地方政府專項債券AI發行模式探析

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

關鍵詞：DeepSeek垂直模型 專項債AI發行 正面清單 自審自發 一案兩書

AI發展趨勢及影響

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）再次燃起業界對AI的期待。DeepSeek主要借助我國龐大的產業資源和豐富的工程師資源做了大量工程創新，主要體現在以下幾點。

（一）繞開西方硬件壁壘

過去，我國AI產業發展面臨西方互聯網企業的硬件壁壘，如英偉達通過并行計算和編程系統（CUDA）形成芯片高端互聯壁壘。在國外，AI企業為了繞開硬件的生態壁壘，構建AI加速器并嵌入OpenAI等公司的應用程序編程接口（API）服務器，依賴AI加速器的軟件技術棧運行，僅僅使用硬件頭部互聯網企業的云資源，不與微處理器（GPU）直接交互從而繞過硬件壁壘。如高通、超威半導體、賽瑞博斯、桑巴諾瓦、高迪等都開發了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技術的依賴，繞過硬件壁壘而直接調用硬件資源。例如，DeepSeek的高效多層注意力解碼內核開源項目（FlashMLA），通過低秩壓縮和分頁內存管理兩項工程創新，不僅將大模型開發工具性能發揮到極致，還可以克服國產芯片顯存短板。

大模型的生成原理是用自然語言調用計算機程序，以詞向量表征形式傳遞給神經網絡，通過編碼器/解碼器（Encoder/Decoder）、位置編碼和自注意力機制構建詞向量之間的關系。DeepSeek將該工程創新發揮到極致，多款產品可以不依賴專業GPU，而是在普通四核處理器運行，這不僅為我國AI產業發展帶來戰略機遇，還引領全球AI產業從傳統通用芯片轉向專用AI加速器的算力革命。隨著AI技術發展，3D封裝、高速互聯、高顯存、模型架構（Transformer）芯片等硬件架構也會快速創新，并與軟件系統互動螺旋上升。隨著DeepSeek開源及生態逐漸完善，通過模型蒸餾開發債券垂直模型越來越成熟，為AI在債券行業應用帶來新機遇。

（二）突破算力瓶頸

DeepSeek發揮量化交易工程創新優勢，優化模型訓練方式、多頭注意力機制、混合專家機制，充分適配現有算力資源，突破現有算力瓶頸而步入AI商業化新階段。

強化學習模型后訓練。模型訓練是關鍵，而高質量專業數據比以往更稀缺且增加空間受限，使得模型訓練前階段的規模化法則（Scaling Law）越來越明顯，出現了“Scaling Law撞墻”現象。而美國開放人工智能公司系列推理模型（OpenAI o1）通過強化學習完成了模型的后訓練，顯著降低了對標注數據規模的依賴，從而使得模型后訓練階段Scaling Law得到業界重視。DeepSeek發揮工程創新優勢，充分挖掘強化學習（RL）模型后訓練潛力，通過模型蒸餾技術和群組相對策略優化技術（GRPO），支持小模型實現長思維鏈和自我驗證功能，這不僅避免了價值網絡的高成本問題，還能快速響應復雜場景需求，同時擁有邊緣計算優勢。

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聯。傳統解決方案采取分組查詢注意力（GQA）、多頭共享（KV）緩存技術，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。在保持專業輸出能力的同時，顯著降低了計算及通信成本，如DeepSeek-R1的開發成本僅為600萬美元，僅占OpenAI o1約5億美元成本的2%。

創新混合專家模型（DeepSeek MoE）。2023年，法國Mistral AI推出Mixtral 8x7B，引爆了AI業界，推理速度相比市售主流產品提高了6倍。但是傳統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路由崩潰（Routing Collapse）現象，超80%的專家處于休眠狀態，導致模型在專業領域輸出低于期望值。而DeepSeek MoE引入多智能體協作技術（CoE），采取專家動態偏置自適應技術，搭建共享-路由專家聯邦平臺，由“總指揮”統一調度數百個智能體（Agent）按照任務分配和交互順序協同開展場景推理（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，模型訓練更快并形成開源共享—生態反哺—跨越創新的強化螺旋，推動AI步入商業化新階段，也為形態各異的專項債發行奠定了輕量模型基礎。

專項債AI發行的有效路徑

自黨的二十屆三中全會提出建立全口徑地方債務監測監管體系以來，地方政府專項債券（以下簡稱“專項債”）發行向著規范化、可持續化方向發展。根據《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、醫療、教育、社會保障等重要民生領域。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、老舊小區改造、保障性住房等新型城鎮化建設項目。

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

〔2024〕52號）將低空經濟等新興產業基礎設施以及算力設備等新質生產力納入“正面清單”1管理范圍，支持專項債用作項目資本金，為新興產業發展創造良好基礎條件。在政策發力的基礎上，可借助AI進行市場需求預測、定價模型優化及風險實時監控，優化專項債發行全流程，實現智能化決策與精準動態管理。

（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，建設專項債“正面清單”管理垂直模型，通過創新算法設計、訓練策略、獎勵機制等，形成專項債“正面清單”的決策依據—數據挖掘—模型改進—垂直專長的管理機制，精準識別和遴選信息技術、新材料等新興產業項目、新型基建項目、重要民生項目和省級產業園項目。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”現象，使專項債資金能夠更快地形成實物工作量，推動經濟回升向好。例如，利用大模型多令牌預測框架，將解碼器token-by-token生成模式優化為multi-token生成，再通過多層網絡做完整的前向計算，減少了訓練時間教官強迫和推理時間自回歸生成之間的分布差異，可以跨行業評估低空經濟、商業航天、北斗、生命科學、生物制造、信息技術、量子科技、數字經濟、新材料等新興產業項目，提升“正面清單”績效合力。

（二）探索建立“自審自發”試點AI管理機制

“自審自發”核心內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、還款來源等關鍵指標，決定專項債的發行規模、期限、利率等事項。模型蒸餾是將復雜大模型生成功能克隆給小模型的過程，DeepSeek-R1的670B參數大模型通過蒸餾生成的7B參數小模型，在手機端運行復雜推理任務，面對新數據時表現良好，延遲低于500毫秒。過去，大語言模型涉及深度學習框架支撐、模型訓練、數據收集清洗標注、算力調度、分布式訓練等諸多技術，對基礎設施的要求較高。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，還適用于移動設備、邊緣計算設備、手機等資源受限的設備，同時保留了大模型強化學習功能。建議搭建全國專項債大模型并同時蒸餾省級“自審自發”小模型，智能解析國家、各省區市關于專項債的相關政策精神，通過算法自主計算項目盈利性、行業對標性、數據一致性等，支持試點省份滾動組織篩選形成本地區項目清單。根據國務院相關指導意見，分析項目申報資料及項目實施管理數據、圖像等，明確界定地方財政兜底責任和項目投資管理責任，完善“自審自發”流程。

（三）探索建立“一案兩書”AI管理機制

通過大數據分析和AI技術分析項目申請文件，挖掘項目目標、預算、預期收益等關鍵數據，自動識別債券發行和使用過程中的信息披露不完整、資金用途違規等問題，提高監管效率。建議搭建專項債“一案兩書”2AI模型，內置思維鏈（CoT）統一編程接口、智能調度整合行業經濟數據、地方財政收支數據、項目歷史數據等多源信息，將打包的具體項目精準識別出來并逐項逐步推理，通過任務要求、工作描述、疑問解答等提示詞（Prompt）多次計算以實現自洽，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。垂直模型的訓練風險主要來源于數據安全性，有必要結合加密技術和訪問控制機制，確保“一案兩書”數據的安全性。

（四）探索建立專項債AI統籌發行機制

專項債額度批準后，需要統籌發行計劃、節奏和進度，科學銜接原有專項債及已安排項目與新發專項債及新項目，保障在建項目資金需求。例如，英國債券系統開發商 Algomi 建立了基于AI的債券交易系統，為債券投資者提供不同債券市場的交易信息。參照此類AI交易系統審發流程，搭建專項債AI發行模型，用垂直模型小資源撬動高性能，完善“常態化申報、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，設計專項債公共資本產出彈性模型，持續加大對產業鏈集聚、經濟拉動作用強、稅收凈貢獻能力大的區域的專項債支持力度，打通非“自審自發”試點省份在建項目續發專項債“綠色通道”，提高專項債在全國范圍內的總投資乘數。在發行方式方面，引入智能合約技術，通過公開招標、簿記建檔等方式提高市場參與度。利用AI技術探索專項債利率市場化改革，跟進市場供需關系波動，及時更新市場利率。設計專項債交易垂直模型，通過添加新的學習器、對路由進行軟約束等，提高投資收益，引領招標報價“博邊際”3策略，推動專項債的標準化。發揮債券通優勢，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。建立專項債的風險緩釋機制，設立償債基金并引入保險資金以降低違約風險。

（五）探索建立專項債AI償付及風險管理機制

搭建專項債AI償付及風險控制垂直模型，結合債券發行額，采用多維度數據融合技術編制年度預算。建議將DeepSeek等大模型作為專項債“自構建數據”垂直模型引擎，利用歷史數據和市場趨勢預測項目收益，建立專項債項目資產明細臺賬，規范新增項目資產核算，分類管理存量、增量項目資產，構建多元收益來源，提升項目投資收益自平衡率。建立AI“債務剎車”機制，大模型賦能下，對專項債資金實施穿透式監管，智能識別虛報收益行為及潛在償債危機，并提供應對方案。實時監控項目收益與預算偏差，動態調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，必要時調度其他項目專項收入、項目單位資金和政府性基金預算收入強制償還債券本金。

參考文獻

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

[2]洪鈺，李燕婷，萬淑珊，朱隼，陳奕按，魯炎.債券投資新探索：基于機器學習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.金融領域大語言模型應用安全探析[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.深度學習[M].北京：人民郵電出版社，2021.

[6]張成文.大模型導論[M].北京：人民郵電出版社，2024.

[7]趙大偉，李文化.人工智能技術在債券行業應用問題研究[J].金融與經濟，2020（12）.

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