今天，无形资产占标普500公司市值的比重已达九成左右；我国2025年数据生产总量达52.26泽字节（ZB），其中用于人工智能推理的数据首次超过训练数据，应用侧对数据要素的需求超过了训练侧。市场热议的“硅基通胀、碳基通缩”，本质上是这场要素重构在价格体系上的投影。
英国社科院院士，牛津大学技术与管理发展中心创始主任傅晓岚和合作者共同在《北大金融评论》发文指出，中国拥有最丰富的应用场景、最完整的产业体系和最积极的制度探索，完全有条件在无形要素定价和科技金融的制度建设上走在世界前列。修好价格的水渠，让技术和数据的活水源源不断流入企业、产业和金融体系，AI时代的要素重构才能真正转化为新质生产力的持续动能。
本文完整版刊登于《北大金融评论》第29期。
人工智能正在重写经济的生产函数。数据成为关键生产要素，技术和思想日益构成产出增长的核心投入。这一变化已经进入国家的顶层制度安排。“十五五”规划《纲要》将强化算力、算法、数据的高效供给单独成章，国务院要素市场化配置综合改革试点首次把数据、算力与土地、劳动力、资本并列为配置改革的对象。微观层面的证据同样清晰。无形资产占标普500公司市值的比重已达九成左右；我国2025 年数据生产总量达52.26 泽字节（ZB），其中用于人工智能推理的数据首次超过训练数据，应用侧对数据要素的需求超过了训练侧。市场热议的“硅基通胀、碳基通缩”，本质上是这场要素重构在价格体系上的投影。然而，要素结构的重构并不自动带来要素配置的效率提升。任何要素都必须与资本要素结合，才能转化为现实生产力。以新要素为基础从事生产经营的创新企业已经成为新质生产力的主要载体，它们从研发孵化、中试转化到规模扩张的每一个阶段，都需要持续、匹配的资本支持。现实是，全国技术合同成交额连续八年保持两位数增长，2024 年达到6.8 万亿元，但《中国科技成果转化年度报告2024》显示，66% 的科技成果转化作价金额在10 万元以下，平均单个合同仅2 万元左右；数据资产入表制度实施两年多，A 股披露入表的公司仅136 家、合计约38亿元，占总资产比重普遍不到1%。国家数据局发布的《全国数据资源调查报告（2025 年）》显示，2025 年全国数据跨省流通总量为2949.12 艾字节（EB)，数据付费意愿不断提升；据国家数据局在全国数据工作会议上披露，2024 年全国数据市场交易规模已超过1600 亿元，同比增长30% 以上。交易规模在扩大，但系统性定价能力和机制仍未成熟，数据价值评估困难。没有可信、可复用的价格信号，要素就难以流动，优质资产就难以被识别，资本也难以有效进入。AI 时代经济的核心命题，是如何给新要素一个可信的价格。这一“定价之问”，是要素重构通向新质生产力的重要关口，也是金融破局亟须打通的关键堵点。定价失灵：“千人千价”还是有价可依在一线，至少有三类主体迫切需要一个可解释的技术定价参照系。第一类，创新者（高校、科研院所、创业团队）和数据提供方希望有公认的参考系，别让成果被拍脑袋定价。第二类，投资人、银行等金融机构和相关政府部门需要相对客观的定价框架，否则很难推进投决、授信、风控与投后管理，只能凭经验和关系下注；地方科创与人才部门也需要标尺，专精特新怎么评、人才怎么奖、财政资金怎么退出，都离不开可解释的价格区间。第三类，技术和数据的需求方，也希望有公认的参考系，不要买贵了，也不要买到低质的技术或者数据。浙江省网上技术交易平台上，约七成专利协议的成交价集中在2 万元上下。这更像买方市场形成的心理价位，而不是价值发现的结果。更关键的证据来自对交易样本的回归分析。成交价格与买方是否为大公司、是否为上市公司、供方高校的声誉等级显著相关，与专利本身的可量化质量特征却基本不相关。价格跟着交易双方的身份和议价权走，而不是跟着技术质量走，技术的价值没有被发现。但在一些执行或者管理条线，常能听到另一种声音：“不需要定价标准，让市场决定。”换言之，同一项技术可以“千人千价”。这个观点很“市场”，但其实被偷换了概念。一项技术或者数据资产对社会提供的总效用，构成了它的价值。价值衡量一项资产能够创造的总效用，是资产视角；价格是特定交易的实现结果，是交易视角。不同交易条件，例如所有权转让、许可或作价入股，以及不同的地域、行业、时间等许可条件，会影响成交的价格。所以说，即使是不同交易的价格，根据交易条件也有规律可循，不应拍脑袋决定，而应限定在可披露、可核验的交易条件之内，不能放任身份和议价权主导定价。事实上，技术和数据市场还远远不成熟。一个不成熟市场面对高认知门槛、强信息不对称的无形资产，本身既缺机制，也缺能力去形成有效价格。“千人千价”带来三类后果：其一，买方看不懂质量、算不清风险，理性选择便是压低出价，优质供给在价格竞争中反而处于劣势，市场出现劣币驱逐良币。其二，价格的高度不确定抑制投资与转化，企业推迟购买决策，资本端随之收缩，产业导入放慢。其三，供需双方期望差距过大，交易难以达成，成交样本稀少又使价格更难形成，市场陷入自我强化的低效循环。市场本身是一种昂贵的公共品，需要统一的产品口径、充分的信息披露、可信的第三方评估、有效的争议处置，缺一不可。仅靠放开交易，不会自动生成有效价格。新时代的“定价之问”：传统方法的局限与效用价值理论金融业，无论是投资银行和资本市场的股权投资，还是商业银行的债权融资，都把技术和数据当作资产来考量。其决策的主要视角，是相关技术或者数据资产的价值。资产价值评估领域沿用的三种传统方法，在无形资产面前都有明显缺陷。成本法以投入核算价值，但研发投入与技术价值之间不存在稳定的映射。同样的经费和工时，创造力不同的团队产出的技术价值天差地别；而且技术一旦形成，其复制的边际成本趋近于零，成本无从锚定价值。收入法将预期收益折现，但对于尚无商业化记录的早期技术，未来收入的假设近乎自由设定，估值结论对参数高度敏感，主观性很大；传统评估流程动辄数周乃至数月，费用高昂，中小企业和初创团队难以负担。比较法依赖可比交易，而技术的强异质性和商业信息的不透明，使真正可比的案例几乎无从寻找。这三种方法都诞生于有形资产主导的时代，它们的失灵不是技术性的，而是结构性的。如何为无形要素科学定价，构成了新时代的“定价之问”。针对这一理论空白，Fu et al.（2026）提出了技术价值的效用理论。该理论的核心命题是，技术要素的价值最终取决于它能够为使用者和社会提供的总效用。这一效用由四组因素刻画：效用的性质与规模，即技术解决什么问题、覆盖多大市场；效用的质量，包括技术的新颖性、稀缺性、可靠性，研发团队的能力，以及技术在生命周期中所处的阶段；效用的交付，即实现效用所需的基础设施、制度环境与互补技术等使能条件；效用的风险与可持续性。数据要素遵循同样的效用逻辑，其价值取决于效用的规模、质量、可兑现性与可持续性，并且在很大程度上是数据供给方与使用方共同创造的结果。在效用理论的基础上，人工智能第一次让科学定价能够大规模应用。基于公开客观数据训练的估值模型，将无形资产估值从依赖个人经验的艺术变为可复核的科学，估值时间从数周数月缩短到几分钟，成本降至中小主体可以负担的水平。技术要素的金融需求有自身的结构。一项技术从实验室走向产业，要经过从0 到1 的研发验证、从1 到2 的中试转化和从2 到N 的规模扩张，每一个阶段的风险特征和资金需求都不相同，任何单一的金融工具都无法覆盖全程。因此，金融破局的第一层含义，是科技金融的资金供给沿着投、贷、证、保四条线重构，让不同风险偏好的资本在不同阶段接力。但重构不等于把现有支持政策再加一遍码。四条线各自面对的真问题是什么，四条线共同的瓶颈在哪里，破解瓶颈需要什么样的配套变革，这三个问题构成了技术要素金融破局的核心问题。在四条线当中，投资对技术要素最具代表性。早期技术风险高、不确定性强、缺乏现金流和抵押物，对它的投资往往要靠少数成功项目的回报覆盖多数失败项目的损失，只有能够容忍失败、分享上行收益的股权资本，才与这种风险收益结构相匹配。股权投资的核心环节是估值。估值定得准，资本才能流向真正有价值的技术；估值失灵，市场就会同时出现两种浪费。有前景的技术因为讲不出动听的故事而融资困难，善于包装的项目却获得过高的估值，积累起泡沫。破局的方向，是把估值基准从盈利指标前移到技术本身。政府引导基金正在形成种子、天使、产业基金的梯度接力，撬动社会资本向早期阶段延伸；科创板设立科创成长层，重启并扩围未盈利企业上市通道，科创成长层企业研发强度的中位数已超过50%。这些改革的实质，是资本市场承认技术本身就是价值的来源，不再把盈利记录当作唯一的通行证。信贷、证券与保险三条线的逻辑各不相同，困难却出在同一个环节。商业银行的风控体系建立在抵押物和历史现金流之上，面对没有实物形态的技术资产，信贷的关键是把知识转译为可评价的信用。重庆和湖北创新推出的知识价值信用贷款，依据创新人才、研发投入等维度为科技企业授信，配以财政风险补偿，湖北累计放款已超过770 亿元。证券化的功能是把未来现金流变成今天的资本，其前提是市场对基础资产的价值有公认的计量。债券市场科技板推出一年，发行规模已逾2.6 万亿元，而知识产权证券化的年发行规模仍不足百亿元、高度依赖外部增信。市场愿意认可企业主体的信用，却还不敢为知识产权本身的未来现金流定价。保险的专长是为不确定性定价，科技保险为研发、转化和首次应用分担风险；国际市场上，保险公司为作为抵押物的知识产权承保残值，直接放大了银行的授信能力。把三条线与投资端放在一起看，投不敢投、贷不敢贷、证发不出、保不好保，病根都在价值看不清。破解估值瓶颈是四条线共同的地基工程，出路在于工具创新。效用价值理论把技术价值分解为效用的性质与规模、质量、交付条件和风险四组可观察、可度量的因素，为工程化的估值提供了理论骨架，人工智能则提供了工程化的手段。牛津大学孵化的OxValue.AI（牛津智能）是这一路线的先驱者之一，其自研模型在八大专利密集行业准确率已经超过90%，并成功预测文远知行和小马智行等公司的上市市值。这类工具已经开始进入股权投资和银行信贷的实务流程，在使用中逐步建立公信力。杭州等地在人才引进与创业项目遴选工作中，率先引入牛津智能技术估值模型开展AI 辅助评估，与传统专家评审形成人机协同评价机制，对潜力项目进行综合研判，为地方商业银行开展依托人才的创新项目类信贷业务提供重要参考依据。估值从依赖个人经验的判断变为可检验的结论，金融机构面对无形资产才有敢投、敢贷、敢保的底气。工具创新要发挥作用，还需要机制变革与之相辅相成，这是技术变革史反复验证的规律。科学估值工具触动了原有的利益格局。收取高额费用的传统评估咨询、依赖经验和关系的定价方式，都会受到新方法的冲击，变革难免遭遇抵触。机制变革因此至少包括三个方面：其一，打破原有的利益关系网络，放宽评估与增信市场的准入，让新方法、新机构进得来；其二，引导金融机构推动现有评估供应商采用科学的新方法，把人工智能估值纳入授信、投资决策和风险控制流程，让新工具用得上；其三，完善尽职免责和试错容错安排，建立第三方验证、可追溯和可审计的评估流程等必要配套，让敢于采用新工具的机构和个人没有后顾之忧。定价权力的再分配从来不是纯粹的技术问题。谁来评，按什么规则评，评错了谁负责，这些制度安排决定了新工具能否真正落地。数据的经济属性比技术更复杂，在于它更难被定义成一个稳定、可对比的交易对象。数据同样无形、可复制、可复用，但排他性与权属边界更难界定；同时，数据的价值高度依赖场景嵌入、与其他数据的融合以及建模质量，原始数据与经融合和加工后产生的算法价值往往相差很远。换言之，数据类似AI 这样的高级通用技术，同一组数据可以有多种用法，其价值与在哪里用、如何用、匹配什么数据与技术条件、由谁使用及承担何种责任密切相关。即使面对这种情境差异，我们也不应放任差异演变为基于对象身份、议价权或信息不对称的随意开价。没有定价标准，数据市场容易走向两头：一头是“看人下菜碟”，价格歧视与不公平争议不断；另一头是买方索性不买，合规风险算不清就自行采集、内部闭环，市场做不大。要让数据真正流通，在数据确权、合规之后，定价标准必须先把底线和规则统一。规则清楚了，价格发现才可能发生。归根结底，数据的价值取决于在特定环境和场景下它能为使用者提供的最大效用和复制一个数据集需要的成本。同时，数据资产的价值很大程度上是数据提供方与使用方“共创造”的结果。所以，单一数据集的价值应该是对“共创造”价值的按劳付酬的再分配。因此，可以把差异限定在可披露、可核验的交易条件之内：围绕明确的预期用途场景，配套清晰的权利束安排与用途边界，匹配可执行的交付形态，并对合规要求与责任分担作出明确约定；在同类条件下形成可参照的报价规则与价格区间，使价格变化可解释、可预期。
