在以科技自立自强为战略导向、以高质量发展为核心目标的政策背景下，人工智能正成为引领新一轮科技革命与产业变革的关键驱动力。金融既能驱动新兴技术的发展，也会加剧技术带来的风险。人工智能兼具高不确定性与强外部性，需依托风险投资、资本市场与公共资金构建多层次融资体系，但在这一过程中也容易伴生资本集中、顺周期波动及估值偏离等问题。基于金融发展与技术创新互动的理论框架，本文系统分析金融资本支持人工智能发展的内在逻辑、现实机制以及面临的主要困难与潜在风险，并横向比较美国、欧洲和中国人工智能发展的金融支持模式、产业路径与监管安排，在此基础上提出构建分层融资体系、发展耐心资本、强化风险约束、促进产融协同及完善监管治理，推动人工智能与金融体系的稳健协同发展。
关键词：人工智能；金融资本；融资结构；动力机制
党的二十届四中全会强调，以高质量发展为主题，以改革创新为根本动力，统筹推进科技创新与制度创新，提升科技自立自强水平，并坚持有效市场和有为政府更好结合，更好统筹发展和安全。人工智能正处于这一发展战略的核心位置，这一重要部署也为理解金融资本与人工智能发展的关系提供了基本政策框架。金融既能驱动新兴技术的发展，也会加剧技术带来的风险，因而需要结合当前人工智能的热点领域，更有针对性地分析金融的作用及风险。与以往数字技术不同，当前人工智能的发展同时具有高固定成本、高不确定性、高外部性与高网络效应等特征，这使得其对金融资本的依赖程度显著上升，技术突破与资本扩张几乎同步发生：从基础研究到模型训练，从算力基础设施到场景落地，再到并购整合与全球扩张，每一个环节都离不开金融资本的支持作用，进而人工智能创新也更深嵌入金融体系的风险承担、期限转换与价格发现过程之中。
金融资本支持
人工智能发展的理论基础
（一）
创新活动的
融资约束理论
人工智能企业普遍面临强于传统制造业的融资约束。研发活动具有高不确定性、强信息不对称、弱抵押性和收益滞后等特征，因而难以有效匹配传统银行信贷。对人工智能企业而言，算法、模型权重、数据能力和人才资本难以抵押，研发支出又多被费用化处理，导致外部融资成本偏高。基础模型企业在早期通常缺乏稳定现金流，却需持续承担芯片、算力和高端研发投入，因此更依赖风险资本、战略投资、可转债和政府引导基金等能够容纳高不确定性的融资工具。
（二）
熊彼特创新
与“信用创造”理论
熊彼特认为，金融的重要功能在于将购买力从既有部门转移至新部门，从而推动创新并重塑产业结构。人工智能作为一种通用技术，其发展不仅需要资本投入，更需要能够识别和支持技术跃迁的信用创造机制。金融资本对AI的作用，不仅在于提供资金，还在于通过估值、筛选、治理、退出和再融资，将资源持续引向新技术部门。但这一过程既可能促进高质量创新，也可能在预期过度扩张时演化为投机性泡沫。
（三）
信息不对称
与风险资本理论
风险投资在人工智能融资中具有关键地位，因为它不仅提供资金，还通过专业筛选、分阶段投资、投后治理和退出安排缓解信息不对称。对于技术路线复杂、商业化路径不清晰且收益分布高度偏态的AI行业，VC/PE比传统金融中介更适合承担高风险配置职能。然而，在资本过剩和退出窗口过热时期，风险资本也可能由甄别优质创新转向追逐市场叙事，进而削弱筛选质量并放大泡沫风险。
（四）
通用技术
与外部性理论
人工智能作为通用技术，其价值不仅体现于企业利润，更体现于效率提升、组织重构和知识外溢。人工智能的长期经济效应取决于技术扩散、企业采纳和制度配套，而不仅是前沿模型本身。由于知识外部性难以被私人投资者完全内部化，市场投资可能不足，也可能过度集中于短期易变现领域，而忽视基础研究、公共数据治理和中小企业应用。因此，人工智能融资不能仅依赖市场资本，还需要公共政策在基础设施、人才、公共算力、标准制定和安全治理等方面发挥补充与塑造作用。
综上，金融资本支持人工智能发展的理论基础，主要体现为融资约束缓释、信用创造推动、风险筛选优化与外部性补偿四个方面。人工智能企业高不确定性、强信息不对称、弱抵押性和收益滞后性并存，决定其更依赖多元化资本支持。金融资本不仅提供资金，还需通过筛选、估值、治理与退出机制引导资源配置，同时鉴于人工智能具有显著外部性，仅依靠市场机制难以实现最优投入，需市场资本与公共政策协同发力。正是在这一过程中，不同类型资本基于自身资金属性、风险偏好和工具特征，在人工智能发展的不同阶段选择性介入，形成了金融资本支持人工智能发展的动力机制。
金融资本支持
人工智能发展的现状及机制
当前，人工智能迅猛发展与金融资本的深度介入密不可分，资本市场、风险投资、企业资本、信贷体系与公共资金共同构成了层次分明、功能互补、接力协同的人工智能金融支持生态系统。
（一）
人工智能产业
投资呈爆发式增长
据星展银行数据显示，全球人工智能产业规模从2020年的110亿美元增至2024年的2150亿美元，预计2032年将突破1.8万亿美元。这与金融资本对人工智能发展前景和潜能的认可密不可分。权威机构Gartner的调查数据显示，预计在2025年全球人工智能领域支出同比增长50%，达到1.48万亿美元，并预计在2026年将进一步增长至2.02万亿美元。人工智能也已成为全球创投市场最具投资吸引力的领域。根据经济合作与发展组织（OECD）最新统计，2025年全球人工智能企业获得的风险投资达2587亿美元，占全球全部风投的61%，占比相较2022年的30%翻了一倍；2012—2025年，全球年度人工智能风险投资金额从约83亿美元攀升至2587亿美元，且“亿美元级别的超大交易”在2025年占比约73%，前五笔超大交易合计约630亿美元，呈现显著的资本集中与“赢家通吃”式融资结构。
（二）
资本驱动的人工智能
技术演进与产业扩张
人工智能产业链可划分为三个层级：基础层、技术层和应用层。基础层主要包括算力基础设施；技术层涵盖模型开发、算法设计及相关平台技术；应用层指人工智能在各类产业和场景中的落地应用。金融资本通过对人工智能不同领域的选择性投入，显著影响人工智能技术的演进路径和产业发展方向。
算力基础设施优先。全球来看，基于对人工智能基础设施瓶颈的共识性判断，资本显著密集投资于该领域，体现了资本在人工智能产业发展中的关键引导作用。OECD数据显示，人工智能相关的IT基础设施与托管企业在2024年吸引了474亿美元风投，到2025年进一步达到1093亿美元。2026年，亚马逊、谷歌、微软、Meta和甲骨文这五家美国科技巨头预计将合计投入约7000亿美元，主要用于建设AI相关数据中心和基础设施。
应用场景逐步拓宽。随着资本持续投入，人工智能应用正从简单业务向核心业务延伸。在金融领域，人工智能技术已从最初的聊天机器人等边缘应用，逐步扩展到信贷风控、量化交易等核心业务环节。
产融互动深化。金融资本与人工智能产业的互动不断深化，形成了良性循环。产业需求推动技术优化，金融机构通过投资、并购等推动人工智能技术在产业中落地应用，人工智能产业的发展又为资本提供更清晰的投资回报与退出路径，实现产融协同发展。
（三）
金融资本支持
人工智能发展的多维机制
风险资本机制：承担早期不确定性与筛选技术路线。人工智能早期项目通常具有高不确定性、低现金流和高沉没成本，因此风险资本是最匹配的融资形式。VC/PE通过股权投资、分阶段融资和投后治理，支持企业完成模型训练、产品迭代和场景验证。与此同时，风险资本还发挥项目筛选功能，有助于提高资源配置效率。但其局限在于偏好“大市场、快增长、强退出”的项目，容易导致资本过度集中于头部赛道，而忽视周期更长、外部性更强的底层研究和公共应用领域。
公开市场机制：资本化预期并增强扩张能力。公开市场是AI企业实现大规模融资的重要渠道。IPO、增发和可转债等工具能够将未来增长预期资本化，为研发投入、并购整合和全球扩张提供支持。由于AI行业具有网络效应和规模经济，高市值不仅反映企业竞争力，还会进一步强化其人才吸引、资源获取和生态整合能力。但若市场过度透支远期收益，而忽视成本约束和商业化进度，就容易形成“估值先行、现金流滞后”的脆弱结构。
信贷与基础设施融资机制：支撑算力与基础设施扩张。相较于风险投资更多支持模型和产品，信贷与结构化融资主要服务于数据中心、GPU集群、电力系统等算力基础设施建设。项目融资、银团贷款、资产证券化等工具，有助于将高额前期投入转化为可分期、可融资的现金流安排，从而扩大AI基础设施供给。但若投资建立在过度乐观的需求预期之上，也可能产生数据中心空置、算力重复建设和债务脆弱性上升等问题，并将泡沫由股权市场传导至债务市场。
企业创投与产业资本机制：促进商业化与场景落地。企业创投是企业利用自有资本设立专门投资部门、投资子公司或专项基金，对具有技术潜力、市场前景或战略协同价值的创业企业进行投资的一种创新支持机制，其和产业资本在AI融资中具有重要作用。与传统VC不同，企业创投不仅追求财务回报，还强调技术协同、生态整合和场景落地。来自云厂商、芯片企业和行业龙头的战略投资，能够帮助AI企业更快获得算力、客户和应用场景，从而缩短技术商业化路径。但与此同时，产业资本也可能强化平台主导和市场集中，压缩中小创新企业的独立成长空间。
公共资本与政策性金融机制：弥补长期性与外部性缺口。人工智能具有显著的公共品属性和知识外部性，因此公共资本在其发展中不可或缺。政策性银行、政府引导基金、科研资助、税收优惠和公共采购，能够支持基础科研、公共算力、开源生态、标准制定和安全治理等市场供给不足的领域。公共资本不仅可以弥补市场失灵，也能够通过塑造方向和建设基础设施提升整体创新体系效率。
（四）
国内人工智能发展的
多元投资主体与策略
我国金融资本对人工智能领域的投资来源多元，包括产业引导基金、科技企业、银行等金融机构及私募股权等市场主体。各主体根据自身的资源禀赋、风险偏好及投资目标，采取差异化的投资策略，共同推动人工智能产业的发展。
产业引导基金作为耐心资本，发挥政策性资本引导功能。目前我国已构建了由国家战略基金引领、地方特色基金集群协同的政府引导基金支持体系，全面覆盖人工智能产业从前沿基础研究到商业落地应用的全生命周期，并聚焦适度投早投小投前沿，具有较长存续期。
科技企业作为核心驱动层发挥市场化投资主体作用。大型科技企业是人工智能应用层及部分前沿技术的投资主力。如，阿里巴巴宣布未来三年将投入3800亿元，主要用于建设云和人工智能硬件基础设施，总额超过过去十年总和。这些投资将构建围绕人工智能全产业链的生态系统，从芯片、框架到应用层的全面布局。
风险资本精准聚焦初创企业，作为前沿探索层培育前沿技术。风险资本在人工智能领域特别是初创企业融资中扮演重要角色，呈现对技术前沿的敏锐嗅觉，但也显示出一定投机属性，部分领域估值可能存在泡沫化倾向。
传统金融机构处于投资应用的基础层，通过“技术+投资”将技术导入现实。金融机构一方面作为投资者参与人工智能，另一方面也作为应用方积极引入人工智能技术。例如，建设银行与工商银行宣布分别接入阿里巴巴人工智能技术，标志着近五年来国家级金融机构首次大规模与科技企业在人工智能领域展开深度合作。
（五）
我国政府产业基金
对人工智能发展的支持
国务院办公厅发布《关于促进政府投资基金高质量发展的指导意见》（国办发〔2025〕1号），明确政府投资基金需聚焦重大战略、重点领域和市场不能充分发挥作用的薄弱环节，并将政府投资基金划分为产业投资类基金和创业投资类基金，针对人工智能领域，鼓励创业投资类基金要“投早、投小、投长期、投硬科技”。
基金设立。国家层面，国家发展和改革委员会设立国家创业投资引导基金，明确将人工智能、具身智能、量子科技等先进产业作为核心投资焦点，旨在通过市场化方式投资种子期、初创期企业。其存续期设定为20年，预计将带动地方资金和社会资本近人民币1万亿元。工业和信息化部、财政部设立国家人工智能产业投资基金，总规模为600.6亿元人民币，旨在围绕人工智能全产业链开展投资布局，覆盖算力、算法、数据和赋能应用等各环节，明确将适度投早、投小、投前沿，并为优质企业“增资、增信、增能”。地方层面，在国家级基金引领下，各省市结合自身产业禀赋，构建了各具特色的地方基金集群，形成了全国范围内多层次、广覆盖的人工智能投资网络。
政府引导基金与风险投资在人工智能领域投资的差异分析。政府引导基金结合了私人风险投资和政府政策的双重优势，注重长远经济利益，兼顾平衡财务收益和社会溢出效应。基于Beraja,Martin（2024）[1]对中国1,863个政府引导基金和6,514个风险投资基金投资的45,419家人工智能企业的分析，我们得出以下结论：一是地理位置而言，政府引导基金的分布比私人风险投资基金更为分散，更能代表中国人工智能企业的发展地区分布。私人风险投资基金主要位于中国沿海区域，政府引导基金分布则更为均匀。二是与私人风险投资基金类似，政府引导基金聚焦投资有前景的企业，并能在行业和企业发展的早期入资，减轻信息不确定性。具体表现为，在行业层面，政府和私人风投的投资组合表现出高度相似性，且政府引导基金投资于具有较弱前期生产力信号公司的可能性更高，但其投资的人工智能企业显著优于未获得此类投资的企业。三是政府和私人风投选择互动往往表现为政府行动领先于私人，可能是政府引导基金通过投资行为向私人风投释放了重要价值信号。
政府引导基金支持人工智能发展的优势及不足。政府引导基金投资人工智能具有明显优势：将政策目标与市场化运作相结合，通过财政资金引导撬动社会资本投入。研究显示政府引导基金联合风险投资能够在整体上提高新创企业的创新水平[2]；实行全生命周期考核而非聚焦短期或单个项目为盈亏，同时建立了尽职免责机制，具有较高风险容忍与容错度；耐心资本期限长达15-20年，能够匹配科研长周期，弥补市场在人工智能等前沿领域早期投资的市场失灵。同时，政府引导基金介入也会对市场机制的自动调节造成一定扭曲，如可能存在投资效率不高，在特定领域出现过热和低效重复投资的“政策—资本共振式过热”，同时还可能存在特定领域投资进度慢以及返投比例等情况，而一味强调返投等政策目标又会导致市场决策受限，影响商业可持续性。
金融资本支持
人工智能发展的困难与风险
金融与创新之间并非单向促进关系。适度金融深化能够缓解融资约束、提升资源配置效率并促进创新，但金融扩张一旦越过边界，就可能转而鼓励叙事型项目而非高质量创新。人工智能正好把这种“双刃剑效应”放大到了新的高度：一方面，基础模型、算力中心和通用AI平台确实需要巨额资本，大量人工智能企业尤其是初创企业面临融资瓶颈；另一方面，各种人工智能概念化叙事又让资产价格极易脱离真实现金流和商业验证节奏，出现了资本过度逐利、估值夸大和资源错配等现象，引发科技泡沫隐忧。
（一）
企业维度：
商业化落地难，经营风险高
价值缩水随发展速度同步加速。人工智能技术路线迭代快，加速提升模型能力的同时也缩短了既有技术市场价值折旧周期，行业发展呈现高不确定性和高沉没成本。在既有技术路径频繁更新的背景下，技术产品难以完成成熟化、稳定化和产业化落地，导致前期投入资本价值随之缩水，增加金融支持难度。
商业化落地困难导致严峻市场风险。尽管人工智能技术在特定领域表现出色，但许多项目难以产生预期经济效益，大规模商业化应用仍面临显著挑战。如麻省理工学院报告指出，高达95%的人工智能试点项目未能提高公司的利润或生产力，而相关企业合并支出已高达400亿美元[3]。
经营管理风险突出。不少人工智能初创企业采取轻资产运营，核心资产是人才、技术和数据，缺乏厂房、设备等可供抵押的固定资产，同时由于财务管理不够规范，导致银行等金融机构无法对企业经营和财务状况进行准确评估，进而无法提供融资。
（二）
资本维度：
风险与回报不匹配
银行等传统金融风险偏好低，资本需求与授信要求存在错配。银行等传统金融机构的风控逻辑是基于抵押物、现金流和历史盈利情况，与人工智能初创企业无资产、无利润、无稳定现金流的“三无”特征无法匹配。
信息不对称导致银行授信意愿低。人工智能技术及模型具有“黑箱”特性，其价值深度嵌入具体业务场景，成本收益关联具有高度不确定性，银行信贷人员不具备评估该技术的专业能力，无法准确判断其价值和风险，导致“不敢贷、不愿贷”。
股权资本投资的估值难、退出难。一方面，人工智能企业估值定价难，具有较强主观性，尤其对于尚无营收和利润的早期科创企业，估值多基于对未来的预期，无可靠财务基准，因此投资方与企业较难达成一致。另一方面，退出机制具有较高不确定性。股权投资的核心在于最终能否通过上市并购等退出，而人工智能初创企业技术研发和市场培育周期长，退出路径不明朗，导致资本进入意愿不足。此外，在经济下行周期，风险投资更倾向于投资于中后期、商业模式已经市场验证的项目。
（三）
外部环境维度：
生态体系不完善
多层次资本市场体系不健全。一方面，人工智能企业的种子期、初创期是资金最缺乏的时期，也是金融资本供需不匹配最严重阶段，天使投资、风险投资等投资力量不够强大。另一方面，金融资本退出过度依赖公开市场，但公开上市门槛高、周期长，科创板容量有限，新三板等市场发展深度不足，无法有效发挥金融资本退出的支持作用。
政策性支持体系待优化。一方面，政府引导基金限制较多，如有返投比例等要求，影响市场化运作效率。另一方面，补贴方式有待创新。传统科研经费补贴方式更多倾向于高校和科研院所，对企业，特别是初创企业的支持不足，效率低于“投早、投小”的市场化机制。
（四）
融资错配和风险积聚，
加剧人工智能投资泡沫化隐忧
在当前全球经济放缓的背景下，资本对于人工智能产业发展产生非理性繁荣预期，尤其是海外人工智能具有一定泡沫化趋势，具体表现为市场估值泡沫、融资顺周期性、过度建设及市场集中风险等。
估值泡沫：从技术进步到预期透支。人工智能兼具“极高想象空间”和“真实技术进步”两种属性，因此很容易成为资本市场最偏爱的叙事对象。技术进步固然真实，但并不意味着高估值天然合理。若市场普遍预设头部人工智能企业将实现垄断、高利润和持续高增长，估值就容易脱离可验证现金流，形成“叙事驱动型繁荣”，如当前OpenAI的IPO估值价售比P/S高达50倍，存在明显估值过高风险。更值得警惕的是，“少数赢家”逻辑常被外推至大量次优企业，导致长尾公司也获得过度融资，进而加剧资源错配。一旦技术路线调整、监管收紧或商业化不及预期，资本撤离可能迅速发生并刺破泡沫。
资本顺周期与融资结构错配。AI融资高度依赖市场风险偏好和增长预期，因而具有明显顺周期性：景气时期资本集中涌入，低迷时期融资快速收缩。这种波动会使本应长期推进的研发活动受到短期市场情绪干扰。更关键的问题在于融资期限与技术周期不匹配。基础模型训练和产业化需要长期投入，却常依赖短期基金、二级市场窗口等。一旦市场逆转，企业往往被迫削减基础研究、压缩团队或提前商业化，从而损害长期创新能力。
算力与基础设施过度建设风险。金融资本大量涌入AI领域不仅可能形成估值泡沫，也可能形成“算力泡沫”和“基建泡沫”。在需求预期持续高涨的背景下，数据中心、电力配套、GPU租赁等领域容易出现集中投资。短期看，这属于对技术革命的前瞻布局；但若未来需求低于预期，则可能留下低效资产和高杠杆项目。与传统科技股泡沫主要表现为股价回调不同，算力和基础设施泡沫还可能进一步传导至银行、债券、私人信贷和地方投资，最终造成金融资源与实体资源的双重错配。
市场集中、平台垄断与创新生态挤压。AI融资集中于头部平台和少数国家，可能形成“效率提升与竞争受损并存”的局面。全球来看，当前AI资本、算力和企业能力高度集中，美国在私人投资占据明显优势，许多中低收入经济体受制于基础设施、人才和资本市场。在国内层面，头部企业借助资本、云资源、芯片供应、数据接口和应用生态构筑了较强进入壁垒。虽然这种集中有助于形成规模经济和技术领先，但也可能抑制开放创新、挤压中小企业空间，并使资本更偏好“确定性平台”而非潜在创新者，进而不利于长期技术多样性。
金融资本支持
人工智能发展的国际比较
当前，全球人工智能技术、政策、产业与投融资呈现全新格局，各国均加大了投资力度，并构建了长远发展规划。横向对比来看，中美欧在人工智能领域投资具有以下特征：
（一）
从融资模式来看，
美国由市场主导，欧洲和中国
则表现出更高的政府参与度
美国构建了市场主导、头部集聚与资本驱动型领先的人工智能融资机制。成熟的风险投资网络、强大的公开市场，辅以高流动性机构资本和头部科技平台协同发力，优势明显：第一，拥有全球最深的风险资本市场与退出市场，超90%风险投资通过并购退出，并能够将全球资本与人才吸附到头部项目。2025年美国人工智能领域风险投资融资额高达1750亿元，约为中国的25倍[4]。第二，头部云平台、芯片公司、软件平台与创业生态高度耦合，2025年美国大型科技公司对AI投资超4000亿，绝对数额几乎是中国主要互联网企业的5倍[5]。第三，机构投资者和资本市场对高成长科技资产有更强容忍度。2025年美国私人部门投资人工智能规模高达5520亿美元，是中国的近6倍，同时科技股在美股市场占比长期居于高位。
中国构建了“产业政策+政府引导基金+平台资本+场景落地”的投资组合。首先，产业政策提供方向指引，将AI确立为战略性产业，通过规划监管，引导资本集中投入。其次，政府引导基金构建长期资本基础。有研究显示，耐心资本私人投资不足，将削弱人工智能产业市场化效率[6]。据统计，中国政府引导基金总体规模已超12万亿元，2025年政府投资人工智能领域约750亿美元，约为美国的7倍[7]，体现出“耐心资本”特征。再次，平台资本提升市场化配置效率。大型科技平台与互联网企业通过产业投资和企业创投深度参与。最后，场景落地形成商业闭环。中国拥有庞大数字经济应用场景，生成式AI用户已超过2亿，能够推动技术快速商业化。
欧洲形成以公共资本引导与政策性“去风险”为特征的人工智能投资模式。通过“InvestAI”等政策工具，欧盟在人工智能基础设施布局中发挥了较强的统筹与引导作用。欧盟委员会于2025年提出动员约2000亿欧元人工智能投资，其中设立约200亿欧元专项资金，用于支持建设最多5个AI超级工厂，重点服务于大规模算力供给与模型训练能力。该计划采取公私合作方式推进，由欧盟委员会负责政策框架设计与项目组织，欧洲投资银行等机构提供融资支持与资本撬动功能，旨在吸引私人资本广泛参与。
然而，从整体结构看，其模式更体现为公共部门主导、通过制度性安排弥补市场不足的路径，虽具风险可控与长期导向优势，但亦面临市场化激励不足与资本形成效率偏低的结构性约束，具体表现为：一是资本市场深度相对有限，难以持续支撑高强度、长周期的创新融资需求；二是成长型科技融资活力不足，风险资本规模与退出机制相较美国存在差距；三是缺乏具有全球主导力的头部科技平台，削弱了资本、数据与应用场景的协同放大效应。
（二）
就投资领域来看，中美基础层
和应用层投资占比接近，但美国
绝对规模明显高，欧洲则聚焦应用层
美国的人工智能产业拥有从芯片到大模型的完整生态，其在基础层保持全球领先绝对优势。美国大型科技企业将70%以上的人工智能资金投入算力基础设施和大模型研发，2025年投资4000亿美元，其中88%投向基础层（数据中心和配套83%，芯片占5%）和12%投向技术层（模型）；此外，政府投资110亿美元主要侧重于基础层的基础研究和应用层前沿方向[8]。
中国互联网企业投资侧重应用层，同时政府部门聚焦于基础层的芯片研发和硬科技。2025年中国互联网企业投资840亿美元，其中78%投向基础层（数据中心和基建70%，芯片占比8%），22%投向技术层（模型）。根据中金公司研报，汇总私人与政府投资，中美基础层投资占比均在87-88%左右，技术层占比为12-13%[9]。
欧洲聚焦应用和商业转化，将投资与传统优势产业结合。如聚焦AI+医疗、网络空间安全、工业AI等细分领域，旨在将技术优势转化为产业竞争力。
（三）
就人工智能发展的监管和泡沫化
来看，全球呈现监管碎片化，
泡沫差异化趋势
美国通过松绑监管，巩固技术领导力，但投资过于集中，具有泡沫化趋势。特朗普签署《消除美国人工智能领导地位障碍》行政令，随后美国政府又发布《赢得AI竞赛：美国AI行动计划》《构建AI国家政策框架》等核心政策文件松绑人工智能监管，而宽松环境催生市场狂热，美股涨幅高度集中于人工智能的“美股七姐妹”（苹果、微软、英伟达、亚马逊、谷歌的母公司Alphabet、Meta和特斯拉），合计占标普500指数的权重超1/3，具有较高回调风险，加之算力高耗电抬高电价以及稀土等关键材料掣肘加剧美国AI泡沫风险。
欧洲通过《人工智能大陆行动计划》《人工智能法案》等在监管框架内推进创新，抑制非理性投资。强监管在塑造信任与伦理标准的同时，为AI应用提供较清晰的风险分级、透明度要求和责任边界，但也造成人工智能领域较高合规成本与市场准入壁垒，可能抑制本土创新与投资吸引力。不过，严监管本身能够促进市场出清，提前抑制非理性投资。
中国坚持发展与安全并重，推动“人工智能+”赋能产业并实施全过程监管。中国在2025世界人工智能大会上发布了《人工智能全球治理行动计划》，强调推动技术普惠。中国虽无统一的人工智能法典，但通过修订《中华人民共和国网络安全法》等上位法，并由网信办等部门针对生成式内容、算法推荐等出台专项规章，形成分层覆盖的治理体系。同时，在密集产业政策引导下，中国持续强化AI赋能与产业升级，社会整体对人工智能保持较高信任度，并以此推动技术发展与“弯道超车”战略。
构建与人工智能
创新规律相匹配的金融支持体系
人工智能领域的大国博弈逐渐呈现高压态势，金融支持对于我国人工智能健康发展，在新一轮科技革命中占据先发优势至关重要。应在以高质量发展为导向、坚持有效市场与有为政府相结合的政策框架下，优化人工智能金融支持体系，着力解决融资结构错配、资本顺周期波动与资源配置失衡等问题，提升金融服务质效。
（一）
构建与技术生命周期
相匹配的分层融资体系，
缓解融资错配问题
人工智能企业在不同发展阶段呈现出显著差异的融资需求，应建立与技术生命周期相匹配的分层融资结构。一是强化早期融资供给。针对种子期与初创期企业，应进一步发展天使投资、风险投资及创业投资，引导政府引导基金更多发挥“投早、投小、投长期”功能，缓解“死亡谷”问题。二是完善中后期融资体系。对于进入成长期的企业，应大力发展并购融资、可转债及中长期贷款等工具，支持企业扩大算力投入、拓展应用场景。三是优化退出机制。完善多层次资本市场体系，提升科创板、北交所等市场包容性，同时发展并购市场与股权二级市场，降低退出对单一IPO渠道的依赖。
（二）
发展“耐心资本”，
优化资本期限结构
与激励机制
人工智能具有长周期、高投入特征，要求金融体系提供与之匹配的长期资本。一是推动长期资金入市。引导养老金、保险资金、主权基金等长期资金加大对人工智能领域的配置比例，改善资本期限结构。二是优化政府引导基金运作机制。减少返投比例等行政约束，增强市场化运作能力，同时保持长期考核与容错机制，避免短期绩效考核扭曲投资决策。三是完善长期激励机制。鼓励基金管理人采用更长锁定期与收益平滑机制，使资本收益与技术创新周期相匹配。
（三）
强化信息披露
与估值约束机制，
防范资产价格泡沫
针对人工智能领域“叙事驱动估值”的特点，应提升信息透明度与估值合理性。一是完善信息披露制度。强化人工智能企业在研发投入、算力成本、商业化进展等方面的披露要求，提高信息可比性与穿透性。二是引导估值回归基本面。鼓励市场更加重视单位经济模型、客户付费能力与现金流兑现路径，避免过度依赖远期叙事。三是强化中介独立性。完善承销、研究与投资之间的隔离机制，降低利益冲突对估值形成的干扰。加强对“AI概念化”融资的监管与投资者保护。
（四）
加强宏观审慎管理，
防范算力与基础设施
过度投资
针对人工智能基础设施投资快速扩张，应提前识别系统性风险。一是建立算力投资监测机制。将数据中心、算力平台等纳入宏观审慎框架，重点监测利用率、负债率及现金流覆盖能力等信贷与融资链条中的集中风险。二是防止重复建设与区域失衡。加强跨区域协调，避免地方政府与资本共振导致的低效投资。三是控制融资杠杆风险。对高杠杆基础设施项目加强压力测试，审查合同稳定性、利用率、电力保障及技术迭代与再融资风险，防止风险向银行体系与债券市场传导。
（五）
促进资本
与产业协同发展，
提升技术转化效率
人工智能金融支持应从“资金供给”转向“产融协同”。一是鼓励企业创投与产业资本发展。支持龙头企业通过战略投资促进技术落地与生态构建。二是推动“人工智能+”应用扩散。通过金融支持引导人工智能在制造、医疗、金融等领域深化应用，提升真实需求承接能力。三是完善公共算力与数据基础设施。政策性金融与财政资金应重点投向高外部性、长周期和公共性基础设施，弥补市场失灵的同时降低创新生态对少数平台的依赖，降低中小企业进入门槛。
（六）
完善监管与治理体系，
在创新与风险之间
实现动态平衡
在全球人工智能竞争与监管分化背景下，应构建兼顾发展与安全的治理框架。一是推进分层分类监管。针对不同风险等级的人工智能应用实施差异化监管，提升监管效率。二是强化金融与科技监管协同。加强对科技金融交叉领域的风险识别与监管协调。三是提升国际规则参与度。积极参与全球人工智能治理规则制定，增强制度话语权。
参考文献
[1] Beraja, Martin,et al. Government as Venture Capitalists in AI.2024,NBER Working Papers.
[2] 罗吉，姜雨，王雷，等. 政府引导基金与风险投资协同对新创企业创新水平的影响机制[J]. 科技管理研究，2025，45(18).
[3] MIT NANDA Initiative.The GenAI Divide: State of AI in Business 2025. Massachusetts Institute of Technology,2025.
[4][5][7][8][9] 刘刚，刘萱庭，等. 中美AI投资的“差异”[R/OL].https://mp.weixin.qq.com/s/9aqwrVCPS_uUz_Pjejli7QM,2026-1-20.
[6] 杨春蕾. 耐心资本赋能人工智能产业：逻辑，困境与对策[J]. 南京社会科学，2025，(8).
作者
钟春平
中国社会科学院财经战略研究院教授、博士研究生导师
高佳琳
中国人民银行北京市分行职员、博士
（本文转自《特区实践与理论》微信公众号）