李俊成（金融研究所）

　　当前，以人工智能为代表的新一轮科技革命和产业变革突飞猛进，正成为重组全球要素资源和经济结构、改变全球竞争格局的关键力量。在这一时代背景下，党的二十届四中全会提出要加快高水平科技自立自强，引领发展新质生产力。面向未来五年，《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出，全面实施“人工智能+”行动，全方位赋能千行百业。就金融领域而言，人工智能作为引领未来战略性技术和形成新质生产力的核心引擎，正深刻影响并重构着金融运行的底层逻辑。

　　做好“人工智能+金融”这篇大文章，要求我们必须向“新”求变，紧紧围绕人工智能的内生特质与规律，加快构建一套理念前瞻、功能完备、安全高效、适配人工智能高质量发展的金融支持体系，这既是智能时代深化金融改革的必然要求，也是推动金融范式创新的核心任务，对于完善现代金融体系、赋能中国式现代化建设具有深远意义。

　　人工智能发展呈现新特征新规律

　　历经多年演进，在技术与市场的双重驱动下，人工智能发展实现历史性突破，展现出超越传统技术经济的新特征与新规律。新特征和新规律的形成，标志着人工智能发展正从单一的技术革新转向对经济系统底层逻辑的深度重构。

　　数据、算法成为核心生产资料。人工智能产业正经历核心生产资料的革命性变革，数据与算法取代土地、劳动力等传统要素，成为驱动产业发展的核心资产。这种跃迁重构了价值创造的逻辑——在传统经济中，生产要素受限于土地的稀缺性、劳动力的边际递减效应；而人工智能产业依托数据的可复制性与算法的可迭代性，可实现生产要素的指数级增值。在人工智能产业体系中，数据构成现实世界的数字映射，其质量直接决定了模型的性能边界，并催生“数据飞轮”效应，形成自我强化的闭环；算法则充当价值创造的引擎，通过数学建模将原始数据高效转化为生产力。作为数字技术的集成载体，依托数据、算法等核心生产要素，人工智能驱动技术体系实现从孤立架构向全域连接升级、从辅助工具向价值中枢进化的双重跃迁。

　　“黑箱”特征突出。人工智能系统，尤其是以深度学习为代表的主流技术，具有典型的“黑箱”特征，构成其区别于传统技术的关键因素之一。所谓“黑箱”，是指系统输入与输出之间的内部决策逻辑极度缺乏透明性和可解释性。这一特性源于技术本身的设计原理：一方面，现代人工智能系统（如大型神经网络）通常包含数百万至千亿量级的参数，这些参数间高度抽象的非线性交互，使得人工智能模型的决策依据常常难以溯源。另一方面，人工智能系统在图像识别、自然语言处理等特定任务上能输出高精度结果，却无法像基于逻辑化规则的传统系统那样，清晰阐明其推理路径与证据链条，决策过程表现出高度隐匿性。这种“知其然（输出结果）而不知其所以然（决策逻辑）”的认知困境，影响了人们对人工智能系统的理解和把握。

　　技术路线具有高度的不确定性。人工智能产业的核心特征之一在于其底层技术路线的高度不确定性，这与传统产业相对清晰的发展路径形成鲜明对比。传统产业的技术演进虽持续迭代，但其核心原理、关键组件及产业链分工往往在较长周期内保持稳定，可预测性较强。相较之下，人工智能领域则呈现多路径并行探索、快速迭代且演进路线难以预判的特征。尤为关键的是，人工智能领域的技术革新常源于基础理论突破，呈现非连续跃迁，可能催生颠覆性创新。这种高度不确定性深刻重构了产业发展逻辑，使得人工智能产业的演进从传统“技术驱动”转向“驾驭不确定性的能力驱动”。因此，人工智能企业需保持极高的技术敏锐度和适应性，以应对技术路线的突然转向。

　　人工智能技术特性

　　为金融契约设计带来挑战

　　人工智能技术的快速发展正在重塑现代化经济体系，但其独特的技术经济特征也为金融契约设计带来前所未有的挑战。传统金融契约体系植根于工业时代的物理资产逻辑，而人工智能经济的核心价值载体已转向数据、算法等新型生产要素，二者间的结构性错位衍生出金融支持人工智能发展的核心挑战。

　　核心资产权属模糊导致抵押品有效性框架失效。有效抵押品需同时满足可验证性、可转移性与价值稳定性三大条件。在传统工业经济中，厂房、设备等有形资产天然具备物理确权凭证和稳定估值依据。相较之下，人工智能核心资产呈现根本性差异——数据资产的权属具有时空动态性，同一数据集可能涉及数据生产者、收集者、处理者等多方权益；算法资产的价值高度依附于开发者知识产权与持续迭代能力。因此，人工智能的核心资产难以满足成为有效抵押品必备的前提条件：一是可验证性不足。数据要素的非竞争性、非排他性特征及其动态权属关系，导致确权成本指数级增长，权属模糊使其难以验证；算法性能则难以被第三方持续可靠地验证。二是可转移性受限。数据资产因缺乏高效合规的交易市场而流动性受限；算法资产在不同技术路线间可迁移性低。三是价值稳定性缺失。数据资产价值高度依赖应用场景，波动剧烈；算法资产价值衰减速率显著快于债务清偿周期，这一特性导致债权融资在人工智能领域面临根本性障碍。

　　收益非线性特征导致传统估值模型结构性失灵。传统现金流折现模型依赖于可预测的线性现金流增长及折现率的稳定映射两大核心假设。然而，在人工智能企业的信贷决策中，传统现金流折现模型出现多重结构性失灵。其根源在于，人工智能价值创造范式发生较大转变。一是早期负现金流使预测框架失效。人工智能企业早期普遍存在的负现金流特征，导致依赖稳定正向现金流的传统估值模型在相当长时期内无法适用。二是技术风险压缩引发系统性偏差。传统估值模型将多维技术风险压缩为单一线性溢价因子，既无法捕捉技术代际跃迁中的断点风险，更无法量化突发性范式转移带来的价值波动，导致风险评估出现系统性偏差。三是数据网络效应导致的估值复杂性。人工智能系统具有由数据网络效应驱动的边际收益递增特性，该特性显著增加了人工智能企业的价值评估难度。由于未来现金流增长的不可预测性大大增强，传统估值模型已无法准确刻画人工智能企业的真实价值。

　　技术路线的高不确定性导致风险敞口加大。工业时代的金融契约体系建立在相对稳定且长期的技术生命周期之上。这种稳定性使得传统金融契约能够通过长期固定条款（如长期贷款协议、对赌条款）锁定风险边界。然而，人工智能的技术经济特性在很大程度上颠覆了这一基础。一方面，人工智能技术代际周期的大幅压缩，使得契约刚性与技术柔性的冲突加剧，传统金融契约在应对技术快速迭代时呈现系统性失效，风险管理逻辑面临根本性重构；另一方面，基于静态评估的投资或信贷决策，可能因技术的快速更迭或迅速贬值出现即时失效，从而显著增加金融机构的风险敞口。当技术迭代速度超越契约调整周期时，建立以“技术适应性”为核心的契约架构，已成为重构风险管理基石的关键性制度创新。

　　金融支持人工智能发展向“新”求变

　　强化人工智能发展的金融支持，要求金融体系能够主动适应人工智能的发展规律，建立符合人工智能技术经济特性的契约架构。

　　构建新型数据基础设施与治理框架。发展数据要素市场，推动建立合规、高效、安全的数据确权、登记、评估、交易和流通机制，探索基于隐私计算的数据“可用不可见”交易范式，释放数据价值。创新数据资产金融化工具，探索基于数据资产收益权、数据质押、数据保险等新型融资模式。研发基于数据稀缺性、应用场景潜力、合规成本等更体现人工智能技术特性的数据价值评估模型。强化数据安全与隐私保护，将数据安全和隐私合规深度嵌入金融契约设计与风险管理流程，利用区块链等技术增强透明度和可审计性。

　　推动算法风险评估与可解释性应用。研究制定人工智能算法风险评估指南，建立强制性披露框架，要求企业提交模型性能文档、算法审计报告等核心风险评估材料。构建可解释性技术激励体系，对采用深度可解释性技术的人工智能企业，给予监管审查快速通道，授权其在产品说明书中使用“可解释AI认证”标识。创新风险转移工具，开发算法责任保险产品，对因“黑箱”决策导致的损失提供风险补偿。

　　设计柔性、动态适应的金融契约。推广“里程碑式”融资，将融资额度与人工智能技术研发的关键里程碑挂钩，实现分阶段注资和动态调整。引入弹性条款，在贷款协议、对赌协议中嵌入基于客观技术指标或市场表现的调整机制，使契约能随技术演进而优化。探索基于技术表现的收益分成模式，部分融资回报可与人工智能产品的实际使用效果或产生的经济效益直接挂钩，实现风险共担、利益共享。

　　构建适配人工智能发展的监管安排。健全算法治理制度体系，明确开发、部署、监控各环节的责任主体和合规要求，为责任追溯建立法定依据。深化监管沙盒机制应用，对处于探索期的人工智能企业开放监管沙盒风险隔离测试空间，支持其在可控环境中验证创新方案。提高监管环境的稳定性和透明度，推行负面清单规则和容错机制，为金融机构及市场投资者提供稳定、可预期的监管环境。