中国光大银行杨兵兵:商业银行数据要素探索与思考

非常感谢有这个机会向各位领导和专家进行交流汇报。我们在去年12月也组织召开了数据要素的“十四五”总结研讨会，在“十四五”期间，围绕数据要素资产化，光大银行每年都会选择一到两个专题，持续研究，并通过研究带动实践。

从2019年十九届四中全会首次将数据增列为生产要素，到2022年国务院发布“数据二十条”，以及后续国家出台的一系列政策，都在推动数据要素与其他生产要素充分融合，进一步提高劳动生产力，共同促进社会的发展和进步。

我们对数据要素资产化的研究，也从确权、估值、交易这三个主要维度，逐步扩充到确权、流通、估值、基础设施、入表和治理六个维度。“十四五”期间，来自各领域的55位专家积极参与，为我们的探索和实践提供了现场指导和宝贵意见，形成了一系列的研究报告和实践成果，主要分为四个领域：一是数据资产估值，我们设计了货币化度量数据资产价值的方法，自研了企业数据资产估值工具、形成团体标准，并在国际核心期刊发表估值论文，传播中国声音。二是数据资源入表，主要包括数据资源入表的可行性论证、企业数据资源入表实施方案，并具体实践银行数据资源入表披露。三是数据市场流通，包括数据要素市场生态研究、企业数据资源价值与收益实现、公共数据场内交易、授权运营及成本核算。四是金融产品与服务，主要探索数据贷、数据托管等业务创新模式，助力解决科技型企业融资难题。“十四五”期间，我们在数据要素领域的探索模式是理论研究在先，实践在后，通过实践推动理论进一步探索。

我们在去年12月的会议上讨论了“十五五”的研究方向，经过内部总结并与专家探讨，我们认为在生成式大模型的带动下，开展一系列实践的条件已经成熟，数据要素领域将进入一个以实践带动研究的新阶段，并具体确定两个实践方向：

数据要素与人工智能融合共生。在数字经济蓬勃发展和人工智能技术变革的双重进程下，“数据要素+人工智能”成为这个时代的双轮驱动，二者融合共生，驱动新质生产力发展，赋能实体经济，主要体现在两个方面：①数据是AI的燃料，数据驱动AI创新。高质量、多样性的数据是训练精准AI模型的基石，AI的智能边界由数据的质量、规模、广度和组织形式决定。②AI是数据的引擎，AI赋能数据增值。AI通过治理、分析、关联和预测，将原始数据转化为高价值的信息和知识，AI实现数据的增值与深度利用，提升决策效率。

数据对应用的支持方式发生变革。BI时代是由业务驱动数据产生，以数据中台为基础提供数据服务。数据主要服务于“人”进行决策分析。未来肯定是AI的时代，在未来，不仅是人在用数，更将是越来越多的AI在用数，但让AI能读得懂、读得好的数据是需要积累的，这种数据越多，我们的AI就会越好，这个数据就是“高质量数据集”。因此，构建高质量数据集成为关键突破口，主要有两个方面：一是多源数据融合，主要包括业务数据、“酶”数据、元数据等各种类型的结构化和非结构化数据，这是最基础的；二是建立数字孪生，数字孪生主要包括对实际业务的仿真分析、对象建模、数据连接和可视化交互，通过数字孪生，AI对现实世界的理解会更加透彻，判断会更加准确，才能更好地实现智能决策。

数据治理方式适应AI用数需要。从服务“人用数”向服务“机器用数”转变，传统数据治理已不再完全满足。使用主体的不同可能会使数据治理的基础发生四个变化：①元数据语义构建是基础。元数据语义构建是对传统元数据的升级，是要让机器读懂数据，增加对数据语义的形式化描述和推理，实现更复杂的语义关联和知识发现，反映深层次的业务管理和逻辑，与数字孪生紧密绑定。②无场景不治理，无场景不“孪生”。AI时代数据体量爆发式增长，全局性数据治理难以为继，而数字孪生以解决具体业务场景应用为主，数据治理也可以具体业务场景的数字孪生构建为抓手。做数字孪生最理想的情况是覆盖所有的场景，但现在开始不现实，最好分场景进行。比如客户在银行开户，柜台在30分钟内就可以给客户完成开户业务，熟练的柜员可能只需要十几分钟，但有时一线反映说开户需要一两个小时。到底是不是一两个小时呢？出现这个问题的原因是没有把开户的全物理过程描述出来，我们把全物理过程描述出来后就可以发现，有时是客户资料没带全，有时是客户经理没有给客户讲清楚，有时客户除了开户还办理了其他业务。原先我们是通过系统里的某个功能点来刻画一个工作流程，经常会出现判断结果与实际不符的情况，现在我们可以通过录像、声音、操作、短信、预约等多源数据融合，刻画还原客户开户的实际场景，进而判断问题到底出现在哪个环节，同时理清这个场景下的数据、过程、动作以及应有的决策，为未来在开户场景下的智能化自动决策提供可能，这就是数字孪生的作用。③“人治”到“智治”。人治难以适应人机协同时代用数需求，构建“数据治理超级智能体”（Super-DGA），推动治理模式从“人海战术”向“智能方式”转变。将来AI用的数据，不可能依赖人进行数据治理，因为量太大了，一定要用模型和算法来进行数据治理。④质量和安全尤为重要。供给AI的数据质量和安全合规，将比算法本身更为关键，好的数据和安全的数据才能带来更好的智能，AI时代对数据的要求会更高。

数据要素资产化是以数据要素为基础，通过融资、托管、保险、证券化等方式，实现数据价值向金融价值转化，目前实践较多的是数据资产增信融资业务。

数据资产从“增信”到“质押”融资的模式探索。“十四五”期间，我们的数据资产业务主要有四个方面的创新：①数据资产证券化。②数据资产融资（增信、质押等）。③数据资产托管。④数据资产信托、保险等服务。其中，基于数据资产增信是创新重点，光大银行与北上广深、贵州等大数据交易所均建立了合作关系，在14个省市推出十余种数据贷产品，主要面向小型的、初创的、生产数据或以数据为基础的科技型企业。最近我们看到三个关键的事情：一是2025年10月，国家发布《信息技术 大数据 数据资产价值评估》国家标准；二是2025年11月，央行征信中心将“数据资产质押”纳入可登记业务类型；三是2026年1月，国家数据局召开数据产权登记座谈会，推动相关政策制度出台。我们坚信，随着数据要素政策及市场的进一步发展，如产权管理、数据资产估值标准、数据市场的发展规模，可提前布局探索数据资产质押融资模式，推动数据资产从“可用作增信”走向“可被金融体系普遍接受的资产形态”。

算力价值评估与金融服务创新模式探索。国产算力需求拉动AIDC（人工智能数据中心）新型数据中心加速建设，其价值评估体系从“数据资产”拓展至“多元算力”等新型要素，可以作为金融服务人工智能产业发展的新模式。从算力、算法、数据这三个AI的基本维度来看，算力自身是有价值的，因为算力是物理存在的，比数据的物理存在更有利于业务模式的创新。但是也存在三个痛点：一是人工智能科技企业“重算力、轻资产”；二是缺乏算力专属评估体系与金融产品矩阵；三是聚焦硬件抵押，算力软件附加值与场景溢价应用不足。无论是BI时代还是AI时代，唯一没有变化且需要加强的就是算力。去年我们做了一个算力估值工具，未来计划在两个方向进一步探索：①价值评估体系优化方向，构建科技型企业算力特色评价模型；②金融服务模式探索方向，包括算力融资传统金融实践和算力特色金融方案，并在“十五五”期间积极推动实践。

“十五五”时期将是数据要素从探索走向实践的重要阶段，也是数据要素与人工智能深度融合，进一步促进生产力发展的关键阶段。商业银行在数字经济时代，既要积极拥抱数据要素和人工智能创新，也要守好风险底线，成为数据要素价值化的推动者和赋能者。

在深度融合与创新方面，商业银行具有天然的数据资源禀赋，在数字经济高速发展进程中，统筹发展与安全，将数据要素与人工智能深度融合，积极探索能给银行业务带来的变革。

在价值化与金融服务支撑方面，着力解决数据要素价值化的核心问题，运用金融市场，积极服务支持数据产业和人工智能产业发展，为新质生产力发展注入金融活力。

我们将以高质量数据集建设和基于数据资产及算力在金融体系内的广泛应用这两个方向开启“十五五”期间的进一步探索和实践。

我的汇报就到这里，谢谢大家。