原文标题：Money, Markets, and Machine Learning: Unpacking the Risks of Adversarial AI 

中文摘要：兰德公司（美国）技术分析师Joshua Steier和数据科学家Sai Prathyush Katragadda在《金钱、市场和机器学习：解读人工智能对抗性攻击的风险》一文中表示，算法交易尽管偶尔存在缺陷，但已成为金融体系不可或缺的一部分。它可以带来巨大的好处。换句话说，它让一些人赚了很多钱。根据科技服务公司Exadel的数据，到2030年，算法交易将让银行节省1万亿美元。然而，这种对金融领域机器学习模型的依赖并非没有风险——甚至比闪电崩盘更有风险。

这些系统面临的一个重大而未被重视的威胁是所谓的对抗性攻击。当恶意行为者操纵提供给机器学习模型的输入数据，导致模型做出错误的预测时，就会发生这种情况。金融行业对这些攻击的反应往往是被动的——一种打地鼠游戏，只有在攻击发生后才会提高防御。然而，考虑到这些威胁是机器学习算法结构所固有的，有效解决这一问题的唯一方法是更积极主动地出击。

金融机构需要实施强大而有效的测试和评估方法，以发现潜在的弱点并防范这些攻击。这可能涉及严格的测试程序，雇用“红队”来模拟攻击，并不断更新模型，以确保它们不会受到恶意行为者或不良数据的损害。忽视算法交易中对抗性攻击问题的后果可能是灾难性的，从重大的财务损失到公司声誉受损，甚至是广泛的经济破坏。在一个越来越依赖机器学习模型的世界里，金融部门需要从被动转向主动，以确保金融体系的安全性和完整性。（编译：江明明、秦川）