“数字金融的创新将会为长期经济增长提供新的动力。”8月26日，北京金融控股集团有限公司董事长范文仲在国际金融报首届金融科技创新论坛上表示，展望未来，数字金融发展有两大新趋势值得高度关注和积极推动，一个是数字的资产化，一个是金融的智能化。

数据资产属性尚未充分体现

“数字的资产价值挖掘将大大提升社会经济资本水平，提供经济增长的新引擎。”范文仲指出，数据作为一种核心要素资源，虽然具有普遍的使用价值，但资产属性还没有充分体现。只有实现确权、流通和交易后，才会从社会资源转变成可以量化的数字资产，后续通过进一步金融创新，进而演变为生产性的数字资本，真正释放其内在价值。

他认为，从原始数字资源、到数字资产、再到数字资本的不断演进，正是数字经济发展的核心目标，也将为未来中国经济增长提供强大的资本来源，这才是真正的供给侧改革。“但实现这个目标并不容易，需要做好很多基础性工作”。

范文仲分析道，首先要做好企业数据确权基础性工作，对数据资源进行盘点梳理，推动建立企业数据资产报表体系。按照不同的维度对企业数据资源进行分类，可分为管理数据、生产数据、应用数据等三大类数据，其中前两类数据属于企业自有数据，权属较为清晰；第三类数据，具有较高的市场价值，但权属往往存在争议。企业应按照不同维度建立数字资源的管理报表体系，如数据地图或数据字典，并明确主责部门和主责岗位，设立首席数字官，进行统一的数据资源规划管理。

其次，实现企业数据评估入表，挖掘资产价值。目前，在模拟企业数据资产入表探索中存在两个痛点：一是如何对数据资产进行准确评估。目前有成本法、收益法、市场法，在没有交易的情形下，只能用成本法定价，成本法的基础是可靠计量；在有交易的情形下，可用收益法定价；在大量反复的交易情形下，可用市场法定价，它们之间相辅相成，可从成本法先起步。二是如何进行数据资产入表。对于不交易的数据资产计入无形资产，对于交易的数据资产计入存货，但对于只交易使用权、不交易所有权的数据资产该如何计价？“我们认为它更倾向于无形资产。国际上关于数据资产入表的探索还比较滞后，建议我国在此领域进行持续创新”。

此外，先试点后推开，稳妥推进企业数据开发利用试点工作。企业数据资源的开发利用，在很多领域尚无先例可循和法规支撑。为了稳健推动创新，建议优先选取数据资源丰富的国有企业或是在数据治理方面有一定基础的中小企业作为试点，同时在会计、法律、评估等领域邀请头部专业中介机构参与联合创新。建议在数据要素市场建设基础好的地区开展试点，不断完善配套制度建设，待成熟之后再向全国推广，逐步建立起更为广泛的数字经济基础设施和制度体系。

小公司也可训练大模型

“金融智能化将是未来的核心竞争力，小公司也可以训练大模型。”范文仲直言，未来金融机构的竞争力将是数据库有多大、算力有多强等，建立在通用大模型基础上的金融垂类专业模型，注定会取代那些标准化强、重复性高、有明确程序规范的传统银行、证券和保险业务。

但是，当前人工智能大模型的发展，需要突破两大瓶颈问题：一是数据，二是算力。这两个要素既耗费资源，又耗费资金。“很多人认为只有大公司才能训练大模型，小公司没有可能，表面上看确实如此。但是我们认为，如果能够发挥体制机制优势，大力推动技术和制度的创新，小公司也完全有可能训练大模型”。

为解决中小科技企业面临的数据难题，范文仲提出了三条建议：

一是建设公共多模态人工智能训练用大数据集。从国家层面建设统一的大数据集，归集包括书籍、期刊、论文、公文、新闻、会议、剧本、图片、报表、语音、视频等各类高质量数据。建议进一步发挥北京国际大数据交易所独特的公信力作用和数据资源汇聚能力，加强与各类数据源机构的合作，向广大人工智能机构提供统一高效的数据服务。

二是探索解决数据涉及的知识产权合规性问题。人工智能模型训练所用的部分数据，可能存在知识产权争议，例如书籍、期刊、论文等。建议从法律法规层面进行研究，在知识产权部门的支持下先行先试，逐步出台明确训练用数据集合规性问题的规章制度。

三是提高训练用数据集的可用度。人工智能模型训练用的数据集来源分布广泛，格式千差万别，质量参差不齐。为了达到人工智能大模型训练的要求，原始数据需要经过多次清洗加工，训练过程还需要进行人工标识和校准，上述工作均需专业人员完成。建议政府规划专项资金和引导政策，对相关产业进行扶持，构建产业生态，助力人工智能发展。