Renting Intelligence: Vendor Concentration Risk and the Pricing of AI Dependency
本文发现，由于缺乏强制性披露规则，导致公开文件中存在信息不一致且经常缺失的情况，从而使投资者无法区分那些租赁而非拥有其 AI 模型的公司，因此股票市场目前并未对 AI 供应商集中的风险进行定价。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代经济中，公司正越来越多地在人工智能之上构建其产品。为此，企业面临着一个根本性的选择：要么从大型技术供应商那里获得智能授权，每使用一次系统就支付一笔费用；要么从零开始构建并运行自己的系统，在硬件和训练数据上进行大量的前期投入。这不仅仅是一个技术决策，更是一个财务赌博。当一家公司“租用”智能时，它依赖的是由他人设定的价格，而这个价格随时可能发生变化。当一家公司“自建”时，它已经支付了成本并拥有了产能。金融理论表明，依赖外部供应商提供关键投入会使一家公司变得更具风险，就像依赖单一巨型客户的企业比拥有许多小客户的企业更脆弱一样。投资者在不断权衡风险与回报时，理论上应该向这些“租用型”公司收取更高的贷款利率，或要求更高的股票回报率，因为它们的未来成本具有不确定性。
佩雷斯学术中心（Peres Academic Center）的一位研究人员试图测试股票市场是否真的察觉到了这种差异。该研究调查了 2023 年至 2026 年间提交的数千份美国公司年度报告。目标是将这些公司分为两组：一组是承认其人工智能模型是从他人处租用的，另一组是声称自行构建并托管模型的。研究人员随后将这两组公司的股票表现与完全不使用该技术的公司进行了对比。研究预期，与“建造者”相比，“租用者”会表现出更高的风险迹象，例如更高的股价波动性或更高的借贷成本。
然而，结果却并未如理论所预测的那样。研究发现，股票市场无法区分“租用型”公司和“建造型”公司。两组公司承担的风险水平相似，且彼此之间的定价也并无差异。市场唯一能做出的明确区分是：使用该技术与否。无论如何获取人工智能，使用该技术的公司看起来都比不使用该技术的公司更具风险。但“租用”还是“建造”的具体选择并没有改变这一局面。
数据之所以呈现这种沉默，并非因为风险不存在，而是因为公司披露的信息不够充分。研究人员发现，大多数在年度报告中提及人工智能的公司，其描述都止步于真相之前。它们可能会声称拥有“专有平台”或“内部技术”，但极少明确说明运行在其底层的模型究竟是自有的，还是从第三方授权获得的。由于公司没有明确说明其模型的来源，研究人员只能根据模糊的措辞进行推测。当两名独立的读者尝试根据这些模糊的描述对同一份报告进行分类时，他们的判断一致率仅为一半左右。
这种缺乏透明度的情况造成了一个巨大的盲点。研究显示，“租用组”和“建造组”在报告中的定义如此模糊，以至于市场根本无法区分它们。这就像试图测量两种不同燃料之间的差异，但油箱上的标签却模糊不清、无法辨认。数据过于嘈杂，无法揭示其中的风险。研究人员计算出，即使真实差异确实存在，该研究的设计也不具备足够的敏感度去发现它，除非这种差异巨大——大约达到市场观察到的总风险变动的四分之一。
最具有启发性的发现来自于观察那些提到了人工智能、却拒绝说明其模型来源的公司。这些公司谈论着这项技术，却隐瞒了其来源，它们的风险实际上高于那些从未提及该技术的公司。它们的股价波动更大，投资者也要求更高的持有回报。这表明，沉默本身就是一种风险信号。当一家公司使用一项强大的技术却隐藏其起源时，市场会感知到某种不确定性，即便它无法精准定位具体是什么。
研究结论认为，目前公司报告其使用人工智能的方式不足以让投资者做出明智的决策。市场并非忽略了“租用”带来的风险，而是根本看不见它。报告过于笼统，语言也过于不一致，导致无法进行清晰的测量。研究人员建议，通过简单的报告规则变更即可解决此问题。如果监管机构要求公司明确说明其模型是租用的还是自建的，并在依赖关系显著时注明供应商名称，数据就会变得清晰。在此之前，租用智能的具体风险仍将是隐形的，隐藏在大多数公司选择不写的句子背后。市场知道这项技术具有风险，但它还不知道哪些公司正在“背锅”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。