Peng Wensheng: Industrial capital dominates AI innovation financing, US private credit plays an important role

文章主体

彭文生/文

过去几年，我们一直在讨论科技金融、金融如何支持创新。但大家不妨思考：AI大模型作为具有划时代革命意义的技术进步，和金融之间是怎样一种互动关系？金融在AI大模型发展中扮演了什么角色，反过来，AI又可能在哪些方面改变科技金融的范式？这有助于我们从更广的层面，探讨金融赋能创新的经验与启示。

目前中美领跑AI大模型赛道。一个值得关注的事实是，美国 AI资本开支大幅领先中国。市场由此生出两种担忧：一是美国高额AI资本开支会不会催生资产泡沫，近期美股也已经出现明显回调；二是我国AI资本投入不足，是否会造成大模型研发滞后、拉大中美差距。这正是金融需要介入讨论的地方，AI资本开支本质上是面向未来供给的投资，我们该如何理解其背后的经济机制，金融起到什么作用？

说到AI，最直观的感受就是，有问题可以问AI，不像以前用搜索引擎查找信息那么麻烦。AI大模型的颠覆性创新在于认知的规模化生产。过去我们积累知识、建立认知，要靠学习、工作和人际互动，往往要付出几十年的努力；即便如此，每个人的认知仍有局限，大多局限在自身专业和工作领域，跨领域获取认知的成本非常高。AI大模型在一定程度上克服了这一难题。从经济学意义上，我们可以称之为认知的规模化生产。这就带来两个问题：其一，认知这种规模化生产本身，投入产出效率怎样；其二，规模化生产出来的认知，能在经济社会层面创造多大价值。两个概念有助于我们理解这个问题。

第一个是规模定律。从AI大模型来看，想要提升大模型性能，就要不断投入算力、数据，还有电力。但随着投入持续增加，模型性能改善的速度变慢，这就是经济学里的规模报酬递减。规模报酬递减意味着什么？如果以提升模型性能为首要目标，就需要大量持续投入。和过去的软科技创新不一样，AI大模型属于重资产行业。重资产的特点要求资本开支前置，美国的情况就很有代表性。那这类投入能不能实现社会投资回报？这就引出第二个概念规模效应，即这些生产出来的认知能力投入经济活动，能创造多大的价值，和规模相关。经济规模越大、人口越多、产业覆盖面越广、应用场景越丰富，大模型产出的认知能够创造的经济价值越大。

把这两个概念放在一起看，中美在全球AI领域处于第一梯队也就不奇怪了。规模定律告诉我们，作为全球两个最大的经济体，中美最有能力动员资源，跨过投入门槛，持续投入AI 大模型研发；而规模经济效应意味着，中美通过AI大模型应用创造价值的潜力最大，所以也最有动力投入相关创新。创新资源充足、创新动力也强，两方面结合，造就了中美领先的经济基础。

这里还有一个重要问题：即便具备资源与动力，创新活动应当如何组织，或者说创新机制是否有效？首先，由谁来组织创新？创新资源的整合与落地，包括金融的支持，离不开组织者。借用熊彼特的话，离不开企业家精神。在AI大模型研发当中，是谁来组织、动员各类资源？是独立风投、产业资本，还是某种形式的政府力量？其次，创新具有正外部性：风险由创新主体承担，收益却由全社会共享，单纯依靠市场机制容易出现创新投入不足，如何克服这一问题？一般而言，实现外部性内部化，往往有公共政策的角色，以更好地发挥市场机制配置资源作用。那么这一点在AI大模型发展过程中如何体现？政府是否发挥了作用？是以何种形式发挥作用？

产业资本（CVC）是AI创新融资的主导者

数字经济1.0时代的互联网平台，其初创与崛起阶段主要由金融资本（独立风投IVC）驱动；而今天的AI基础大模型研发，主力投资者转变为产业资本（CVC）。早期互联网平台是轻资产模式，单项目资本开支可控，搜狐、新浪、腾讯、阿里巴巴在初创期，核心投资方是IDG、红杉、软银、高盛这类独立风投，投资目标就是赌企业做大、IPO或者并购退出，以财务回报第一优先级。产业资本CVC大规模兴起，恰恰是第一批互联网公司成功上市、手里握有巨额现金流之后才发生的事情。

AI大模型研发的主力载体是大型科技企业，而非独立风投。资本范式变迁本质上是从财务资本支持商业模式创新，转向产业资本支持底层重资产技术创新。大型科技公司得益于数字经济发展的路径依赖。在数字经济1.0阶段，头部互联网平台已经积累起算力与数据资源，同时成熟的商业模式带来稳定的现金流，因此在大模型研发上天然具备先发优势。这在一定程度上也解释了为什么其他较大型经济体比如欧洲、日本、印度在AI领域落后于中美，这些经济体没有在数字经济1.0时代建立起本土的大型平台企业。

从数据来看，尽管我国AI资本开支整体规模低于美国，但两国呈现出相似的结构特征：以超大规模云服务商为代表的大型科技企业，在各自市场中占据AI资本开支的绝大部分，算力等资本投入主要由这类主体承担。当然，这不只是企业自有资金投入，包括CVC（企业风险投资），它们会布局投资初创团队。这类产业资本之所以具备投资优势，是因为本身扎根数字产业，拥有行业经验、技术积累，以及配套的数据和算力资源。

对比中美，我们能观察到一个显著变化：早些年，国内大型互联网科技企业的风险投资规模一度超过美国；但最近几年，也就是生成式大模型兴起之后，这一态势发生反转，我们已经落后。一个可能的原因是美国针对中国的先进半导体出口限制。另一个可能的因素是，2021年平台反垄断政策出台之后，国内头部科技企业的CVC（企业风险投资）活动明显收缩，由其出资投向初创项目的规模显著回落。反垄断监管意在治理互联网平台过度集中的市场格局，是一个公平的问题，美国针对平台企业的市场势力也有很多争议，在创新和公平之间如何平衡是数字经济治理的重要议题。

由此引申出一个新问题：我们是否需要担忧，当前由具备先发优势的大型科技公司主导大模型创新，会形成新的垄断？这里的关键区别在于：数字经济1.0时代的平台企业属于轻资产模式，同时具备极强的网络效应。以社交、短视频平台为例，用户一旦形成使用习惯，新的同类产品很难实现替代，原有平台的优势很难被打破。但大模型不同，它属于重资产模式，网络效应相对弱，用户切换成本低：今天使用豆包，明天可以用Kimi，后天可以切换成千问或是海外模型，用户忠诚度不高，它的网络效应远不如数字经济1.0阶段的平台企业。

基于这一商业模式特征，我们对大模型领域垄断风险的担忧，理应低于数字经济1.0时代。但这也引出一个重要命题：既然需要海量资源投入大模型研发，同时又很难形成稳固的商业壁垒，商业主体该如何实现盈利？这涉及如何看待当下资本市场给予AI相关标的高估值问题。

以上是我分享的第一个分析维度，和传统认知有所不同：以往我们理解科创投资、“投早投小”，主角往往是独立风投，是金融资本；而这一轮AI浪潮中，主导者是产业资本，是大型科技企业。

美国私募信贷带来的启示

第二个维度，同样可能和大家的固有直觉有所不同。以往谈及科技创新、投早投小、布局硬科技，我们首先想到的往往是股权投资。但本轮AI浪潮中，信贷，特别是美国的私募信贷，扮演了十分重要的角色。信贷能够发挥作用，逻辑并不复杂：AI属于重资产投入，本质是算力基础设施这类固定资产投资。重资产具备一定的抵押品属性，虽然抵押效力不及土地，但和纯软件类无形资产存在显著区别，因此天然具备获得信贷支持的基础。私募信贷为美国大型科技企业数据中心的建设提供了重要支持。

同时，私募信贷服务于美国的中小成长型科创企业。对这类企业来说，债权融资的突出优势在于无需稀释创始团队股权。但创新活动天然具备高风险、高收益特征，与传统银行信贷的底层逻辑并不相容。美国私募信贷的资金来源于机构资金，拥有较高的风险容忍度与较长的投资周期，契约条款高度定制化，依托算力资产、长期订单、预期未来现金流开展估值定价，呈现高风险、高收益的特征。反观银行信贷，受存款负债刚性、监管规则与风控框架约束，授信评估更依赖实物硬抵押与短期可验证现金流，风控模式标准化程度高，难以适配AI领域中小创新企业重资本投入、高不确定性的经营特征。

近几年，中国的产业引导基金、科创引导基金，在一定程度上弥补了风投规模相对美国不足带来的资金缺口。但在实践中，这类资金在交易形态上是股权投资，却有部分项目通过回购等条款安排，使得股债边界变得模糊。部分引导基金带有明股实债特征，在现金流回报上近似美国私募信贷，但在会计与监管归类上并不认定为信贷。回望过去，国内影子银行体系中不少业务也属于明股实债，承担了类似信贷或私募信贷的融资功能。这反映出我国科技投融资工具存在结构性错位，有近似债权的资金安排，却缺少标准化、合规的私募信贷市场。

近年来我国科技金融领域的一个创新是科创债，但发行主体以大型企业为主。银行也在拓展投贷联动业务，但投贷联动更适合风险可控、有现金流雏形的成长期科创主体。一个值得我们思考的问题是，面向AI大模型技术迭代演进及其场景应用，如何创新债务类工具，以适配高风险、高收益的早期 /高成长创新项目。

耐心资本重在风险偏好

第三个维度：谈及科技创新与科技金融，我们经常提到“耐心资本”。但究竟什么是耐心资本？如果购买五十年期长期国债，算不算耐心资本？它固然具备长期属性，但二者并不等同。耐心资本最核心的内涵，是较高的风险承受意愿。只要愿意承担风险，即便投资期限相对较短，也能够弥补期限不足对创新活动的制约。因此，耐心资本不只是期限长，更关键的是拥有较高风险偏好。

对比中美数据可以看到：从投资项目数量上看，美国天使轮与种子期项目占全部风投笔数的41%，而中国仅为9%。从这个角度而言，美国风投更注重“投早”，具备更高的风险偏好，这正是耐心资本的体现。

国内我们也能找到佐证。以浙江省创投资本来源为例，当地创投资金中社会民间资本占比最高。虽然浙江创投的投资总规模不及北京、江苏，但投资项目数量全国领先。背后的原因就在于社会资本的特性，风险偏好高，更倾向于投早、投小，同等资金规模下，可以覆盖更多初创项目。

这里存在一个值得关注的宏观悖论。当前美国的无风险利率水平高于中国。从经济学原理来讲，利率是衡量耐心程度的宏观指标：利率偏低，投资者需要更长时间等待回报；利率偏高，则意味着投资者短期回报较高。现实中，美国在高利率环境下，风险偏好依然强。对标普500而言，投资者所要求相对十年期国债的超额收益几乎为零。也就是说，在十年期国债与标普500之间做选择时，投资者并不要求额外的风险补偿，反映出市场乐观预期。

中国的无风险利率水平低于美国，但市场风险偏好较低、风险溢价较高。当前A股市场，投资者要求相对十年期国债的超额回报大约为3个百分点，意味对未来的预期偏谨慎。在给定风险偏好的情况下，无风险利率下降促使投资者降低安全资产配置，增加风险资产配置。但风险偏好本身也可以是原因，风险偏好上升，投资者增配风险资产，降低安全资产配置，在价格上就体现为风险溢价下降、无风险利率上升。所以，培育耐心资本，一个非常重要的着力点就是塑造投资者对未来的乐观预期。

当然，大家也可能提出疑问，风险偏好高，和金融结合起来容易导致资产泡沫和金融风险，比如前面提到的美国的私募信贷的大幅扩张。值得一提的是，大模型的重资产模式和房地产的重资产模式有本质不同。简单而言，芯片等AI相关实物资产具有规模经济的特征，需求越大，长远来讲单位成本和价格越低，而土地具有规模不经济的特征，需求的增加只能通过价格（其他行业的成本）上升来平衡供求，这也给予土地非同寻常的抵押品属性，强化了金融的顺周期性。所以AI大模型的泡沫程度和危害性，包括相关的金融风险，应该小于2007—2008年的房地产泡沫破裂和由此引发的金融危机。

回到创新外部性这一核心问题，本轮AI技术突破呈现出一个值得关注的特征：商用大模型的落地发展的背后并没有政府的支持。ChatGPT研发阶段，美国政府并未对该项目提供资金支持；国内如DeepSeek等大模型团队起步阶段，同样没有依托政府投入，中美头部商用大模型的发展，最初都依托市场力量推进。由此引出问题：市场力量何以在缺乏直接公共补贴的条件下，支撑这类具备强正外部性的创新？一个可能的解释是资本市场的高估值显著降低了创新融资门槛。展望未来，如果AI产业的发展带来符合预期的盈利增长，高估值将得以消化，如果不是，则泡沫退潮之后，部分投资者承担损失，但这种私人承担的亏损，客观上助推了技术的跨越式发展。

新地缘形势下政府的角色

由此来到最后一个维度。这一轮AI发展看上去好像不需要政府出钱支持，那政府的作用在哪里？这一次政府的角色，和以往支持创新有所区别，大致体现在两点。第一是直接行政干预，划定哪些可以做、哪些不能做，像美国限制先进半导体出口中国。第二是政府直接入股企业。典型例子就是美国政府投资英特尔，持股9.9%，成为它最大单一股东。美国政府的介入，是想从地缘竞争、安全角度，把先进芯片产能引回美国本土。国内也有相关实践，大家可能留意到，政府此前入股DeepSeek，并且拥有投票权。现在各国都在强调主权AI。所以AI时代，政府角色不只是扶持创新，还增加了地缘政治这一层维度。

最后回到中国。开篇我们谈到，我国AI资本开支低于美国。美国依靠股市的乐观预期乃至泡沫来支撑创新，我们的资本市场没有这么强的乐观预期，那我们可以做什么？公共政策如何发挥作用，推动包括AI在内的科技创新，有三点值得思考。

第一是财政投入。2020年，图像识别（计算机视觉）领域的头部AI厂商，很大一部分收入来自各级政府的智慧城市、安防采购。政府采购可以培育早期市场需求，对技术创新发挥重要引导作用。

第二，优化产业引导基金机制。前面提到，引导基金在填补科创资金缺口方面发挥了显著作用。但政府资金作为LP，仍存在若干问题：政策预期不稳定、市场化专业投研团队不足、投资期限偏短、风险承受能力偏弱，部分引导基金项目存在类信贷的异化安排等，针对这些问题，需要持续优化相关机制。

最后，我认为最重要的一点，旺盛的消费需求才是创新最本源的动力。所以需要财政、货币政策协同，针对当前总需求不足出台有效措施，拉动消费、促进经济增长。这不只是短期稳增长的需要，也是我们谋划创新发展、长期经济增长的根本逻辑。

（作者为中国首席经济学家论坛副理事长；本文为其在天津五大道金融论坛上的演讲；内容有删改）

（文章来源：华夏时报网） 正文中部 内嵌广告