数字金融可以引导金融资源聚焦关键产业，助力金融支持产业科技创新突破。它不仅是金融服务的创新与升级，更是推动实体经济迈向高质量发展、提升产业链现代化水平的重要引擎。产业数字金融是当前中国经济与金融发展中最具生命力的领域，发展产业数字金融更有助于实现金融强国建设目标。2021年底，国务院印发《“十四五”数字经济发展规划》，进一步明确，数字经济是继农业经济、工业经济之后的主要经济形态，协同推进数字产业化和产业数字化，推动我国数字经济健康发展。2022年初，原银保监会也印发了《关于银行业保险业数字化转型的指导意见》，提出积极发展产业数字金融。一方面，产业数字金融成为数字金融最迫切应用场景之一；另一方面，产业数字金融成为商业银行公司金融数字化转型新赛道。

“五篇大文章”引领产业数字金融发展新方向，要在支持供给端发展方面着重发力。一是以科技产业金融促进普惠金融、绿色产业金融、养老产业金融协调发展；二是以数字化金融产品和服务创新数字普惠金融、数字绿色金融、数字化养老产品等金融服务。党的二十届三中全会提出，要健全因地制宜发展新质生产力的体制机制。加快完善科技金融服务体系，构建良好的科技金融生态环境迫在眉睫。一方面，要大力发展多层次资本市场，坚持直接融资和间接融资“两条腿走路”，着力提高科创企业直接融资比例。另一方面，要推动金融机构建立单独的科技企业信用评价模型，设立科技金融专营机构，更好地评估投资风险。

银行掘金产业数字金融，推动数据资源资产转化和价值创造，成为引领产业数字金融发展的关键着力点。2022年12月，《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》正式发布，标志着我国开始构建数据资源开发利用顶层制度。2024年1月1日起，《企业数据资源相关会计处理暂行规定》施行，数据资产入表正式进入实际操作阶段，使数据资源的价值得以衡量和体现。为了更好地抓住转型机遇、推动产业数字金融业务增长，银行纷纷通过行业化专业化区域化布局策略，与合作伙伴共建产融平台，打造开放产业金融生态。

产业数字金融将成为公司金融数字化转型最佳路径之一。伴随着数字技术成熟化和金融支持实体发展的常态化，以数据要素、数字技术和产业生态为核心能力的产业数字金融，已成为一种新型的金融业态，可以降低金融服务实体经济中的供应链金融的信息不对称性，成为传统公司金融转型发展新范式。产业数字金融就是指以数据作为关键生产要素，利用人工智能、大数据、物联网、区块链等数字技术，为产业数字化提供“一站式”全方位金融服务。在顶层设计上，应打造数字化的产业金融服务平台，积极支持国家重大战略、战略性新兴产业、先进制造业和新型基础设施建设，实现“一站式”金融服务。围绕重大项目、重点企业和重要产业链，加强场景聚合、生态对接。

从传统公司金融向产业数字金融的进阶过程中，关键是去抵押、去担保、去金融化，让数据要素成为可信资产。产业数字金融发展面临诸多挑战，一是产业场景的复杂性高，各行业之间缺乏共通的运营规范和标准，难以形成标准化的服务解决方案。二是数字技术的应用深度亟待提升，跨平台数据难以整合，需要解决综合数据治理的问题。三是发展产业金融更多沿用的是供应链金融的思路，关注点更多地集中在核心企业与上下游形成的交易型关系上，较少渗透到供应链数字化运营全过程。产业数字金融就是要降低银行对不动产抵质押因素的依赖，形成全新的风控理念，利用数字授信技术解决数据可信问题，形成产业数字金融的评级体系。主要模式是依托核心企业的产业金融数字化创新，通过与产业龙头企业达成战略合作，联合打造产融平台，实现上下游企业的高效连接、供应链全流程的金融服务数字化和产业链数据的互通共享。

数字风控技术是产业数字金融破局的关键，应主要从四大方面着力：一是产业生态共建。依托产业生态体系，建立适应数字经济的服务新模式，为产业链上相关主体提供一揽子金融服务，促进产业生态繁荣发展。借力国家产融合作平台，结合国家产融合作试点城市的经验，深化产融合作。二是打造数字信用基础设施。与消费金融不同，产业数字金融对基础设施及数字技术要求更高。产业数字金融运用的技术范围要更广，包括区块链、物联网、5G、数字孪生等一系列技术，借此实现对企业生产和经营活动进行动态监控。三是场景聚合与生态对接。选择适合的产业链、产业集群先行先试。通过对产业链历史交易数据的智能化采集、挖掘及分析，利用平台内数字化的金融服务嵌入客户生产经营场景中，推进产业数字化、线上化、综合化的金融服务。四是变革传统风控模式。传统银行公司业务风控评审相对滞后，已不适应数字金融服务工业互联网时代的需要。根据产业数字金融业务流程特性分析，数字技术可在产业链数字金融的贷前风险评估、贷中资产审核、贷后运营监管等主要环节，实现信用评估数字化、信息审核智能化、动产监控实时化。产业是骨干，科技是大脑，金融是血脉，三者共同驱动着经济生态体系的发展与循环。产业数字金融是未来经济稳定增长的新引擎，产业数字金融的发展需要政府、科技公司、实体企业和金融机构的深度合作，构建融合发展的良好生态。

推进函证业务的数字化和集中化，成为产业数字金融应用最佳实践之一。为防范化解函证业务的舞弊行为导致的金融风险，落实国务院办公厅关于加快推进银行函证业务规范化、集约化、数字化进程的工作要求，在原银保监会、财政部指导下，中国银行业协会与中国注册会计师协会共同搭建银行函证区块链服务平台。三年来，平台运行平稳有序，接入机构不断增多，业务规模持续增长，处理效率显著提升，绿色效应逐渐显现，在2024年上市公司审计高峰期间，已成为受业界广泛认可、引领推动高质量数字函证服务发展的坚实力量。平台运营成效显著，前期跻身国家区块链创新应用试点项目，并入选中央网信办组织评选的2023年区块链创新应用案例。一是实现大规模生产应用。2024年以来，已上线运营的银行业金融机构接收数字函证超50万份，平均回函时长为1天22小时，回函效率最高的银行平均办理时长仅为40分钟，实现函证处理效率的时代跃迁。二是达到一个可观的机构接入数量。截至2024年5月中旬，平台已对接1200余家机构，其中完成前期开发、测试、评估后正式上线运营的机构544家，包括101家银行业金融机构、443家会计师事务所，基本覆盖主要全国性银行及头部会计师事务所。三是打造数字函证生态圈。围绕函证业务需求不断探索，持续优化服务、引领标准，逐步构建数字函证生态圈，平台已收到商业银行、财务公司、会计师事务所、证券公司、资产评估公司等多类机构的接入申请。四是引领绿色函证业务发展。降低人力资源占用及减少纸质函证传递归档的纸张耗费，切实推动绿色函证成为现实。

以AI大模型引领的新一轮技术变革为产业发展带来全新机遇，大模型在产业数字金融中的应用将成为一个新的趋势。垂直产业场景，具有体系完善、环节众多、数据复杂、场景丰富等特性，是大模型落地应用的一大极具潜力的重要领域。大模型技术的深度应用，将为产业链运营效率、服务体验和业务创新带来巨大变革。从近期来看，大模型已在日常办公、文本创作、图像视频生成、客服问答等领域展现较大发展潜力和应用价值；从中长期看，大模型将与制造、生物医药、能源、交通等实体经济领域深度融合，不断提升创新效率、拓展应用领域、提高生产效率，成为各行业转型升级的基础赋能工具，带动更大范围创新。大模型在产业数字金融领域尝试应用，如AI大模型的能力应用于产业链金融，用于构建产业链图谱以及进行产业链融资的智能评估。利用大模型进行多模态数据处理，以提供更深入的数字金融服务，包括利用大模型做深做实金融领域的应用，如智能客服、风险评估等。

大模型在数字金融产业的应用还需要谨慎推进。首先，从技术角度出发，我国在大模型技术上存在短板。大型银行的算力资源积累相对丰富，而中小银行则对大模型技术望而却步。我国对于人工智能算法、算力和数据资源的挖掘不足，在技术成熟度上与国际先进水平存在硬件和软件上的实力差距。其次，从政策合规性的角度出发，大模型技术对传统规章制度带来冲击。人工智能经历了从判断式AI到生成式AI的发展阶段。从判断式AI角度提出模型的可审计、可解释和可追溯是可行的，而对于生成式AI而言，可解释和可追溯是难以判断的，这形成了对传统规章制度的挑战。最后，大模型可以在知识库、座席助手等方面得以应用，尤其是大型银行在中后台线上线下的智能化运用，以达到降本增效目的，提高工作效率。

标准化建设引领产业数字金融规范发展，为今后大模型在产业数字金融应用奠定基础。2022年3月，中国银行业协会发布了TR／CBA 104—2022《集成了5G与物联网的抵质押物管理技术方案》。银行机构及通信业的众多单位积极参与。该文件是首个“5G+物联网”智能金融应用领域的标准化文件，对推动“5G+物联网”智能金融应用具有重要的标志性意义。2024年7月，中国银行业协又推出了畜牧业领域的细化和延伸的解决方案TR/CBA 222—2024《集成了5G与物联网的抵质押物管理技术方案 畜牧业》。“5G+物联网”在金融领域的应用已开始形成一定规模，特别是在抵质押物管理、仓储管理、融资租赁等多个场景落地，智能物联网已成为数字金融应用的核心技术之一。

AI大模型的应用正在开启新的商业模式和机会，推动产业数字金融平台的创新。首先，基于大模型的知识抽取能力，平台需要构建一个产业链图谱，识别产业链上不同环节的生产厂商、经销商，每个环节里分布的企业清晰明了。其次，金融机构正在通过数字技术来构建智能体（Agent），能够更好地刻画产业链的经营状况和信用情况，进一步提升服务效率、优化决策过程、增强客户体验。最后，在金融垂直领域，行业大模型通常是基于通用大模型的架构进行特定训练而来的，这些模型经过有针对性的训练，可以更好地处理与特定行业相关的任务和数据。因此，各行各业应积极利用和发挥大模型的能力，构建生态型商业模式，加速大模型的商业化落地和广泛创新。值得注意的是，随着技术的复杂性增加，金融系统面临的风险和挑战也在增加，包括复杂机器学习模型的不透明性、对大量数据的依赖、对消费者隐私的威胁、网络安全和算法偏见等。