你让两个 AI 助手替你抢最后一张低价机票。它们会查价格、付款，甚至和卖家讨价还价。但如果十个助手同时争一张票，谁先得到？按出价、到达顺序，还是综合每个人的需求？这不是简单的“AI 会不会交易”，而是市场该用什么规则，把稀缺资源分给不同参与者。
Irene Aldridge 的综述论文 Evolution of Market Microstructure in the Age of AI 把这个新问题放进一条更长的历史线索：交易从场内喊价走向电子限价订单簿、高频交易、暗池与批量竞价，又走向由自动做市商和区块构建者运行的链上市场。现在，AI agents——能自主搜索、协商和付款的软件代理——也可能成为市场参与者。论文的核心判断是：技术没有消除市场设计的老难题，只是不断改变难题以什么形式出现。
需要先说明，这是一篇综述与框架性论文。文中的历史归纳、福利排序和 AI 市场判断均来自作者及其引用的研究，不能据此断言 AI 已经在现实市场中广泛、可测量地重构交易。
市场其实是一套排队规则
市场微观结构（market microstructure）研究的，不是“某只股票该值多少钱”，而是交易规则、订单类型和参与者互动，怎样把买卖意愿变成成交、价格与资源配置。
最常见的电子市场依靠限价订单簿（limit order book）：买卖双方把愿意接受的价格和数量挂在簿上，交易所通常按价格和到达时间撮合。它看起来只是一个报价列表，实质上却在回答三个问题：谁交易、按什么价格交易、谁排在前面。
难点在于，买卖双方都掌握私人信息，也都有少报或虚报的动机。论文从 Myerson–Satterthwaite 不可能性定理讲起：在买卖双方估值私有且分布重叠的条件下，一套双边交易机制无法同时做到事后有效、激励相容、参与自愿和预算平衡。说白了，市场设计没有“所有好处全拿”的方案。设计者只能选择牺牲什么，以及让成本落在哪里。
第一轮改写：速度成了商品
电子化让订单可以连续撮合，也把竞争压缩到微秒。高频交易（HFT）用高速程序报价和成交。公开信息一旦改变资产价值，旧报价会瞬间过时；最快抵达交易所的人可以抢先吃掉它。于是，市场参与者不仅在价格上竞争，也在通信和计算速度上竞赛。
论文梳理的解决方案之一是频繁批量竞价：把一个短时间窗内到达的订单视为同时提交，再统一定价成交。它重新定义了“同时”，让早到一微秒不再自动占优，从而把部分速度竞争转回价格竞争。
但这不是免费午餐。两次撮合之间无法产生新的成交价，信息进入价格会变慢。作者援引监管材料称，欧洲部分周期竞价也高度依赖连续市场提供的参考价：它们可以消费别处形成的价格，却未必自己承担价格发现。批量竞价解决了抢跑问题，同时付出了及时性的成本。
第二轮改写：看得见，不一定更公平
当速度优势被削弱，订单信息该公开多少便成为下一个杠杆。公开市场让所有人看到订单簿，但也诱发抢排位、撤单和择时；暗池则在成交前不公开完整订单，希望减少信息泄露和抢跑。批量竞价介于两者之间，把订单先积累起来再集中撮合。
作者在自己的配套研究中，把三类场所放进同一个排队模型，并在特定假设下给出“暗池优于公开市场、公开市场优于批量竞价”的福利排序。其解释不是暗池给了所有人更好的成交价，而是隐藏队列状态可能减少围绕排位展开的成本；同时，急迫的交易者仍可用市价单立即成交。相比之下，批量机制会让急迫者也等待，并可能把边缘参与者挤出市场。
这个结论有明确边界。它依赖到达率、逆向选择和报告延迟等条件；作者也指出，排序在很薄的市场中可能失效。因此，它更适合被理解为一种机制解释，而不是“暗池必然最好”的普遍裁决。
上链以后，争夺变成了排序权
自动做市商（AMM）用预设公式和资金池自动报价，不需要传统订单簿逐单配对。它说明报价和流动性供给可以程序化，但 AMM 本身不是 AI 代理。
链上交易又带来新的权力中心：区块构建者决定哪些待处理交易进入区块，以及按什么顺序执行。论文把由此产生的最大可提取价值（MEV）视为一种排序权问题。批量处理原本可用来削弱“谁快谁先”的优势；如果一个构建者控制整个批次的内部顺序，抢先交易的空间便可能以另一种形式回来。
这正是论文贯穿各时代的线索：场内交易主要担心参与者是否理性；电子市场把速度变成稀缺资源；区块链把交易排序控制权推到台前。技术改变了约束，却没有让权衡消失。
AI 真正缺的是“怎么分”
论文认为，agent commerce 已逐渐具备若干基础模块：代理可以调用工具，可以完成支付，也可以建立身份。但这些协议回答的是“如何行动”和“如何付钱”，没有回答稀缺资源最终归谁。作者把 allocation——资源配置——称为当前协议栈缺失的一层。
这比给 AI 接一个支付接口更难。传统市场常要求参与者报出一个价格；复杂匹配却可能涉及位置、时间、质量和风险等多个特征。AI 代理可以低成本提交少数特征的权重，却未必能完整列出对所有可能结果的排序。可报告信息的维度，因此成为新的关键约束。
论文提出的方向是 spectral feature matching：不要求代理提交完整排名，而是利用低维特征进行匹配。作者强调，其保证是有条件的，失败情形可以事先检查。现有材料不足以支持把它写成已经验证成熟的通用方案，但它点出了一个重要变化：未来的订单可能不再只是“以多少价格买多少数量”，而是“在这些约束下，替我争取最合适的组合”。
为什么值得现在关注
AI 进入市场后，最值得警惕的未必是机器比人算得快，而是规则开始同时面对大量会搜索、会谈判、会调整策略的软件参与者。它们可能降低搜索和交易成本，也可能把速度竞赛、信息隐藏、排序权和议价失衡放大到新的场景。
这篇综述最有价值的地方，是提醒我们别把市场基础设施误当作中性的水管。订单格式决定参与者能表达什么，撮合方式决定谁占优，透明度决定谁能利用信息，排序权决定谁可以从执行过程抽取价值。AI 可以替人下单，却绕不开这些制度选择。
局限与未知
- 论文主要提供历史综述和统一框架，不能单独证明 AI 已经重写现实市场微观结构。
- “AI agents 已能发现、付款并竞争资源”的范围并不清楚，材料未区分真实部署、原型系统与前瞻场景。
- allocation 是“缺失层”、约束转向信息维度等说法，属于作者的研究判断；相关机制仍需更多独立证据和现实市场检验。