多家银行竞推“算力贷”，“算力证明信用”能走多远

来源：第一财经

　　专家更倾向于认为，算力未来更可能成为科技型企业授信的补充维度，而非替代传统信用体系。

　　近日，广东省首个词元经济专项金融产品“Token贷”的推出引发热议，该产品以企业算力Token产出消耗、算力服务合约价值、算力业务产生的应收账款、Token佣金结算量等作为核心授信依据，为企业提供授信额度。

　　市场人士认为，这类似于电商兴起之时诞生的“流水贷”，即“以流水证明信用”，如今是以“算力证明信用”。

　　不过，电商流水是已实现的资金流，而Token消耗只是业务活跃度指标，二者仍有极大的区别。专家更倾向于认为，算力未来更可能成为科技型企业授信的补充维度，而非替代传统信用体系。

　　银行加速布局算力金融赛道

　　随着人工智能产业的蓬勃发展，算力已成为数字时代的核心生产力，为更好服务算力企业，去年以来，已有多家银行推出面向算力硬件企业的专项信贷产品，其以“算力贷”等名义，部分引入算力评价因子，为芯片、服务器、数据中心、光模块等算力产业链企业提供差异化融资支持。

　　比如，江苏银行去年推出的“算力贷”产品，聚焦AI芯片、智算服务器、云计算厂商等算力基础设施类企业以及AIGC大模型研发、模型垂直化应用等算力赋能类企业，该产品将算力算效水平引入评分体系，同时结合团队人才结构、研发费用投入、知识产权等评价因子，通过科学测算，将企业分为“A、B、C”三类，评分结果直接运用至信贷审批准入、授信额度定量等决策依据。

　　另外，还有部分银行推出“算力券+算力贷”券贷协同机制。比如，今年5月，张家港农商银行成功为本地一家公司投放该市首笔100万元“算力贷”，该产品采用“基础授信+算力券增信”双维度规则，单户基础信用额度最高1000万元，配套算力券增信后，固定资产贷款最高可达5000万元。

　　针对企业算力采购资金周转压力大的普遍难题，今年8月，成都市经信局市新经济委联合成都银行打造专属纯信用贷款产品“算力贷”。该产品依托政府惠企政策构建信用支撑，以“算力券”财政资金作为增信保障，以算力真实需求为业务依托，首笔114万元“算力贷”已发放。

　　不过，真正实现突破的是近日中国银行广州分行发布的全省首个词元经济“中银·算力Token贷”。据了解，该产品聚焦算力供给、应用、服务三大业务场景，推出三个子产品，包括算力Token供给贷、算力Token应用贷、算力Token服务贷，全面覆盖算力领域大中小微各类企业。

　　据中国银行广州分行介绍，目前，中国银行广州海珠支行已为海珠算力有关企业提供融资超4亿元，其中今年7月以来，通过海珠区政府的牵线搭桥银企对接，落地算力Token贷授信金额超2800万元。

　　天府立言金融研究院院长曾刚认为，银行业布局算力贷，是科技金融适配AI产业的一种探索。“在政策引导与产业融资需求推动下，各家银行切入这一赛道，意在挖掘科创企业客户，完善数字金融布局，缓解算力企业传统抵押物不足的融资痛点。”他说。

　　当算力开始进入信用系统

　　从“Token贷”开始，算力相关经营数据开始进入银行信用评价体系，成为信用证明的方式之一。

　　事实上，银行看待信用的方式一直都在跟随时代的变化而变化，传统企业贷款看的是土地、厂房、设备、应收账款、税收、发票流水。银行信贷的逻辑是“看得见、摸得着、跑不掉”。

　　而后，进入科创经济时代，随着轻资产、高研发投入的科技企业崛起，知识产权质押融资逐步推开。专利、商标、著作权等无形资产开始被银行接受为风险缓释工具，信用评价体系从“实物资产”向“无形资产”迈出关键一步。

　　“Token贷”的特殊之处在于，它把算力Token产出消耗、算力服务合约价值、算力佣金结算量作为核心授信依据。企业每调用一次算力、每处理一批数据，都会产生Token消耗。Token消耗越多，说明算力服务越活跃。

　　有市场观点认为，这类似电商早期的“流水贷”：店铺没有硬资产，但平台流水可以证明经营能力，银行据此放贷。现在逻辑变成：算力企业没有传统抵押物，但Token、算力合约、算力佣金可以证明其算力经营能力。

　　不过，电商流水是已实现的资金流，Token消耗只是业务活跃度指标，二者仍有极大的区别。

　　“银行看中的是Token消耗量对AI企业真实业务活跃度的穿透式反映。”招联首席经济学家、上海金融与发展实验室副主任董希淼认为，传统信贷依赖房产等抵押物，但AI公司多为轻资产运营。Token消耗直接反映大模型被调用的频次和强度，是衡量企业客户活跃度、产品市场接受度及业务持续性的核心指标。它帮助银行将风控逻辑从静态的“资产负债”转向动态的“经营流量”，从而更精准地判断企业的发展阶段与成长潜力。

　　信用体系的最新补充而非传统替代

　　尽管算力融入信用体系已是大势所趋，但“算力证明信用”的模式仍处于初步探索阶段，距离成熟普及尚需时日。

　　曾刚认为，现阶段将算力作为银行主要信用评价因子，还有多重风险点有待破解。比如，Token消耗审计是一大难点，该数据由平台方输出，存在刷量虚增业务规模的可能，缺少中立第三方存证审计机制，消耗数据不等于企业实际回款现金流。在可靠的现金流上，需要期限较长、权责清晰、违约处置完备的算力服务合同。业务稳定性上，算力需求随AI行业周期波动，订单存在取消、退单风险。

　　董希淼也认为，虽然持续增长的Token消耗表明企业产品或服务有真实市场需求，为营收增长提供了基础，间接关联偿债能力的“源头活水”。但Token是“收入潜力”而非“净利”，高消耗伴随高算力成本，若企业定价或回款不力，可能“增收不增利”。因此该指标需结合现金流、毛利率等数据交叉验证，否则无法直接等同于偿债能力。

　　“比如说操纵风险，Token数据易被‘刷单’或无效调用虚增，且缺乏统一审计标准。其次是波动风险，AI业务Token消耗常有脉冲式特征，项目结束即骤降，易引发贷后误判。最核心的是盈利脱节风险，即企业消耗量大但利润微薄，如果银行过度依赖此单一指标，可能高估企业还款能力，导致信贷风险加大。”董希淼说。

　　董希淼认为，银行从看重硬件资产抵押向看重数字经营数据演进，契合AI产业发展规律。但大规模推广需先解决数据标准化、真实性核验等基础设施问题，并要求银行建立能区分有效业务与虚假流量的风控模型。目前该类贷款仍属小范围试点，模式成熟尚需时间，未来或将成为科技型企业授信的补充维度。