大市场混乱。
AI模型可能复制人类的不良倾向。理论研究显示,某些强化学习系统(包括Q学习交易算法)可以在没有明确意图的情况下自主发展出合谋行为。
自学习算法还能自主学会操纵市场,例如虚假申报(spoofing)——通过下单制造市场需求假象——或采用制造并利用泡沫的交易策略,从而破坏市场稳定。
为应对这些潜在风险,各交易所自身也在部署先进的机器学习和AI工具进行市场监察。一些交易场所已采取行动,降低AI驱动交易算法“黑箱”性质带来的风险。巴尔引用的例子之一是CME集团的市场监管咨询通告。
相关研究包括Stephen G. Cecchetti、Robin L. Lumsdaine、Tuomas Peltonen和Antonio Sánchez Serrano的《人工智能与系统性风险》(欧洲系统性风险委员会咨询科学委员会报告2025/16);蒂埃里·福柯等人的《金融中的人工智能》;以及Xiang-Li Lim、Puja Singh和Richard Stobo的《关于证券市场中加速使用AI的监管考量》(IMF技术注释与手册2025/016)。
Winston Wei Dou、Itay Goldstein和Yan Ji在NBER工作论文34054中研究了“AI驱动交易、算法合谋与价格效率”。Jean-Edouard Colliard、蒂埃里·福柯和Stefano Lovo则在《金融研究评论》中研究了证券市场中的算法定价与流动性。
当算法使用不同的学习过程时,合谋的可能性较低。据Kartik Anand、Sophia Kazinnik、Agnese Leonello和Ettore Panetti在《Ex Machina:人工智能时代的金融稳定》(ECB工作论文系列3225)中的研究,Q学习算法可能比基于大语言模型的算法更容易协调。
算法交易者也有差异化策略的激励,因为当他人合谋时不合谋可能获利丰厚。Laura Veldkamp认为,这可能使算法异质性成为均衡结果。
巴尔表示,在将新技术更广泛地整合入交易活动或市场基础设施之前,市场参与者应考量相关风险。当一项技术尚未被充分理解、且其发展可能快于人们的理解时,保持谨慎是必要的。
AI与网络风险
2026年发生的一些事件表明了AI模型自主行事、与人类创造者目标不一致的风险,包括网络风险。
在给定目标的情况下,AI模型曾将安全边界视为需要跨越的障碍而非需要遵守的规则。这引发了疑问:即便对AI代理下达了遵守规则的指令,规则是否仍然有效。
AI模型利用了人类网络攻击者所发现的同样一些漏洞,例如许多相互竞争的企业严重依赖同一平台提供商。AI赋能的攻击者已证明,它们能够利用此前被认为过于难以攻克、因而即使已知也不值得修复的漏洞。AI模型还在揭示几年前无人想象的漏洞。
巴尔此前曾谈及AI通过制造深度伪造(deepfake)加剧网络风险的问题,见其2025年4月17日在纽约联储的演讲“深度伪造与银行网络安全中的AI军备竞赛”。
网络防御者同样在使用AI,使他们能够以远超人类的速度发现并修补漏洞。但近期事件提出了一个问题:防御者是否可能始终处于劣势。攻击者只需成功一次,而防御者必须每次都成功。网络防御必须持续有效,而网络攻击则可以反复试验和失败,直至某次攻击奏效。
这一切说明,防御者的工作艰难,而且随着模型创新的加速正变得更加艰难。私营部门和政府管理网络风险并在事件发生时有效应对的能力,对于维护金融稳定仍将至关重要。
巴尔表示,战胜网络攻击者关乎所有人的利益,因为没有强大而安全的金融体系,任何人都无法成功。他希望那些争夺AI金融未来份额的企业能够开展合作,帮助网络防御领先于网络攻击。
消费金融中的AI
AI很可能在消费金融中扮演越来越重要的角色,正如它在大多数零售业务中一样,尤其是在无需人工参与的客户互动中。金融业在提供客户辅助方面比许多其他行业更早采用AI,消费者自身也在推动普及,例如使用聊天机器人作为投资建议的来源。
在许多情况下,这类建议是在没有金融机构提供建议时所适用的结构性保护、监管和监督的情况下给出的。金融部门的企业也在利用AI改进其财务建议。
客户和金融企业对AI日益增加的使用引发了重要的投资者保护问题,涉及利益冲突、投资建议的质量,以及企业以投资者最佳利益行事的义务。
AI系统生成建议时,可能不仅基于投资者的财务状况和投资目标,还基于推进企业商业利益的因素,例如推广自有产品、创造交易费用或鼓励更频繁的交易。
此类冲突可能内嵌于算法之中,经纪人、顾问、投资者或监管者都难以识别或理解。AI系统还可能依赖不完整或有偏差的数据,生成不准确的信息,或推荐与投资者的风险承受能力、财务状况或投资期限不一致的投资。
金融机构可能越来越多地使用AI和替代数据分析来扩大家庭信贷可及性。然而,该技术带来了重大的合规挑战。AI可能如同黑箱运作,使不利决定难以解释,也难以确保符合公平信贷法律,包括《公平住房法》和《机会平等法》。
租金支付、水电费账单或就业模式等替代数据如果使用得当,可以扩大信贷可及性。但同样的数据也可能无意中成为种族或民族出身等受保护特征的替代指标。因此必须谨慎。与传统信用报告不同,消费者往往无法审查或对此类信息提出异议。
负责任地使用AI,要求机构投资于可解释AI技术,实施持续的公平性监测,保存详细的模型验证记录,并提供便利的争议解决机制。AI提供商必须识别训练数据中的偏差并监测输出,以防止放大不平等或对风险错误定价。负责执行消费者保护法律的人士也必须保持同等警惕。
新的风险不断出现。例如,主要银行报告发现AI代理试图在零售客户账户中执行操作,而银行无法核实真实性、同意以及是否符合客户指令。
这些事件表明,AI要在金融服务中长期取得成功,必须配备适当的护栏:严格的身份验证、针对具体操作的明确同意核实、限制代理能力的技术控制,以及基于规则和基于价值的双重约束。巴尔表示,需要技术创新来确保AI代理遵守既定的规则和价值观,在代理式商业扩张之际尤为关键。
此外,AI代理可能在压力时期加速存款外流。过去需要客户自行执行的转账,AI代理可以即时检测收益率差异或稳定性信号,并以高速自主转移资金。这可能将原本数分钟内展开的银行挤兑进一步加速,令传统的流动性管理和监管干预时间框架不堪重负。
结论
巴尔表示,将AI整合入金融体系,对在核心业务活动中使用该技术的企业提出了实际挑战。企业必须确保AI驱动的流程和结果符合相关法律和适当的风险管理标准。
大型机构正在其业务模式中探索生成式AI(包括代理式AI),但巴尔表示必须审慎行事。要在可持续基础上利用生成式AI的潜力,基于这些模型的决策必须受到良好控制、在数字和法律上精确、可解释且可复制。AI开发商在所有这些标准上仍存在不同程度的不足。
金融体系必须降低AI加剧消费信贷偏见的风险。还必须防范AI在金融市场中使用所带来的风险,包括合谋、市场操纵,以及导致重大市场波动甚至系统性风险的交易策略。
巴尔列出的监测议程为读者提供了可跟踪的具体路标:对照上世纪90年代末电信基准的超大规模服务商资本支出步伐、超过3万亿美元表外义务的增长、较旧代际GPU的租赁价格,以及与大型AI头寸相关的交易商对手方敞口——他和FSR均将这些标记为值得关注的事项——此外还有下一期美联储半年一次的FSR。
巴尔表示,AI为改善金融体系的可及性和效率提供了大量机会,使提供者和客户双双受益。他说:“我相信我们能够且必须确保这一进程以保护用户和支持金融稳定的方式进行。”
演讲中引用的参考文献
- 巴尔表示,文中所表达的观点为其个人观点,不一定代表美联储理事会或联邦公开市场委员会同事的立场。
- Michael S. Barr (2026), “Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?”,在美联储理事会主办的第三届金融普惠年会“Next-Gen Financial Inclusion”上的演讲,华盛顿,7月14日:https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm。
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, 图1.5,华盛顿,11月:https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf。
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, “Leverage in the Data Center Buildout,” 第23–25页。
- 表外负债的名义价值通常在折现前列报,这使得与已折现的表内金额的比较变得复杂。
- Stijn Van Nieuwerburgh (2026), “Financing the AI Buildout,” Brookings Papers on Economic Activity, 秋季刊,第1–28页:
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report, “Artificial Intelligence and Algorithmic Trading,” 第15–16页:https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf。巴尔还引用了Lisa D. Cook (2025), “A Policymaker’s View of Financial Stability”,在乔治城大学McDonough商学院Psaros金融市场与政策中心发表的演讲,华盛顿,11月20日:https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm。
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report;及 International Monetary Fund (2024), “Advances in Artificial Intelligence: Implications for Capital Market Activities,” 载于Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability,华盛顿,10月,第77–105页:
- Anne Yanru Chang, Xi Dong, Xiumin Martin and Changyun Zhou (2026), “AI Democratization and Trading Inequality,” Journal of Accounting Research, 第64卷,6月,第1287–1331页。巴尔还引用了John Coughlan and Alexei G. Orlov (2023), “High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data,” Journal of Futures Markets, 第43卷,8月,第1126–60页;以及IMF的“Advances in Artificial Intelligence”。
- Katherine Doherty, Dina Bass and Justina Lee (2026), “Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace,” Bloomberg, 10月22日。
- Thierry Foucault, Leonardo Gambacorta, Wei Jiang and Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, 经济政策研究中心,巴黎与伦敦:
- Jinfei Sheng, Zheng Sun, Baozhong Yang and Alan L. Zhang (2026), “Generative AI and Asset Management,” Review of Financial Studies, 第1–48页。
- Qiang Cheng, Pengkai Lin and Yue Zhao (2025), “Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages,” Journal of Accounting and Economics, 第80卷,11–12月,101821;及 David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang and Xiaoyan Zhang (2026), “AI, Opinion Ecosystems, and Finance,” NBER Working Paper Series 34807:
- Markus K. Brunnermeier (2026), “Artificial Intelligence and the Brave New World in Finance,”为堪萨斯城联储在怀俄明州杰克逊霍尔举办的经济政策研讨会准备的论文,8月27–29日: Shafran, Atticus Geiger and Mor Geva (2026), “Constructing Interpretable Features from Compositional Neuron Groups,” 计算语言学协会第64届年会论文集,第42326–48页:
- Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen and Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, 欧洲系统性风险委员会,12月:
- Cecchetti等,Artificial Intelligence and Systemic Risk。
- Xiang-Li Lim, Puja Singh and Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
- Winston Wei Dou, Itay Goldstein and Yan Ji (2025), “AI-Powered Trading, Algorithmic Collusion, and Price Efficiency,” NBER Working Paper 34054: Colliard, Thierry Foucault and Stefano Lovo (2026), “Algorithmic Pricing and Liquidity in Securities Markets,” Review of Financial Studies;Kartik Anand, Sophia Kazinnik, Agnese Leonello and Ettore Panetti (2026), “Ex Machina: Financial Stability in the Age of Artificial Intelligence,” ECB Working Paper Series 3225: Laura Veldkamp (2024), “Discussion of ‘AI-Powered Trading, Algorithmic Collusion, and Price Efficiency,’” NBER Summer Institute 2024。
- Álvaro Cartea, Patrick Chang and Gabriel García-Arenas (2025), “Spoofing and Manipulating Order Books with Learning Algorithms,” 工作论文, Winston Wei Dou, Itay Goldstein and Yan Ji (2026), “Financial Market Fragility in the Era of AI Planning,” Wharton School Research Paper, 9月16日,
- Pedro Gurrola-Pérez and Kaitao Lin (2024), “An Analysis of Market Manipulation Definitions Around the World,” 工作论文,世界交易所联合会,6月。
- CME Group, “Market Regulation Advisory Notice”:
- Michael S. Barr (2025), “Deepfakes and the AI Arms Race in Bank Cybersecurity,” 纽约联邦储备银行,4月17日:https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm。
- 例如《公平住房法》和《机会平等法》。