2024金融发展论坛｜圆桌：向新求质，科技金融发展的新举措、新理念与新机制
12月11日，以“科技金融，向新求质”为主题的2024第八届金融发展论坛在上海举办。科技创新是发展新质生产力的核心驱动力。高水平的科技自立自强离不开科技金融的坚实支持。中央金融会议将科技金融置于五篇大文章之首。党的二十届三中全会也明确要求构建与科技创新相适应的科技金融体制。显然，科技金融不仅是推动科技发展的关键，也是推进金融高质量发展、加快金融强国建设的重要举措。
本次圆桌会议环节是大会的一个亮点。在《向新求质：科技金融发展的新举措、新理念与新机制》》的圆桌对话中，澎湃新闻财经中心记者彭艳秋主持，华映资本创始管理合伙人季薇、中国建设银行上海市分行科技产业金融部总经理董宣忠、瑞银企业管理（中国）有限公司总经理郑韵清以及上海市金融信息技术研究重点实验室专职研究员、上海财经大学中国式现代化研究院特聘研究员俞立等嘉宾相聚一堂，从科技金融领域的创新实践与发展趋势等多个维度共享心得、激发思考。
以下是圆桌全文：
彭艳秋：尊敬的各位领导，各位来宾，我是来自澎湃新闻财经中心的记者彭艳秋，很高兴能够主持此次大会的嘉宾交流环节，刚才我们听几位主旨演讲的演讲真的是非常精彩，我们受到很多启发，也是获益匪浅。
我们今天的圆桌会从实践的角度来聊一聊怎么提高投资的判断力，会从科技金融发展的新举措、新理念、新机制与各位进行探讨，欢迎各位的莅临和参与，也欢迎大家的到来。科技创新是推动人类进步的关键因素，每当一场科技革命的到来，人们的生活都会发生翻天覆地的变化，新的生产力往往也诞生在其中。我们去观察百年科技史会发现科技企业的发展往往离不开金融的支撑，从0到1、1到10、10到100，我们的技术从无到有地被创造出来，形成新的产品，然后走向市场、商业化，可以说从发明到创新从创新到创新的扩散，至少要迈过两道坎儿，企业家和企业要顺利跨越这些坎儿的话可能就需要我们政府政策的支持以及金融体系的支撑。
进入本场圆桌的第一个环节，请嘉宾结合各自的领域和经历聊一聊金融助力或者赋能科技企业的发展？首先有请季总，华映资本是一家成立的16年的老牌投资机构，成长路径和打法在投资机构里面相当特别，比如说是文化类基金起家，但是我们有重仓科技的决心和能力，我想请教季总，您分享一下我们从过去的文化消费到现在的科技领域的投资，这种切换赛道或者跨越一个赛道的投资难点或者里面的挑战到底在哪里？科技领域的投资的难点是不是跟文化、消费有很大的区别？
季薇：首先感谢澎湃的邀请，我应该是本场参会嘉宾中唯一一位风险投资行业的从业者，看到大会的主题，我觉得我应该参与进来聊一聊，因为我认为风险投资机构在企业、尤其是科技企业，从小到大成长的过程中起到了非常重要的作用。
实际上在大部分情况下，如果缺乏风险投资机构的支持，科技企业在早期阶段很难拿到资金支撑发展。因为金融的本质永远是风险和收益的匹配，对于银行等机构来说，其不可能拿着债权的收益去承担股权的风险。从这个角度来看，市场化的风险投资机构几乎是支持中小企业发展的最适配形式。但中国风险投资行业近两年的发展却并不乐观，从数据来看，行业不管是募资额还是投资额都急剧下跌。投资额层面，美元下降了80%，人民币下降了75%，剩下的25%中80%以上还是国资引导的投资，而非市场化的。我希望国家还是能大力发展风险投资。这是我想讲的第一点，希望国家政策、市场舆论、更多资金都能够支持风投体系，从而推动中国科技行业的发展。
说回到华映关于赛道的切换，这两年中国都在讲新质生产力，这个也是我们今天的主题之一，可能有人有疑问，华映是不是因为看到了这两年的风向变化，所以进行了赛道的变换。我觉得既是也不是。华映成立的16年间，实际上进行了两次赛道的切换，分为三个阶段。
第一次切换是在2014年，2008年到2014年移动互联网快速发展，有很多我们现在耳熟能详、日常使用的APP（互联网巨头）都是在那个时候发展起来。2014年，我们从TMT、文化媒体、信息内容的投资切入到了更广泛化的领域，坚持以数字化为主线，围绕创新做投资。这个“数字化”不仅局限在互联网领域，更多是关注数字化技术赋能商业、赋能各个产业的各个方向，所以彼时我们进行了一次模式的迭代。2014年到2020年间，我们基本上已经完整实现了智能制造领域的数字化生态的布局，投资了近40家公司，涉及底层的算力、云计算平台、工业软件、应用软件各个层面，其中的项目包括壁仞科技、本源量子、天云数据、BOSS直聘、微盟等等。同时，在民生领域，我们看到内容媒体新型传播方式的出现，带动了新型营销渠道、新零售方式、新品牌的变革，所以对此也进行了诸多布局。
第二次切换则是在2020年，科技投资已经逐渐形成共识，华映又进一步将数字化领域拓展到生产制造的全流程，与设备、工艺、材料等等结合起来，类比到一个人体，原来投的是神经，现在拓展到了大脑、四肢、器官，所以对于我们来说实现了两个跃迁。为什么会切换？我们很早就认知到，投资人最主要赚的是时代红利的钱，是β收益，所以在某一段时间需要专注在一个赛道上，但这个赛道一定要是当下的红利赛道，且在正确的时间点。所以我们切换的一个前提条件是：所选择的赛道必须有巨大的发展前途。
风险在哪里？在变迁过程当中确实对我们的能力有诸多挑战，我们也形成了一些方法论。
首先，机构最好是立足在长处。就像我们切入到生产制造科技领域的投资，先是从数字化切入，这就是我们的长处，然后一步一步利用数字化投资中收集到的数据，逐渐再走出舒适圈，扩大到生产制造全流程。
另外，除了对于赛道的认知之外，还要逐渐形成自己对新赛道的方法论。在我们项目上会时，不管是哪个赛道，我们基础的标准是一样的——增量市场、三年五倍、行业前三。
其中的逻辑也很简单，一般只有在市场空间足够大时，才有更大的概率长出巨头企业；三年五倍是判断在我们投后的几年，企业是否能够保持高速增长；行业前三意味着当前这家企业已经形成了比较不错的壁垒，之前很多项目是以资金、模式为壁垒，现在则更多是以技术、产品、市场为壁垒。所以不管在哪个赛道，我们看的就是天花板、成长性、核心竞争力。
彭艳秋：在选择赛道的时候，我们事实上是结合了过去本身已经有的优势。比如说在第一次切换的时候，我们是基于过去在消费领域看到了数字化带来的潜在市场空间，收集了很多数据。而在进行第二次赛道切换的时候，如同我们已经有了神经，在此基础上再进行手脚方面的拓展。包括您刚才讲到的三点：天花板、成长性和自身的竞争力，对于以文化类基金起家的机构来说，跟随市场变化并抓住市场红利是非常精准的考虑点。投资机构要敏锐地捕捉市场的话，逻辑和整个知识结构都需要把握得比较精准，在这个过程当中研究跟学习的能力也非常重要。
郑总拥有17年的投资银行的工作经验，先后在巴黎、香港、上海工作，我了解到瑞银作为陆家嘴区域非常重要的金融科技企业，这些年也在通过多种人才培养计划为行业储备创新人才，比如金融科技学徒计划和创新孵化器计划。请您分享一下瑞银作为金融科技企业，在做金融科技生态系统的时候具体是如何做的？另外，科技赋能金融行业后，是否会使科技企业为金融行业提供服务时更加便利？
郑韵清：首先非常感谢澎湃新闻的邀请，各位同仁大家下午好！精准地来说，您刚才提到我所在的是一个偏金融科技的企业，但是瑞银在中国是有全方位布局。瑞银是一个领先的全球性的财富管理机构，有160年以上的经营历史，总部在瑞士苏黎世，在全球的各个主要金融中心都是有布局的，如上海、北京、中国香港等都有布局。瑞银在亚洲已经运营了60年之久，在中国内地也有35年的历史。大家比较耳熟能详的瑞银的机构可能是瑞银证券，它是首家外资机构直接参股的全牌照的证券公司，也是首家通过增持内地合资券商股权以实现控股的外资金融机构。而我所在的瑞银企业管理（中国）有限公司是瑞银集团全球三大离岸服务中心之一，今年正在庆祝18周年庆典。
18年前，瑞银集团就看中了金融科技的人才，尤其是中国内地的高质量人才培养，于是我们在2006年就落地上海，随后在北大和清华招了10名毕业生，开始了我们公司的运营。我是2012年加入公司的，一路以来我们也是跟着金融行业和科技的迭代发展。我们起初专注于做金融的衍生产品的量化模型开发和设计，之后我们就组建了结构化产品的定价团队。刚刚张教授提到的卫星图等内容我们也有涉及，我们的大数据行研团队致力于利用高科技赋能行业研究。新一代的瑞银集团投资银行云计算平台就是由中国团队开发并部署到全球其他市场的，如算法交易和量化投资策略等很多都由中国团队开发。
这么多年来，我们团队的硕博比例达到了100%。我们一直致力搭建政产学研的生态系统，与国内外的高校合作，复旦大学国际金融学院也是我们的合作伙伴。学徒计划和孵化器计划都是其中的重要环节，希望让中国学生了解瑞银在国际上的先进理念。同时，我们也是陆家嘴金融科技协会的理事单位，希望依托国内金融科技的交流平台和借鉴平台，去搭建这样一个生态的闭环圈。
刚刚主持人也提到怎么样赋能科技企业，我认为这是一个有意义的议题。例如，我们参与了Axoni的B轮投资，并与其有深入的接触。自2015年起，我们就设立了金融挑战赛以赋能初创企业，提供更多与大公司合作的机会。一方面选拔出来的优秀企业会得到各种专家、导师的支持和奖金奖励，同时我们也会对接一些资源。当我们投资这些公司后，会引入其产品线来迭代瑞银以前的基础设施，既赋能这些科技企业，也加速我们自身的发展。
彭艳秋：有很多良好的互动案例，科技企业和金融机构之间互相赋能，金融科技跟科技金融是不太一样的，但是里面的逻辑是非常清晰的。我记得您之前说过一句话，说我们金融行业的挫折是不可避免的，每天都要面临各种不确定性，如何理解挫折是不可避免的，以及怎么样面临不确定性？管老师说，不确定性是最大的确定性，您觉得对于金融的从业人士来说，怎么应对这种不确定性？
郑韵清：2007年，我刚刚进入这个行业的时候，我碰到了次贷危机。我希望给更多的年轻人传递这样一个观点，金融行业是一个周期性的行业，要在低谷的时候韬光养晦，不断提升自己。只要你觉得每一天自己的能力有增长，自己的舒适圈是扩大的，那么这就是一个定心丸，能够帮助自己去穿越周期。
彭艳秋：所以最重要的还是修炼内功？
郑韵清：对，我是这么认为。
彭艳秋：刚才两家投资机构介绍了金融与科技之间如何进行互动，金融机构如何更好地赋能科技企业，以及科技企业如何反过来赋能金融机构。对于我们银行这样的金融机构，相对来说也有一些特殊性，包括曾老师也提到这里面有科技金融的一些难点，比如在银行里面可能存在周期不匹配的情况。比如，银行有信贷产品服务周期可能和科技企业研发的周期不一致。我之前了解到，建行上海市分行也创新推出了从0到10的知识科创方案。根据技术研发的生命周期，不同的资金投入，以及不同的风险特征，来设计融资解决方案。董总，您能否分享一下，像我们这样的团队是如何为科技企业提供服务的？以及您和您的团队是如何判断一项技术的应用前景及其价值的？
董宣忠：科技金融这个话题太大了，所以我们几个人在这里聊着就会觉得散。我既回答你的问题，也延续季总的话题。
刚刚讲到做VC投资的审查有三个关键要素，第三个要素是希望细分赛道的行业前三。其实我们的VC也好，天使投资也好，大部分都是遵循这样的投资原则。但是，在做商业银行的时候，我们就有这样一个困惑：我们为什么想要做0到10点业务呢？因为我们发现随着这个社会经济的发展，越来越多的企业科技属性越来越高，前面提到科研分为科学发现和技术发明，这是一个分类的角度。还有另外一个分类的角度，叫认知型科研和应用型科研。实事求是地讲，人类到目前为止的认知型科研在100年之前基本上都完成了，比如大家熟知的力学、光学、电学、磁学、生命科学、化学的基础元素周期等。我们现在所谓的科研，如人工智能、生物医学等，实际上大部分都是应用型科学。所以我们现在提倡科技创新以企业为主体。目前，国家知识产权70%多甚至将近80%都掌握在企业手中，而科研院校包括上海以及全国的持有量仅占20%多，个人持有的专利大概不到1%。这意味着我们现在科技创新的主体是企业。
既然有这么多的企业需要科技创新，那它必然需要金融服务。如果说我们只服务少部分的企业，那就必然会存在服务空白。因为我们国家的金融资产90%在商业银行，所以商业银行有这个义务来为这个社会提供基础的服务，否则会形成服务真空。在提供基础服务的同时，我们的目标类似于投资VC追求的是Alpha收益但我们也需要承担Beta风险的基础工作。在去年之前，我们国家整个在商业银行的监管制度力度不支持0到10阶段的金融服务。直到今年年初，我们金融监管总局才在固定资产管理办法和流动资金管理办法里面增加了条款，商业银行可以全面支持科技研发等活动，以前只能做10到100阶段如可见的固定资产、厂房、原材料等类型业务，而0到1、1到10阶段的企业是没有服务的。
现在社会科研和经济的发展已经到了这个阶段，我们认为有义务去推进这件事情。因此从去年开始我们就呼吁监管部门及有关的政府部门，呼吁商业银行要进入0到10阶段的服务领域。然而带来的第二个问题，很多人都说0到10阶段是高风险的，不适合商业银行参与。但实际上认知型科研确实存在很大的不确定性，但应用型科研则分为两类：有的确实是突破性研究，需要我们VC冲在前面；但还有很多科研是多元化发展，例如一个生物医药企业在研发一款药物后再增加一个新的研发管线，这就是多元化发展；另外还有迭代型升级例如从做3G芯片升级到做4G、5G芯片；以及改进型创新例如从做56纳米的集成电路升级到做28纳米，再向14纳米进军。实际上大量的科研和技术创新都是渐进式的并且这些创新往往是在大企业内部孵化的。这种金融服务实际上是商业银行可以去做的并且德国在这方面的创新主要就是由商业银行来完成的并且取得了很好的效果。
彭艳秋：主要是渐进式创新，商业银行可以介入其中吗？
董宣忠：对。
季薇：我打断一下，后面的几点是因为有一个前提说这些点。但是创新都在大部分企业里面发生起来的，所以你愿意给到这样的渐进式创新的机会，是不是事实上还是因为它后面有一个大企业？
董宣忠：您讲得确实对，因为商业银行就是一个收利息的工作，不可能承担太高的风险。这种渐进式的创新确实因为有其他的综合现金流来源，因此符合商业银行的信贷逻辑。但是这个事情的意义就在于，如果商业银行拥有90%的金融资产，它能把这种渐进式的创新需求满足，那么我们的金融资源就可以集中到重大进展里面。恰恰相反，如果商业银行这种渐进式的基础创新都没有满足的话，我们社会上有很多投资机构就会降维。我讲的是承担风险的降维去做渐进式创新的投资，这也是为什么现在国内很多投资背后的对赌协议的覆盖率很高。据统计，从去年到今年上半年，上海证交所受理的科创IPO采用对赌协议率是54.8%。在一般的证券市场，比如美国，这样的比例是不可想象的。对于这个重大突破性的创新，我们觉得确实是需要大力发展VC、天使投资和真正的投资银行去支持。这个也是我们在探索的。因为时间关系，我也不多介绍了。但是我觉得这方面的工作很重要。刚才季总说怎么这么多人做VC这么少，可能今天的主题是科技金融，不是科创金融。真正的科创金融的主角还是季总他们，我们应该是做配角的。但是科技金融从资金的结构分布来看，肯定还是在大量的商业银行，所以这两个会搞混淆。
彭艳秋：刚才我提到的从0到10的金融方案，事实上是我们在为科技企业提供服务里面的一个小板块。更多要做的，还是这种渐进式的？
董宣忠：我讲的意思是，我们的资金大部分是分布在10到100的阶段。在0到10里面，商业银行可以做渐进式的创新，但是现在这个社会真正最稀缺的是突破式的创新。
彭艳秋：这里面的风险才是最高的。所以我们说投早、投小、硬科技，其实也意味着它的风险性是最高的。所以有的时候需要季总、郑总这样的机构在前，要承担的风险以及未来可能获得的回报相对来说都是偏高的。商业银行做得更多的，是从0到10里面的渐进式创新，以及从10到100的阶段。
董宣忠：对。
彭艳秋：俞老师从事机器学习、风险信用管理方面的研究很多，而且您主持和主研国家863计划和国家自然基金等十余项这类的项目。请教您一下，从研究角度来看，您怎样理解金融跟新质生产力之间的关系？
俞立：前面三位嘉宾都是冲在实践最前沿的，我是做研究的，做方法、模型相对多一些，我简单讲讲对这个问题的粗浅看法。
新质生产力主要关注的是科技的创新，尤其是革命性的创新，以及生产要素的创新配置，还有产业的转型和升级。也就是说，以前只是关注资金、人力或者土地等生产要素，现在我们需要更关注数据、知识等新型生产要素。在我看来，金融和新质生产力两者是密不可分的，是相互支撑、相互促进的。金融离不开新质生产力，特别是新质生产力中的人工智能、大数据、云计算等先进技术。只有在这些先进技术的基础上，才能够推出一些新的金融产品和服务，比如大数据的风控、智能投顾等功能。虽然以前也可以提供这些服务，但需要通过大量的专家才能实现，而现在有了机器学习算法和专家指导的结合，这些服务可以以更低的成本推广到更多的人和企业中去。
另一方面，金融对于新质生产力来说是它的活水之源。金融机构、投资机构主要是提供资金，而且是有导向性地提供资金。各位嘉宾都对金融科技、科技型企业和优质科技企业有所了解。基于你们对行业和技术的认识，在提供资金和投资时会有一定的导向性。这种导向性有助于优质的科技企业进行转型、人才培养和设备升级，如投入到大模型、新能源或量子计算等领域。这可以推动企业往特定方向发展。因此，金融对新质生产力也起到了推动和改善的作用。两者之间是你中有我、我中有你，相互促进的关系。
彭艳秋：刚才您提到的这个点非常好，因为我之前想的更多是提高效率，其实也能节省成本，这也是非常重要的一点。另一方面，对于科技企业，金融能比较好地起到相对的导向性，就是您刚才提到的导向性。这一轮的问题请各位聊一聊这个导向性，这个导向性背后的判断力非常重要。刚才季总提到金融机构追求的是风险、收益之间的平衡性，比较注重风险管理，科技企业往往的发展是不可确定的，我们怎么能够更好地提高对于风险的管理以及更好地提高平衡性呢？比如说我们看到一家科技企业可能账面出现不好的趋势，我们怎么判断它到底是企业自己本身出了问题还是短期遇到困难？我们怎么提高对于投资风险性的判断，怎么提高投资的判断力？
季薇：投资过程中，伴随着收益而来的就是如何控制风险。当下科技投资是我们行业的一个共识，在如此强共识的状态下，很多事情反而难做，寻找超越市场平均收益的投资机会反而变得更具挑战性。
科技有几个特点，刚刚俞老师也讲到了，新质生产力除了技术的革命性突破之外，还有生产要素的创新性配置，以及产业的深度转型升级，而推动产业深度转型升级的科技一定是应用科技。所以其实我们投资科技领域的风险往往来源于科技本身。
相较于其他类型的企业，科技型企业从创立到成长为大型企业，时间会更久，面临的风险也会更多。因为最终我们对科技的期待是“应用”，所以判断技术的成熟度就变得尤为重要。我们当前会参考美国NASA一个指标——“技术成熟水平”(TechnologyReadinessLevel)，它将技术从“基本原理得到观察和报告”到“实际系统通过成功的运作而得到认证”分成9个阶段。对应到产业里，一般前几个阶段都还处于科研层面，因缺乏落地应用场景，不适于风险投资机构介入，早期投资机构一般会从小试阶段开始投资，而我们这类VC机构则一般是在中试完成且能在某些细分赛道中看到商业化转化落地时才会投资。
关于从中试到量产中间的难度，可以给大家举个例子。我们去年投资了一家呋喃生物基平台化合物HMF及其衍生物产业链的研发与生产企业，他们所生产的FDCA这种材料，行业有公司在2015年左右就进入了中试阶段，但到现在都没有量产。而我们之所以投资这家公司，主要是因为它创新性实现了连续化生产以及在产品中的批量出货，比如服装面料、包装材料等领域，这很难得。所以在科技企业技术发展成熟的过程中，可能小试、中试、寻找应用场景等任何一个时间的拉长与面临的风险都可能对它造成致命的影响。
另外提一下，我刚刚所说的这个企业，它泰州万吨级生产线建设所需的资金，就是由风险投资机构与建设银行对他们产线代建的融资结合在一起提供的，最终使得这家企业能良好地发展下去。这样的情况是非常好的，不同的金融机构对同一个企业、同一个赛道提供帮助。
从投资机构的角度来说，投资科技本身已经是冒着非常高的风险。那我们应该怎么去把控风险？前面已经提到，前期投资层面，我们对行业赛道的梳理，以及top-down的思维逻辑和方法论。其实在投资之后，我们也有一套比较完整的数字化系统，企业每个月能够把运营数据和财务数据同步到系统里面，我们投后的分析师会对这些数据进行monthonmonth的分析，看它是否有一些在指标之外的波动与变化，有时候我们甚至可能比企业更早地预警到它的一些异常波动，并及时进行告知。
除此之外，原来投资机构都是以经济回报为单一的目标，现在整个体系中，国资在人民币投资当中占80%以上，像我们最新两期基金的大LP都是国家中小企业发展基金，它是由工信部和财政部共同发起的国家基金，除了要有一个稳健的经济效益之外，本身承担着落实国家政策方向上的责任，比如说投早、投小、投科技，这就是政策目标。所以，我们除了传统对项目本身进行很多投前、投中、投后的过程化管理之外，还要重视自身的合规性以及学会在国资体系下如何用“两种语言”做好工作。这对我们来说是一个时代性的制度变化，也是在当下风控中需要特别注意的。
彭艳秋：现场非常妙，同时为一家科技企业提供服务的两家金融机构，相当于是利用不同的特征，有一个产品的组合，能够更好地为科技企业提供服务，而且您刚才提到数字化系统，能够根据企业每个月自身的报表做一些分析，所以这里面对于财务知识、风险的敏感度都提出比较高的要求。另一个层面，其实也能够给我们呈现一个比较好的方法论。请郑总分享一下，对于科技企业跟其他企业不太一样的是里面的信息不确定性、不对称，还存在知识的不确定、不对称，房地产基本上有固定资产在这儿，我们都是可以看得到，但是科技企业还需要对这个技术研究了解的更加深入、透彻，您觉得对于知识的不对称怎么样更好地降低一点？
郑韵清：我想举一个例子来阐述科技企业如何进行风险控制。比如说瑞银，我们非常重视风险管理。我想分享一下，像我们这样的大型企业怎么样用科技的力量做风控，也是提供另外一个角度去探讨这个问题。
比如，我相信国内的很多金融机构也是非常关注风控指标的，国际的集团对于财报要公布的是资本充足率、风险加权资产，这是国际上的机构非常关注的风险指标。以前，这些风险指标的计算往往依赖人工，且精度不高。在很多情况下，数据似乎总是缺失一些关键信息，这就会影响到加权计算的结果。而风险加权资产的多少直接决定了你现在能开展多少业务。对于我们这样的公司来说，如果一个产品的风险加权资产占用过高，我们就会停止这个项目，因为它既赚不到钱又占用了大量资本。因此，我们非常重视风险加权资本的计算。以前，这需要花费大量的人力物力，但现在我们通过金融孵化器、学徒计划与高校合作，利用一些在金融领域原先较少使用的方法，如机器学习技术，来高效地识别出金融风险资产的异动原因。以前这些都需要人工逐一排查，而现在机器可以帮助我们降维处理，从而更全面地管理风险。例如，大数据在风险欺诈识别等方面的应用已经非常成熟。
我们一直在说金融科技，我觉得金融行业很传统，但我们内部还有很多可以被科技赋能的领域。瑞银集团将向员工推出了5万份Copilot的使用权，希望将AI赋能到员工，让员工有更好的方式，一方面管理风险，一方面提高效率。
彭艳秋：您刚才提到很好的案例，就是金融风险异动的指标可以很好地利用科技相关的技术、数据来帮我们人工降低工作量，减少工作量，以及提高我们的准确度，这也是一个很好的案例。董总，您觉得对于商业银行来说，是不是也是两方面，一方面是我们自身在业务运行过程中的风险管理，另一方面是对于我们去投资这些科技企业怎么更好地判断它们自身，比如说这个标的本身的质地如何？
董宣忠：是的，风险控制话题是很大的，金融机构本身就是经营风险的。其实金融机构的服务解决经营风险，对科技金融来说最主要的职责就是分散风险，因为科技的不确定性需要分散风险。我们银行和投资机构也是一样的，自身要加强自己的风险管理，相对而言，因为商业银行有巴塞尔协议，我们的安全性是第一的，所以商业银行内部的风险控制相对来说还是比较健全的。
彭艳秋：有一套方法论和体系？
董宣忠：其他机构也不能学习，因为这个成本很高。这是商业银行的逻辑，风险控制的要求太高，就像安全等级，提高一个百分点，你的成本是很高的，只能说商业银行内部必须按照巴塞尔协议进行风控。另外一个方面，对于服务的标的风险判断也是一样的。
一旦谈到科技金融，大家都会谈到风险，我想分享两个点，一个是乐观的，一个是悲观的。乐观的，出于我们几个人的好奇，我们利用企查查软件，查了国内企业的消亡率，也就是注销率。我们发现拥有发明专利的企业的消亡率是其他企业的五分之一，如果有发明授权的，它的消亡率是其他企业的十分之一。那么对于科技企业的风险高，就看是从什么角度来判断。如果你从投资的回报率来看可能有一些是损失很惨，但是真正的科技企业在社会的存活率还是比非科技企业顽强的。因此对于做银行的不要太悲观，还是要胆子大一些。
还有一个悲观方面是，有研究报告显示，有很多人在做深度科技企业尽调报告，结果发现无论做投资投行也好还是做商业银行的也好，尽调所花费的成本跟最后控制风险的结果并没有太大的正相关。
彭艳秋：可能这方面的努力看起来成效没有那么大？
董宣忠：对，其实金融是中介，无论是商业银行还是投资银行，都是中介。我们也不能说科技金融是万能的。我每次都呼吁中国到了大力发展天使投资人和慈善支持科技的时候，因为我们的民间财富已经有了积累。自然人可以基于个人情感和判断进行投资，他们不需要像我们金融机构的VC或商业银行那样提交厚厚的一叠报告。比如，他们可能因为看到一种新药而想到自己因缺乏这种药而离世的父母，于是就决定支持这种药的开发。有些事情可能是金融机构无法做到的，这时就需要社会力量的参与，而我们可以提供一些服务和引导。
彭艳秋：比如说乐观的，科技企业，尤其是拥有发明授权专利的企业因为建立了自身的技术护城河，所以风险相对于金融机构来看会比其他的非科技企业小很多。悲观的是，我们发现花了这么长的时间、这么多的精力做的竞调，其实最后对风险的控制没有那么明显。俞老师做研究的时候，有没有觉得对于风险的识别有点无力？
俞立：有时候是有这样的感觉。模型的能力是有上限的，XGBoost模型在做表格型数据的时候效果比较好，深度学习现在很流行，这一类算法在做表格型数据分析的时候并不是很好，但在做图像数据的时候表现得很好。不同算法的适用场景不太一样，现在也没有办法推出一种什么问题都能解决的算法。
话说回来，科技企业的正确评价确实是一个难题。因为本身的信息比较少，而且要素比较难以量化，如果从学术研究的角度来讲，我们一般会讨论两个方面。一方面是构建一个更全面的指标体系，我会考虑它有新质生产力的特征，除了人力资源、财务报表信息外，还会重点考虑数据资产的数量和质量以及专利和专有技术等。例如，当评估一个科技企业时，我们可以考虑其大模型的备案情况作为一个判断资信的标准或加分项。并不是说大模型可以解决所有的问题，大模型也有适用的范围，因此需要准确评估它的价值。大模型的价值该怎么评价？其实也很难。考虑到大模型源自神经网络，多层的神经网络，然后是深度的神经网络、Transformer等等，它有一个技术路线。对于每一种算法，在研究里面一般都有一些公开的数据集可以作验证。另一方面，我们还可以结合具体的行业应用来测试模型并获取定量化的测试信息，进而合理评估模型的价值。这样我们就能更准确地判断投资潜力和市场前景。
彭艳秋：您刚才说大模型不能适用于所有的科技企业，但是我们其实也有一些办法，比如现在已有的应用数据可以测试大模型，测试之后再应用到科创企业、科技企业里，其实是比较好的一个路径？
俞立：科技企业有一些分赛道或者具体的应用场景，可以用一些具体的应用场景数据对模型做多次测试，就可以看出一些应用的效果。
彭艳秋：所以这个办法也是比较具有实操性的。最后一个问题，请各位选择一个问题回应。比如对于金融机构赋能科技企业，未来是不是还有一定的空间？另外，刚才季总也分享了对于金融机构赋能科技企业有比较好的成果，您举的案例非常好，您可以聊聊未来是不是有其他空间，其他几位可以选择一个问题进行回应。
季薇：在科技投资的大方向下，与大企业的深度合作显得尤为重要。这就引起了方法论的变化，以前是top-down的模式，先看赛道，再找好的标的，最后在合适的时间点投下去。但是科技赛道相对比较复杂，有些是渐进式的创新，是从大企业中长出来的。甚至有的赛道即便发展到很成熟的阶段，但市场格局依旧没有定下来。以新能源车为例，最初是新势力企业崭露头角，之后传统车企、手机厂商如小米等也都切入这一市场。所以当一个产业渗透率、产业链完整度达到一定的程度，巨头一定会铺进来。而且每家企业的策略不一样，比如新势力企业主要做产品定义、设计，零部件都是外采的，而比亚迪这种车企则是由旗下的弗迪系承担了纵向一体化。而即便到今天可能每年新能源车占整体新车销售量的一半，我们仍然没有感觉这个赛道到了终局。
在这样的情况下，对于我们投资机构的科技投资来说，时刻要关注和产投、产业的合作。
另外，我还是希望国家能够在资源和政策上大力支持风险投资，因为风险投资是从源头上支持新质生产力颠覆式创新的重要角色。
彭艳秋：政府相应的决策者需要更多跟产业界、相关的金融机构、科技企业做更多的调研式或者问询式，收集更多的数据、资料来做相应的决策，可能相对来说会更加科学和合理。
郑韵清：金融行业大部分是比较大型、优质、持续稳健的机构，所以金融行业应该能够给科技企业，尤其是科技金融企业，更多的应用场景来扶持。我们的研究表明，金融行业是人工智能应用最具潜力的行业之一。尽管金融行业目前仍比较传统，但我们有能力并且应该扶持更多不同赛道的科技企业，因为我们拥有丰富的应用场景。比如瑞银企业管理已经连续6年的时间，每一年都在做量化大会，2025年也会做新的一届量化大会，我们希望向社会公布瑞银集团现在在AI方面的发展。我们希望通过这种方式，有针对性地支持在特定领域表现出色的科技企业，不一定通过投资方式，而是以各种形式的扶持来推动金融科技行业的发展。
彭艳秋：金融机构自己本身也是很好的应用场景。
董宣忠：金融服务科技改进的空间还是寄希望于突破创新，因为这个更有意义。渐进式创新的模式追求的是“有心栽花花就开”，而突破式创新是“无心插柳柳成荫”，所以对于渐进式创新来说，主流投资机构、财力和政府去支持是没有问题的。但是我们感觉这种突破性的创新讲究的是有更多市场化的元素比较好，在现在这种经营模式下，我们提出的是股保贷债联动。在当前的大环境下，体制的改变并不容易，至少在短期内是如此。因此，我们需要思考如何更好地衔接各种金融要素，为这种突破性的创新提供服务。这里面的改进空间是巨大的。
关于突破性创新，很多人说市场化力量行不行，应该集中力量办大事，事实上我们的突破性创新里面，市场化的力量和金融的力量如果能够联动得好，它可以产生突破性的效果，这方面是我们改进空间最大的地方。
彭艳秋：市场化的力量、金融的力量更好地支持突破性的创新。
俞立：在大数据的时代，其实金融机构经常淹没在数据里面。就像董总之前提到的，数据过多有时并不能带来更好的效果，甚至可能产生反效果。结合本人目前正在进行的研究，我可以简要分享一下缓解这个问题的具体实现思路。我们现在面对的数据经常是结构化数据和非结构化数据并存的情况，非结构化数据一般需要专家去对样本打标签，才会有比较好的效果。我们现在的研究是把这些非结构化文本输到大语言模型里，因为我们的默认前提是大语言模型有一些通用的知识，它可以做一些通用的判断。比如贷款申请人的人格特质是怎么样的？用大语言模型做初步判断以后，再把非结构化数据和结构化数据进行融合，后面再接一个机器学习的集成算法LightGBM。
我们发现这种融合方法在公开的数据集中的效果确实比只用结构化数据的效果好一些。采用这种方式建模，也是因为现在大语言模型的使用成本相对较低，而如果需要进行定制化的数据标注、模型构建和训练，成本则会显著提高。另一方面，直接使用大语言模型可能并不完全契合信用风险评估领域的需求，因为大语言模型中包含的是通用的知识，而特定问题可能需要某一专用领域的知识，如信用风险评估的知识。
此外，由于我们身处高校，接触到的实际数据相对较少，研究主要基于公开数据集。我们非常希望各机构能提出一些具体问题或提供样本数据，这样我们的研究将更具实际意义。作为高校，我们的本职工作是进行学术研究，而企业则更注重实际应用场景。通过产学研合作，我们可以针对具体的应用场景进行深入分析，从而推动相关技术的实际应用与发展。
彭艳秋：今天很高兴有这样一个好的平台，探讨产学研如何更好地结合。通过俞老师对实际数据的清洗、加工、处理，我们可以实现数据的有效反哺，从而为决策提供坚实支撑。刚才几位嘉宾提出了非常好的建议，使决策可以更加科学、精准、合理。同时，我们也应给予风险投资机构更多的支持，金融机构可以成为科技企业的应用场景，这样可以更好地促进双方之间的合作，实现应用的进一步突破。董总也介绍了通过市场化、金融化的方式更好地推动突破式的创新。俞老师则深入探讨了结构化和非结构化数据在高校、产业和市场中的结合应用。非常感谢四位嘉宾的精彩分享，他们提出了许多真知灼见和宝贵建议。也感谢在座的各位领导和嘉宾的聆听，今天的圆桌对话到此结束，谢谢大家！