{"text":[[{"start":8.08,"text":"根据Gartner测算，2026年全球人工智能(简称AI)总支出将达到2.59万亿美元，同比增长47%，是所有科技赛道中增速最快的领域。据中国信通院数据，2025年我国AI核心产业规模突破1.2万亿元，相关企业超过6200家；据国家数据局统计，我国日均词元（Token）调用量从2024年初的1000亿飙升至2026年3月的140万亿，两年增长超千倍。Open Router数据显示，2026年年中中国大模型的全球调用份额已接近三分之二。另一方面，过去几年，在AI领域的很多公司只有故事没有业绩，泡沫风险加大。银行业需要辩证地看待这一现象，迎接机遇和挑战，服务好实体经济。"}],[{"start":56.239999999999995,"text":"充分认识AI发展的趋势与影响"}],[{"start":59.44,"text":"从技术变革上看，人工智能技术是继工业革命、电气革命、信息革命之后，被认为是新的一轮技术革命，是人类有史以来最为重要或最具颠覆性的发明。1956年，在美国新罕布什尔州达特茅斯学院的人工智能暑期研讨会上，一批年轻学者首次正式提出“人工智能”术语，这被公认为是人工智能学科的诞生标志；以ChatGPT为代表的大模型，标志着技术迈入了通用人工智能的门槛。经过70年的发展，人工智能赋能千行百业，正以通用技术属性渗透生产力各环节，成为培育新质生产力的关键支撑，并将深刻改变人类社会的生产关系。"}],[{"start":101.4,"text":"从经济影响看，AI是全要素生产率增长的新引擎，持续催生新产业、新业态，不断提升效率，改变我们的生活方式、生产方式、工作方式。一方面，AI技术已发展成为新兴产业，如国家数据局预计，到“十五五”末，中国AI相关产业规模将突破10万亿元，同时其技术转化、集成与创新不断涌现，催生了众多新兴业态，高附加值属性助其位于全球产业链和价值链的高端，如人工智能软硬件、智能工业机器人等，并涌现出了一批AI相关的产业巨头，它们为国家的经济增长与高质量发展提供了强劲动力。另一方面，借鉴工业革命对经济的影响，一些学者对劳动者境遇的关切与担忧亦开始浮现：技术向生产率的转化是一个复杂的过程，并非用上了这项技术经济就会立刻腾飞；同时，即便工业革命带来整体经济的繁荣，分配问题依然严峻，直到经过七、八十年发展之后，工人工资才开始大幅上升。"}],[{"start":165.18,"text":"从社会影响看，AI深度嵌入社会实践，提升社会治理能力，改善衣食住行，增进社会福祉，但同时也推动社会大分工的到来，表现在就业结构性替代、薪酬分配变化乃至财富的分化。麦肯锡研究表明，2030年前全球4亿至8亿人的工作将被自动化取代，美国、德国约有三分之一的岗位将被AI替代。此外，结构性失业将普遍存在，传统产业工人、白领阶层乃至知识工作者都将面临被AI替代。薪酬体系结构也将发生变化，薪酬方式、薪酬标准、劳务关系等将面临重构。"}],[{"start":206.5,"text":"金融支持AI发展的必然性"}],[{"start":209.22,"text":"AI发展的必要条件"}],[{"start":211.35,"text":"英伟达 CEO 黄仁勋在2026年达沃斯论坛上提出的AI“五层架构”模型，指出 AI 生态自下而上依次由能源、芯片、基础设施、模型和应用构成，任何成功的上层应用都须依赖底层设施乃至能源的持续支撑。一是能源层（能量）：AI的物理基础与终极约束，包括可再生能源、核电等电力供给，被视为“第一性原理”和关键瓶颈。二是芯片层（心脏）：将能源转化为算力的核心加速器，主要是GPU等AI芯片。三是基础设施层（躯体）：集成芯片、土地、冷却、网络等构成的算力集群和数据中心。四是模型层（大脑）：承载核心智能的算法、软件与大模型，是AI产生智能的核心引擎。五是应用层（手脚）：价值最终实现的场景，如机器人、自动驾驶、金融、科研、制造等，创造真实的价值，是经济效益的核心来源。此外，发展AI还需要高质量数据、复合型人才与资本支持，高质量数据要素是“燃料”，顶尖科研团队是“驾驶员”，技术的背后是长期资金。"}],[{"start":284.58,"text":"AI产业的财务特征决定了它对金融体系有着特殊依赖"}],[{"start":289.76,"text":"一是高投入，训练和迭代大模型、建设智算中心耗资巨大，国内头部大模型企业智谱2025年研发开支达31.8亿元，全年净亏损47.18亿元；花旗测算，2026至2030年全球AI累计资本开支将高达8.9万亿美元。二是长周期，从技术突破到商业化盈利需要多年。三是轻资产，AI企业核心资产是算法、专利、人才和数据，缺少厂房土地等传统抵押物。四是高风险与高回报并存，失败率极高，但一旦跑通便是指数级成长。"}],[{"start":327.39,"text":"这样的产业靠企业自有资金不够，须依靠金融体系完成跨期资源配置和风险分担。从实际数据看，资本已经在大规模进场：Wind数据显示，2026年上半年共有71家企业完成首发上市，同比增长39.2%；募资总额705.74亿元，同比增长88.93%。如机器人企业宇树科技登陆科创板，市值一度突破4000亿元；智谱在港股上市后又启动科创板上市，募资650亿元，投入约300亿元建设算力。股权投资、银行信贷各司其职，AI企业从初创到成熟的资金接力链已经形成。"}],[{"start":368.68,"text":"AI行业发展面临的挑战"}],[{"start":371.29,"text":"AI行业处于“从能力验证转向价值落地”的爬坡期，泡沫风险加大。过去几年，AI处在“百模大战”、“概念炒作”的阶段，很多公司只有故事没有业绩，股价涨得快跌得也快；但2026年随着国家战略的落地，政策从“鼓励研发”转向落地、赋能，AI须真真切切地创造价值、兑现业绩。AI技术的发展趋势是向前的，但具体到企业和项目，必然伴随大量试错和淘汰。"}],[{"start":400.96000000000004,"text":"麦肯锡调研显示，近80%部署AI的企业尚未实现净利润提升，95%的生成式AI试点项目没有带来直接的财务回报。当前，国内大模型近期迎来中报发布期，中报显示行业收入普遍倍数级增长但普遍亏损，且收入仍集中在B端政企、开发者市场，C端直接付费商业闭环尚未跑通。根据路透社报道，近期证监会已向头部投行、主流投资机构发出窗口指导，提高人形机器人等初创企业的IPO审批门槛，即拟申报上市的人形机器人企业要证明自己有稳定的收入来源、亏损逐渐收窄或者拥有真正有价值的技术创新，为短期资本过热的赛道降温。"}],[{"start":445.14000000000004,"text":"对银行业支持AI发展的相关建议"}],[{"start":448.55000000000007,"text":"银行业需要落实国家政策和监管要求，直面当前的挑战和国内巨大的市场、完备的产业体系以及丰富的应用场景机遇，基于风险可控、商业可持续原则，通过专营组织、专属产品、专项考核、风险管理与能力提升，服务好实体经济。"}],[{"start":467.08000000000004,"text":"一是构建专营组织体系。探索建立科技金融牵头部门、事业部或分支行，积极发挥专业机构的引领和示范效应，压实专业化经营、特色化发展、体系化运作、品牌化管理要求。锚定重点领域、薄弱环节，探索可复制、可推广的机制和模式。"}],[{"start":487.20000000000005,"text":"二是围绕算力和数据创新专属产品。银行业通过科技贷款、算力贷、Token贷等工具支持AI企业发展，如邮储银行创新打造“U亿算”算力贷平台，为算力领域科创企业输出一站式金融解决方案。2026年8月，中国银行广东省分行推出国内首个词元经济专项产品“算力Token贷”，在产品设计上，突破传统授信模式，以企业算力Token产出消耗、算力服务合约价值、算力业务产生的应收账款、Token佣金结算量等作为核心授信依据，为企业提供最长三年、最高3000万元授信总量。9月，农业银行、中信银行、兴业银行、北京银行、民生银行、华夏银行等6家银行落地“亦企Token（词元）贷”等。"}],[{"start":535.63,"text":"三是落实差异化专项激励约束。从考核、定价、审批权限、绿色通道、人才培养、尽职免责等方面增强激励机制，提高业务人员支持科技创新的主动性，从主要发放贷款，转向“投早、投小、投硬科技”的全链条服务。例如，合理设定规模和利润考核力度，试点探索对专营机构、专业团队实施长周期、多维度、差异化的考评机制；用好科技再贷款政策工具，叠加内部FTP减免等给予优惠利率支持；明确免责情形与追责问责要求，适当提高免责和减责比例。"}],[{"start":572.27,"text":"四是加强风险管理。重构信贷评价逻辑，针对AI企业轻资产、缺抵押物的痛点，在财报与抵押物外，引入专利、研发投入、政府科研奖补等创新维度，搭建科创专属评价工具。如建设银行推出“善建科技”科创智评工具，核心理念就是“不看砖头看专利”；邮储银行打造“技术流”评价体系，聚焦企业的核心技术壁垒、研发实力及发展潜力“看未来”。在此基础上，注重对AI企业治理维度评估，对于主动参与行业标准、治理规则的探讨和制定，推进对以人为本、技术向善的创新者以及稳妥有序、公正转型（如劳动者职业教育和技能培训）的探索者的优先支持。深化AI在风控领域的应用，对科技型企业开展全景式、全周期评价，强化风险识别能力，将负面风险降到最低。"}],[{"start":627.66,"text":"五是提升自身AI能力建设。银行业是AI重要应用领域，正成为检验大模型商业化能力的重要场景。银行也需要结合监管要求、自身需求、成本与收益等实际稳步投入AI，推进自研与购买服务并行，推动AI赋能客户参与、文档处理、算法交易、风险管理、合规监管等领域的发展。加强内部协同与外部交流合作，提升运营效率，减少同质化竞争，更好地服务实体经济。"}],[{"start":659.42,"text":"（作者介绍：美国罗切斯特大学数学博士，哈佛大学经济学博士，“星辰之海甄选”创始人，清华大学恒隆房地产研究中心研究员、中国金融学会理事，北京雁栖湖应用数学研究院访问教授。原清华大学五道口金融学院副教授、美国联邦储备银行波士顿分行研究员、美国国家经济研究局研究助理。金涛教授也是微信公众号“高黎数学”、“金岩咨询”与“新世说”的主理人。本文仅代表作者观点。责任编辑邮箱：tao.feng@ftchinese.com）"}]],"url":"https://audio.ftcn.net.cn/album/a_1793142892_5240.mp3"}