学术成果

当前位置: 首页 >> 研究院要闻 >> 学术成果 >> 正文

顾光同:算力数据授信:新型融资工具的适用边界与风险防范

发布日期:2026-11-05    作者:     来源:     点击:

2026年11月5日,浙江农林大学生态文明研究院生态经济研究所所长顾光同教授撰写的理论文章《算力数据授信:新型融资工具的适用边界与风险防范》发表在《金融时报》上。现将全文转载如下:

算力数据授信:新型融资工具的适用边界与风险防范

顾光同

2026年8月,广东省首个词元经济专项金融产品“Token贷”在广州海珠区落地,中国银行、中信银行、广州银行集中推出适配人工智能(AI)算力企业的新型融资工具,首次将词元消耗量、算力服务合约价值及算力业务应收账款等纳入授信核心评判依据。几乎同一时间,农业银行、招商银行等多家银行在零售端密集推出算力联名卡,将大模型词元权益嵌入个人消费场景。从企业端的“Token贷”到零售端的算力权益卡,一场围绕算力消耗数据的银行业信贷逻辑变革正在加速推进。当词元消耗数据开始成为银行识别企业信用价值的重要标尺,这种新型融资工具的适用边界在哪里、潜藏哪些风险,值得深入审视。

算力消耗数据成为信用评价新维度的现实逻辑

词元消耗数据之所以能进入信用评价视野,是因为它在一定程度上反映了AI企业的真实经营行为和业务流量,从而为传统信贷风控提供了新的观察窗口。

词元是人工智能大模型处理文本的基本计量单位,每一次模型调用、每一次数据处理都会产生词元消耗。据国家数据局披露,2024年初中国日均词元调用量约1000亿,到2025年底跃升至100万亿,2026年3月已突破140万亿,两年间增长超千倍。这一变化的意义在于,它把过去难以标准化的AI服务使用行为,转化为可以计量、可以记录、可以汇总的数据轨迹。词元消耗数据位于技术活动与商业活动之间,可作为传统财务指标之外的补充观察窗口。

大量AI科创企业长期面临“轻资产、重研发、高投入、快扩张”的融资困境。传统银行信贷逻辑强调风险覆盖和还款来源,抵押物是风险缓释手段,财务流水是还款能力证明。但AI科创企业在早期往往利润不足、资产偏轻、现金流波动大,同时研发投入高、市场扩张快,导致其财务报表未必好看,却可能拥有真实且持续增长的业务需求。如果银行仅以抵押物和当期利润为尺度,就容易把一批有成长性的企业排除在外。这不仅制约企业自身发展,也不利于金融体系服务新质生产力和数字产业升级。

“Token贷”的创新之处在于,将企业日常经营中持续产生的词元消耗数据转化为可量化、可验证的信用依据。其背后的逻辑链条是:持续的词元消耗量代表真实的业务流量,有业务流量就有现金流入,有现金流入就有还款能力。这与电商兴起时的“流水贷”有异曲同工之处——后者“以流水证明信用”,前者“以算力证明信用”。类似地,算力消耗数据也不是直接等于收入,更不是直接等于还款能力,而是试图通过调用频次、消耗规模、服务合约和应收账款等线索,推断企业是否在真实经营、是否有客户需求、是否具备持续获客和持续服务的能力。

这一探索拓宽了AI领域中小企业的融资渠道,填补了应用层企业的融资短板,是金融体系回应AI产业变革的一次积极尝试。它体现出银行风控逻辑从“看砖头”向“看数据”、从“看静态资产”向“看动态经营”、从“看历史财报”向“看实时行为”的转变。但必须看到,这种转变并不是对传统信用体系的简单替代,而是在传统体系之外增加一个补充维度。词元消耗数据能否真正转化为可信的信用信号,取决于产业成熟度、数据治理水平和银行风控能力。正因如此,在肯定其现实逻辑的同时,必须审慎界定其适用边界。

“算力即信用”的适用边界需审慎界定

“算力即信用”并非普适性法则。其有效运行依赖于特定前提条件,明晰适用边界是防范风险的第一步。若忽视边界,把适用于特定场景的数据逻辑推广到所有AI企业,甚至推广到所有科技企业,就可能造成授信误判。词元消耗数据可以作为线索,但不能自动成为结论。

从企业类型看,词元消耗与商业回报的关联强度决定了该模式的适用性。以模型训练和大模型API服务为主营业务的AI公司,词元消耗直接对应客户调用频次和业务收入,词元消耗量与现金流之间具有较为紧密的关联。这类企业的服务往往具有持续性、重复性和可计量性,客户调用越频繁,消耗越稳定,说明其服务嵌入客户业务的程度越深,未来收入延续的可能性也越大。对于这类企业,词元消耗数据能够较好反映经营活跃度和客户需求强度,因而适合作为授信参考。而以工业仿真、科研计算为代表的项目制企业,词元消耗往往呈现脉冲式特征——项目期内集中消耗,项目结束即骤降。对于后者,若银行过度依赖词元消耗这一单一指标,可能高估企业的持续还款能力。因为脉冲式消耗只说明某一阶段有项目在运行,并不能证明项目结束后仍有稳定现金流,更不能证明企业能够持续获得新项目。若把项目期的高消耗误判为长期经营能力,就可能形成期限错配和还款来源错判。

从数据基础设施看,“算力即信用”高度依赖词元消耗数据的真实性、可追溯性和可审计性。尤其是词元消耗审计是一大难点,该数据由算力平台方输出,存在刷量虚增业务规模的可能,缺少中立第三方存证审计机制,消耗数据并不直接等同于企业实际回款现金流。若单纯将词元数据作为唯一授信依据,可能面临企业无效调用、刷单虚增词元消耗量、人为做大业务规模等风险。没有可信的数据基础设施,“算力即信用”便如无源之水。

数据要成为信用依据,至少需要满足几个条件:一是真实性,即数据不能被轻易伪造或操纵;二是相关性,即数据与企业收入、现金流和还款能力之间存在合理关联;三是连续性,即数据能够覆盖足够长的经营周期,而非短期脉冲;四是可验证性,即数据可以被银行或第三方独立核验;五是可解释性,即数据变化能够被归因,而不是黑箱波动。词元消耗数据目前在这些方面仍有待完善。它产生于算力平台,天然带有平台方的数据优势,但也可能带来利益冲突。若平台方与企业存在合作或关联关系,数据的客观性就需要第三方审计来保障。若缺乏统一标准和存证机制,银行就很难区分真实业务消耗与虚增消耗。因此,数据基础设施是“算力即信用”能否成立的关键边界。

从发展阶段看,“Token贷”当前仍处于探索试点阶段。支撑这一逻辑的数据基础设施、风控方法论及监管框架仍在建设之中。业界的普遍共识是,算力消耗数据更可能成为科技型企业授信的补充维度,而非对传统信用体系的替代。“算力即信用”的定位应当是“辅助”而非“替代”,是“增量”而非“颠覆”。试点阶段应坚持辅助定位,重点检验数据质量与风控参数,而非迅速扩大规模。

三重潜在风险不容忽视

这种新型融资工具在打开融资新空间的同时,也埋下了不容忽视的风险隐患。

一是数据失真风险首当其冲。词元消耗数据由算力平台方输出,目前缺乏统一的审计标准和中立第三方存证机制。企业可能通过无效调用、刷单等方式虚增词元消耗量。若银行以虚增数据作为授信依据,信贷资产质量将面临严重威胁。数据失真风险不仅来自企业主观造假,也可能来自统计口径差异、系统误差、关联交易和平台利益驱动。比如,企业可以通过自动化程序反复调用模型,制造高消耗但无实际业务价值的记录;也可以通过关联方互相调用,形成表面繁荣;还可以利用免费额度、测试接口或异常流量,把技术噪声包装成经营信号。更值得警惕的是,数据失真具有隐蔽性和滞后性,贷前可能难以发现,贷后可能集中暴露。一旦企业依靠虚增词元获得授信,实际现金流又无法覆盖还款,风险就会从数据问题转化为信贷损失。

二是经营脱节风险同样值得警惕。词元消耗量大不等于盈利能力强,更不等于还款能力强。若银行过度依赖词元消耗单一指标,可能高估企业还款能力,加大信贷风险。AI企业的成本结构复杂,算力成本、研发成本、人力成本、市场成本都可能很高。词元消耗上升,可能意味着业务增长,也可能意味着企业在大规模补贴客户、低价竞争或进行无效试验。收入确认与现金回款之间也可能存在时间差:企业虽然提供了服务,但应收账款尚未回收;客户虽然调用频繁,但账期较长;合约虽然金额可观,但回款条件苛刻。若银行只看词元消耗,不看利润、现金流、应收账款质量和客户续费情况,就可能把“繁忙”误判为“健康”,把“规模”误判为“偿债能力”。此外,AI行业技术路线变化快,今天的高消耗可能来自短期风口,明天就可能因模型效率提升、客户自建算力或竞争替代而骤降。经营脱节风险的本质,是数据指标与还款来源之间不能简单画等号。

三是系统性风险更需未雨绸缪。当前算力信贷面临价值评估体系标准不统一、跨部门存在信息壁垒、行业风险对冲工具不足、缺乏成熟交易与处置渠道等难题。若大量银行在同一时间、基于相似的词元数据逻辑向AI企业集中授信,一旦AI行业遭遇周期性调整或技术路线变革,可能引发区域性、行业性信贷风险。此外,如果任由词元场外交易、投资化炒作、代币化包装等乱象快速蔓延,那么必然会滋生出非法集资、金融诈骗、洗钱等金融风险。系统性风险往往不是单一机构、单一企业的问题,而是多个机构在同一逻辑下形成共振。当多家银行都认为词元消耗是可靠信号,都愿意向同类企业放贷,就可能出现顺周期扩张:行业景气时授信集中增加,行业调整时风险集中暴露。由于算力资产和词元权益的估值体系尚不成熟,风险发生时银行也缺乏成熟的对冲、转让和处置渠道,难以像传统抵押贷款那样通过处置抵押物回收资金。若再叠加词元场外交易、投资化炒作和代币化包装,金融风险可能脱离服务实体经济的本源,演变为概念炒作和监管套利。因此,系统性风险防范必须走在业务扩张前面。

从数据验证到多维评价的稳健路径

算力数据授信是数字金融领域一次具有开拓意义的创新探索。若要行稳致远,还需在以下几个方面持续发力。

一是夯实数据基础设施是根基。银行需要打通算力平台与自身的数据核验通道,建立数据溯源校验机制,将词元消耗、订单、发票、税收、银行流水、客户回款等多源数据放在一起交叉验证。同时,推动建立中立第三方的词元消耗存证与审计机制,让数据可验证、可追溯、不可篡改。数据基础设施的关键在于“交叉验证”和“独立存证”。单一平台的数据容易受到平台方利益影响,多源数据交叉验证则可以提高造假成本。比如,词元消耗应与订单合同、发票开具、纳税记录、银行流水、客户回款等相互印证;若消耗很高但订单、发票、回款不匹配,就需要进一步核查。中立第三方存证与审计机制,则可以为数据提供可信时间戳、审计轨迹和异常预警,使银行不必完全依赖平台方自证。只有数据可信,信用评价才有根基。

二是完善多维评价体系是关键。词元消耗应作为授信的重要参考,而非唯一依据。银行还应结合团队人才结构、研发费用投入、知识产权、应收账款、营业收入、征信记录等多个维度综合确定授信额度。江苏银行将算力算效、团队结构、研发投入、知识产权等纳入评分体系,这种多维评价思路值得借鉴。多维评价的核心,是把词元消耗放回企业整体信用画像中。团队人才结构反映持续研发和交付能力,研发费用投入反映创新潜力,知识产权反映技术壁垒,应收账款反映收入质量和回款风险,营业收入反映经营规模,征信记录反映历史履约意愿。银行可以根据企业所处行业、发展阶段和商业模式,设置差异化权重,而不是用一个指标包打天下。对于应用程序编程接口(API)服务企业,可适当提高词元消耗和客户续费权重;对于项目制企业,应更重视项目回款、合同履约和应收账款账龄;对于早期企业,可更多关注团队、研发和知识产权;对于成熟企业,则要回归现金流和盈利能力。多维评价不是简单叠加指标,而是形成相互印证、相互制约的判断体系。

三是建立动态贷后预警是保障。银行需要设置算力消耗动态预警机制,跟踪指标波动及时开展风险核查,从“一贷了之”转向“全周期陪伴”。防范概念炒作风险同样不可或缺,监管部门应警惕“算力即信用”被过度包装和炒作,防止词元概念被异化为金融欺诈工具,守住不发生系统性金融风险的底线。动态贷后预警的重点,是关注词元消耗的异常变化:是持续增长还是突然冲高,是客户自然增长还是短期刷量,是收入同步增长还是消耗与回款背离,是行业普遍变化还是个体经营恶化。银行应将词元数据与贷后资金流向、回款情况、客户集中度、研发进展和行业动态结合,及时识别风险苗头。全周期陪伴意味着银行不只是放贷,还要在贷后持续监测、沟通和调整授信策略。与此同时,监管部门需要防止“算力即信用”被包装成万能概念,防止词元权益、算力合约和场外交易被过度金融化。金融创新必须服务实体经济,不能沦为概念炒作和风险传染的通道。


上一条:顾光同教授团队受邀参加中国高校绿色金融研究联盟2026年会报告交流团队研究成果 下一条:陈磊:强化科技攻关 推动能源绿色低碳转型

【关闭】