摘要：本文采用理論分析與案例研究相結(jié)合的方法，分析了AI發(fā)展趨勢及對政府專項債券發(fā)行的影響，提出了建立地方政府專項債券“正面清單”“自審自發(fā)”“一案兩書”及智能發(fā)行、智能償付等AI發(fā)行有效路徑。

關(guān)鍵詞：DeepSeek垂直模型 專項債AI發(fā)行 正面清單 自審自發(fā) 一案兩書

AI發(fā)展趨勢及影響

因ChatGPT而盛行的人工智能（AI）熱度受算力制約等影響一度消退，深度求索（DeepSeek）再次燃起業(yè)界對AI的期待。DeepSeek主要借助我國龐大的產(chǎn)業(yè)資源和豐富的工程師資源做了大量工程創(chuàng)新，主要體現(xiàn)在以下幾點。

（一）繞開西方硬件壁壘

過去，我國AI產(chǎn)業(yè)發(fā)展面臨西方互聯(lián)網(wǎng)企業(yè)的硬件壁壘，如英偉達通過并行計算和編程系統(tǒng)（CUDA）形成芯片高端互聯(lián)壁壘。在國外，AI企業(yè)為了繞開硬件的生態(tài)壁壘，構(gòu)建AI加速器并嵌入OpenAI等公司的應(yīng)用程序編程接口（API）服務(wù)器，依賴AI加速器的軟件技術(shù)棧運行，僅僅使用硬件頭部互聯(lián)網(wǎng)企業(yè)的云資源，不與微處理器（GPU）直接交互從而繞過硬件壁壘。如高通、超威半導(dǎo)體、賽瑞博斯、桑巴諾瓦、高迪等都開發(fā)了AI加速器。DeepSeek同樣采用了該策略，運用混合專家模型（MoE），在C語言中嵌入比CUDA更底層的編程語言以減少對英偉達芯片高端互聯(lián)技術(shù)的依賴，繞過硬件壁壘而直接調(diào)用硬件資源。例如，DeepSeek的高效多層注意力解碼內(nèi)核開源項目（FlashMLA），通過低秩壓縮和分頁內(nèi)存管理兩項工程創(chuàng)新，不僅將大模型開發(fā)工具性能發(fā)揮到極致，還可以克服國產(chǎn)芯片顯存短板。

大模型的生成原理是用自然語言調(diào)用計算機程序，以詞向量表征形式傳遞給神經(jīng)網(wǎng)絡(luò)，通過編碼器/解碼器（Encoder/Decoder）、位置編碼和自注意力機制構(gòu)建詞向量之間的關(guān)系。DeepSeek將該工程創(chuàng)新發(fā)揮到極致，多款產(chǎn)品可以不依賴專業(yè)GPU，而是在普通四核處理器運行，這不僅為我國AI產(chǎn)業(yè)發(fā)展帶來戰(zhàn)略機遇，還引領(lǐng)全球AI產(chǎn)業(yè)從傳統(tǒng)通用芯片轉(zhuǎn)向?qū)Ｓ肁I加速器的算力革命。隨著AI技術(shù)發(fā)展，3D封裝、高速互聯(lián)、高顯存、模型架構(gòu)（Transformer）芯片等硬件架構(gòu)也會快速創(chuàng)新，并與軟件系統(tǒng)互動螺旋上升。隨著DeepSeek開源及生態(tài)逐漸完善，通過模型蒸餾開發(fā)債券垂直模型越來越成熟，為AI在債券行業(yè)應(yīng)用帶來新機遇。

（二）突破算力瓶頸

DeepSeek發(fā)揮量化交易工程創(chuàng)新優(yōu)勢，優(yōu)化模型訓(xùn)練方式、多頭注意力機制、混合專家機制，充分適配現(xiàn)有算力資源，突破現(xiàn)有算力瓶頸而步入AI商業(yè)化新階段。

強化學(xué)習(xí)模型后訓(xùn)練。模型訓(xùn)練是關(guān)鍵，而高質(zhì)量專業(yè)數(shù)據(jù)比以往更稀缺且增加空間受限，使得模型訓(xùn)練前階段的規(guī)?；▌t（Scaling Law）越來越明顯，出現(xiàn)了“Scaling Law撞墻”現(xiàn)象。而美國開放人工智能公司系列推理模型（OpenAI o1）通過強化學(xué)習(xí)完成了模型的后訓(xùn)練，顯著降低了對標注數(shù)據(jù)規(guī)模的依賴，從而使得模型后訓(xùn)練階段Scaling Law得到業(yè)界重視。DeepSeek發(fā)揮工程創(chuàng)新優(yōu)勢，充分挖掘強化學(xué)習(xí)（RL）模型后訓(xùn)練潛力，通過模型蒸餾技術(shù)和群組相對策略優(yōu)化技術(shù)（GRPO），支持小模型實現(xiàn)長思維鏈和自我驗證功能，這不僅避免了價值網(wǎng)絡(luò)的高成本問題，還能快速響應(yīng)復(fù)雜場景需求，同時擁有邊緣計算優(yōu)勢。

多頭潛注意力模型（MLA）。Transformer模型處理長文本時需要鍵值緩存（KV Cache）以維持長鏈推理和保持場景上下文關(guān)聯(lián)。傳統(tǒng)解決方案采取分組查詢注意力（GQA）、多頭共享（KV）緩存技術(shù)，以犧牲語義理解精度為代價降低顯存占用。DeepSeek采用MLA模型，通過KV壓縮、低秩降維使推理時僅緩存潛向量，避免在生成新的文本單元（token）時重復(fù)計算整個序列的健向量（Key）和值向量（Value），減少KV緩存占用的93.3%以上。MLA的潛維度每壓縮50%，推理速度可提升1.8倍，精度損失保持在0.5%以內(nèi)。在保持專業(yè)輸出能力的同時，顯著降低了計算及通信成本，如DeepSeek-R1的開發(fā)成本僅為600萬美元，僅占OpenAI o1約5億美元成本的2%。

創(chuàng)新混合專家模型（DeepSeek MoE）。2023年，法國Mistral AI推出Mixtral 8x7B，引爆了AI業(yè)界，推理速度相比市售主流產(chǎn)品提高了6倍。但是傳統(tǒng)方案采取的是分組查詢注意力（GOA）方式，加之路由沖突嚴重、冗余計算浪費會出現(xiàn)路由崩潰（Routing Collapse）現(xiàn)象，超80%的專家處于休眠狀態(tài)，導(dǎo)致模型在專業(yè)領(lǐng)域輸出低于期望值。而DeepSeek MoE引入多智能體協(xié)作技術(shù)（CoE），采取專家動態(tài)偏置自適應(yīng)技術(shù)，搭建共享-路由專家聯(lián)邦平臺，由“總指揮”統(tǒng)一調(diào)度數(shù)百個智能體（Agent）按照任務(wù)分配和交互順序協(xié)同開展場景推理（Scene Context），使得專家組合自由度、專家使用效率提高了800多倍，從而大大提升了推理速度和準確性。更為重要的是，DeepSeek采取開源創(chuàng)新策略，DeepEP成為全國首個為MoE和專家并行（EP）搭建的專用通信庫，顯著提升了模型的高吞吐量和低延遲能力，模型訓(xùn)練更快并形成開源共享—生態(tài)反哺—跨越創(chuàng)新的強化螺旋，推動AI步入商業(yè)化新階段，也為形態(tài)各異的專項債發(fā)行奠定了輕量模型基礎(chǔ)。

專項債AI發(fā)行的有效路徑

自黨的二十屆三中全會提出建立全口徑地方債務(wù)監(jiān)測監(jiān)管體系以來，地方政府專項債券（以下簡稱“專項債”）發(fā)行向著規(guī)范化、可持續(xù)化方向發(fā)展。根據(jù)《地方政府債券市場報告（2024年12月）》，2024年我國新增專項債3.9萬億元，比上年增加1000億元，支持地方政府用于就業(yè)、醫(yī)療、教育、社會保障等重要民生領(lǐng)域。10年期及以上專項債占比為78.74%，有力支持了土地儲備、城市更新、老舊小區(qū)改造、保障性住房等新型城鎮(zhèn)化建設(shè)項目。

值得一提的是，《國務(wù)院辦公廳關(guān)于優(yōu)化完善地方政府專項債券管理機制的意見》（國辦發(fā)

〔2024〕52號）將低空經(jīng)濟等新興產(chǎn)業(yè)基礎(chǔ)設(shè)施以及算力設(shè)備等新質(zhì)生產(chǎn)力納入“正面清單”1管理范圍，支持專項債用作項目資本金，為新興產(chǎn)業(yè)發(fā)展創(chuàng)造良好基礎(chǔ)條件。在政策發(fā)力的基礎(chǔ)上，可借助AI進行市場需求預(yù)測、定價模型優(yōu)化及風(fēng)險實時監(jiān)控，優(yōu)化專項債發(fā)行全流程，實現(xiàn)智能化決策與精準動態(tài)管理。

（一）探索建立“正面清單”AI管理機制

在專項債用作項目資本金范圍方面，可探索建立“AI正面清單”管理機制，加快DeepSeek等大模型本地化部署進程，建設(shè)專項債“正面清單”管理垂直模型，通過創(chuàng)新算法設(shè)計、訓(xùn)練策略、獎勵機制等，形成專項債“正面清單”的決策依據(jù)—數(shù)據(jù)挖掘—模型改進—垂直專長的管理機制，精準識別和遴選信息技術(shù)、新材料等新興產(chǎn)業(yè)項目、新型基建項目、重要民生項目和省級產(chǎn)業(yè)園項目。同時，或可將項目資本金的比例由25%提高至30%，緩解專項債項目匱乏的問題，減少“資金等項目”現(xiàn)象，使專項債資金能夠更快地形成實物工作量，推動經(jīng)濟回升向好。例如，利用大模型多令牌預(yù)測框架，將解碼器token-by-token生成模式優(yōu)化為multi-token生成，再通過多層網(wǎng)絡(luò)做完整的前向計算，減少了訓(xùn)練時間教官強迫和推理時間自回歸生成之間的分布差異，可以跨行業(yè)評估低空經(jīng)濟、商業(yè)航天、北斗、生命科學(xué)、生物制造、信息技術(shù)、量子科技、數(shù)字經(jīng)濟、新材料等新興產(chǎn)業(yè)項目，提升“正面清單”績效合力。

（二）探索建立“自審自發(fā)”試點AI管理機制

“自審自發(fā)”核心內(nèi)容是允許地方政府自主審查專項債項目的可行性、資金需求、還款來源等關(guān)鍵指標，決定專項債的發(fā)行規(guī)模、期限、利率等事項。模型蒸餾是將復(fù)雜大模型生成功能克隆給小模型的過程，DeepSeek-R1的670B參數(shù)大模型通過蒸餾生成的7B參數(shù)小模型，在手機端運行復(fù)雜推理任務(wù)，面對新數(shù)據(jù)時表現(xiàn)良好，延遲低于500毫秒。過去，大語言模型涉及深度學(xué)習(xí)框架支撐、模型訓(xùn)練、數(shù)據(jù)收集清洗標注、算力調(diào)度、分布式訓(xùn)練等諸多技術(shù)，對基礎(chǔ)設(shè)施的要求較高。而以DeepSeek為代表的輕量化模型，不僅適用于DS大模型軟硬件一體機，還適用于移動設(shè)備、邊緣計算設(shè)備、手機等資源受限的設(shè)備，同時保留了大模型強化學(xué)習(xí)功能。建議搭建全國專項債大模型并同時蒸餾省級“自審自發(fā)”小模型，智能解析國家、各省區(qū)市關(guān)于專項債的相關(guān)政策精神，通過算法自主計算項目盈利性、行業(yè)對標性、數(shù)據(jù)一致性等，支持試點省份滾動組織篩選形成本地區(qū)項目清單。根據(jù)國務(wù)院相關(guān)指導(dǎo)意見，分析項目申報資料及項目實施管理數(shù)據(jù)、圖像等，明確界定地方財政兜底責(zé)任和項目投資管理責(zé)任，完善“自審自發(fā)”流程。

（三）探索建立“一案兩書”AI管理機制

通過大數(shù)據(jù)分析和AI技術(shù)分析項目申請文件，挖掘項目目標、預(yù)算、預(yù)期收益等關(guān)鍵數(shù)據(jù)，自動識別債券發(fā)行和使用過程中的信息披露不完整、資金用途違規(guī)等問題，提高監(jiān)管效率。建議搭建專項債“一案兩書”2AI模型，內(nèi)置思維鏈（CoT）統(tǒng)一編程接口、智能調(diào)度整合行業(yè)經(jīng)濟數(shù)據(jù)、地方財政收支數(shù)據(jù)、項目歷史數(shù)據(jù)等多源信息，將打包的具體項目精準識別出來并逐項逐步推理，通過任務(wù)要求、工作描述、疑問解答等提示詞（Prompt）多次計算以實現(xiàn)自洽，更好地擬合項目申請情況并自主生成《專項債券項目實施方案》《項目財務(wù)評價報告書》和《項目法律意見書》的參考版本，提升“一案兩書”的編制效率。垂直模型的訓(xùn)練風(fēng)險主要來源于數(shù)據(jù)安全性，有必要結(jié)合加密技術(shù)和訪問控制機制，確保“一案兩書”數(shù)據(jù)的安全性。

（四）探索建立專項債AI統(tǒng)籌發(fā)行機制

專項債額度批準后，需要統(tǒng)籌發(fā)行計劃、節(jié)奏和進度，科學(xué)銜接原有專項債及已安排項目與新發(fā)專項債及新項目，保障在建項目資金需求。例如，英國債券系統(tǒng)開發(fā)商 Algomi 建立了基于AI的債券交易系統(tǒng)，為債券投資者提供不同債券市場的交易信息。參照此類AI交易系統(tǒng)審發(fā)流程，搭建專項債AI發(fā)行模型，用垂直模型小資源撬動高性能，完善“常態(tài)化申報、按季度審核”的項目申報審核機制，標準化審核流程，縮短審核周期。探索專項債額度AI分配方式，設(shè)計專項債公共資本產(chǎn)出彈性模型，持續(xù)加大對產(chǎn)業(yè)鏈集聚、經(jīng)濟拉動作用強、稅收凈貢獻能力大的區(qū)域的專項債支持力度，打通非“自審自發(fā)”試點省份在建項目續(xù)發(fā)專項債“綠色通道”，提高專項債在全國范圍內(nèi)的總投資乘數(shù)。在發(fā)行方式方面，引入智能合約技術(shù)，通過公開招標、簿記建檔等方式提高市場參與度。利用AI技術(shù)探索專項債利率市場化改革，跟進市場供需關(guān)系波動，及時更新市場利率。設(shè)計專項債交易垂直模型，通過添加新的學(xué)習(xí)器、對路由進行軟約束等，提高投資收益，引領(lǐng)招標報價“博邊際”3策略，推動專項債的標準化。發(fā)揮債券通優(yōu)勢，引入做市商制度并增加交易品種，鼓勵保險公司、基金公司、外資機構(gòu)等更多投資者參與專項債的二級市場交易。建立專項債的風(fēng)險緩釋機制，設(shè)立償債基金并引入保險資金以降低違約風(fēng)險。

（五）探索建立專項債AI償付及風(fēng)險管理機制

搭建專項債AI償付及風(fēng)險控制垂直模型，結(jié)合債券發(fā)行額，采用多維度數(shù)據(jù)融合技術(shù)編制年度預(yù)算。建議將DeepSeek等大模型作為專項債“自構(gòu)建數(shù)據(jù)”垂直模型引擎，利用歷史數(shù)據(jù)和市場趨勢預(yù)測項目收益，建立專項債項目資產(chǎn)明細臺賬，規(guī)范新增項目資產(chǎn)核算，分類管理存量、增量項目資產(chǎn)，構(gòu)建多元收益來源，提升項目投資收益自平衡率。建立AI“債務(wù)剎車”機制，大模型賦能下，對專項債資金實施穿透式監(jiān)管，智能識別虛報收益行為及潛在償債危機，并提供應(yīng)對方案。實時監(jiān)控項目收益與預(yù)算偏差，動態(tài)調(diào)整專項債項目實施周期和跨年融資收益平衡方案，建立償債備付金制度，必要時調(diào)度其他項目專項收入、項目單位資金和政府性基金預(yù)算收入強制償還債券本金。

參考文獻

[1]范拓源.財政貨幣政策對經(jīng)濟與金融不確定性的動態(tài)影響機制研究[D].長春：吉林大學(xué)，2023.

[2]洪鈺，李燕婷，萬淑珊，朱隼，陳奕按，魯炎.債券投資新探索：基于機器學(xué)習(xí)的利率擇時策略實踐[J].人工智能，2023（2）.

[3]李紫菡，周雙雙. ChatGPT概述及應(yīng)用研究[J].債券，2023（6）. DOI： 10.3969/j.issn.2095-3585. 2023.06.015.

[4]呂文哲，賈晨，唐華云.金融領(lǐng)域大語言模型應(yīng)用安全探析[J].債券，2024（8）. DOI： 10.3969/j.issn. 2095-3585.2024.08.016.

[5] [美]伊恩·古德費洛，[加]約書亞·本吉奧，[加]亞倫·庫維爾.深度學(xué)習(xí)[M].北京：人民郵電出版社，2021.

[6]張成文.大模型導(dǎo)論[M].北京：人民郵電出版社，2024.

[7]趙大偉，李文化.人工智能技術(shù)在債券行業(yè)應(yīng)用問題研究[J].金融與經(jīng)濟，2020（12）.

[8]中國財政科學(xué)研究院2022年“地方財政經(jīng)濟運行”課題組.多重不確定性下的風(fēng)險權(quán)衡與對沖—2022年“地方財政經(jīng)濟運行”調(diào)研總報告[J].財政研究，2023（3）.