12月20日，记者在深圳香蜜湖金融年会上了解到，随着人工智能技术加速迭代与深度融入金融体系，与会人士普遍认为，当前我国金融业正处于从要素驱动向创新驱动的关键窗口期。一方面，AI大模型的快速演进正在颠覆传统资产定价与风险评估范式；另一方面，数据作为新型生产要素的价值释放仍受制于治理机制与技术架构的滞后。在此背景下，构建适配AI特性的金融支持体系、推动数据从“沉睡资产”转化为“智能生产力”，并建立兼顾创新激励与风险防控的治理体系，已成为行业共识。

上证报中国证券网讯（记者 徐潇潇）12月20日，记者在深圳香蜜湖金融年会上了解到，随着人工智能技术加速迭代与深度融入金融体系，与会人士普遍认为，当前我国金融业正处于从要素驱动向创新驱动的关键窗口期。一方面，AI大模型的快速演进正在颠覆传统资产定价与风险评估范式；另一方面，数据作为新型生产要素的价值释放仍受制于治理机制与技术架构的滞后。

在此背景下，构建适配AI特性的金融支持体系、推动数据从“沉睡资产”转化为“智能生产力”，并建立兼顾创新激励与风险防控的治理体系，已成为行业共识。

AI迭代挑战传统金融估值

近年来，金融体系通过“股贷债保租”等多元化工具，持续为人工智能技术攻关、智算基础设施建设及产业化应用提供全生命周期的支持，成效显著。然而，与传统科技创新相比，支持AI面临独特的挑战。中国证监会原主席、《香蜜湖智能金融发展报告（2025）》课题负责人肖钢认为，AI大模型呈现出“价值缩水随发展速度同步加速”的特征。技术迭代的节奏越快，大模型能力提升越迅猛，既有技术的市场价值折旧周期就越短，被淘汰的风险就越高。

肖钢进一步分析，在技术路径频繁“换道”的背景下，智能技术难以实现长期、稳定的产业化沉淀。一个新模型的横空出世，可能迅速使既有模型的竞争力大打折扣，导致前期巨额投入的资本价值快速“缩水”。与此同时，一些初创企业凭借单一技术突破便可能“出道即巅峰”。这种高度不确定性和价值的快速衰减，对基于稳定现金流和成熟技术的传统估值体系构成了直接冲击，极大地增加了投融资决策的难度和金融支持的复杂性。

香港理工大学研究员李鸣也认为，中国AI大模型产业在蓬勃发展的同时，正面临治理规则尚不完善、高端复合型人才稀缺、知识产权界定模糊以及初创企业融资渠道狭窄等多重现实挑战。

对此，肖钢建议，加大金融对人工智能技术与产业发展的支持力度，需构建适配人工智能发展的金融支持体系，打造专业服务模式，定制投融资配置方案，建立分层分类的资本运作体系。建议提升金融产品适配性，壮大早期投资，增强风险管理能力，并提升投后服务质效。

数据效率革命已初见成效

金融体系的适配性革新，最终要立足于稳健、高效的技术实现路径。如今智能金融的蓬勃发展正在重塑行业生态。中国工商银行原首席技术官吕仲涛表示，技术演进并非简单的替代关系。当前，小模型并未被大模型取代，而是通过互补融合，形成了“分层协同”的技术新架构：小模型聚焦于特定垂直场景的高效、精准执行，而大模型则承担复杂的认知推理与泛化任务，二者共同构成了智能金融坚实的技术基座。

驱动智能金融发展的底层动力，正来自一场深刻的“效率革命”。全国政协委员、科学技术部原副部长李萌将其概括为三大革命：模型效率革命、算力效率革命和数据效率革命。其中，模型与算力效率革命已如火如荼，而起步稍晚的数据效率革命也已“初见成效”，正成为将我国数据资源优势转化为智能竞争优势的关键突破口。

李萌提出的“效率革命”，核心在于实现智能水平大幅提升、应用成本大幅下降、应用场景大幅拓展，其最终标志是“能效比”的显著跃升。他强调，中国拥有全球最丰富的数据资源和应用场景，但若数据仅静态存储而未被有效利用，则非但不是资产，反而可能成为负担。

如何将数据从成本中心转变为价值中心？李萌提出三大关键技术路径：一是构建数据智能体，使其能够跨系统感知并自主决策，打通数据孤岛；二是发展本体技术，构建统一的语义层，解决跨部门、跨系统数据“同名不同义”的根本难题；三是推进湖仓一体架构，融合数据湖的弹性海量存储与数据仓库的高效查询能力，打造“超级存储+高效计算”的新型数据基础设施。

中国人民银行原副行长李东荣认为，智能金融作为未来方向的基础已经夯实，但发展过程需保持清醒。他提出四点思考：一是必须高度重视伴随AI应用产生的新型信息安全风险，既要管控已知的模型幻觉、算法偏见等问题，更需防范未知风险；二是智能金融的生态构建，其本质应始终围绕“金融为民”；三是监管需保持适应性，在鼓励创新与守住底线之间取得平衡，加快标准建设；四是各类金融机构应结合实际、理性选择适合自身的发展路径，夯实数据基础，并深化与科技公司的合作。

治理模式亟待更新

在这一技术架构之上，有效的数据治理成为释放价值的前提。中国银行业协会原首席信息官高峰强调，AI时代的数据洪流具有海量、实时、多模态的特征，传统以人为主导、流程驱动的治理模式已难以为继，必须向以AI执行为主、人类监督为辅的“智治”模式转型，利用AI技术本身来提升治理效率、挖掘数据价值。

然而，行业的整体跃升仍面临系统性治理挑战。国家金融监督管理总局原首席检查官王朝弟认为，当前主要存在四大行业性痛点：标准碎片化、模型同质化、行业协同机制缺失以及数据治理陷入合规与效用难以兼顾的两难困境。尤其对于中小金融机构而言，AI应用呈现明显分化，战略不清、资源有限、数据基础薄弱等问题制约了其智能化进程。

对此，王朝弟提出构建体系化治理的四点建议：构建分层协同的监管框架、建立标准化技术治理体系、强化行业自律与生态共建、推动跨境协同治理。他表示，中小机构不应盲目追求“大而全”的模型，而应立足自身实际，构建“轻量化”的智能治理体系，提升管理层认知，避免过度依赖外部技术输出。

吕仲涛认为，智能金融的发展必须始终以真实的业务场景为核心导向，通过技术的迭代、组合与创新集成，形成可落地、可推广的解决方案。在这一过程中，既要保持技术的前瞻性，构建“通算+智算”双驱动的韧性基础设施和规模化智能体平台，也要坚守风险可控与伦理合规的底线，确保算法可解释、数据可信任。