李俊成（金融研究所）
當前，以人工智能為代表的新一輪科技革命和產業變革突飛猛進，正成為重組全球要素資源和經濟結構、改變全球競爭格局的關鍵力量。在這一時代背景下，黨的二十屆四中全會提出要加快高水平科技自立自強，引領發展新質生產力。面向未來五年，《中共中央關于制定國民經濟和社會發展第十五個五年規劃的建議》提出，全面實施“人工智能+”行動，全方位賦能千行百業。就金融領域而言，人工智能作為引領未來戰略性技術和形成新質生產力的核心引擎，正深刻影響并重構著金融運行的底層邏輯。
做好“人工智能+金融”這篇大文章，要求我們必須向“新”求變，緊緊圍繞人工智能的內生特質與規律，加快構建一套理念前瞻、功能完備、安全高效、適配人工智能高質量發展的金融支持體系，這既是智能時代深化金融改革的必然要求，也是推動金融范式創新的核心任務，對于完善現代金融體系、賦能中國式現代化建設具有深遠意義。
人工智能發展呈現新特征新規律
歷經多年演進，在技術與市場的雙重驅動下，人工智能發展實現歷史性突破，展現出超越傳統技術經濟的新特征與新規律。新特征和新規律的形成，標志著人工智能發展正從單一的技術革新轉向對經濟系統底層邏輯的深度重構。
數據、算法成為核心生產資料。人工智能產業正經歷核心生產資料的革命性變革，數據與算法取代土地、勞動力等傳統要素，成為驅動產業發展的核心資產。這種躍遷重構了價值創造的邏輯——在傳統經濟中，生產要素受限于土地的稀缺性、勞動力的邊際遞減效應；而人工智能產業依托數據的可復制性與算法的可迭代性，可實現生產要素的指數級增值。在人工智能產業體系中，數據構成現實世界的數字映射，其質量直接決定了模型的性能邊界，并催生“數據飛輪”效應，形成自我強化的閉環；算法則充當價值創造的引擎，通過數學建模將原始數據高效轉化為生產力。作為數字技術的集成載體，依托數據、算法等核心生產要素，人工智能驅動技術體系實現從孤立架構向全域連接升級、從輔助工具向價值中樞進化的雙重躍遷。
“黑箱”特征突出。人工智能系統，尤其是以深度學習為代表的主流技術，具有典型的“黑箱”特征，構成其區別于傳統技術的關鍵因素之一。所謂“黑箱”，是指系統輸入與輸出之間的內部決策邏輯極度缺乏透明性和可解釋性。這一特性源于技術本身的設計原理：一方面，現代人工智能系統（如大型神經網絡）通常包含數百萬至千億量級的參數，這些參數間高度抽象的非線性交互，使得人工智能模型的決策依據常常難以溯源。另一方面，人工智能系統在圖像識別、自然語言處理等特定任務上能輸出高精度結果，卻無法像基于邏輯化規則的傳統系統那樣，清晰闡明其推理路徑與證據鏈條，決策過程表現出高度隱匿性。這種“知其然（輸出結果）而不知其所以然（決策邏輯）”的認知困境，影響了人們對人工智能系統的理解和把握。
技術路線具有高度的不確定性。人工智能產業的核心特征之一在于其底層技術路線的高度不確定性，這與傳統產業相對清晰的發展路徑形成鮮明對比。傳統產業的技術演進雖持續迭代，但其核心原理、關鍵組件及產業鏈分工往往在較長周期內保持穩定，可預測性較強。相較之下，人工智能領域則呈現多路徑并行探索、快速迭代且演進路線難以預判的特征。尤為關鍵的是，人工智能領域的技術革新常源于基礎理論突破，呈現非連續躍遷，可能催生顛覆性創新。這種高度不確定性深刻重構了產業發展邏輯，使得人工智能產業的演進從傳統“技術驅動”轉向“駕馭不確定性的能力驅動”。因此，人工智能企業需保持極高的技術敏銳度和適應性，以應對技術路線的突然轉向。
人工智能技術特性
為金融契約設計帶來挑戰
人工智能技術的快速發展正在重塑現代化經濟體系，但其獨特的技術經濟特征也為金融契約設計帶來前所未有的挑戰。傳統金融契約體系植根于工業時代的物理資產邏輯，而人工智能經濟的核心價值載體已轉向數據、算法等新型生產要素，二者間的結構性錯位衍生出金融支持人工智能發展的核心挑戰。
核心資產權屬模糊導致抵押品有效性框架失效。有效抵押品需同時滿足可驗證性、可轉移性與價值穩定性三大條件。在傳統工業經濟中，廠房、設備等有形資產天然具備物理確權憑證和穩定估值依據。相較之下，人工智能核心資產呈現根本性差異——數據資產的權屬具有時空動態性，同一數據集可能涉及數據生產者、收集者、處理者等多方權益；算法資產的價值高度依附于開發者知識產權與持續迭代能力。因此，人工智能的核心資產難以滿足成為有效抵押品必備的前提條件：一是可驗證性不足。數據要素的非競爭性、非排他性特征及其動態權屬關系，導致確權成本指數級增長，權屬模糊使其難以驗證；算法性能則難以被第三方持續可靠地驗證。二是可轉移性受限。數據資產因缺乏高效合規的交易市場而流動性受限；算法資產在不同技術路線間可遷移性低。三是價值穩定性缺失。數據資產價值高度依賴應用場景，波動劇烈；算法資產價值衰減速率顯著快于債務清償周期，這一特性導致債權融資在人工智能領域面臨根本性障礙。
收益非線性特征導致傳統估值模型結構性失靈。傳統現金流折現模型依賴于可預測的線性現金流增長及折現率的穩定映射兩大核心假設。然而，在人工智能企業的信貸決策中，傳統現金流折現模型出現多重結構性失靈。其根源在于，人工智能價值創造范式發生較大轉變。一是早期負現金流使預測框架失效。人工智能企業早期普遍存在的負現金流特征，導致依賴穩定正向現金流的傳統估值模型在相當長時期內無法適用。二是技術風險壓縮引發系統性偏差。傳統估值模型將多維技術風險壓縮為單一線性溢價因子，既無法捕捉技術代際躍遷中的斷點風險，更無法量化突發性范式轉移帶來的價值波動，導致風險評估出現系統性偏差。三是數據網絡效應導致的估值復雜性。人工智能系統具有由數據網絡效應驅動的邊際收益遞增特性，該特性顯著增加了人工智能企業的價值評估難度。由于未來現金流增長的不可預測性大大增強，傳統估值模型已無法準確刻畫人工智能企業的真實價值。
技術路線的高不確定性導致風險敞口加大。工業時代的金融契約體系建立在相對穩定且長期的技術生命周期之上。這種穩定性使得傳統金融契約能夠通過長期固定條款（如長期貸款協議、對賭條款）鎖定風險邊界。然而，人工智能的技術經濟特性在很大程度上顛覆了這一基礎。一方面，人工智能技術代際周期的大幅壓縮，使得契約剛性與技術柔性的沖突加劇，傳統金融契約在應對技術快速迭代時呈現系統性失效，風險管理邏輯面臨根本性重構；另一方面，基于靜態評估的投資或信貸決策，可能因技術的快速更迭或迅速貶值出現即時失效，從而顯著增加金融機構的風險敞口。當技術迭代速度超越契約調整周期時，建立以“技術適應性”為核心的契約架構，已成為重構風險管理基石的關鍵性制度創新。
金融支持人工智能發展向“新”求變
強化人工智能發展的金融支持，要求金融體系能夠主動適應人工智能的發展規律，建立符合人工智能技術經濟特性的契約架構。
構建新型數據基礎設施與治理框架。發展數據要素市場，推動建立合規、高效、安全的數據確權、登記、評估、交易和流通機制，探索基于隱私計算的數據“可用不可見”交易范式，釋放數據價值。創新數據資產金融化工具，探索基于數據資產收益權、數據質押、數據保險等新型融資模式。研發基于數據稀缺性、應用場景潛力、合規成本等更體現人工智能技術特性的數據價值評估模型。強化數據安全與隱私保護，將數據安全和隱私合規深度嵌入金融契約設計與風險管理流程，利用區塊鏈等技術增強透明度和可審計性。
推動算法風險評估與可解釋性應用。研究制定人工智能算法風險評估指南，建立強制性披露框架，要求企業提交模型性能文檔、算法審計報告等核心風險評估材料。構建可解釋性技術激勵體系，對采用深度可解釋性技術的人工智能企業，給予監管審查快速通道，授權其在產品說明書中使用“可解釋AI認證”標識。創新風險轉移工具，開發算法責任保險產品，對因“黑箱”決策導致的損失提供風險補償。
設計柔性、動態適應的金融契約。推廣“里程碑式”融資，將融資額度與人工智能技術研發的關鍵里程碑掛鉤，實現分階段注資和動態調整。引入彈性條款，在貸款協議、對賭協議中嵌入基于客觀技術指標或市場表現的調整機制，使契約能隨技術演進而優化。探索基于技術表現的收益分成模式，部分融資回報可與人工智能產品的實際使用效果或產生的經濟效益直接掛鉤，實現風險共擔、利益共享。
構建適配人工智能發展的監管安排。健全算法治理制度體系，明確開發、部署、監控各環節的責任主體和合規要求，為責任追溯建立法定依據。深化監管沙盒機制應用，對處于探索期的人工智能企業開放監管沙盒風險隔離測試空間，支持其在可控環境中驗證創新方案。提高監管環境的穩定性和透明度，推行負面清單規則和容錯機制，為金融機構及市場投資者提供穩定、可預期的監管環境。
