万字长文丨AI驱动金融创新：路径、挑战与建议

近日召开的“2026前三季度数字经济金融形势分析闭门研讨会”重磅发布原创报告《数字经济与数字金融形势分析（2026前三季度）》，本期聚焦专题报告“AI驱动金融创新：路径、挑战与建议”，敬请关注后续精彩内容。

AI驱动金融创新：路径、挑战与建议

今年以来，金融与人工智能协同发展更加深入。在需求方面，AI产业高速发展所产生的融资需求正牵引着金融业务创新，引导金融资源向人工智能相关领域倾斜。在供给方面，人工智能技术在金融领域的应用正深刻改变金融服务的逻辑与范式，尤其是金融智能体的规模化落地将AI能力深度嵌入信贷审批、投资决策、风险控制等核心业务环节。7月，中国人民银行等九部门联合印发《关于加强科技金融领域数据开发利用的通知》，引导金融机构依托科技金融领域数据库，构建科技型企业数字信用画像，打造特色的科技型企业风控投研模型，开发契合细分行业企业融资需求的科技金融产品。9月，工信部发布《人工智能中小企业创业支持计划（2026-2028年）》，提出“强化融资服务保障，构建覆盖种子期、初创期、成长期的耐心资本支持体系”，明确支持早期风险投资，探索算力入股、数据入股、投孵联动等新型支持方式。

同时，我国人工智能投融资市场高度活跃。上半年，国内一级市场AI相关的融资总额达到3076.82亿元¹，占一级市场融资总额的48.6%。词元调用量保持高速增长。截至今年6月我国日均词元调用量已突破500万亿²，而3月为140万亿。在“金融For AI”与“AI for 金融”相互交织背景下，我国涌现出一批新的金融服务模式，包括“词元贷”、“算力贷”等新业态，探索突破传统财务数据和有形资产不足的融资约束。AI融资正在由传统的资金供给创新，向融合新型生产要素、动态经营信息和智能化风险评价的综合融资模式演进。

人工智能既是新一轮科技革命和产业变革的重要驱动力，也是金融服务需要重点支持的领域。与以往主要依靠金融供给侧模式创新，实现多元金融供给的科技金融发展思路不同，智能时代人工智能既改变资金所支持的价值创造活动，在需求端呈现核心资产、经营方式和价值创造机制差异，对金融服务提出精准化、敏捷化需求；也从供给端改变金融机构识别这些活动及其风险的技术条件，赋能金融服务精准化、敏捷化转型。

一是AI企业经营活动的高频数字化留痕，正从根本上改善金融机构价值发现的信息条件。信息不对称是制约企业融资的重要因素，传统金融服务往往面临经营信息获取难、技术成果验证成本高等问题。在金融需求侧，与传统企业主要依靠土地、资本、劳动等要素投入不同，AI企业还依赖算力、算法、数据等资源开展生产经营，其算力采购、模型训练、词元消耗等生产活动具有较强的数字化特征，能够形成高频、可计量的经营记录。这些信息既反映企业的生产投入和融资需求，又可与模型实际调用、客户使用、服务结算及业务收入等数据相互印证，为金融机构观察企业经营状况提供新的依据。从信息经济学视角看，企业经营活动的数字化留痕，使部分过去难以直接观察的生产过程具有可追溯性，有望降低金融机构的信息搜寻和核验成本，缩短企业价值创造与金融价值发现之间的信息传递链条。其意义并非简单增加信用评价指标，而是改善金融交易的信息结构，缓解因信息不对称造成的融资约束。

二是AI降低复杂信息分析与预测成本，推动融资评价从专家经验判断走向人机协同的综合研判。大模型对专业文本的理解与推理能力，使机器处理复杂技术信息首次具备经济可行性。传统融资评价需要在信息获取、专业判断与决策成本之间寻求平衡，对于技术路线复杂、商业模式尚未成熟的创新企业，金融机构即使掌握部分经营信息，也可能因专业分析能力不足而难以准确识别其价值与风险。借助大模型、知识图谱及专业评价模型，金融机构有条件将企业财务状况与技术文献、知识产权、模型性能、产业竞争格局等异构信息关联分析，识别传统统计方法难以充分刻画的复杂关系，综合研判企业技术先进性、商业转化能力及未来现金流前景，推动专业价值评价由主要依靠专家经验向定性定量结合、人机协同判断转变。进一步看，金融机构还可以探索将动态经营数据与风险预测模型结合，持续跟踪技术迭代、市场需求及经营状况变化，识别相关因素对企业信用风险和持续盈利能力的影响，为融资额度、期限安排、风险定价及贷后投后管理提供支持。

需要注意的是，人工智能降低预测成本，并不意味着能够替代专业判断，也不意味着预测结果可以直接转化为定价与授信决策。金融机构仍需结合风险偏好、资本约束及不同情景下的潜在损失作出决策。其深层意义在于改善金融机构处理复杂信息、研判未来收益与识别潜在风险的能力，推动融资评价由主要依赖历史经营表现，向统筹历史信息、现实经营与未来发展情景的综合判断延伸，提升金融服务的精准性和敏捷性。

对金融创新而言，人工智能产业既作为新兴产业催生新的金融需求，从需求侧牵引金融创新；也作为技术工具提升数字化智能化能力，从供给侧重塑业务模式。

1.需求侧驱动金融创新的实践

今年以来，我国人工智能产业融资需求持续增长，各类型金融机构积极探索服务AI产业发展的创新模式。随着算力贷、词元贷等金融产品在多地试点落地，金融服务持续向AI产业链的中下游延伸，覆盖算力供给、模型服务、应用开发等AI全产业链环节，推动“人工智能+”进一步发展。按融资方式划分，这些探索可分为以算力入股为代表的直接融资、以数据授信为代表的间接融资两条路径。

一是算力资源入股开辟了要素变资本的直接融资新路径。智算中心、算力运营企业等算力供给主体将自身算力资源作为新型生产要素投入AI初创企业，并通过第三方评估作价方式换取目标公司股权。将企业原本需要支付的部分算力采购成本转化为与投资方共享未来收益的合作安排。该模式主要适配AI初创企业和算力供给者。一方面，以算力入股为主的直接融资能大幅降低AI企业的初期算力投入压力，缓解其缺少传统抵押物而面临的融资痛点。另一方面，算力供给主体与AI科技企业的利益深度绑定，推动算力产业链企业共同发展。例如，成都智算中心运营方智算云腾以算力资源入股一脉云数（上海）科技有限公司，助力一脉云数工业大模型的研发与场景落地。

与传统先融资、后采购的安排不同，算力入股将资源供给嵌入融资交易本身，资金投入、资源采购与收益分配的顺序由此重构。二者的关系也从短期买卖关系转向长期投资关系——对于AI初创企业，算力资源前置供给有助于减少研发初期现金支出，使有限资金更多用于人才引进、算法研发和商业化推广；对于算力供给主体，则可以通过持有股权分享下游企业成长收益，拓展传统算力租赁之外的商业模式，并通过产业合作促进算力需求与应用场景衔接。也要看到，目前算力资源尚未形成统一计量、定价和确权体系，算力买卖合同高度非标准化，缺乏统一、透明的基准价格，交易双方难以管理价格波动和资产残值风险，算力资源价值难以精准计量³。因此该模式仍处于早期探索阶段，进一步推广的关键在于能否建立适应算力资源供给特点的估值定价及权益安排机制，并形成专业估值机构、算力运营方和被投资企业的长期合作生态。

为破解算力价值计量问题，国际上已出现“算力期货”的前沿讨论。今年5月，芝商所与Silicon Data宣布合作开发算力期货，8月进一步公布拟推出挂钩英伟达H100和B200芯片租赁价格指数的期货合约，尝试为算力供需双方提供公开价格参考和成本对冲工具⁴。但算力因迭代速度、生态架构等的不同会呈现出较大的性能差异，使得其标准化程度与传统大宗商品存在差距，因此尚在概念探索中。

二是基于词元消耗、算力合约等动态经营数据的信用授信，推动银行信贷逻辑从看资产负债表转向看经营流水。在间接融资模式中，算力、词元等并不是AI企业的抵押物，而是衡量AI企业未来价值的重要指标。随着词元成为人工智能服务计量、流转与定价的基础载体，词元由单纯的技术计量单位转变为承载价值、连接供需的经济单位。因此，部分金融机构将科技企业在AI业务中产生的词元消耗量等动态运营数据作为授信评估的重要指标之一，并据此评估AI企业的真实业务价值和未来发展潜力。比如，中国银行将企业营业收入、词元采购量、算力服务合约价值、海外订单流水、跨境应收账款等核心数字化经营数据纳入词元出海企业授信核心评估指标中。民生银行广州分行将企业词元实际消耗量纳入授信审批核心参考指标，并向两家AI算力应用型企业提供信用贷款。江苏银行联动江苏省科技融资担保有限公司及地方担保机构，共同推出“算力Token担”专项产品，以科创五维评价结果、企业算力规模和词元消耗量等参数为核心授信依据，使得算力这一新型生产要素转化为可估值、可量化的融资信用，实现了“数据信用”的变现，走出一条银担合力服务AI算力产业链的新路径。同时，人才价值也可以成为衡量企业成长性与未来价值的重要指标。OPC（一人公司）授信模式推动银行授信逻辑从“物的逻辑”、“静态风控”向“人的逻辑”、“动态评估”转变，OPC企业创始人的教育背景、技术专利、行业经验等“人才要素”成为授信评估的核心依据。例如，南京银行推出“OPC同鑫计划”，聚焦“人力+算力”两大核心要素，依托“算力贷”和“鑫人才”矩阵，通过“投贷联动+生态赋能”打通OPC成长过程中的融资堵点。这些探索的共同指向是信用评价逻辑的重构，但规模化推广仍面临约束——不能简单按调用量确定贷款额度，而要构建可靠的数字经营信用评价体系，并形成覆盖准入、定价、授信和贷后管理的完整业务机制。

2.供给侧驱动金融创新的实践

随着大模型与智能体从技术演示走向核心生产环节，人工智能已不再停留于客服、营销等外围场景的工具性应用，而是开始系统性嵌入金融机构价值发现、风险决策与服务生产的全流程。从实践看，这种重塑沿三条主线展开：在信贷服务领域，AI重构信用评估逻辑，推动授信从静态报表走向动态画像、从AI辅助走向人机共审；在风险控制领域，AI推动风控从规则驱动转向动态适应，欺诈识别精度与普惠覆盖能力同步提升；在财富管理领域，智能投顾升级为投研服务的核心生产工具，实现实时化、规模化供给。

在信贷服务方面，AI正在重构信用评估逻辑，信用画像由静态报表扩展至多维动态数据，授信决策加速从AI辅助迈向人机共审。传统银行信用评估依赖历史、静态、结构化的信贷数据，包括财务报表、资产抵押、固定收入证明等，而通过AI模型可以持续挖掘多源异构、非结构化的数据，丰富企业的信用评估维度。比如，中国建设银行上海市分行放弃套用传统信贷模板，设计出“价值流”科创评价体系，将企业的技术实力、专利储备、标准制定能力、核心客户黏性等“软实力”转化为授信的“硬依据”。该体系构建了创新链、产业链、供应链、数据链、资金链、服务链、人才链七大维度，52个一级指标的立体评价模型，整合了超2000万条内外部数据，引入了总行定制化训练的大模型，实现了AI辅助科技企业画像与风险识别，既看未来成长，也识潜在风险。授信模式正加速从“AI辅助”向“人机共审”深化。以银行对公业务为例，从获客营销、授信尽调到审批放款，AI已经突破客服机器人式的浅层应用，深度嵌入对公业务的整条价值链。比如，中国工商银行搭建的“智融通”智能体矩阵，由AI完成客户多维信息整合、风险初步研判、融资方案辅助生成，最终由信贷人员结合专业经验完成复核、修正与终审决策。招商银行小企业贷前尽调报告约90%的工作量由AI完成，保函业务处理时间从超30小时缩短至平均2.72小时，投标保函可分钟级出函。渤海银行在9月上线了“产品上树”AI智能营销工程，归集全行100余款对公核心产品，覆盖交易银行、公司金融、投资银行、金融市场、理财等领域，为客户提供综合金融服务方案。江苏银行大模型信贷应用日均处理超500件申请，审批峰值能力提升40%以上⁵。

在风险控制方面，AI推动金融风控从“规则驱动”转向“动态适应”，在扩大普惠覆盖的同时，将反欺诈防线从事后追溯前移至事前预警。随着智能风控体系的持续迭代，普惠授信的覆盖能力提升，欺诈识别精度显著改善。比如，网商银行9月推出了小微普惠金融 Agent百灵2.0，向4200万小微经营者开放信贷、票据和财税服务。以往的量化风控依赖标签，容易“误伤”，而网商银行通过AI 把分析单位从“客群”细化到“具体客户”，约160万带着历史“瑕疵”标签，但经营正常的客户重新获得授信机会，被误判拦截的正常客户减少约40%。蚂蚁消金通过AI识别需求发生的具体时点和场景，评估用户的真实资金需求与风险状况，在提升金融服务可得性的同时避免过度授信，兼顾普惠覆盖性与用户金融健康。截至今年8月末，蚂蚁消金场景化主动授信规模同比增长30%，相关用户不良率比整体用户平均水平低20%。在反欺诈方面，马上消金的天镜大模型实时决策系统，利用申请人的多维度数据在系统里做多模态分析，结合千万级黑灰产数据进行交叉比对，反欺诈拦截率提升到99.9%以上，反欺诈大模型迭代周期从90天缩短至1天，使风控模式从“事后追溯”转向“事前预警”。以上案例的共同之处，是风控依据从历史标签转向了实时行为。

在财富管理方面，智能投顾从辅助工具升级为财富管理的核心生产工具，投研服务实现实时化、规模化供给。目前金融机构更多依靠大模型自动生成投研方案，能够实现投研产品实时规模化生产，深刻重构了传统财富管理的服务模式。例如，九方智投控股发布的2026年中期业绩报告显示，该公司持续深化AI技术应用，将大模型能力嵌入投顾服务全链路，上半年智能投顾token消耗量约2543亿，约为2025年同期8倍，智能投顾服务进入规模化应用阶段。中金公司明确将人工智能确立为核心战略之一，系统推进“对客智能体、投顾助手智能体、财富数字员工”等智能体群建设。国外数字原生财富管理平台Wealthfront则以算法驱动的运营模式实现低成本规模扩张：截至8月底，该平台管理的总资产规模已超过1000亿美元，在三年时间内翻了一倍。同时，国内的数字原生平台蚂蚁基金也在今年以来持续发力资产配置方向，在降低费率的同时加强“买方服务”建设，更多通过数智化手段来提升投资者服务。国内外实践共同表明，智能投顾正从锦上添花的辅助功能，转变为财富管理机构的基础产能。

人工智能既改变企业价值创造方式，也改变金融机构识别和承担风险的技术条件，在拓展融资渠道、改善资源配置效率的同时，传统金融风险呈现新的表现形式，并衍生出一些新风险。特别是当前AI融资创新尚处于探索阶段，部分新型信用指标缺乏完整经济周期和违约样本检验，需要关注技术创新与金融运行机制相互作用产生的新风险与新形式。

一是词元等新型信用指标尚未经受完整周期检验，有效性存疑使金融机构面临信用误判风险。随着词元贷等创新产品在多地试点落地，部分银行将模型调用、词元消耗、算力合约等数据纳入综合授信评价，为轻资产AI企业拓宽融资渠道。但新型指标能否有效反映企业经营质量和偿债能力，仍存在较大不确定性。第一，生产投入不等于价值产出。词元消耗量主要反映特定模型架构下的信息处理活动，其增长可能来自真实业务需求，也可能源于内部测试、重复推理或模型运行效率不足，并不必然意味着技术竞争力和盈利能力同步提升。第二，新指标与信用水平之间并非简单的线性关系，只是增加了信用观察维度。MiniMax半年报披露，截至7月其平台词元消耗规模达到1月的20倍，上半年营业收入同比增长283.1%，但同期经调整净亏损仍达2.93亿美元。词元消耗、营收规模与盈利改善往往并不同步，单一维度不足以锚定偿债能力。第三，成本指标金融化可能造成激励扭曲。当词元消耗量成为影响融资额度的重要因素，企业可能通过关联方调用、无效消耗等方式改善指标表现，使原本用于观察经营活动的数据受到融资行为反向影响，产生新的道德风险。第四，算力价值评估标准、资产质押登记系统、二手流转市场均尚未形成统一规范。5月，长江联合金融租赁起诉算力公司四川并济科技，涉诉金额合计5.6 亿元，牵涉近 15 家租赁机构，该事件揭示AI信贷风控的漏洞：AI模型仅读取设备上架率、在线算力、词元消耗数据等表层指标，无法穿透核验真实回款。当使用AI模型为算力企业授信时，容易高估资产价值，积累信贷风险。

二是技术快速迭代加大资产价值波动，估值不确定性、期限错配与流动性风险相互交织放大。AI产业技术更新快、商业模式变化大，部分生产资源的经济价值可能在短期内发生较大变化，对金融机构的资产估值、融资期限和风险管理提出新的要求。一方面，模型能力提升、推理效率改善和市场竞争加剧，可能推动单位词元服务价格持续调整，削弱历史调用规模、服务合同金额对未来收入的预测能力。9月10日，DeepSeek发布新一代模型并调整服务定价，同日智谱、MiniMax股价分别下跌10.34%和8.98%，反映出技术竞争和价格变化可能迅速影响资本市场对模型企业盈利前景的判断。另一方面，算力设备除正常会计折旧外，还面临芯片迭代、租赁价格变化和设备利用率下降等经济折旧风险，技术的快速迭代可能加速折旧。随着算力贷、融资租赁和资产证券化等业务发展，若仍沿用相对稳定的资产价值及现金流假设，容易低估设备残值、客户履约和项目收入不确定性。

三是智能化决策的同质化倾向可能引发共同决策偏差，使模型风险、操作风险沿顺周期通道叠加放大。人工智能在提高信息处理和风险预测效率的同时，也可能因数据来源、模型架构和决策规则趋同，增强金融机构行为的相关性、一致性。一方面，相似模型对同一市场信号可能形成趋同判断，在市场快速变化时引发集中调仓或风险敞口调整。比如，7月国内量化私募产品普遍回撤。据Wind统计，1357只量化私募产品中，1178只当月收益为负，占比86.8%，引发市场和监管部门关注。虽尚无充分证据表明此次市场调整由AI模型同步交易引发，但这一现象说明，依赖相似数据、因子和策略的投资组合，在市场环境突变时可能同时失效，削弱分散投资效果。另一方面，随着人工智能进入企业授信、资产管理和风险监测等环节，模型决策偏差可能由个体风险演化为共同风险。国际金融稳定理事会（FSB）指出，共同模型、第三方技术依赖、数据质量和市场相关性使得人工智能可能放大金融稳定脆弱性。当金融机构普遍依据相似的技术增长信号扩大授信，又在产业景气转弱时同步下调信用评分、收紧融资额度，可能形成金融供给与产业周期相互强化的顺周期效应。由此，人工智能虽然降低了单个机构的信息处理成本，却可能提高不同机构决策行为的相关性，使模型风险、操作风险与市场风险产生新的联系。

四是资本向热门赛道加速集聚，一级市场过热与一二级估值倒挂的风险值得高度关注。AI产业具有研发投入高、规模经济显著、技术竞争激烈等特点，资本向具备技术优势和商业化潜力的头部企业集中具有一定合理性。但在技术价值难以准确评估、盈利前景尚未充分验证的情况下，投资机构可能更多参考同业投资选择及后续融资价格，形成信息瀑布与羊群效应。部分热门赛道投资节奏过快正在压缩尽调和理性决策空间，盲目强化市场共识，弱化独立判断和风险定价。8月，《科创板日报》调查发现，IPO预期对融资的带动作用愈发明显，多份募资材料将资本化进度作为当轮融资卖点，以资本市场表现吸引投资⁶。这种做法可能使部分投资决策由企业长期价值判断转向对后续融资和退出价格的“押注”，压缩独立尽调和审慎定价空间。与此同时，部分AI企业一级市场融资估值与二级市场交易估值出现倒挂，进一步增加价值判断难度。一级市场估值主要反映特定融资轮次的成长预期与交易条款，二级市场则持续受到经营业绩、市场流动性和投资者风险偏好的影响。当前部分上市大模型企业收入快速增长，但尚未实现持续盈利，技术商业化进展与财务回报兑现之间仍存在时间差。一旦市场重新评估技术领先优势、增长持续性或资本开支需求，二级市场估值调整可能影响同类未上市企业融资定价，并通过创业投资基金估值、后续融资和退出安排向一级市场传导。

展望未来，AI对金融创新的影响将由当前以具体产品和服务为主的点状探索，向数字资产价值计量、数字信用评价、精细化风险定价等纵深领域延伸，催生数据资产定价、交易与风险分担等新型金融服务体系。与此同时，指标有效性存疑、资产价值波动、决策同质化与资本配置过热等问题相互叠加，需坚持鼓励创新与审慎规范并重，从信用评价、估值管理、模型治理、资本监测四个层面协同施策。

一是完善新型信用评价体系，夯实数字经营数据的信用基础。支持金融机构稳妥开展词元贷、算力贷等产品试点，建议将有效词元、算力权属、汇款闭环、合约可持续性、数据资产确权等新指标与传统信用评价指标相结合，避免将词元消耗量、算力规模等单一指标直接等同于企业信用水平。增加数据核验机制，包括核验下游真实订单、回款合同、现金流，防范算力订单虚增。建议由金融监管部门会同数据管理、工业和信息化等主管部门，依托有条件的区域试点，探索制定算力交易、词元结算及经营数据核验的基础规范，推动数据口径统一和可信流通。方法层面，鼓励试点机构采用新旧模型并行评价方式，积累相关产品的违约、损失和风险迁徙数据，检验新增指标对风险预测的实际贡献。对样本不足、经营模式变化较快的业务，合理控制初期授信规模和期限，逐步建立可验证、可复制的产品准入与风险管理标准，避免未经充分检验即大范围推广。

二是丰富和完善数字资产估值方法，防范价值错估与期限错配风险。针对人工智能技术迭代快、资产价值变化大等特点，探索建立适应AI产业的动态估值与风险管理机制。推动行业组织、专业评估机构等加强算力设备、模型算法、知识产权、数据资产等价值评估研究。建立相关资产估值、减值评估体系，充分考虑技术迭代速度、二手市场交易情况、折旧周期等要素。加强算力服务价格监测和市场信息披露，探索形成具有代表性的价格参考体系，为相关资产估值和融资定价提供依据。建议金融机构完善资产价值动态评估机制，重点关注技术路线替代、模型服务降价、算力设备经济折旧等因素对资产价值和企业现金流的影响，将技术迭代速度、市场需求变化和资产减值等纳入压力测试，适时调整估值参数和风险缓释措施。根据不同企业技术资产的商业化周期及现金流特征，合理安排融资规模、期限和还款方式，提高金融工具与资产价值变化的适配性，防范技术快速迭代引发的资产减值、融资期限错配和流动性风险。

三是强化人工智能模型治理，防范决策同质化和风险顺周期放大。落实金融监管部门关于人工智能安全开发应用的有关要求，建立覆盖模型开发、部署、运行和退出的全生命周期管理制度，进一步推行算法与模型备案制度，重点监测模型架构、决策逻辑与性能指标，规范技术应用边界。在机构层面，建议金融机构根据金融业务场景的风险属性对AI应用实施差异化管理，重点关注训练数据、基础模型和技术供应商集中带来的集中度风险，鼓励建立独立的模型验证机制，保留必要的替代方案和人工干预能力，在提高智能化决策效率的同时保持风险管理的独立性和审慎性。在市场层面，完善程序化交易异常监测、风险限额和应急处置机制，持续监测金融机构AI应用渗透率，重点跟踪模型来源集中度、策略相似度等可量化指标，及时识别策略同质化对市场稳定的影响。

四是加强重点赛道资本流向监测，完善估值管理与多元风险分担机制。一是畅通多元化退出渠道，发展并购市场、股权转让和S基金等接续机制，减少对IPO单一退出路径的依赖，弱化“以上市预期定价”的投机逻辑。二是引导长期资本、耐心资本发挥“压舱石”作用，鼓励政府引导基金、保险资金等以更长考核周期参与AI早期投资，平抑短视化投资节奏。三是强化募资行为信息披露约束，对将上市进度作为核心卖点、弱化经营信息披露的融资行为加强问询。四是推动完善未上市企业融资信息与基金资产估值管理，合理反映优先股条款、股权流动性及融资轮次差异，提高一二级市场估值的可比性。

脚注：

1.数据来源：《2026上半年中国人工智能投融资报告》

2.数据来源：中国信息通信研究院

3.胡海峰,刘斯诺.人工智能时代算力要素金融创新研究——基于算力换股权现象的探讨[J/OL].金融经济学研究,1-24[2026-10-16].https://link.cnki.net/urlid/44.1696.F.20260723.1229.002.

https://www.cmegroup.com/media-room/press-releases/2026/8/11/cme_group_and_silicondatatolaunchcomputefuturesonoctober5tounloc.html

4.21世纪经济报道：8分钟生成“访前一页纸”：AI接手银行对公业务.  https://m.sfccn.com/2026/9-30/4MMDE0MDZfMjI1NzI4MA.html#1

5.独角兽遍地背后：一级市场正在为“确定性”买单 https://www.cls.cn/detail/2461668