中国银行原行长李礼辉：产业金融应以战略利益和经济效益为主导

21世纪经济报道记者 程维妙 北京报道
11月9日，由南方财经全媒体集团指导、21世纪经济报道主办的第十九届21世纪金融年会在北京召开，本届金融年会主题为“强国强金融 新质新未来”。围绕“科创赋能新质生产力”议题，中国银行原行长李礼辉发表了主旨演讲，从技术创新、数据要素、金融原则、国际竞争四个维度带来分享。
他表示，金融是数据密集型行业，数字金融创新需要大数据的支持，当前我国公共数据和非公共数据存在“数据孤岛”、流通不畅等问题，支持金融机构与“数据大户”建立市场化数据分享机制。
谈到金融促进产业结构升级，他认为应以战略利益和经济效益为主导，其中以“经济效益”为主导，既是对先进产业、先进企业、先进项目的扶持，也是对落后产业、落后企业、落后项目的扬弃。金融服务实体经济，不仅有支持和帮助，也少不了舍弃和放手。必须坚持金融审慎，避免无效信贷投放。

（李礼辉作主旨演讲）
以下为演讲全文：
科创赋能新质生产力
很高兴参加第十九届21世纪金融年会。这个平行论坛的主题是科创赋能新质生产力。这里我从技术创新、数据要素、金融原则、国际竞争4个维度，与各位分享自己的粗浅认识。
一、技术创新：AI迭代与数字金融
最新的AI大模型实现了内容生产方式和人机交互方式的变革，从结构化到非结构化，从单模态到多模态，是根本性的技术迭代。
生成式人工智能大模型可以学习和理解非结构化数据，生成新的非结构化内容，包括文本、音频、视频、图像和代码，适应多种任务。最新的GPT-4o、Orion1等大模型底层技术的核心是文本、视觉、语音多模态组合的感知、学习和交互的能力，已经突破文本交互的局限性，能够感知、理解和模拟动态的真实世界。这将加快基于多模态感知的技术创新，对数字化产业全链条产生重大影响。
人工智能基础研究侧重于开发超级大脑，以“知”为主要目标。人工智能应用研究侧重于赋能行业应用，以“行”为主要目标。通用大模型构成垂直模型的核心底座，垂直模型直接应用于产业的智能化创新，通用大模型与垂直模型、行业级垂直模型与企业级垂直模型的融合发展，对于发展新质生产力、驱动经济转型升级、充分发挥我国的国际竞争优势，具有直接意义。
用海量数据预训练行业级垂直模型并持续调优，再根据不同需求调适差异化应用，定制企业级垂直模型，可以有效降低模型开发的边际成本，扩展模型的应用范围。金融业涵盖银行、保险、证券投资、财富管理等不同领域，同一领域的金融产品、金融服务、金融管理的需求大同小异，采用行业级垂直模型和企业级垂直模型融合发展的技术路线，同时选择适当的商业模式，有利于实现高效率、低投入、个性化的金融创新需求。
数字金融创新并非是给传统体制传统流程加上数字化外套，而是从根本上改革体制，重构流程，再造底层系统。智能化的数字金融必须面对模型歧视、算法趋同、隐私保护等新的挑战。模型歧视指模型输出的结果出现对某些群体的集体性偏见、差评和政策限制；算法趋同指在不同机构的量化交易之类的智能金融程序中，由于算法逻辑趋同出现相同的市场趋势预测，执行相同的市场交易策略，导致单边化市场交易，引发暴涨暴跌的市场危机。
数字金融创新可考虑的原则是“高中初小”：“高”是占领技术高地，“中”是全球领先的中国方案，“初”是把风险消灭在萌芽状态，“小”是实现风险概率和风险成本最小化。这就要求加快智能金融监管制度创新。
一是完善一体化、穿透式的金融监管系统，集成应用数字技术，共享多方监管数据，执行一致化的合规标准，覆盖所有的金融机构，穿透不同领域的金融市场和金融业务，从而实现金融监管全流程智能化，降低监管成本和被监管成本。
二是完善法律法规，明确数字金融各参与方的责任边界，包括数字金融监管的基本原则、监管机构的职责和权限、金融机构的智能金融业务规范。
三是完善数字金融技术审核认证制度，赋予合格企业数字信任标志，完善AI模型的测试平台、工具、标准和方法。
四是完善数字金融市场风险分析和监测系统，及时识别、评估并预警异常交易和市场操纵，主动预防系统性风险。
二、数据要素：数据结构与数据共享
金融是数据密集型行业，数字金融创新需要大数据支持。
必须注意数据资源结构对大模型开发的限制。中美两国都是数据大国，但数据资源结构不同。美国依托科学技术长期发展累积的信息资源，在知识和学术领域具有数据优势。我国依托互联网经济超越式发展堆积的信息资源，在市场交易和公民行为领域具有数据优势。海量的市场交易和公民行为数据是我国数字经济、数字金融发展的宝贵资源。
必须注意数据共享模式对数据价值挖掘的限制。我国的公共数据存在行政分割的问题。涉及居民和企业的财务数据和行为数据，分散在金融机构、金融监管、工商管理、税务、海关等不同的局域系统中，共享程度不高，影响数据价值的深度开发。我国的非公共数据存在流通不畅的问题。全国移动支付用户超过9亿，数字化支付成为主要的数据入口，但互联网平台与金融机构之间的数据关联、数据共享尚未达成成熟的模式，数据价值未能充分发掘。
中央的“数据二十条”制定了数据产权制度、数据要素流通和交易制度、数据要素收益分配制度、数据要素治理制度的规范。
数据的价值在于其真正成为生产要素。
一是公共数据的开放共享和价值发掘。国家建立集中统一的公共数据库和互联互通的公共数据应用系统，打破数据孤岛。公共数据按照“原始数据不出域、数据可用不可见”的要求，以模型、核验等产品和服务等形式向社会提供，加大供给使用范围。深入发掘公共数据的价值，将公共数据用于宏观经济管理和规划，用于供给侧和需求侧的结构性改革，用于产业链的布局和流程改进，用于城市智能管理系统；同时将公共数据用于生产商的产品和服务优化，用于经销商的采购和物流优化。
二是个人数据和企业数据的确权保护和共同使用。完善个人信息保护机制，规范采集使用个人信息行为。同时创新技术手段，推动个人信息匿名化处理，保障使用个人信息数据时的信息安全和个人隐私。推进非公共数据按市场化方式“共同使用、共享收益”的新模式，支持金融机构与互联网平台企业、交通运输企业、物流企业、数据分析加工企业、征信机构、行政部门、公共服务机构等“数据大户”建立市场化的数据分享机制，为产业金融、普惠金融业务提供数据支持。
三、金融原则：战略利益与经济效益
数字经济时代，各行各业深度应用数字技术和数据资源，促进产业更新迭代，产业被全新定义。
第一大类是传统产业的数字化，包括应用数字技术和数据资源迭代升级后的新制造、新基建、新能源、新材料、新农业、新商业等；第二大类是数字化产业，包括深度应用数字技术的软件开发业、数据资源开发业、人工智能开发业、生物技术开发业、数字产品制造业、信息技术服务业等；第三大类是公共行业的产业化，包括深度引入市场经济机制的绿色低碳产业、医疗康养产业、教育培训产业、文化创意产业等。
金融资源作为生产要素，必须向发展新质生产力集聚，大幅提升全要素生产率。中国的金融业应该以战略利益和经济效益为主导，优化金融资源配置，促进产业结构升级。
一是着眼长远，以战略利益为主导。支持新产业、新模式、新动能，发展以高技术、高效能、高质量为特征的生产力，建立未来产业投入增长机制。健全投资和融资相协调的资本市场功能，支持长期资金入市。规范发展天使投资、风险投资、私募股权投资，更好发挥政府投资基金作用，发展耐心资本。
二是遵循市场化原则，以经济效益为主导。发展新质生产力，建设现代产业体系，既是对先进产业、先进企业、先进项目的扶持，也是对落后产业、落后企业、落后项目的扬弃。金融服务实体经济，不仅有支持和帮助，也少不了舍弃和放手。必须坚持金融审慎，避免无效信贷投放。
四、国际竞争：政治边界与价值边界
关于数字经济的全球化，我的基本认识是：
第一，科技有政治边界，霸权政治破坏全球经济一体化，缺乏自主科技实力的全球技术共享是不可能实现的。
第二，市场有价值边界，技术创新的价值只有通过市场才能实现，缺乏市场需求的技术创新是不可能变现的。
算力基础设施建设需要资本、人才和时间，这就势必导致算力集中。算力竞争是大国之间的国家级竞争，同时是资本巨头、科技巨头之间的企业级竞争。算力竞争的关键是核心技术。美国联合西方国家对中国实施“小院高墙”的技术封锁政策，封锁高端AI芯片和尖端光刻机对中国出口。
在中美竞争中，美国的优势在于全球最大的知识类数据资源，全球领先的高端芯片核心技术。我国的优势在于全球最大的市场交易和公民行为数据资源，全球最大的制造业服务业AI技术市场需求和应用场景。中美争锋，退无可退。要发愤图强，扬长避短。
一是集中力量推进基础软硬件的自主创新。立足于AI技术全系列国产化，学习、吸收全球最先进的软技术，打磨、提升自主产权的底层算法、基础模型、深度学习框架和AI开发工具，同时集合优势资源攻克高端芯片硬技术难关，突破西方封锁。
二是持续跟进通用大模型建设。通用大模型建设需要超级算力、海量数据、先进算法，需要大投资、长周期。国家应统筹规划，加速建设大规模、高品质的知识类、科学类、文化类、生活类数据库和数据集；应持续支持科技大厂拓展算力，优化算法，训练具有中国特色的通用大模型，不断优化垂直模型的技术底座。
三是力争引领全球垂直模型开发。鼓励和支持有实力的科技公司和金融机构建立多模态的自有数据库，为训练本土化的垂直模型提供专业数据集。拓展大模型在不同应用场景中的决策能力和行动能力，提高场景适配度，采用行业最佳流程、最佳标准，打造全球领先的智能城市、智能农业、智能制造、智能服务、智能物流、智能金融、智能家居、智能驾驶等，全面赋能实体经济，提升新质生产力。