近日，复旦大学经济学院举行“南土国际金融政策圆桌会第13期”暨“迎接AI时代系列”第2期。本次会议以“人工智能进展及对金融业的影响与思考”为主题，围绕人工智能技术演进、产业应用场景、金融行业变革、风险治理与人才培养等问题展开讨论。粤浦科技产业发展集团助理总裁兼上海总经理韩毓祥在发言中指出，AI与传统资产并非彼此遥远，越是在房地产和存量资产承压的背景下，传统行业越需要通过新技术提升效率和价值。
韩毓祥认为，讨论“AI+地产”“AI+园区”不能停留在概念包装层面。企业真正关心的不是是否使用了大模型、智能客服或生成式工具，而是AI能否切实提高资产回报、降低运营成本、改善融资效率。AI赋能传统资产的价值，应当由可分析的数据、可实施的方案和可验证的结果来检验。
围绕传统资产运营，他提出三类典型AI应用场景：一是数据增信和金融资源配置。通过客流、租金、能耗、商户经营和物业管理等数据辅助金融机构判断资产质量；二是商业空间动态优化。利用人流轨迹和消费行为识别冷区、热区，优化租金定价和业态布局；三是AI辅助管理。通过AI识别传感器数据异常模式，优化能耗和运营管理，并有效减少人为应付考核和巡检形式化问题。
他强调，AI对传统产业的真正意义，不是替失败的业务逻辑负责，也不是用新概念包装旧模式，而是让数据进入资产运营、风险定价和结果管理的真实环节。从“砖头”到“芯片”，关键在于让AI深入产业本身，帮助老行业解决真实问题。
以下为韩毓祥发言全文（已经本人审定）：
非常感谢。刚才张军平老师讲了一个非常大的技术图谱，花蕾博士讲了AI时代人与人、人与职业之间的关系。我想从另一个角度谈一谈AI和“砖头”之间的关系。
我过去二十多年主要从事地产投资、股权投资、地方财政、产业和商业资产运营等工作。这些领域听起来都和水泥、砖头有关，似乎离AI很远。但正因为房地产和各类存量资产这几年持续承压，传统行业才更需要变化。我的问题是：在房地产这样的传统支柱行业走弱之后，AI能不能真正对它赋能，让价值重新回到传统市场，而不是只停留在概念包装上？
过去我看过很多“AI+地产”“AI+园区”的方案。坦白说，其中不少只是套壳方案，把传统方案套一个AI外壳，看起来拥抱了先进技术，但实际并没有显著提升运营效率和资产回报。很多地方引入智能客服、豆包、deepseek等AI工具，更多是为了包装形象或应付考核，并没有真正改变生产和运营。企业真正关心的是：AI到底怎样帮助提升资产回报、降低成本、提高效率？
在开始谈AI助力资产管理之前，我们首先来看下房地产市场本身的规模和影响。
以2020年为例，当年全国土地和房地产相关税收加上土地出让收入，合计10.4万亿元，约占当年地方政府综合财政收入的50%。家庭财富方面，各类调查显示住宅资产占中国家庭财富的7~8成，城镇住房市值476万亿，是同期GDP的4.7倍。就业端更直接。房地产及上下游建筑业合计吸纳约7000万人，占全国非农就业的15%。
但房地产行业自2021年起已连续多年下滑。政府卖地收入不及峰值5成，房地产销售金额回落到2015年水平。传统的"砖头"在贬值，这是现实。如何用好"芯片"带来新的财富增长，这是我们面临的新问题。
我们的观察来自过往实践，分三个维度来谈。
1、数据增信：让金融敢贷、保险敢降
这个感悟来自园区的实际运营。
我们在园区内布设了大量传感器，实时采集人员进出、车辆物流、水电能耗等经营数据。最初只是为了日常管理，但很快发现了一套意料之外的信用逻辑。
银行端： 因为能实时掌握企业的真实经营状况，银行对中小企业的无抵押贷款额度，从原来手机APP申请的100-200万元，提升到了500万元。银行不是变大方了，而是数据的收集和分析有效减少企业和银行之间的信息不对称，降低了风险溢价。
保险端：经营状况可监控、火灾隐患可预判，保险费率最高下降了90%。
传统银行发放贷款，主要看抵押物和主体信用。但很多中小企业既没有足够抵押物，也缺乏完善报表和有效信用记录。通过AI把日常人流、物流、租金、能耗等经营数据结构化，并用于风险定价，就能帮助金融机构更准确判断资产质量，改善中小企业融资效率。
2、动态优化：助力商业资产提升
这个案例来自我此前在万达负责集团200多个商场资产管理的经历。
以商场为例，招商和铺位布局过去很依赖经验。运营者会预判哪些区域是热区，哪些是冷区，但实际人流会随着时间、品牌、业态和消费偏好变化而变化。现在通过手机定位、WiFi或其他信号，可以大致描绘消费者在商场内的行动轨迹。一个商场每天可能有三四万人，所有轨迹汇总后，就可以重新定义冷区和热区。
这个发现带来了两层优化：
一是租金重定价。基于真实人流而非经验估算，整体资产估值随之上升。二是业态精准匹配。我们发现不同行业对人流的敏感度截然不同——快消、餐饮与人流高度正相关；珠宝、奢侈品则相对不敏感。于是我们把人流敏感型业态放旺区，把不敏感型业态放冷区。结果是：前者营业额上升，后者下降不明显，整体租金收入反而提高了。
过去这套调整完全靠经验和人工，一个周期要1.5到2年，且无法跨城市复制。AI介入之后，实时数据采集成为可能，动态调整从"事后总结"变成了"实时响应"。AI让商业资产从静态的砖头，变成了动态的、可提升的有效资源。
3、辅助管理：结果为导向的管理优化
商场内部有大量传感器，包括温度、湿度、二氧化碳浓度、客流计数等。总部往往希望节能降耗，地方项目也会面临考核压力。但现实中存在很多“应付考核”的做法。例如把冰水或湿毛巾放在温度传感器旁边，使温度数据看起来达标；或者通过鸡蛋引流、气球过传感器等人为方式刷客流数据。过去这类作弊问题主要靠人工抽查和举报，总部及时发现这些问题并不容易。
AI进入后，可以从海量传感器数据中识别异常模式。它不再是“人盯人”抓作弊，而是从数据异常中发现问题。传感器读数突然变化、某个时段客流异常、巡检路径过于机械，都可能被模型识别出来。比如过去巡检需要到现场扫码，但有人可能把二维码拍下来放在桌上，一分钟扫完全部点位。这样的模式在过去并不容易发觉，但是通过AI的大数据处理，问题萌发初期就能得到有效遏制。
因此，判断AI是否有价值，不能看它是不是用了大模型、用了智能客服或生成了报告，而要看它是否降低成本、提高效率、提升资产价值。技术要服务于结果导向。AI不能替人类的无能和失败负责，最终的价值导向、结果导向和责任承担仍然将落地到人身上。
最后做个总结。AI对传统资产有三方面价值：一是数据增信，让数据成为风险定价基础；二是动态优化，让存量商业资产通过更精准运营实现价值提升；三是辅助管理，让技术服务于成本控制和结果验证。数据要能分析，分析要能实施，结果要能验证。从砖头到芯片，不是用一个概念去包装传统产业，而是让AI真正深入产业本身，帮助老行业解决真实问题。
本文系观察者网独家稿件，未经授权，不得转载。
