意見領袖 | 彭文生 謝超 周子彭

　　2025年1月20日，中國DeepSeek公司發布DeepSeek R1大模型，其在數學推理等基準測試上超越了行業領先模型，性能和成本等指標令科技巨頭刮目相看，有三個“沒想到”引發熱烈討論。

　　第一個“沒想到”，DeepSeek R1由一家從事量化投資的中國公司開發。傳統觀念認為，AI大模型的研發需要長期、持續、巨額的資金投入和技術積累，這似乎是科技巨頭的專屬賽道，同時一般認為科技創新由科技公司或科研機構承擔，沒想到這次創新由一家金融企業完成。DeepSeek打破了人們對AI研發主體和模式的固有認知。

　　第二個“沒想到”，推理性能相對卓越的DeepSeek R1選擇了開源。在競爭激烈的AI大模型領域，頂尖模型往往被視為核心資產和競爭優勢，OpenAI、Google等領先公司通常選擇對最先進的模型進行閉源或僅開放有限的API接口，以保持技術領先性和商業利益。DeepSeek R1作為一個性能比肩頂尖模型的存在，卻反其道而行之，選擇了開源方式。與閉源相比，開源模式的商業利潤空間可能較小，但能吸引更多參與者，有利于更大規模的創新生態的形成。

　　第三個“沒想到”，美國在AI領域的領先地位似乎并不牢固。此前比較普遍的觀點認為，AI大模型的研發高度依賴規模的作用，即數據規模、參數規模和算力規模三者共同驅動模型性能的提升，形成所謂的“規模定律”（Scaling Laws）。如果這種觀點成立，那么像美國這樣擁有海量數據、頂級算力和雄厚資金的國家，將在AI競賽中持續擴大領先優勢，形成“贏者通吃”的局面，最終牢牢掌控AI領域的領導權。但是DeepSeek R1的出現，讓很多人開始重新評估中美AI能力的差距，甚至全球的競爭格局。

　　上述這三個“沒想到”都和規模的概念有關聯，這也是我們理解DeepSeek對中國創新經濟發展的啟示的關鍵。

　　一、AI經濟學：規模定律還是規模效應？

　　DeepSeek的 “意外” 爆紅，打破了此前人們對AI大模型研發門檻要求的執念，尤其降低了算力推理的約束。歷史上技術進步的擴散與應用一般都伴隨著成本的下降，進而從“小眾”走向“普惠”，這次DeepSeek是不是AI技術走向普惠過程的一個重要進展？背后的機制是什么？DeepSeek是不是意味著AI發展的規模定律不重要了，還是有更廣的含義？要回答這些問題，關鍵是要理解AI領域中規模定律（Scaling Laws）和規模效應（Scale Effect）這兩個關鍵機制的相互作用。當前就AI發展的經濟學討論，常常混淆了規模效應和規模定律這兩個概念，由此帶來一些認知上的偏差。

　　規模定律是一個技術可行性的概念，其核心觀點可以概括為：在模型訓練階段，增加模型參數量、訓練數據量、以及計算資源投入 （算力），AI性能會提升，但在給定算法框架和特定任務下，邊際性能提升幅度會逐漸遞減。我們可以將數據、參數、算力視為AI生產函數的 “投入要素”，更精確地說是AI模型訓練的“投入要素”。在給定的算法框架下，這三要素的投入規模，直接決定了AI模型的產出性能。如同傳統工業生產需要原材料、設備和能源一樣，當前高性能AI大模型的研發也離不開數據、參數和算力。“Scaling is all you need（你只需規模）”，規模定律意味著通過不斷擴大模型規模（增加參數）、增加訓練數據、提升算力水平，AI 模型的性能往往能夠持續提升，甚至還會“涌現”出意料之外的能力。然而，規模定律也并非 “萬能公式”。當數據、參數、算力等要素的投入規模達到一定程度后，其邊際收益會逐漸遞減。由此帶來一個問題，單純依靠規模擴張雖然帶來模型性能一定程度的提升，但在經濟上并不一定是最優或可持續的，比如算力資源投入成本，模型訓練與運行的能源消耗成本等。

　　“規模效應”是一個經濟學概念，講的是經濟可行性，意味著規模越大，單位產出的成本越低。就AI大模型而言，規模效應至關重要，且可區分為內部規模效應和外部規模效應兩種。內部規模經濟效應體現于單個組織或企業的運營由于自身生產規模擴大而帶來的成本降低和效率提升。例如，大型AI研發機構在長期運營過程中，會積累大量的研發經驗、技術訣竅、代碼庫、模型庫等知識資產。規模化的機構更有能力建立完善的知識管理系統，將這些知識資產有效地組織和沉淀下來，并在不同的研發項目中進行復用。這種知識的積累和復用，可以避免重復“踩坑”，縮短研發周期，降低研發成本，提高整體創新效率。外部規模效應指的是整個行業或特定區域的規模擴大，所帶來的成本降低和效率提升。AI產業的蓬勃發展也展現出強大的外部規模經濟效應，這種效應并非單個機構獨享，而是整個AI產業規模擴張為所有參與者帶來的共同收益。例如，完善的AI基礎設施生態的構建，如專業的云算力平臺和高速網絡設施，降低了所有企業獲取算力資源的成本；專業化AI服務生態降低了行業門檻和成本，成熟的AI人才市場促進了知識溢出和創新活力，AI應用場景的拓展和市場繁榮則為產業發展提供了更廣闊的空間。

　　那么究竟該如何理解規模定律和規模效應對DeepSeek破局的含義？我們可以引入一個更深入的分析框架——AI生產函數。從經濟學角度講，可以將AI生產函數視為一個由四個關鍵組成部分構成的系統：算法框架 （Algorithm Framework）、數據 （Data）、參數 （Parameters） 和算力 （Compute）。在這四個組成部分中，算法框架扮演著至關重要的角色，類似于 “技術” 或 “生產工藝”。而數據、參數、算力則相當于 “投入要素”，其規模投入固然重要，但最終的產出效率，很大程度上取決于“技術”的先進程度。在給定的算法框架下，數據、參數、算力遵循規模定律，總要素投入的增加會帶來性能的提升，但也會表現出邊際收益遞減的趨勢。圖表1是AI生產函數的簡化展示。規模定律表現在同等AI效能（Q）提升所需要的邊際算力不斷增加。而高算法投入下，算法框架的改善則可以提升算力的邊際產出，如圖中的綠色箭頭所示。當海外的科技巨頭不斷堆疊算力，DeepSeek則在算法框架層面投入了大量資源，甚至不惜對其他廠商不愿觸及的PTX指令集進行編程，以優化AI模型的訓練和推理。而訓練算法架構的改善，提升了DeepSeek算力投入的邊際產出，這就使得DeepSeek能夠以相對較小的算力規模，獲得與科技巨頭相近甚至更優的AI模型性能。

　　圖表1： DeepSeek的換道追趕式創新

資料來源：中金研究院

　　從動態的維度來看，由于算法框架的不斷迭代，算力等“投入要素”的邊際收益，并非如單一規模定律曲線所顯示的那樣持續遞減，甚至有可能呈現出規模報酬遞增的形態。如圖表2所示，給定算法框架，投入要素的產出遵循著規模定律，每一條“算法框架”曲線，都代表了在特定算法技術水平下，AI效能與模型規模之間的規模定律關系，表現為邊際收益遞減。但是在新的算法框架下（例如，從“算法框架1”躍遷到“算法框架2”），相同的算力投入，可以實現更高的AI效能。比如，DeepSeek在算法層面的創新，顯著提升了算力、算法、數據的邊際回報，就可以看成是算法框架的一次改進。換言之，AI 效能的提升既可以在單一軌道上重復加大算力等要素投入，也可以不斷通過技術上的創新，為數據、算力和參數的進一步擴張開辟新的成長空間。規模定律所揭示的邊際遞減可以被周期性地打破，每一次重大算法框架（技術）的進步都可能帶來新的“增量收益”，這就構成了圖表2中的“AI發展趨勢線”（虛線）。這條趨勢線不是單一技術范式的規模定律曲線，而是連接了不同“算法框架”（圖例中“算法框架1-4”四條曲線）下的“最終產出點[1]”。

　　圖表2： 持續算法改善可以使AI模型性能展現規模報酬遞增形態

資料來源：中金研究院

　　以上分析顯示，從AI技術發展的長周期來看，盡管在每一個既定的算法框架下，都存在著規模報酬遞減的現象（Scaling Laws），但算法框架（技術）的創新，減弱了規模定律的約束。不是規模定律不重要了，甚至不能說規模定律的約束降低了，正是因為要素投入規模給定的約束，促使DeepSeek另辟蹊徑，從技術（算法進步）來提升模型的性能。一個進一步的問題是，技術進步（算法進步）是怎么來的？算法創新背后有規模經濟的支撐。算法研發本身就是一個持續“試錯”的迭代過程，擁有更大規模的研發資源，就能展開更多“試錯分支”，從而更高效地逼近算法創新的“無人區”，更快地找到“破局點”。規模越大，意味著試錯的“廣度”和“深度”就越大，算法創新也就更具確定性。這里的規模經濟不僅是指單個企業的內部規模經濟，更重要的是上下游協同，基于基礎設施和人才池的外部規模經濟。算法創新高度依賴于規模效應所構建的創新生態，站在前人研究的基礎上，廣泛吸收來自學術界、產業界、開源社區等各方智慧的“集體結晶”。“內部規模效應”與“外部規模效應”的相互協同，共同構成了AI研發規模效應的完整內涵。

　　總之，DeepSeek的成功，看似是一個降低規模定律約束、打破規模壁壘的故事，但從宏觀角度來看，這反而是規模經濟的體現，尤其得益于中國的大國規模提供的外部規模經濟。也正因為此，AI領域的競爭，絕不僅僅是企業與企業之間的“單點競爭”，更是一場國家與國家之間的“體系化競爭”，因為只有國家層面的規模效應，才能構建起支撐持續性算法創新的“規模底座”，才能在長期的AI競爭中占據戰略主動。 

　　二、AI經濟學：后發優勢還是先發優勢？

　　規模定律與規模效應的差異也為我們理解國家之間AI競爭格局提供了重要啟示。規模定律揭示了AI性能提升的技術路徑，但也指出了規模擴張面臨的邊際收益遞減約束。這為后發者提供了追趕空間，類似新古典增長模型中的后發優勢——落后者增長更快，領先者與落后者的差距可能收斂。可能正因為擔心中國的追趕，美國試圖通過對中國算力能力的限制來維持其領先優勢。規模效應則暗示AI研發具有“贏者通吃”的特性，類似內生增長模型中的先發優勢，規模報酬遞增使得領先者的優勢難以撼動，甚至持續擴大。那么，DeepSeek的突破究竟是后發優勢的體現，還是中國作為AI領先者的規模效應使然？

　　在有關AI國際競爭的分析中，中金研究部和研究院出版的《AI經濟學》基于各國在AI研發端和應用端的規模，計算了AI發展指數。結果顯示，全球AI格局呈現顯著的規模分化，美國和中國憑借壓倒性的優勢占據指數排行榜的前兩位。其中，美國在研發端規模優勢略高于中國，中國在應用端的規模優勢略高于美國。規模效應不僅為AI技術的快速迭代提供了沃土，也塑造了全球AI研發的中心格局，這就解釋了為什么AI先進大模型多誕生于中美兩個大國。雖然DeepSeek顯示先進大模型不必然出現在大型科技企業，但不能由此否定大型經濟體的優勢。

　　圖表3： 中美發展AI的規模優勢最為顯著

注：所用數據更新截至2024年5月  資料來源：國際貨幣基金組織，世界銀行，中金研究院

　　但還有一個進一步的問題，那就是中美之間又會是什么樣的競爭格局？為什么DeepSeek出現在中國，而近期發布的Grok3出現在美國？這背后是兩國在規模優勢上的分野。規模優勢并非是單一維度的，美國算力資源比中國多，但中國人才基數比美國多、應用場景比美國大，兩國在規模上各有優勢，帶來發展路徑的差異。如圖表4所示，2022年ChatGPT問世時，全球優秀AI人才主要工作地雖在美國，但培養人才最多的卻是中國——中國優秀AI人才占全球比重從2019年的29%升至2022年的47%，在華工作的比例也從11%增至28%，而美國則從59%降至42%。也就是說，從全球AI優秀人才的角度看，過去幾年不但是中國培養的人才數量大幅增加，中國對全球優秀AI人才的吸引力也顯著增強。當然，對于中美AI人才誰更有優勢，存在爭議。但即使美國在算力與人才兩個方面對中國都有優勢，也就是美國對中國有絕對優勢；相對來講，中國在人才方面的約束比算力要小。從分工的比較優勢來講，中國適合更聚焦在算法等技術進步上，美國適合更聚焦在發揮算力優勢上。這也就不難理解，為什么依靠大算力集群的Grok 3出現在美國，而注重算法效率的DeepSeek出現在中國。

　　圖表4： 主要經濟體AI優秀人才來源地和工作地

資料來源：Macropolo.org ，《AI經濟學》

　　美國對中國算力的限制，提高了中國面臨的算力成本，起到了促進中國在算法技術研發方面加大投入的作用。未來如果美國加強在算力方面對中國的出口限制，因要素稟賦差異形成的比較優勢將進一步影響中美之間的競爭格局。可以預見，中國在AI發展中將更側重于算法的優化和商業模式的創新，而美國則更專注于算力基礎設施的構建，兩者或將呈現出差異化的發展路徑。那么，中美兩國差異化的AI發展路徑孰優孰劣呢？從經濟分析的角度看，要素投入的邊際產出一般是遞減的，技術進步才是發展更重要的推動力。經濟發展史中，有一個詞叫“資源詛咒”，講的是某一方面的自然資源稟賦太強，反而不利于經濟的發展。比如一國石油資源豐富雖然可以帶來競爭優勢，但也降低了其在其他方面創新的動力。因此DeepSeek的成功還是提出了問題，美國在算力方面的出口限制對于中美AI發展到底起到什么作用？會不會帶來意想不到的結果？這些問題都值得我們思考。

　　規模定律對應著AI領域的后發優勢，而規模效應對應著先發優勢。前者表明后發者可以通過要素累積實現追趕，后者則強調先發者可以通過規模報酬遞增保持優勢。跟其他國家相比，中美在AI領域都具備顯著的規模優勢，但中國的比較優勢在于其龐大的人才儲備和廣闊的應用市場，因此在算法研發上更具潛力。美國限制中國算力的舉措，或許是出于對中國后發優勢的忌憚，但這恰恰可能會促使中國在算法領域投入更多資源，進一步強化其比較優勢。從經濟增長的視角看，算法技術的進步才是AI發展的核心驅動力。總而言之，AI競爭并非簡單的“后發追趕”與“先發壟斷”之爭，而是規模優勢與技術創新交織的博弈。在AI賽道上，規模奠定基礎，創新決出高下——美國限制或許是中國AI崛起的阻力，但也可能是其超越的契機。這一博弈的答案，唯有時間能揭曉，對中國來講，關鍵是如何發揮好大型經濟體與人口大國相結合的規模優勢。

　　三、AI經濟學：開源促進外部規模經濟

　　在有關AI國際競爭的分析中，《AI經濟學》強調了中國在AI應用方面具有規模優勢：普通用戶層面，中國人口規模大，AI產業化潛在需求廣闊；企業用戶層面，中國工業體系完整、規模龐大，可為產業AI化提供豐富的應用場景。AI產業化與產業AI化有望帶來一系列新產品新業態，共同推動AI應用層繁榮發展，既能夠成為AI促進經濟增長的載體，所帶來的商業利潤反過來也可以促進AI技術持續迭代創新。這個理想的發展模式，在過去一段時間受到了大模型原有技術路線的高算力依賴與閉源商業模式的約束，導致大模型在應用層的推廣使用面臨著較高的經濟成本與商業壁壘。

　　DeepSeek的本次進步有望緩解這個約束。從技術路線來看，DeepSeek表明大模型可以通過算法優化的方式來彌補算力不足的制約，顯著降低了大模型的算力成本，也在一定程度上緩解了算力“卡脖子”對于中國AI應用層發展的制約。更重要的是，DeepSeek的開源模式降低了應用層使用大模型的商業壁壘，有利于加速“人工智能+”進程。

　　雖然開源與閉源是大模型開發者基于自身利益考慮的商業競爭策略選擇，但兩者實現規模經濟效應的方式不一樣，因而對社會的含義也不一樣。以蘋果iOS與谷歌Android系統的比較為例，兩者都存在一個圍繞操作系統的第三方應用生態，均能實現一定程度的外部規模經濟效應。但相對而言，蘋果公司在生態中扮演著核心的主導者角色，因而依托閉源iOS的蘋果生態更依賴內部規模經濟。Android生態則不同，并不存在蘋果這種占據絕對主導地位的系統開發者，生態延續與拓展更加具有外部規模經濟效應。從經濟影響來看，閉源的iOS獲得了更多利潤，開源的Android則贏得了更多客戶。以2025年1月為例，iOS與Android分別占據全球手機操作系統市場份額的27%和72%[2]，開源系統的用戶數遠超閉源系統。這一定程度上是因為開源系統的商業壁壘低于閉源系統，因而更有利于推廣與應用。

　　DeepSeek似乎正在重現開源軟件在推廣應用方面的吸引力。在2025年1月11日正式發布后，DeepSeek APP在1月底即躋身全球AI產品日活總榜第二名，僅次于ChatGPT，并在157個國家和地區的蘋果應用商店下載排名中位列第一名[3]。根據中金公司研究部軟件團隊的報告[4]，基于GPT-4級別的應用在2023-2024年沒有達到市場預期，DeepSeek作為高性能、低成本的開源大模型，有望給應用層帶來更多可能性，企業級應用、通用及垂類C端應用、手機汽車等端側部署場景均有望受益。

　　圖表5： DeepSeek降低應用門檻，助力創新發展

資料來源：中金研究院

　　規模經濟效應下的應用層加速擴散，在經濟的需求側與供給側都帶來促進作用。一方面，根據《AI經濟學》的研究，AI在應用端的潛在市場規模大約是算力層和模型層加總的兩倍。技術進步疊加開源帶來的應用層加速滲透，有望加快釋放應用場景豐富的大國規模優勢，從需求側促進經濟產出增加。另一方面，從供給側角度來看，AI在應用層的加速滲透，尤其是產業AI化加快，會通過賦能現有生產要素的方式促進TFP（全要素生產率）增長，也可以節約現有產業的勞動力使用量，將更多勞動力配置到AI不太容易替代的其他產業中去，以此來增加經濟的總產出。需求側與供給側擴張效應的互動，意味著即便DeepSeek沒有顯著突破大模型在技術層面的能力邊界，以成本下降和開源為主要特點的技術進步也能夠在應用層實現規模經濟效應，進而將整體的經濟產出邊界外推，成為推動經濟增長的重要力量（圖表5）。

　　更重要的是，與閉源有助于開發者在規模經濟收益的分配中占據更大份額不同，開源是將規模經濟的收益更多分配給了生態伙伴。如前述，開源的Android用戶近三倍于閉源的iOS用戶。但以2024年二季度的當季營收數據為例，谷歌旗下的Google Play約為112億美元，不及同期蘋果旗下App Store營收的一半（約為246億美元）[5]。也就是說對于開發者而言，開源的社會收益遠大于個體收益，能夠更好實現創新之于社會的正外部性。按此邏輯，作為高性價比的開源大模型，DeepSeek不但可以通過外部規模經濟更好發揮中國在應用層的規模優勢，進而助力整體的經濟增長；也有助于實現創新經濟收益的更平衡分配，在一定程度上弱化技術進步的貧富分化效果，從需求側為可持續增長帶來積極影響。

　　四、創新發展：從“重視供給與資產”到“重視需求與人才”

　　在DeepSeek引發的討論中，有一項是為什么高校科研院所沒有做出來這樣的創新？這可能需要結合著科技創新與產業創新的劃分來理解。從創新鏈角度看，創新成果縱向擴散路徑大致可以劃分為從基礎研究、應用研究，到試驗開發，最后進入到大規模生產等四個階段。其中，前兩個階段通常統稱為科學研究，產生的科研成果可以被看成是科技創新；后兩個階段屬于科技創新成果的產業化階段，或者說是產業創新階段。從正外部性的角度看，越往基礎研究等科技創新的上游階段走，研發成果的正外部性越強，更多需要由公共資金支持的機構，例如高校科研院所作為創新主體；越往試驗開發、大規模生產等下游的產業創新階段走，離市場需求越近，創新成果盈利手段越多、可能性越大，因而正外部性相對越小，企業尤其是民企在這一階段的創新活動中更具優勢。我們認為，DeepSeek等大模型是以市場需求為導向的技術創新，正外部性低于基礎研究，因而更可能由（民營）企業而非高校科研院所研發出來。

　　DeepSeek的突破對于我們思考科技創新與產業創新機制有什么啟示？對于創新發展而言，產業創新與科技創新缺一不可，兩者需要融合發展。在過去幾十年的全球化中，這有賴于中美G2合作（圖表6）。美國更多做“0到1”的前沿創新，也即將基礎研究、應用研究等科技創新成果，通過試驗開發推進到產業創新初步成功階段。中國更多在做“1到10”的產業創新。全球智能手機產業鏈、新能源汽車產業鏈，正是這種創新鏈G2合作的典范。

　　圖表6： 全球化時代科技創新與產業創新融合發展的G2模式

資料來源：中金研究院

　　中國由此形成的物美價廉產能，增進了中美兩國和全球人民福利，但地緣競爭意味著中美G2合作模式難以為繼，“卡脖子”意味著中國難以繼續順利獲得美國在供給側的科技創新，去中心化意味著中國面臨全球市場份額收縮的挑戰。對于中國而言，應對這些挑戰的根本出路在于實現科技創新與產業創新的融合發展。科技創新的核心生產要素是人才，無形資產的重要性也趕不上人才，機器設備等有形資產更是如此；決定產業創新是否成功的因素不僅是供給側的科技創新含量，更是在于需求側是否有客戶愿意購買。

　　G2模式造成我國政策取向存在供給側路徑依賴問題，長期聚焦大規模生產階段也一度導致重有形資產、輕無形資產的政策傾向。因此，對于當下的中國而言，要實現科技創新與產業創新融合發展，首要的是擺脫重供給輕需求、重資產輕人才的路徑依賴。大市場與多元化的消費需求，是促進產業創新的根本驅動力，同時也是原創性研發資源投入的根本來源。事實上，不只是DeepSeek，去年火爆的中國第一款3A游戲《黑神話悟空》與今年火爆的動畫電影《哪吒之魔童鬧海》，均體現出大市場的需求優勢對于產業創新的重要性。

　　另一方面要更多重視人才激勵問題。與大規模生產不同，融合發展面臨著技術路徑、商業模式等多方面不確定性，需要不同類型、不同風格、不同偏好的研發人員乃至企業家等人才進行多樣化探索。這意味著對于人才的激勵無法由特定創新主體單獨完成，而是有賴于生產關系高度多樣化的創新生態。在DeepSeek引發的創新模式討論中，也有為什么不是大型科技企業的疑問。

　　在科研人員數量、科研投入規模以及知識產權積累等量化指標衡量的創新能力方面，大企業具有顯著優勢。但龐大的資源基礎也造成大企業內部交易成本高，導致其內部研究擅長于提升產品質量、鞏固市場地位等方面實現漸進式創新，但往往開展顛覆式創新的活力不足。小企業沒有在位優勢帶來的束縛，“船小好調頭”，內部交易成本較小，更有動力從事顛覆式創新活動。

　　我們不應把大企業存在的局限性，擴大為對大型科技企業在創新中重要地位的否定。因為漸進式創新是創新發展中不可或缺的一環，甚至可以說創新發展是少數顛覆式創新與眾多漸進式創新共同推動的。以DeepSeek為例，算法上取得的顯著進展顯示出小企業的生產關系優勢；但頻現的服務器資源緊張問題，也暴露出小企業在生產力方面的短板。從OpenAI與微軟的合作來看，CVC（企業背景風投）是有望實現大企業生產力與小企業生產關系優勢互補的可選方式。同時，大企業在創新人才培育方面有重要作用。作為一個大國，中國有豐富的人才等生產力要素，從人才培育到人才利用，需要公共投入與制度設計等多方面的努力，知識產權保護與個人破產制度尤為重要。知識產權保護能夠為創新者提供更充分的物質激勵，個人破產制度則有助于解除創業者的后顧之憂，提升各類人才的創新創業積極性。

　　五、創新發展：從金融科技到科技金融

　　近期社會各界關于DeepSeek的討論也有關于金融與科技關系的反思。作為DeepSeek開發者的幻方，本身是金融領域的公司，而且在類型上屬于過去一段時間因為盈利可觀而受到一些爭議的量化基金。事實上，如果沒有量化基金業務成功運營積累的財富，難以想象幻方有能力給予具有吸引力的報酬以招募人才。但有意思的是，在有關DeepSeek的主流討論中，似乎幻方作為金融領域公司身份被有意無意的忽視了，或者說沒有那么受重視。這或許反映出有關金融與科技關系的一些認知偏差。例如，一種頗為流行的看法是只有實體企業才是科技創新的主體，金融機構在科技金融中的角色主要是給這些實體企業融資，而不應該與實體企業競爭人才。

　　問題是，如果科技金融的內涵可以簡單化為將金融資源分配給科技企業，那么最有效的科技金融方式應該是要求銀行給科技企業盡可能多的發放貸款，這意味著創新能力最強的國家或許是銀行主導的日本或者德國。甚至可以說不需要金融的方式，直接通過財政將資源配置給科技企業，這意味著創新能力最強的國家應該是財政主導的前蘇聯。但事實上，無論是財政主導的前蘇聯，還是銀行主導的日本與德國，在創新能力方面均遜色于資本市場主導的美國。資本市場是上市公司、投資機構，證券公司、法律事務所、會計事務所、審計機構等中介機構，監管部門乃至媒體記者、自媒體等分工協作的結果。只有大國的資本市場才能容納數量、種類足夠多的參與者，進而通過實現外部規模經濟效應來支持創新生態。這樣一種具有外部規模經濟特點的金融模式，與高度多樣化的創新生態更為契合。

　　作為資本市場實現外部規模經濟的一份子，這一次在AI大模型方面實現突破的為什么是幻方，而不是其他的資本市場參與者？這是偶然事件，還是有一定的內在必然性？這涉及科技金融與金融科技的互動關系。由于種種原因，過去一段時間各界在強調科技金融的同時，對于金融科技不夠重視，存在一些疑慮甚至是負面看法。與科技金融通常是強調金融在供給側促進創新的作用不同，作為科技手段在金融領域的應用，金融科技展示了金融在需求側對于創新的推動作用。以幻方為例，量化基金的業務特點即是金融與科技的結合，或者說量化基金是科技工具在金融領域的一個重要應用場景。AI大模型的算力、數據等要素與算法技術，也是量化基金重要的競爭力所在。

　　更一般地看，與電力、內燃機等以往的技術進步不同，以數字技術、人工智能為代表的這一輪信息技術革命，能夠天然地與金融實現更緊密的聯系。現代金融體系是構建在信息技術基礎上的，金融活動尤其是資本市場的關鍵是要解決信息不對稱問題，由此金融領域的一些創新本就是數字等信息科技創新的一部分。但金融科技作為新興科技手段在金融領域的應用，與基于原有技術手段構建的監管框架之間的關系如何協調，是有待探討的問題。以量化基金為例，市場下跌時期的超額收益容易引發輿情風險。

　　但考慮到其作為科技應用場景的意義，重點似乎應當主要放在是否存在操縱市場的欺詐等不當行為方面，而不是針對超額收益本身。由此延伸到近期金融科技新的動向，例如比特幣等加密資產。這些金融活動存在被欺詐、洗錢等違法違規活動利用的風險，但也是區塊鏈乃至先進算力等軟硬件技術的重要應用場景。如何在保護消費者權益、經濟金融穩定，與包容金融活動的動物精神之間平衡，是發揮金融科技積極作用的關鍵。

[1]不同技術框架下，主流AI研發所采用的要素組合點。
[2]https：//gs.statcounter.com/os-market-share/mobile/worldwide
[3]于鐘海、魏鸛霏等：《AI智道（2）：DeepSeek技術破局，成本下探引領應用百花齊放》，中金公司研究部2025年2月。
[4]王之昊、于鐘海等：《AI智道（5）DeepSeek產業趨勢演進，AI應用供需兩端的新變化》，中金公司研究部2025年2月。
[5]https：//www.statista.com/statistics/183469/app-stores-global-revenues/ 

　　來源： 中金點睛

　　(本文作者介紹：中金公司首席經濟學家、研究部負責人)