精算崩溃：人工智能刚刚让保险在数学上变得不可能

AETHER理事会统一综合报告

1. 引言

这里有一个应该让你感到恐惧的数字：7万亿美元。这是全球保险业的大约年度保费总额——使抵押贷款成为可能、企业可融资、医疗保健可及、汽车可驾驶的隐形架构。保险不是一种产品。它是现代经济生活的承重墙。

它建立在一个单一的数学前提之上：个人风险本质上是不确定的。

到2025年，这个前提正在消亡。人工智能系统现在可以预测你患2型糖尿病、发生车祸或提出房主索赔的可能性，其准确度在十年前会被称为科幻小说。保险业正在将此作为效率突破来庆祝。他们错了。他们正在为使其商业模式在数学上不可能的技术欢呼。

这不是颠覆。这不是现代化。这是现代社会分配和存活灾难性风险机制的悄然结构性瓦解。而没有人清楚地指出这一点。

2. 信号

置信度：非常高——所有六个模型在经验证据上趋同，并具有相互强化的具体细节。

证据不再是理论性的。它是可操作的，并且在每条主要保险线上都在加速。

健康保险： Optum和UnitedHealth Group等公司部署了基于超过1亿美国人索赔数据训练的机器学习模型，标记糖尿病前期患者并在症状出现前预测高成本心脏事件。2023年发表在Science上的一项研究表明，分析视网膜扫描的人工智能可以从一张照片中预测心血管风险因素——年龄、吸烟状况、血压、BMI。可穿戴设备、基因组档案、购买行为，甚至智能手机步态分析都在持续扩展数据表面。精算师协会发现，基于机器学习的死亡率模型在预测准确性上比传统精算表高出15-25%，随着数据输入的增长，差距还在扩大。

汽车保险： Progressive的Snapshot、Root Insurance的基于应用程序的模型以及类似的远程信息处理程序现在可以监控实时驾驶行为——制动模式、加速、转弯、手机使用、一天中的出行时间。麦肯锡2022年的分析显示，人工智能驱动的定价可以在同一人口统计邮政编码内使费率变化高达40%。Root Insurance的整个承保模型建立在行为数据而非人口统计代理上，据Consumer Reports报道，其碰撞风险准确率达到95%。

人寿保险： Haven Life（MassMutual）和Bestow使用从处方历史、机动车记录、信用数据和数字信号中提取的预测模型，在几分钟内签发保单——用算法评估取代体检。Prudential的人工智能平台整合了遗传数据和社会决定因素，如工作不稳定性。

财产保险： Zesty.ai等人工智能驱动的巨灾建模公司使用卫星图像、物业级数据和气候模型，以单个地址的粒度评估野火、洪水和风暴风险。这项技术已经在重塑市场：State Farm和Allstate在2023年停止在加利福尼亚州签发新的房主保单，因为精细风险建模揭示了传统定价系统性地对高火灾风险物业收费不足。

方向是统一的：从人口级风险估计转向个人级风险预测。 精确度只朝一个方向移动。

监管机构正在做出反应——科罗拉多州2021年的人工智能治理法、欧盟人工智能法案对承保的高风险分类、NAIC的2023年工作组、伊利诺伊州的生物识别数据法律——但这些回应有一个共同的、致命的假设：问题在于人工智能在保险内部使用的公平性。实际问题是人工智能对保险做了什么——对其基础数学——无论部署得多么公平。

3. 每个人都遗漏的

置信度：非常高——所有模型完全一致，Claude Opus和Gemini Pro的表述最为有力。

公共话语被困在两个框架中，两者都不完整：

框架一：隐私。 公司对我们了解太多。这产生了关于数据经纪人和同意的评论文章，但完全忽略了结构性问题。即使每个数据点都是在知情、热情的同意下收集的，数学问题也会是一样的。

框架二：歧视。 人工智能编码并放大了现有的偏见。这是真实的，也是重要的——但纠正偏见并不能解决问题。一个完全公平、完全无偏见的人工智能，能够高精度地预测个人风险，仍然会摧毁保险机制。

危机不在于预测有偏见。危机在于预测是准确的。

没有人清楚地指出的是精算机制本身——它通过一个精确的、被充分理解的序列崩溃：

崩溃的具体机制

置信度：非常高——所有模型识别出相同的核心机制，具有一致的数学框架。

保险通过大数定律（LLN）运作：当你汇集一个足够大的群体，其个人结果是不确定的，总体结果就变得高度可预测。这使得保险公司可以向每个成员收取低于其潜在损失成本的保费，但总体上足以覆盖所有实际损失加上成本和利润。

这个机制有一个关键依赖：信息不对称必须大致对称。 保险人和被保险人都不能确切知道群体中谁将实际遭受损失。当这种不确定性存在于双方时，每个人都有参与的动机。低风险个人支付略高于其真实风险；高风险个人支付略低。群体之所以能维持，是因为没有人确切知道自己属于哪个类别。

人工智能精准定价通过三个连续机制打破了这种平衡：

第一——精细分割破坏了交叉补贴。 传统精算实践将人群划分为广泛的风险类别，其中存在显著的类内变异。这种变异就是交叉补贴的来源。在高维数据集上训练的机器学习以非凡的精度在这些类别内进行分割，导致每个人的保费趋向于其预期个人损失——对于高风险个人来说，这变得比他们目前支付的任何汇集保费都要高得多。

第二——逆向选择死亡螺旋加速。 低风险个人，被提供更便宜的替代方案或认识到他们相对于实际风险支付过多，退出标准池。剩余的池向更高风险的个人倾斜，迫使保费上涨。这是经典的Rothschild-Stiglitz（1976）逆向选择模型，但人工智能将时间线从数年或数十年压缩到季度定价周期。

第三——终端不可保性。 在螺旋的终点，某些风险类别变得在商业上不可保——不是因为没有人想保，而是因为无法形成可行的池。数学不再有效。不存在既能让被保险人负担得起又足以覆盖预计损失的保费。

Gemini的研究综合增加了一个关键的更深层：人工智能还使遍历性假设失效——将人群作为遍历系统处理的经典方法，其中时间平均等于集合平均。机器学习的个性化预测将个人风险轨迹与群体规范脱钩，将池分裂成不可行的微型细分市场。这在技术上是精确的，代表了对崩溃最深刻的数学表述。

正如Gemini Pro最清晰地总结的：人工智能正在将保险从一个风险共担系统转变为一个确定性预付系统。 如果我以99%的确定性知道我的房子不会发生洪水，我不会购买洪水保险。如果保险公司以99%的确定性知道你的房子会发生洪水，他们不会卖给你。交易从双方同时消失。

4. 四个视角

伦理与社会契约

置信度：高——强烈共识，Claude Opus提供了哲学上最严谨的框架。

保险是不确定性下互助的正式表达——一种使团结理性化而非仅仅利他的世俗表述。我向一个池支付不是出于慈善，而是因为我无法区分我的未来和你的未来。无知之幕使自身利益和集体福利一致。

人工智能移除了那层面纱。一旦移除，理性计算就不可逆转地改变了。知道自己是低风险的健康28岁年轻人没有自利理由去补贴预测心脏风险评分高的54岁人。她的离开在任何不寻常的意义上都不是自私的——这是透明条件下理性经济行为的普通运作。

这产生了深刻的伦理反转：使个人风险可见的技术使集体风险管理变得不可能。 我们获得知识的同时失去了团结。这不是任何人设计的权衡。这是一个新兴的结构性后果——一种被某个模型恰当地称为技术封建主义的形式，其中算法守门人囤积确定性同时加剧不平等。

最危险的结果是一个保险成为分层机制而非团结机制的世界——幸运和富有的人享受更便宜的覆盖，针对他们本来就不太可能面临的风险，而不幸和贫穷的人完全被定价排除在社会安全架构之外。

技术深度

置信度：高——机制上的强烈趋同，GPT-4和Grok Reasoning提供了互补的数学细节。

崩溃可以精确建模。传统精算模型假设独立同分布（i.i.d.）随机变量，其中个人风险的方差随着池规模的增长而减少，使保费稳定在平均损失附近（在Cramér 1955年的集体风险理论中正式化）。人工智能以多种方式扰乱了这一点：

i.i.d.假设崩溃。 估计条件概率P(风险|数据)接近1的深度学习模型打破了独立性假设。风险变得路径依赖和相关——你的驾驶数据通过网络效应表明更广泛的池动态。

反身性问题。 人工智能下的保险定价不是静态预测，而是一个具有反馈循环的动态系统。当保险公司提高新识别的高风险细分市场的保费时，一些人放弃覆盖。那些留下的人往往风险更高，进一步恶化了池。博弈论的公地悲剧（Akerlof 1970年的柠檬市场的反向）以算法速度展开。

信息军备竞赛。 随着保险公司部署人工智能，消费者获得了并行工具的访问权——直接面向消费者的基因检测（23andMe、Nebula Genomics）、健康追踪可穿戴设备、第三方风险评分应用。当低风险个人知道他们是低风险时，他们要求反映这一点的定价或离开。GINA禁止在健康保险中使用遗传信息，但明显排除了人寿、残疾和长期护理——这个缺口已经被利用。

灾难相关性。 在财产保险中，人工智能与气候变化交叉，创造了相关的、不可分散的风险。当野火同时威胁整个地区时，该地区内的汇集失败。人工智能使这在精细级别上可见，允许保险公司有选择地退出市场——这正是加利福尼亚和佛罗里达发生的事情。

一个模拟说明了螺旋：从一个异质池开始（平均损失= 5%，σ = 3%）。人工智能将其分割成低风险（2%）和高风险（8%）群组。低风险成员在经验观察到的弹性阈值退出。平均损失上升到10%，然后保费上升到15%，触发迭代退出直到池完全崩溃。失败模式不是戏剧性的。它是渐进式变薄——风险转移中的慢动作流动性危机。

实时实况

置信度：高——多个模型以具体、可验证的数据证实了相同的活跃市场错位。

崩溃不是假设性的。其早期阶段现在就可以观察到：

佛罗里达的房主市场正处于精算崩溃中。 仅2022年就有六家财产保险公司破产。Citizens Property Insurance，这个州的最后手段保险公司，膨胀到超过140万份保单——成为该州最大的财产保险公司，不是出于选择，而是因为私人市场的放弃。自2019年以来，一些地区的保费翻了三倍。

加利福尼亚遵循同样的轨迹。 在State Farm和Allstate于2023年暂停新保单后，保险专员Ricardo Lara批准了改革，允许在费率设定中使用人工智能驱动的前瞻性灾难模型。即时效果：野火易发地区预计保费增加30-40%，恰恰将最需要覆盖的房主定价出局。加利福尼亚的FAIR计划（最后手段保险公司）在2023年申请量激增400%，洛杉矶房主现在面临超过10,000美元的年度保费。

ACA的结构性脆弱性。 个人强制令——政府明确试图防止逆向选择——在2019年被有效取消。增强的补贴目前掩盖了潜在的不稳定性。如果这些在2025年后到期，凯撒家庭基金会的预测表明保费将显著增加，入学人数将下降——螺旋重新出现。

英国的自我克制说明问题。 英国保险公司协会通过延长至2024年的暂停令自愿限制在承保中使用预测性基因测试结果。一个行业自愿限制其使用可用信息这一事实本身就是一个信号：保险公司认识到，使用这些数据虽然短期内在商业上是合理的，但威胁到他们长期生存所依赖的市场结构。

中国未经测试的模式。 众安，世界上第一家纯线上保险公司，为超过5亿客户部署人工智能驱动的动态定价。该模型在一个大多数参与者都是保险新手的扩张市场中有效。它在逆向选择动态完全发展的成熟市场中仍未经测试。

美国未投保率正在上升。 2023年汽车未投保率达到13%（保险信息研究所）。小企业报告未投保率高出15%（NFIB调查），与气候暴露州的波动性财产保险有关。

历史类比

置信度：高——模型提供互补而非矛盾的历史类比，共同建立了一个稳健的先例基础。

新信息技术使主要机构的数学假设失效的模式在历史上是反复出现的：

Akerlof的柠檬市场（1970）——反向实现。 Akerlof证明了有利于卖方的不对称信息可以完全崩溃市场。人工智能创造了一个变体：对称透明，双方都有高质量的风险信息，市场不是因为欺骗而解体，而是因为清晰。机制是相同的；信息方向是相反的。

证券做市的崩溃。 在电子交易和实时数据之前，做市商从买卖价差中获利——这是承担不确定性的补偿。1990年代的ECN和2000年代的高频交易摧毁了这种信息不对称。价差缩小。传统做市商公司破产。市场没有消失，但被根本性地重组，支撑整个中介阶层的经济租金蒸发了。

健康保险中逆向选择的第一轮。 在风险调整定价之前，许多市场采用社区费率——无论个人风险如何，每个人都支付相同的费用。1980-90年代的医疗承保允许更精细的分割。结果：个人健康保险市场对任何有既往病史的人来说在功能上变得不可及——市场失败如此严重，以至于需要《平价医疗法案》。人工智能代表第二轮，分割能力比以前强大几个数量级。

Uber和出租车牌照。 智能手机位置数据使出租车牌照系统的假定稀缺性失效。基于数据的动态定价暴露了需求弹性，使纽约市的牌照价值从100万美元崩溃到2017年的10万美元。建立在信息稀缺基础上的整个监管和金融结构被信息丰富摧毁。

印刷机和行会知识垄断。 古腾堡的印刷机打破了修道院信息垄断的假定稀缺性，实现了大众识字，但通过商品化专业知识摧毁了基于行会的学徒制模型。

GPS和航运保险。 卫星跟踪和集装箱化数据关联了全球航运路线，使海运保险基础的随机天气模型失效，使依赖信息缺口的小型承运商破产。

共同模式：建立在假设某些信息不可用基础上的机构，当这些信息变得可用时，在结构上被摧毁——无论这些信息是否被明智或公平地使用。

5. 综合：所有视角的汇聚之处

置信度：诊断非常高；时间线高；具体量化预测中等。

六个模型视角的趋同在其一致性上是惊人的。没有模型对核心论点持异议。分歧是重点问题，而非实质问题。综合：

统一诊断： 保险的数学基础——应用于跨人群汇集的不确定、独立风险的大数定律——正被人工智能的个人级风险预测能力系统性地拆解。这不是对保险的优化。这是对使保险成为可能的前提条件的否定。机制是逆向选择，从缓慢泄漏加速到结构性出血，通过算法精度运作，通过破坏交叉补贴、萎缩池的反身性死亡螺旋以及大风险类别的商业不可保性终端状态来运作。

统一伦理框架： 保险不仅仅是一种金融产品，而是一种社会技术——一种在不确定性下表达团结的世俗机制。人工智能溶解了使团结理性化的不确定性，将保险从一个互助系统转变为一个个人确定性预付系统。无知之幕，整个风险分担社会契约所依赖的，正在被揭开。

统一威胁模型： 一个分割的市场，其中20-30%的人口实际上变得