纽约市退休系统曾拒绝一家业绩亮眼的私人市场基金。该公共养老金管理规模为3270亿美元，并非缺乏配置能力。其拒绝理由不是看空AI，而是AI相关风险因子已经广泛嵌入公开股票、私募股权、公司债、基础设施乃至美国国债，使组合在因子层面高度集中。当同一风险源同时影响多个资产类别时，按资产类别分散并不等于按风险因子分散。该机构认为，无法判断AI周期何时从“足够”转向“过度”；一旦转折发生，受托人难以承担不加约束的配置责任。
这种集中度在数据上已有体现。高盛估计，标普500总市值中约四成来自AI基础设施公司，包括芯片制造商和超大规模云服务商；仅三家芯片股就占新兴市场基准指数的四分之一以上。阿波罗全球管理的数据显示，今年接近一半的投资级债券发行与AI相关，风险投资领域这一比例高达87%。同一家公司往往横跨多个资产类别，Alphabet股票市值约4万亿美元，流通债务约1300亿美元，其基础设施连接全球30多个数据中心。许多看似独立的公司还通过循环融资互相持股，风险链条层层叠加。摩根大通用四个资产组合模型模拟养老基金配置，发现组合与AI相关风险因子的相关性近年明显为正。相关性不等于因果，但说明AI对所谓多元化组合的渗透已经不可忽视。
从机制上看，传统资产配置假设不同资产类别由不同风险因子驱动，相关性较低，因此能够相互对冲。但AI作为通用技术，同时影响收入增长、利润率、资本开支、信用利差、能源需求、通胀预期和利率路径。资产类别只是法律、会计和治理上的容器，真正决定损益的是底层风险因子。若股票、信用债、私募股权、基础设施和国债都对同一组AI相关变量敏感，那么名义上的跨类别配置，在压力时期可能迅速退化为同向暴露。七月市场波动提供了一次压力测试：芯片股大幅回调，市场开始怀疑巨额AI资本开支能否支撑高估值，科技公司债券价格下滑，对冲基金也出现亏损。摩根士丹利财富管理指出，这轮AI交易使股票和债券的正相关性恶化，因为AI逻辑同时影响股票表现和信用资产定价。
进一步看，AI已不只是行业主题，而接近宏观与信用周期变量。股票估值依赖于资本开支能否转化为持续现金流，信用定价依赖于未来收入能否覆盖债务本息，基础设施回报依赖于数据中心利用率和电力成本，国债收益率则受到AI相关企业债发行竞争和能源需求带来的通胀压力影响。若资本开支回报低于预期，股票估值和信用利差可能同时调整；若能源和融资成本上升，长久期资产和基础设施现金流也会承压。这意味着，养老金即使没有直接买入AI主题基金，也可能通过指数、私募股权、信用债、基础设施和国债间接持有AI敞口。问题不在于是否主动配置AI，而在于组合是否已经在因子层面集中于AI。
养老金机构已经开始尝试量化这一敞口。洛杉矶县雇员退休协会结合自下而上和自上而下的方法，让投资经理分别判断，再借助MSCI工具审查组合，估算其940亿美元资产中约8%至19%暴露于AI风险。区间较宽，但为后续讨论提供了基准。芬兰Elo养老保险公司使用AI工具，监控公开持仓对AI应用趋势的敏感程度；其资产配置部门认为，如果AI主导市场的叙事持续数年，为了追求分散而压制AI敞口，反而可能损害投资收益。加州公务员退休基金内部也在敦促管理层建立AI风险评估框架，尤其针对数据中心和基础设施投资。更系统性的变化是总组合方法的兴起，即打破资产类别界限，在组合层面统一比较和权衡所有投资。澳大利亚Aware Super在多阶段项目后，用第三方数据和工具重建内部投资平台，使追踪基金层面的AI敞口成为可能。Marsh的投资与退休部门用六个月开发系统，通过代理式AI生成确定性工作流，逐家公司拆解收入和利润来源，以定位AI暴露。这些实践的共同点是，从资产类别配置转向因子暴露、风险预算和压力测试。
纽约市退休系统在内部要求识别最脆弱的敞口，对特定基金设定持仓上限，并提高评估颗粒度和频率。几乎每只决定投资的基金，最终都会带来更多AI暴露。这一约束促使资产管理行业重新思考分散化的含义。核心问题不再是是否配置AI，而是当AI成为经济中的普遍变量时，组合韧性来自何处。过去依靠资产类别、地理边界或行业标签实现的分散，可能只是名义分散；在共同风险因子驱动下，组合仍可能同涨同跌。更务实的做法，是接受AI是一个普遍变量，持续更新对它的认知，而不是试图完全回避。纽约市退休系统强调提高评估颗粒度和频率，本质上是在无法完全回避风险的前提下，提升识别、计量和治理能力。这比简单回避更符合受托责任。