A | 中信证券：市场博弈复杂性还在提升，要控制心理预期 科技股近期调整不能简单归因于美国长债利率高企，背后应是AI相关股票的远期定价问题。有三个关键叙事变量可以关注：第一，商业化的速率和空间是否跟得上市场预期；第二，算力优势是不是带来份额和定价权优势；第三，当期的算力差距是否会明显拉开远期的AI模型差距。
B | 来源：人民日报海外版 本版图片均由AI辅助生成 确保人工智能始终服务于人，而不是替代人的最终判断 记者：当前算法参与社会决策的广度和深度，已经发展到了一个什么样的阶段？它带来的安全风险，是不是已经到了必须系统性应对的临界点？ 肖茜（清华大学人工智能国际治理研究院副院长）：随着大模型能力的快速提升，人工智能确实正在逐步从传统意义上的“辅助工具”走向“参与决策”。其中，当前共识性担忧是商业化的速率和空间，最大的潜在变量是“防蒸馏”是否在未来会重新拉大模型差距。 至于宏观因素，美国财政部宣布回购长债的影响十分有限，不过短期内美元走弱和加息预期的走弱都有利于全球市场K型分化的收敛。然而，造成美国长端利率持续上行的因素并没有发生根本性变化，未来一段时间可能还会出现持续扰动。今天，无论是在医疗诊断、金融风控、交通调度，还是公共治理、司法辅助等领域，算法都越来越多地参与到决策过程中。但总体来看，人工智能成为完全意义上的“决策者”仍然只是少数特定场景，并非社会普遍现象。更准确的表述应该是人工智能正在成为越来越重要的“决策参与者”和“决策影响者”。在这些外部扰动影响下，A股短期内的资金结构决定了市场博弈的复杂性还在提升，这种震荡市阶段要控制心理预期，避免过多的宏大叙事。 从人工智能安全治理的角度来看，确保“人在环上”（Human-in-the-Loop）仍然是一项不可突破的基本原则。
C | 人工智能虽然在数据处理和模式识别方面具有明显优势，但当前技术仍然存在诸多局限，例如“黑箱效应”导致决策过程缺乏透明性和可解释性，训练数据可能存在偏差，模型可能产生“幻觉”，在复杂环境下也缺乏人类所具备的价值判断、伦理考量和情境理解能力。因此，如果将涉及生命安全、公共利益或重大社会影响的决策完全交由人工智能作出，不仅可能导致错误决策，也可能出现责任主体不清、问责机制缺失等治理难题。 招商证券：美债长端压力仍存，关注A股结构性机会 近期海外风险主要来自美债长端利率上行，期限溢价抬升背后反映了长债需求减弱、AI企业发债挤出和美国财政风险，美国财政部扩大长债回购能够缓解短期流动性压力，但难以扭转中长期矛盾，美债利率仍有高位波动甚至进一步冲高的可能。 更重要的是，我们需要关注算法决策不断扩张所带来的系统性风险。 国内政策则明显加快落地，财政金融协同促内需进一步扩围，“六张网”由总体部署进入专项规划和重大项目推进阶段，房地产政策继续沿公积金改革和一线城市需求端松绑加码。7月经济数据显示总量修复仍偏弱，新旧动能分化进一步扩大，高技术制造、AI算力和高端装备维持较高景气。 短期A股波动可能加大，配置上继续沿科技创新、制造出海、低估值政策发力三条线索均衡布局，重点关注电子、机械设备、电力设备、有色金属、煤炭等方向。
D | 当越来越多的社会运行依赖算法时，一旦算法出现系统性偏差或遭受攻击，其影响可能迅速扩散至金融、医疗、交通、能源等多个关键领域，甚至影响社会公平和公共信任。
E | 因此，我认为，我们已经到了必须系统性应对人工智能决策风险的重要阶段。 中信建投：海外风险可控，科技等待出清 A股两融与ETF资金此消彼长，出清未完但波动收敛，前期抄底资金的回本卖压或制约反弹斜率。10年期美债在4.7%高位波动，隐含通胀与AI债务融资抬升长端利率的双重因素；美国财政部加大国债回购，显示出政策不愿金融条件硬紧缩伤及AI与整体经济，利率对权益的压制相对可控。策略层面修复行情下有底上有顶，政策托底意愿明确，但增量资金尚未形成合力，存量博弈特征明显，指数向上突破需要更强的催化。未来的治理重点，不应是简单限制人工智能的应用，而是在推动技术创新的同时，建立更加完善的风险评估、算法审计和责任追溯机制，确保人工智能始终服务于人，而不是替代人的最终判断。 魏凯（中国信息通信研究院人工智能研究所所长）：算法伴随着计算机软件的普及，早已经深度嵌入社会运行的各个环节，一切计算机程序都建立在算法之上。 配置层面兼顾景气与平衡，等待科技板块出清。
F | 早期程序依托的算法，完全由人工预设的明确规则驱动。
G | 行业重点关注：AI（上游材料设备、国产算力等）、创新药、有色、机械、新能源、红利等。 国信证券：行业轮动扩散支撑市场底部，配置上均衡布局 回顾90年代美股互联网，美债利率上升导致科技阶段性承压，行情再次向上的契机是流动性紧缩预期放缓。A股高景气行业顶部通常呈现M顶，次高相距最高点约6个月、高度约八至九成，本轮次高形成需待海外流动性和交易拥挤边际缓解。随着神经网络等人工智能技术成熟，算法的形成逻辑发生重要转变：它不再单纯依靠人工设定规则，模型训练数据同样深刻影响最终输出。 十余年间，消费互联网率先完成迭代，信息搜索、商品推荐、广告分发等场景全面运用 AI 算法。
H | 当前行业轮动扩散支撑市场底部，配置上均衡布局，成长或向AI应用扩散，同时重视红利、医药等内需。 当下新趋势显现：大众信息查询行为逐步转向智能体，依靠大模型整合素材、直接生成应答。
I | 需要警惕的是，大模型“幻觉”问题难以彻底消除，使用者应当对智能体输出内容做好真伪辨别。 银河证券：行情将以结构性轮动修复为主 当前地缘层面冲突、油价、美联储货币政策等外部不确定性尚未出清，仍是A股中期扰动源。内部重点观察政策信号，新型基建方向发力预期抬升。
J | 当然，家里的扫地机器人，自动驾驶汽车，也都是AI算法驱动的。8月21日国务院常务会议部署新一代通信网建设，“六张网”建设从顶层规划转向政策信号的进一步落地。近期一线城市陆续下调购房门槛、优化公积金使用政策，稳增长信号释放。 短期指数层面仍受海外波动、筹码结构扰动而出现震荡反复，板块之间的博弈与再平衡持续。但外部冲击更多体现为阶段性扰动，国内政策信号与产业主线逻辑并未动摇。
K | 放眼三季度后半程，行情将以结构性轮动修复为主，建议围绕政策主线、景气验证方向把握结构性机会。
兴业证券：9月将是科技重要的决胜窗口 近期全球科技股的波动，一方面是海外超长债快速上行的扰动，另一方面是Anthropic最新ARR不及预期带来的扰动。
L | 总体而言，算法参与社会决策呈现不均衡发展态势：面向普通公众的消费场景渗透更广，面向经营主体的产业场景仍处在深化探索阶段。
M | 确保AI进入决策过程之后，不会削弱决策的可靠性、公正性、可控性和可问责性 记者：在“算法参与决策”这个特定语境下，您认为“安全”的核心要义是什么？它和我们传统说的网络安全、数据安全、信息安全，最本质的区别在哪里？是不是可以理解为，这是一种更深层的“决策安全”或者“规则安全”？ 魏凯：安全本身具有相对性，AI算法安全同样不存在绝对安全。放到“算法参与决策”这一特定语境下，我认为安全的核心要义，就是保障AI算法具备充足的透明性与运行可靠性，规避由算法自主推演、模型决策带来的重大风险。但相关担忧有望于9月中下旬开始陆续缓解，届时将是科技板块重要的决胜窗口。 讨论AI算法安全不能一概而论，需要结合应用场景、面向的不同主体分类考量。 中长期来看，即使财政扩张、AI发债挤占等中长期慢变量难以快速缓和，推动全球利率中枢上移，但景气和产业趋势依然是主导本轮AI行情的核心矛盾。美债利率中枢上行对于权益资产的影响，更多在于分母端的估值。面向普通消费者提供服务的AI算法，应当匹配大众认知水平，搭建相适配的安全防护机制，守住用户合法权益底线。具体涵盖内容合规、防范算法歧视、强化个人隐私保护、警惕AI算法不当引导公众认知等多个维度；针对未成年人等特殊群体，还要实施更加严格、差异化的算法约束。历史经验看，当处于一段由大的产业趋势引领的行情时，如果分子端足够强劲，仍然能够一定程度上对冲无风险利率上行的冲击，带领股价顶着分母端压力的逆风实现上涨。
N | 优质硬科技资产仍有望是后续引领市场修复的核心动力。
o | 内部，继续重视引领本轮修复、当前性价比仍高的光模块、PCB、光纤光缆等北美算力链。 维护AI算法安全，不能只要求一方出力，技术服务商与使用者双方都负有责任。对于技术服务商而言，应当严格遵循法律法规与相关技术标准，落实算法安全各项合规要求，从技术源头筑牢风险防线。与此同时，也需要持续呼吁广大使用者不断提升风险辨别与自我保护意识。
p | 肖茜：在算法参与决策的特定语境下，我认为“安全”的核心要义，是确保AI进入决策过程之后，不会削弱决策的可靠性、公正性、可控性和可问责性。此外，关注其他尚未被充分定价的景气线索：有色、AI上游设备、创新药、新能源（电池储能、电网），以及资源品中超跌的AI上游材料（玻纤、小金属）等。它所保护的不只是一个技术系统能否正常运行，更是社会中的决策权能否被正当、审慎地行使。
q | 传统意义上的网络安全、数据安全和信息安全主要解决的是决策所依赖的技术基础和信息基础是否安全。 国金证券：实物资产的资产储备功能将愈发受到重视 过去一年中，AI产业的发展与科技巨头的融资曾是海外缓解债务可持续性压力的答案，即AI企业通过债务扩张换来未来更高的经济增长速度。算法决策安全则进一步追问：即使网络没有遭到攻击、数据没有泄露、信息也是真实的，算法作出的判断是否一定合理？如果出现错误，最终由谁承担责任？ 因此，我认为可以把它理解为一种更深层次的“决策安全”，同时也涉及“规则安全”。
r | 但当前债务/TOKEN总值的比值重新回升指向这一路径开始失效，反而可能强化海外低储蓄与高负债的矛盾，科技公司天量的债务扩张从答案变成了问题的一部分。所谓决策安全，是要防止算法误判、自动化偏见和人类过度依赖机器，确保重大决策仍然处于有效的人类监督和控制之下。
s | 所谓规则安全，是要审视被写入算法的目标、指标和价值排序是否合理。
t | 我们过去讨论的2024年以来发达国家债务扩张不可持续的问题开始重新显现，实物资产的资产储备功能将愈发受到重视，如果紧缩预期逆转，非美实物需求的修复也值得期待。具体配置建议上，我们推荐：第一，“回流美国”故事正在放缓，有色金属（黄金、铜、铝）、能源（煤炭、石油、油运）迎来顺风；第二，红利风格受益于绝对收益者的切换，高股息+低波动+稳定现金流的红利资产仍是绝对收益资金的核心回流方向；第三，南方国家故事与中国制造的共振正在孕育，关注工程机械、电网设备、炼化等方向。因为算法并不是完全中立的，它会把开发者设定的规则转化为大规模、持续性的社会决策。 光大证券：市场或将反弹，财报季或将是下半年最好的配置窗口 市场当前的核心担忧在于海外AI capex可持续性，但2020年以来至少两轮类似辩论最终均由下一期业绩数据终结，每次辩论都会伴随板块10%—20%的回调，随后行情在数月内完成修复。 记者：生成式 AI 爆发之后，大模型参与决策的场景变多了。和传统的、针对特定任务设计的算法相比，大模型的“通用决策能力”更强，但不确定性也更大，这是不是给算法安全保障带来了全新的、更大的挑战？ 肖茜：大模型时代的算法安全已经进入了一个新的阶段，它面临的挑战与传统算法有着本质区别。当前国内外科技盈利均保持高增长，同时整体盈利增速也在PPI的带动下持续回升，全A非金融半年报盈利增速有望达15%左右。传统算法通常针对某一特定任务设计，功能相对单一，应用边界比较明确，因此风险也相对可预测。叠加政策层面的系统性支持以及A股对海外冲击敏感性持续下降，8月半年报密集披露期有望成为市场从估值消化切换至盈利驱动的拐点，财报季或将是下半年最好的配置窗口。 配置上建议围绕三条业绩主线展开。而大模型则具有通用能力，可以理解、推理、规划、生成内容，并在逐步向智能体演进，开始参与越来越复杂的决策过程。与此同时，大模型还具有持续学习、不断迭代、多场景应用等特点，能力边界始终处于变化之中。首先是科技硬件（半导体/AI算力/存储），这是本轮业绩改善最强的方向；其次为涨价链（有色/化工/煤炭），直接受益于PPI回升，业绩兑现确定性高；最后主线为出口制造（储能/电力设备/汽车），受益于全球制造业补库与供应链优势。这意味着，技术的发展速度远快于治理规则的更新速度，也使算法安全治理面临前所未有的挑战。
u | 此外，非银金融、医药/CRO（创新药出海）、军工（订单拐点）等方向半年报景气度同样值得关注，整体呈现多条业绩主线并行的格局。 大模型时代与传统算法时代最大的不同，至少体现在三个方面。一是风险更加难以预测。
v | 大模型具有一定的涌现能力，一些能力并非开发者预先设计，我们很难像传统软件那样准确预测系统在所有场景下的行为。
w | 二是算法开始影响决策，而不仅仅是执行任务。三是风险的外溢性更强。一个通用大模型往往服务数亿用户，可以同时应用于多个领域，一旦出现系统性缺陷、偏见或被恶意利用，其影响可能迅速跨行业、跨地区甚至跨国界传播，很可能造成系统性风险。 敏捷治理更强调边发展、边治理、边完善规则，提高治理的适应性和前瞻性 记者：全球范围内，算法治理有不同的思路，中国的算法安全治理路径，有哪些自己的特点和制度优势？我们在平衡“发展”和“安全”这对关系上，有没有走出一条自己的路？ 肖茜：我认为，中国人工智能治理的一大特点，就是始终坚持发展与安全并重，努力在促进创新和防范风险之间寻找平衡，而不是把二者对立起来。人工智能是推动经济社会发展的重要引擎。如果因为担心风险而过度监管，可能会抑制创新；但如果只强调发展而忽视安全，又可能带来新的社会风险。
x | 中银证券：美债问题显化或加剧短期交易难度 上周下跌本质是外部定价锚收紧与AI最乐观叙事被修正，叠加前期反弹浮盈厚、存量博弈结构脆弱后的集中释放，属结构性冲击与风险偏好回摆，后续仍要看长端美债能否稳住以及海外大模型商业化数据能否重新给出斜率尚可的证据，在此之前更现实的是波动消化与风格再平衡，而非产业逻辑一夜间证伪。 虽然本周A股硬科技的盈利质量和景气在半年报实际数据中有望进一步兑现，但投资者的关切点或将落到更远期的收入预期以及半年报里披露的订单信息。若下周美债收益率继续冲高且伴随美元走强以及美股科技板块下跌，A股端也许顺势降低高估值成长的拥挤暴露，控制组合久期度，增加其他副线景气配置做对冲。
y | 中期仍更应锚定国内盈利修复与产业景气主线，把美债波动当作节奏与仓位管理工具，而非A股趋势定价的唯一锚。面对短期不确定性建议多元化副线配置，优先增速最快的有色和逻辑覆写的医药。
z | 因此，中国提出统筹发展和安全，把安全作为发展的保障，把发展作为安全的基础，在鼓励技术创新的同时，加强风险治理，努力实现二者的动态平衡。 浙商证券：中线反弹尚未结束 展望后市，尽管市场在连续反弹之后短暂步入调整，但从时间－结构关系上来讲，我们依旧认为中线反弹尚未结束，目前只是在“进二退一”的“退一”过程中，整理后依然还有继续反弹的可能性，因此整体上无需对市场过分悲观。 在治理方式上，中国近年来提出了风险导向、敏捷治理的理念。 配置方面，基于“市场步入退一过程，修整过后有望上攻”的判断，我们建议：择时方面，建议中线仓位继续持有、等待中线反弹逐步到位，短线仓位可以在指数“进二退一”的“退一”时逢低参与，但不宜在“退一”调整时自乱阵脚。今年发布的《2026世界人工智能大会暨人工智能全球治理高级别会议主席声明》再次强调，坚持“风险导向、敏捷治理”。这意味着，面对快速演进的人工智能技术，治理模式不能一成不变，而应根据技术发展和风险变化不断调整，实现监管与创新同步演进。相比于“先发展、后治理”或“先立法、后创新”的传统路径，敏捷治理更强调边发展、边治理、边完善规则，提高治理的适应性和前瞻性。行业方面，前期推荐的创新药近期涨幅较大，可以逢低捡漏但不能随意追高；证券、恒生科技近期逐步完成“退一”过程，可以逢低参与，同期传媒、计算机、中字头也可以采取类似思路；此外，近期地产政策频出，相关标的可以适度加以关注。 此外，中国还高度重视人工智能治理的国际合作。
| 
（文章来源：券商中国）。人工智能的发展和应用具有跨境性，其风险也具有全球外溢性，任何国家都无法单独应对。因此，中国不仅积极完善国内治理体系，也积极参与联合国框架下的全球人工智能治理，倡导开放合作、能力建设和风险共治，推动人工智能真正成为促进人类共同发展的公共产品。
| 技术治理必须与制度治理相结合 记者：这些年学界和产业界都在探索技术解决方案，从实际进展看，这些技术能在多大程度上解决算法决策的安全问题？技术路径有没有它的局限性？会不会出现“道高一尺、魔高一丈”的情况？ 肖茜：用技术来解决技术带来的问题，确实是一条非常重要的路径。近年来，无论是算法可解释性、红队测试（模拟真实攻击者对系统进行对抗性测试的方法，旨在发现漏洞并提升安全性）、还是安全评估、模型对齐，都在不断提升人工智能系统的安全性和可靠性。但是，技术路径始终存在其局限性。我认为，这种局限主要体现在两个方面。一方面，人工智能的发展速度远快于治理规则的演进。今天解决的问题，可能很快就会被下一代模型所突破。随着模型能力不断增强，特别是智能体、自主决策、多智能体协同等技术快速发展，未来人工智能甚至可能具备一定程度的自主学习、自主优化和自我迭代能力。在这种背景下，安全治理确实可能面临“道高一尺、魔高一丈”的挑战，单纯依靠技术手段很难做到一劳永逸。另一方面，许多算法决策安全问题本身就不是技术能够独立解决的。例如，算法是否公平、是否符合伦理、是否侵犯个人权利，这些都属于价值判断和制度选择，而不是工程问题。 因此，技术治理必须与制度治理相结合。
| 未来算法决策治理至少应坚持几项基本原则：第一，对于涉及生命安全、基本权利和重大公共利益的决策，必须保留实质性的人类判断，并留出充足的判断时间；第二，建立算法影响评估、模型测试审计和持续监测机制，确保人工智能在部署前、部署中和部署后都处于可测试、可监督的状态；第三，保障必要的透明度、解释权和救济权，使受到算法影响的个人拥有知情和申诉的机会；第四，明确开发者、部署者、使用者和监管者之间的责任边界，形成完整的责任链条。
| 除此之外，随着人工智能越来越广泛地应用于跨境场景，很多风险已经超越了一国的治理能力。例如，前沿模型可能被全球用户使用，算法漏洞可能迅速扩散，军事、网络、生物等领域的风险更具有全球外溢性。因此，还需要加强国际合作，推动风险评估、安全测试、技术标准和治理规则方面的协调，共同应对人工智能带来的全球性挑战。 只有形成完整的责任链条，才能避免出现“人人参与、人人免责”的治理困境 记者：算法参与决策最棘手的问题之一，是“出了事谁担责”，真出了安全问题，责任该怎么界定？ 肖茜：这是目前全球人工智能治理面临的一个核心难题。
| 过去，责任往往比较容易界定，谁作出决定，谁承担责任。但在人工智能时代，一项算法决策往往涉及多个主体，包括模型开发者、数据提供者、系统部署者、平台运营者以及最终使用算法作出决策的机构。任何一个环节出现问题，都可能影响最终结果。因此，很难简单地把责任归咎于某一个主体。 国际社会目前越来越倾向于建立“责任链条”的理念，也就是说，根据各主体在人工智能全生命周期中的职责划分责任，而不是由某一个主体承担全部责任。只有形成完整的责任链条，才能避免出现“人人参与、人人免责”的治理困境。 我国近年来出台《互联网信息服务算法推荐管理规定》《生成式人工智能服务管理暂行办法》等法规，对平台责任、算法备案、安全评估等方面已经进行了积极探索，为人工智能治理提供了重要制度基础。但总体来看，目前我国乃至国际社会，都还没有形成一套十分成熟、可操作的算法决策问责机制。特别是在大模型和智能体快速发展的背景下，责任如何划分、举证责任如何分配、算法“黑箱”如何解释、跨境应用如何监管等问题，仍然需要进一步探索。
| 记者：对于政府、企业和公众这三方来说，各自应该扮演什么样的角色，才能共同织密算法安全这张网？ 肖茜：算法安全不是哪一方能够独立完成的，而是一项系统工程，需要多方共同参与，形成协同治理的格局。
| 对于政府而言，需要不断完善算法治理体系。
| 面对快速发展的人工智能技术，监管不能停留在事后处置，而要坚持风险导向、敏捷治理，建立覆盖人工智能研发、部署和应用全过程的治理机制，完善法律法规、技术标准、风险评估和责任追究制度，为人工智能健康发展提供制度保障。 对于企业来说，应当切实履行安全治理的主体责任。安全不应该只是产品上线后的“补丁”，而应贯穿产品生命周期全过程，加强安全评估、红队测试、风险监测和持续优化，真正把“安全设计”融入技术创新之中。 对于公众来说，要不断提升人工智能素养。我们既要善于利用人工智能提升工作和生活效率，也要保持独立判断，不能盲目迷信算法，更不能把所有决策都交给机器。公众还应积极行使知情权、解释权和申诉权，共同推动人工智能更加透明、可信和负责任地发展。 算法安全不是限制人工智能的发展，而是为了让人工智能更好地服务于人。只有政府加强治理，企业守住责任，公众积极参与，形成共建共治共享的治理格局，才能共同织密算法安全这张网，让人工智能真正做到安全、可信、可控、向善。
Current article:http://4991d.xiadiaosengchengcun.shop/q851m4/20260826/133803.html
Published on:04:44:50