杨赫，中国工商银行现代金融研究院院长、深改办主任

　　一、引言

　　以人工智能为代表的新一轮科技革命正在重塑经济增长范式，技术创新不仅改变传统生产要素的组合方式，也在拓展要素集合的边界，推动生产函数的形态扩展与要素结构的系统性重构。2024年全国数字经济核心产业增加值达140891亿元，占GDP比重10.5%，其中，数字技术应用业占比最高，达44.0%，数字技术密集型产业对整体经济的贡献持续提升。近年来，中央政府也明确将数据纳入新型生产要素体系，系统推进数据基础制度建设，为数据要素的流通、交易与资产化奠定了更加明确的政策基础。同时，在基础设施侧，以“东数西算”及其升级安排为牵引，推动构建全国一体化算力网，强调算力资源科学布局、有序发展，使算力从企业内部的技术性投入逐步转化为跨区域、跨主体可配置的战略性资源。落实到金融层面，2023年10月中央金融工作会议提出扎实做好科技金融、数字金融等金融“五篇大文章”，突出金融政策与科技政策、产业政策协同发力，支持发展新质生产力。

　　在这一系列政策组合推动下，算力因其稀缺性约束、规模性投入与可计量、可验证等特征，日益呈现资产化与资本化的可行路径：算力不再仅是产业链的成本项，而可能通过定价、抵押、信用派生与风险计量等机制进入金融循环，进而成为影响资源配置的关键金融要素。对金融体系而言，这一变化将重塑信息生产与交易组织方式，使超额收益的来源由信息优势转向算力优势，并推动金融运行从以信用契约为中心，迈向以可计算、可验证、可自动执行为特征的算法契约形态。对此，深刻认识算力的资本属性，分析其对金融体系的塑造和影响，已成为数字时代生产关系重构与资源配置机制演进的关键命题。

　　二、关于算力资本的概念辨析

　　随着资源配置方式的不断演变，当一项资源可积累、直接或间接参与生产过程，并能通过制度安排参与价值创造和收益分配时，即具备了转化为资本形态的可能性（Harvey，1982；Bryan&Rafferty，2007）。从这一定义出发，算力是一种具备资本化潜能的生产性资源。一是具有显著的增值能力。无论是算力基础设施（如数据中心）还是其所延伸的服务（如云计算资源），都可以嵌入生产过程并形成具备稳定收益预期的可积累资产。因此，算力具备类似不动产等传统资本的收益性。同时，算力在诸多技术场景中承担价值放大器的功能，例如，在大模型训练、算法优化、自动驾驶系统或药物分子筛选等应用中，算力都能推动生产率曲线的阶梯式跃升，并产生外溢效应。二是具备可交易性与流动性。在大模型计算过程中，算力可被标准化并分割为可度量的最小计算单元，进而在不同主体之间实现动态调配与即时交易（Kristensen et al.，2024）。在活跃的交易基础上，诸如算力券、算力期货等衍生工具创新进一步扩大算力资源的跨时空交易配置范围，并赋予算力资产更强的流动性。三是具有稀缺性和排他性。数据显示，全球算力需求增速远超摩尔定律，每3个月便翻番（Lohn & Musser，2022）。但同时，关键算力供给仍高度依赖少数GPU制造商与特定硬件架构，形成结构性供给瓶颈。供需矛盾使得算力成为全球科技企业争夺的核心战略资源，算力的占有状况直接影响下一代人工智能系统的开发能力与竞争门槛，强化了算力作为排他性资产的价值支配力。

　　算力资本的产生和发展不仅是技术经济发展的自然结果，也是提高资源配置效率的内在要求。由于算力规模可以在很大程度上决定大模型的能力上限，算力资源的配置不可避免成为决定创新前沿边界的关键因素。因此，对算力进行价值标准化，将算力从单纯的投入品提升为经过价值抽象的资本形态，可以为算力参与价值创造和分配建立桥梁。特别是通过资本化方式，可以更有效地生成算力资源的价格信号，并以此引导和优化其他生产要素的配置结构。这将构建起由算力资本作为“中枢”，其他资源禀赋配置（如劳动力、资金、土地等）围绕算力展开的体系，进一步与人工智能时代的生产力发展结构相适配。

　　但同时，算力资本化的进程仍有挑战，尤其是算力资本价值的计量尚缺少广泛认可的方法论。目前算力定价评估有三种方法：第一种方法是基于生产成本定价，即按照算力的物理载体（如芯片、服务器、数据中心等）在生产中所耗费的资源投入来估算其价值。这一思路源自经典劳动价值理论，认为价值取决于生产所需的社会必要劳动时间投入。这种方法的优势是直接、可操作性强，但仅反映当期投入成本，未能充分体现算力的未来价值创造与收益溢出潜力，易低估算力作为资本的增值性。第二种方法是基于边际产出进行估值，将算力视为一种投入要素，其价格应与算力在生产过程中所创造的新增价值，即算力对最终产出的边际贡献相匹配。然而目前人工智能应用尚处于快速演化阶段，不同行业、不同场景下的算力投入与产出之间缺乏稳定可重复的函数关系，算力边际产出的计量方法尚未成熟，导致此路径在实际中尚难以大规模推广。第三种方法是基于未来价值折现进行计量，即算力资本估值等于算力未来预期所能实现的收益总量的贴现现值。此种方法的掣肘同样在于算力使用场景的不成熟和历史数据的缺乏，使未来收益难以准确预测和度量，现实中尚需依赖实践数据的积累和动态校准。

　　综合来看，算力资本的定价方法仍处于不断探索和完善的过程中。实际操作中，算力的价值往往难以通过单一的定价模型来全面衡量，因为它不仅涉及硬件资源的投入，还与数据流、算法优化，以及行业需求的动态变化密切相关。同时，算力资本定价还需要结合新的金融工具（如算力衍生品、资产证券化等），以及行业特定的风险评估模型，从而更好地适应快速变化的数字经济环境。

　　三、算力资本的金融影响

　　算力资本不仅可以直接提升金融行业的技术水平和操作效率，优化金融市场中的数据处理和风险管理流程，更有可能从根本上重塑金融引导资源配置的运行机制，不再单纯依赖传统的信贷和资金流动，而是转向通过大规模计算和实时数据分析，进行更精确的决策和资源分配；推动金融市场从传统的依赖信息不对称与人为决策的模式，转向更加高效、透明、智能化的算法驱动体系。这一变化不仅将提升金融体系的整体效率，还可能带来包括资本市场、金融机构治理以及金融监管体系等在内的广泛制度性变革。

　　（一）算力资本正重塑金融资本引导资源配置的能力

　　一是改变资源的组织方式和配置逻辑。工业革命以来，商业资本和工业资本的大规模扩张产生了大量资金需求，金融资本作为资金这种稀缺要素的供给者，通过“参与制”控制商业资本和工业资本，从而成为影响资源配置的主导力量。但在以人工智能技术为代表的新一轮科技革命浪潮中，资金的稀缺性相对下降，科技创新逐步跃升为生产的核心要素之一，金融资本也随之由稀缺要素的供给者转变为优质资产的需求者。算力作为金融资本所追逐的优质资产，不仅吸引大量资金聚集，同时作为优质抵押品还拥有获取和配置金融资源的能力。

　　二是形成新的资源配置中枢。在算力资本化的基础上，金融将围绕算力资本进行工具和模式创新，从而形成“算力+金融”的资源配置中枢，货币体系也将随之进行“算力化”升级，形成以算力为锚定的货币安排。面对全球主权信用货币体系价值基础不断弱化的风险，算力所具备的价值基础将为货币稳定性提供新的支撑。与黄金货币体系相比，算力供给扩张与经济增长之间具备更强的同步性，可降低甚至避免供给刚性带来的通缩风险；相较于依赖算法规则与共识构建的数字货币，算力资产的稀缺性来源于其基础设施投入与能源约束，具有更强的内生稳定性与抗操纵能力。

　　三是深度嵌入金融创新流程。具体到金融行业本身的发展而言，作为典型的信息密集型行业，金融创新与人工智能技术具有天然的适配性，全球金融机构纷纷将AI应用纳入其核心业务架构，不仅用于风险定价、信贷审批、市场监测，还用于客户洞察、合规检查等环节，由此也将产生对算力的巨大潜在需求，甚至形成金融发展和算力扩张的“加速器效应”。实践层面，全球资本市场中算力基础设施投资规模急速扩张。以黑石集团为例，该公司正在全球大规模投资建设数据中心，2021年黑石以100亿美元收购总部位于美国的数据中心运营商QTS；2024年以160亿美元收购亚太地区最大的数据中心平台AirTrunk，布局新加坡、日本、澳大利亚等核心市场。2022年12月，德意志银行宣布与英伟达展开合作，将AI与机器学习深度集成至风险管理、客户服务等核心业务流程；工商银行、建设银行等国内银行也在积极推动算力集群和数据中心建设。

　　（二）算力资本将重塑金融的运行机制

　　在经典理论框架中，金融中介存在的合理性来自市场摩擦和信息不对称；但在数字时代，强大算力的支撑使信息获取、信息处理的门槛大幅降低，人工智能正以前所未有的速度将海量结构化和非结构化数据转化为价格信号。传统意义上的信息不对称被不断压缩，基于传统信息差而存在的套利空间也由此收窄，金融体系比以往任何时候都更接近经典理论中的有效市场假说。这将带来一系列金融运行机制的系统性调整。

　　在收益机制方面，金融的超额收益来源将从信息不对称产生的“信息差”转变为算力不对称带来的“算力差”。随着人工智能的大规模应用，金融机构和其他经济主体在信息搜集与处理能力上的差距趋于收敛，获取超额收益的多少将不再仅取决于获取信息的能力，更取决于能否以更强大的算力在更短时间内完成从信息识别、策略计算到交易执行的闭环能力，即能否发挥信息、资金、算力三者的乘数效应，以更快、更准确的方式完成交易并锁定收益。

　　在定价机制方面，算力将推动金融定价更加精细、更具动态性，并可能使金融进入“算法契约”的时代。经典资产定价与风险模型主要建立在历史规律和统计定律之上，受限于建模能力和计算能力，高维甚至超高维的市场状态数据往往被抽象为有限的量化指标。未来，在算力与智能体帮助下，市场主体可以通过类似“兵棋推演”方式，在数字空间中快速模拟成千上万种情境，描绘不同市场条件下资产价值的图谱。资产的演化路径与现金流分布能够以前所未有的颗粒度进行观察和评估。此外，交易规则与履约约束将更多以可计算、可验证、可自动执行的方式嵌入交易流程，从而使金融进入某种意义上的“算法契约”时代。

　　在市场结构方面，细分市场的边界将趋于模糊。从直接融资到间接融资，从一级市场到二级市场，金融市场的细分逻辑背后对应着特定的信息处理模式与风险结构，以及由此形成的系统性制度安排。例如，直接融资通过强化市场披露缓解信息不对称，间接融资则依赖商业银行等中介机构缓解信息不对称。然而，随着算法能力的广泛渗透，尽职调查、风险管理、授信审批等业务环节更易被拆解为标准化、模块化、可实时调用的服务单元，并以“嵌入式”的方式融入具体业务场景，从而弱化原有的细分市场及功能边界。一级市场中的部分顶尖投资机构已开始规模化部署人工智能，将政策、市场、技术等因素转化为可计算、可建模的Token。这一改变推动这些机构在决策频率、策略迭代与组合管理的逻辑特征和运行方式上都开始更加接近二级市场量化基金。

　　（三）算力资本将推动商业银行“去中介化”和“再中介化”

　　从金融中介理论视角看，中介机构的形态并非外生给定，而是取决于要素禀赋约束、交易成本与信息结构等因素，并在这些因素共同作用下进行动态演化（Allen & Santomero，1997）。随着未来算力资本成为新的影响因素，商业银行作为代表性金融中介的比较优势和功能定位将随之调整和演化。

　　一是商业银行将从“信用中介”和“资金中介”向“算力中介”转变。商业银行发挥信用中介和资金中介功能的一个重要优势是货币创造能力。随着算力资本发展，商业银行的信用和货币创造将与之形成更紧密联系。在此过程中，商业银行可以在传统“信用中介”“资金中介”基础上进一步向“算力中介”延伸拓展。例如，商业银行可拓展以算力为中心的货币和信贷创造方式，同时利用模型计算过程中产生的类似于在途资金的算力沉淀，进行闲置算力资源的再分配，从而实现向算力中介的功能延伸。

　　二是在“算力中介”的基础上，商业银行也将成为人工智能生态圈中重要的“风险中介”。管理风险是商业银行的优势领域，随着商业银行角色向“算力中介”拓展，作为链接算力资本与金融资本的桥梁，商业银行不仅可以通过算力的借贷、资金的借贷来熨平供需两端的外生波动，更能作为切断算力资本与金融资本风险相互传染的闸口。对此，维护算力资本稳定性的重要程度将不亚于保持经济资本的充足性。

　　三是商业银行可以担当智能生态的核心“交互中介”。在人工智能生态中，商业银行可以在“算力中介”的基础上进一步延伸服务触点，成为枢纽性金融基础设施。以2025年开始运营的Ryt Bank为例，作为全球第一家AI原生银行，其应用程序舍弃了菜单和功能分类，采用对话框作为唯一的交互入口，通过自然语言理解并执行用户的金融指令。这描绘了一个未来银行的雏形：银行不再是一个等待客户上门办理“业务”的场所，其核心功能将解构为以一系列智能模块为代表的服务单元，并与智能制造、智慧城市、供应链等生态场景深度融合。因此，银行的产品和服务不仅可以通过简单的对话框交互来实现，而且此对话框还能进一步成为消费者进入更广阔人工智能生态的流量入口。

　　四、需要进一步关注的问题

　　随着算力资本的产生与发展，其价格形成、收益分配与风险外溢将对资源配置效率和经济发展产生重要影响。算力资本作为一种资本，天然带有逐利性，尤其是在算力资本主导的市场经济环境中，算力资本在引导资源配置的同时也获得了极强的垄断地位和能力，容易引发价值分配的失衡，从而成为金融市场的不稳定因素。一方面，算力如果产生了过高的垄断定价，将挤出大量应用层的算力需求，削弱算力增长带来的应用价值；另一方面，如果经济中“算力不对称”程度过高导致价值分配的高度不均，算力带来的效率提升和价值创造将难以实现，算力的“规模报酬递增”特性也将消失。因此，在允许合理的收益作为对创新的激励和回报之外，应围绕算力资本形成相应的价值分配调节机制，并对算力资本的垄断能力进行必要的限制和约束。基于上述考虑，建议从以下四方面推进相关制度建设。

　　第一，尽快建立算力资本的价值评估标准。算力资本能否有效发挥资源配置功能，关键取决于能否形成合理、可持续的价格体系；同时，监管部门对算力资本的监测、评估与引导也必须以统一、可操作的价值标准为前提。对此，应逐步推动将算力资本纳入官方统计与金融机构的资产负债表管理。例如，可探索在国民经济核算中设立“算力资本”科目，完善统计标准，组织宏观经济部门、金融监管部门、行业协会及专业机构，明确算力资本的界定、成本计量、价值评估等衡量标准，并规范成本法、收益法等方法的适用范围等，为算力入表提供依据。

　　第二，建设算力交易的全国统一大市场。算力的价值评估不仅需要官方统一的标准和体系，也需要在市场机制中逐步发展和校准。为充分发挥市场的价格发现功能，需要主体众多、交易活跃、信息充分的完备算力市场作为支撑。一是完善算力市场制度建设，加快制定算力资本登记、管理、监测等方面的基础制度。二是丰富算力交易市场的参与主体，鼓励金融机构、科技企业以及其他算力高需求行业主体积极参与算力市场交易。三是推动基于算力交易的金融产品创新，探索算力资产证券化（ABS），将稳定的算力设施产生的未来收益权转化为可交易资产，盘活存量算力设施，引导社会资本参与。支持交易平台研究基于算力指数、算力服务价格的期货、期权等金融衍生品，为算力投资提供风险对冲与价格发现工具。

　　第三，建立算力集群和市场化算力调控体系。①在国家层面推动算力的战略性积累储备。算力资本主导的潜在问题是“算力不对称”，且算力基础设施建设有很强的先发优势。因此，进行国家算力战略性积累储备，快速建立足够规模的算力集群是我国在人工智能时代的竞争博弈中占据主动地位的重要保障。②在建立足够算力积累的基础上，建立“算力央行”，对算力供求和价格进行市场化调控。加强对经济算力资本需求的体系化跟踪监测，在算力市场供求、价格出现异常波动时及时通过算力投放、回收和再分配平抑波动。③建立普惠性算力网络和基础设施体系。为广大中小企业和不具备大规模算力积累能力的市场主体提供算力支持，使算力更充分用于应用层的效率提升和价值创造。

　　第四，支持商业银行拓展在算力资本生态中的中介职能。商业银行尤其是国有大型商业银行深度参与算力资本实践，不仅是国家强化算力资源调控、提升算力资源配置效率的重要环节，也有助于通过金融力量缓释算力资本可能引发的垄断与分配失衡问题。具体而言，①支持引导商业银行进行算力资本积累。在数字金融大文章框架下，引导制定算力资本投资的中长期规划，确定算力需求和算力投资的远景目标，并将其纳入资本开支预算。②支持围绕算力资本的金融工具和产品创新。鼓励商业银行构建算力化的金融产品和服务体系，在赋能算力资本化同时，推动金融资本与算力资本的融合互促，探索持牌机构合法投资、持有算力企业股权，引入算力资本作为金融机构战略投资人和合作伙伴等创新方式，推动金融与算力进一步双向赋能。③鼓励商业银行探索业务中台与算力中台的融合交互模式。引导商业银行加快对金融业务的原子化拆解和模块化组件化重构，重点围绕财务对账、交易审查、合规检查等数据密集型和规则驱动的业务流程，加快部署智能体替代人工操作。同时，鼓励探索金融业务组件模块嵌入人工智能生态圈的实现路径，特别是将风控、合规、支付结算等优势能力以标准化、模块化方式对外输出，为生态内各类应用主体提供可信、可复用的基础服务支撑。

　　注：

　　1. 国家统计局．2024年全国数字经济核心产业增加值占GDP比重为10.5%[EB/OL].(2025-12-30).https://www.stats.gov.cn/sj/zxf bhjd/202512/t20251230_1962177.html.

　　2. 《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》(2022年12月2日）。

　　3. 《关于深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》(发改数据〔2023〕1779号，2023

　　年12月25日）。

　　4. “ 豪赌 ”A I :黑石的全球棋局 [ N ] . 经济观察报 , 2 0 2 5 - 0 3 - 0 2 .

　　5. 德意志银行与NVIDIA携手合作，在金融服务中使用AI.[EB/OL].https://www.nvidia.cn/industries/finance/deutsche-bank/.