10月18日金融一线消息，全球财富管理论坛·2025上海苏河湾大会（以下简称‘大会’）10月18日至19日在上海市静安区举办。原总裁兼首席执行官、清华大学管理实践访问教授 *** 出席大会并发表演讲。
*** 围绕“数字驱动时代适应不断变化的世界”主题进行发言。他从全球经济1960年-2024年的产值货币价格等数据出发、就经济波动周期的规律及与货币发行的关联、大类资产（黄金、房产、债务、股票）表现差异，以及AI技术发展现状与应用影响等方面分享观点。
他指出，AI应该是数字化影响经济以来更大的冲击，其应用领域广泛且成为市场追捧的投资对象，但同时也带来数据安全、审核缺位、估值模糊等问题，甚至存在“模型推理不精准”“难以控制行为边界”等核心挑战。因此，这要求金融领域在拥抱AI机遇时，必须优先重视金融市场的稳定性，尤其是政策与框架的稳定，以保障社保、养老等长期资金的财富效益。
*** 建议，面对AI发展，需同步建立全社会参与的AI治理机制，明确数据使用标准与规则，防范数据造假与技术滥用风险；在财富管理领域，应聚焦债券、股票等核心资产，通过提升财富管理能力应对市场波动。
最后，他强调，需客观认知AI的能力边界，在利用其推动行业变革的同时，确保技术始终服务于人类群体利益，避免“越权”与“作恶”。
以下为演讲实录：
很高兴今天有机会来参加大会跟大家进行交流，今天的题目是“数字驱动时代适应不断变化的世界”。
AI的冲击是数字驱动以来更大的驱动。特别从金融角度，我们讲数据驱动技术革命的发展，说到底是我们适应不断变化的世界，作为金融界尤其财富管理领域，要思考财富管理与经济的关系、历史变迁及未来在新技术挑战下的发展方向。接下来，我从另外的角度给大家提一些观察和思考。
这页数据涵盖1960年-2024年全世界的经济总量，这是系统性的概括。通常有名义产值、真实产值、通胀。产值是一个国家经济发展活动的期间变动总量，货币是当期对应的发行货币总量，是存量数据代表。从图上可看到，总体世界在发展在进步。
从变量角度看很有规律，名义增长率、真实增长率和通胀率满足费雪公式。每一年名义产值的增长，一部分是因为生产数量增加，比如去年生产1万辆汽车今年生产一万五千辆；另一部分是因为价格上涨，今年汽车价格比去年高，所以名义增长反映数量和价格的增长，价格增长就是通胀率。
最下面偏红橙色的是真实产值增长率，它与通胀率共同构成名义增长率。蓝色的名义增长率有波动。总共64年大概有14次波动，平均约4.8年，接近5年一个小周期。这是全世界的情况，考虑到很多国家 *** 周期，美国约4年一个周期，中国5年一个周期， *** 周期普遍也在4-5年之间。经济波动可能跟 *** 周期有关，这是一个猜想；另外，人们对事物的认知或识别存在自然周期，通常几年才能意识到问题并调整，最终数据呈现出这样的规律，值得思考。
再看下面这张图，绿线代表的货币增长率与蓝线的名义增长率从直观看相当类似。货币发行波动可能一定程度上驱动了经济变动的周期。多数时候货币增长率有点超前于名义增长率周期，可能是为 *** 经济多发货币，再银行系统推动，进入传播到经济全系统，才完全体现其影响这是一个需要时间的过程。
我们观察到经济里有这样的现象，以1971年美元与黄金脱钩为例，下方列出伦敦黄金价格、以及房产、债券、股票的一些代表性国家加权而成了对应资产的世界指数。首先一个明显特征是黄线代表的通胀与下图中的黄金，60多年里有十几个周期几乎都是非常明显的对应关系，更大的一次是美国脱钩后引起的，现在又开始比较大。货币发行对经济 *** 周期产生影响，最终转移到价格变化形成通胀，进而引发黄金的反应。再看房产，从图中的世界房产指数，发现它变化幅度不大，总体有点偏正；债务幅度很小，初始值4%，最后3%；股票波动永远很大，高风险高收益，承担必要风险是社会获得回报收益很重要的源泉。
作为财富管理，最重要的还是债券、股票。黄金太特殊，地产周期太长，作为有效的跨代投资只能是债券和股票。从投资管理角度讲，不怕收益低，考虑长期正收益的累积，哪怕固定收益几个百分点，最终也能提供相当大的总收益率；股票虽然风险大、波动大，回报应该会更可观，如果管理适当，风险也是可控的，要讲究提升财富管理。
今天上午讲到社保、养老，中国已经到了重要阶段，应该更系统地推进，包括 *** 的经济政策等，我们也要强调金融市场的稳定性，至少框架和政策的稳定性。如果框架不稳，会影响回报率时高时低经常变，尤其是因无法预期的因素产生改变，会对市场回报冲击很大，对养老基金不利，对财富效益的保持和提升也非常不利，这也是市场建设需要考虑的问题。
下面是一些AI代表的数字化应用数据，很多行业现在都在积极应用AI，图中展示了各行业对AI投资增长的速度和规模，其中金融服务是更大的一部分。再看AI对美国标普500代表的资本市场的影响，左边的图显示，从整体看最近4年，非AI的标普500成分公司市值增长比较平稳，而AI公司的市值规模与占比迅速增加。而右边可以看到1985年-2025年更长时间内，标普500前10大市值公司的构成，前期数字化公司很少，可能IBM可以勉强算是，后来有微软，到2025年前10大公司中AI数字化相关的公司已有8家，而且在整个指数中所占市值比已达到40%，远高于此前20%左右，对指数所代表的资本市场影响力度更大。
现在，我们面临新的革命和技术创新带来的格局改变，AI应用领域广泛，也成为市场追捧的投资对象，AI公司自身投资的资金占其运营现金流比重不断提高，下一张图从另一方面看这种投资的模式也出现圈内循环等新模式，AI相关公司的系统性资本开支都在迅速增加。OpenAI说花了3千亿买甲骨文的服务，甲骨文花了400亿买英伟达的芯片，英伟达又对OpenAI至多会投1千亿，这让我们金融市场的人都有些晕眩了。
最终原始需求从英伟达1千亿投资启动，带动一圈发展，最后部分投资款会作为采购它产品，回到它自身创造新业绩，可能也将因此推高英伟达的估值了。我们相信AI能产生很多实际需求和业务，ChatGPT现在的半年收入是43亿美元，估值五千亿，43亿乘以2推算全年的收入对应5千亿估值，它的PS估值接近60倍，从这个角度理解对它未来成长的期望很高，如果实现这样的估值才并非很夸张。
也许股票概念就是这样，原来估值是PE（市盈率），现在PE已不能完全适用。有的公司盈利扎实，有的完全没谱，甚至有些现在连PS（市销率）都没有了。我们做金融有时也有无奈，需要对这些无法精准预测的东西，给予尽可能客观全面的研究，简言之总得有个数给个说法，不然也没有更好的 *** 。创新始终是推动经济进步的动力，而早期支持它发展的资金承担了更大风险，当然也期望能获得对应的回报。
大致回顾下，以前也有类似例子，铁路时代、无线电时代我没经历过，但个人电脑、互联网时代都经历过。2000年互联网泡沫高峰时，当时投资互联网公司的系统性投资金额也很惊人，但也不是所有都获得良好的回报。
但客观看，互联网还是有价值的创新，多年以后我们一直在享受它带来的发展红利。世界经济在这过程中增长了很多倍，那些曾经的大数字也成了过眼云烟，如今新的科技进步带来新的估值，现在AI的估值比上次互联网时更“狠”。不过现在经济体量更大，两者间的比例关系倒也还说得过去。
我们现在看AI，也注意到时有更具体的数据能观察到它的进步与有用性提高的，19年时AI只能完成一个3秒钟的简单任务，现在可以完成差不多正常需耗时1小时的复杂任务，它能帮助人们做更多有价值的工作，希望这样的进步会持续。
国外大模型应用普及加速案例看，从 2024 年 10 月到 2025 年一年时间里，据不完全统计，通过以个人用户为主的某一海外API 调用的大模型相关 token 量，从至少 0.2 万亿/周增至接近 6 万亿/周，实现了 30 倍的增长，而国内大模型日均 Tokens调用案例看，其调用量（含企业用户）已突破了30万亿/日。可能越来越多人在应用它，它也在帮助人们做越来越多复杂的事情。现在有很多讨论，比如公域数据，私域数据安全问题，机器无孔不入，但也不知道机器是在学习还是捏造，应该谁来做审计呢？大模型也应用在美国的对冲基金行业，这里有一些他们自己报告，经济学家们统计的渗透率及对回报提高的数据。
过去金融行业很讲信誉，还有审计公司把关，审计公司非常保守、严格，现在大家不太重视了，他们生意越来越难做，也养不起人了。将来谁来提供数据，数据造假也是问题，有时是有意的，有时是无意的。尤其是生成式 AI，能批量生成大量内容，可有时候连生成的是什么、准不准都搞不清。我那天看一篇文章，底下注了小字：本文包含人工智能的数据生成。这让人疑惑，文章是人写的、机器写的，还是混合的，混合比例多少，哪部分可信，哪部分不可信，很麻烦。AI确实给我们带来很多问题。
一方面担心人工智能是否真的可行，我原来不明白Transformer这个转换器怎么会这么神，它的核心逻辑，其实有点像统计学里的相关性分析，找数据间的关联，但未必能解释因果。我们用更传统的办法学习，而 AI 呢？原来靠 RNN 模型解决不了复杂问题，就发展出了 Transformer，把它分段线性化，解决计算量问题，否则海量计算根本做不了，这只是一种推断。
可这种 “靠分段线性化实现的推断”，真的有那么神奇吗？它未来又真的能替代人类的思考吗？要知道，人类世界的所有知识，都是靠 “归纳法” 加 “演绎推理” 得来的，最终还能写成百科全书，用清晰的文字把逻辑说透。昨天另一个会议上，有嘉宾提了个好问题：原来大家都讲 “大语言模型”，现在怎么都简化成 “大模型” 了？“语言” 去哪了？我当时回答：最早是 “语言模型”，后来是 “大的语言模型”，再到后来简化成 “大语言模型”，现在说 “大模型”，其实也没什么错。
仅靠一个系数就能代表知识，真的可行吗？真有那么吗？可能不行，原来大语言模型不行，后来加了推理模型，但本质上还是 “照猫画虎”， 看着像那么回事，实则可能张冠李戴、囫囵吞枣，只是意思相近，核心逻辑未必相关。
而且不同来源的模型，训练的数据、遵循的规则都不一样，最后得出的推理结果自然也不同。昨天就有行业里的大师级人物，不认同这种 “靠模型堆砌做推理” 的方式。
反映在学术上，如果用一套数据规则得出一个结论，换另一套数据后实际则是另一套规则的结论。而现在所谓的 AI 模型，往往是把这些不同规则下的结论‘简单叠加’。我想了个生动例子，中国居民人均收入4.1万块一年，城镇居民近5万块一年，农村居民2.3万块一年，两者一平均得出的数值谁都不代表，但说它完全没有代表性也不对，它处于两者中间，却又是不存在的数值，这本质上也折射出人工智能到底行不行的问题。
另一方面，AI的发展迅速也伴随出现相应的风险，若其以后按自己的意志行事，或人类搞不明白它的行为，即便相信它没有恶意，也无法保证其不做我们不希望的事。我们现在应更多同步AI的治理组织，以及如何制定规则，这不是几个人能解决的，是整个社会需要考虑的问题。
最后，用谁的数据，按什么标准选择数据都有待考量，现在数据造假也很厉害。大家都自豪地说中国电子支付好，刷脸就能解决，但央视报道中就有提到影像动化技术，一张照片动起来就能骗过人脸识别，完成支付，这就是一个小例子。
在数据驱动的时代，面对未来的变化，我们如何应对，知道AI到底行不行，怎样保证它不越权、不作恶，为人类客观服务，需要考虑人类群体的观点，形成群体的控制能力，这是我们需要思考的方向。
这是我的分享，谢谢大家！
