2025年8月8日，北京资产评估协会主办的“人工智能支撑资产评估专业执业”研讨会顺利召开。本次研讨会汇聚资产评估机构和科技领域专家代表，旨在探讨人工智能与资产评估融合路径，推动评估领域的数字化、智能化转型升级。
北京资产评估协会副会长汪宁，北京注册会计师资产评估行业深改办副主任逄俊、章海凤，北京资产评估协会行业信息化建设委员会、专业技术委员会及资产评估机构代表等90余人参会。
北京资产评估协会行业信息化建设委员会主任委员、中联资产评估集团有限公司副总裁李业强和北京资产评估协会专业技术委员会副主任委员、连城资产评估有限公司总经理刘伍堂作开场致辞。会议分为嘉宾演讲和圆桌讨论两个环节，分别由北京资产评估协会行业信息化建设委员会副主任委员、北京中企华大数据科技有限公司总裁李永刚和刘伍堂主持。北京天健兴业资产评估有限公司信息化总监袁勇、国信中健数字科技有限公司副总经理刘盛、北京和光致远科技有限公司董事长尤杨、联合中和土地房地产资产评估有限公司经理张子溪、中和资产评估有限公司技术总监李龙、上海德勤资产评估有限公司副总监杨涛分别就人工智能在评估领域的应用实践、挑战等议题进行了精彩分享。在圆桌会议环节，李永刚、北方亚事资产评估有限责任公司首席评估师温云涛及主题演讲嘉宾共同就AI应用的方向、风险与挑战进行了探讨。
现将本次研讨会主要成果综述如下：
一、李业强开场致辞：人工智能重塑评估生态，数据驱动引领行业转型
李业强在开场致辞中表示，人工智能浪潮对资产评估领域的影响，已远超工具层面的更新。它正以一种系统性的力量，推动着行业从传统模式向现代化体系转型。从数据整合的广度到价值研判的深度，从业务流程的优化到专业能力的升级，技术迭代正在重塑评估执业的全链条，为提升效率与精准度提供了全新可能，也让构建更具适应性的评估体系成为现实。
在这一转型过程中，资产评估行业面临着从经验依赖到数据驱动的思维转变，也需要探索评估方法与技术应用的协同创新。如何让数据资源成为专业执业的坚实基础，如何通过技术赋能实现项目全流程的降本增效，如何让智能化解决方案精准对接业务需求，这些都是行业迈向智能化过程中需要共同破解的课题。
李业强提出构建“数据驱动、智能协同”的新型评估生态：让AI算法成为执业人员的“智能伙伴”，实现从数据采集、风险预警到价值发现、价值管理的全流程智能化升级；让跨机构的数据共享与技术协作成为常态，打破信息壁垒，形成覆盖全行业的智慧评估网络；让资产评估在人工智能的加持下，更精准地服务于国有资产运营管理、资本市场并购重组、企业价值管理决策、财报目的价值计量等核心场景，持续提升行业在经济社会发展中的专业话语权。
为实现这一愿景，李业强提出几点建议：一是建议机构加快建立标准化数据治理体系，将碎片化的评估案例、参数指标转化为可复用的数字资产，为AI应用筑牢数据根基；二是推动人工智能场景下业务需求与技术研发深度耦合，避免“技术炫技”式的盲目投入，聚焦收益法模型优化、资产减值测试等核心场景开发实用工具；三是强化复合型人才培养，既要让执业人员掌握AI工具的操作逻辑，也要引导技术人员理解评估准则的专业内核，培育“评估+技术”的跨界团队。
二、刘伍堂开场致辞：AI赋能评估执业，智能转型引航行业升级
刘伍堂在致辞中指出，人工智能技术在全球呈爆发式发展，已成为推动社会进步和经济转型的核心驱动力。资产评估行业作为市场经济重要的专业服务力量，面对人工智能时代的浪潮，既面临挑战，也迎来拥抱变革、提升能级的重大历史机遇。如何利用人工智能工具优化评估流程，提高评估执业质量和工作效率，成为资产评估行业的重要课题。对此，刘伍堂分享了几点思考：
（一）人工智能为评估行业带来“效率革命”与“精准赋能”
人工智能在数据采集、清洗、分析方面优势显著，能将评估师从繁琐、重复的低附加值劳动中解放出来。智能数据比对分析、实时市场信息抓取、报告辅助撰写及合规校验等，都将极大压缩项目周期，实现“降本增效”的实质性突破。
（二）人工智能催生人机协同评估新形态
人工智能的“赋能”核心在于“增强”而非“代替”。资产评估的本质是专业判断，是基于信息、经验、逻辑和职业道德的综合决策。评估师利用人工智能工具实现辅助询价、分析、撰写及合规校验，可提高效率、节约时间，从而将更多精力聚焦于需要高度专业判断、逻辑推理和风险识别等环节，利用人工智能放大专业能力，共同为客户提供更精准、高效、有深度的专业服务。
（三）夯实数据根基、开发应用场景
实现人工智能赋能，关键在于此。在夯实数据根基方面，数据的互联互通与共享机制是发挥人工智能效能的基础，推动建设标准化、高质量、广覆盖的行业级评估数据库是当务之急，其中不仅包括传统的交易案例、市场参数，更需涵盖宏观经济、产业链、舆情、专利、特定资产运行状态等多维动态数据。在开发应用场景方面，要聚焦评估需求，结合人工智能在数据处理、模式识别和预测分析等方面的优势，开发在特定领域的自动化批量评估、辅助资料查验、报告自动生成与合规校验、风险监测等应用场景。
刘伍堂强调，人工智能在评估领域的应用并非要取代专业评估师，而是成为强大的“智能助手”。其核心价值在于“赋能”，赋能评估师，使其更具洞察力与判断力；赋能评估机构，使其运营更高效、服务更精准；赋能整个行业，使其在数字经济时代焕发新的生机与活力，更好地服务于国家经济建设和社会发展大局。同时，也需要共同面对数据安全、人才转型等一系列新挑战，这要求既要积极拥抱新技术，也要保持审慎的专业态度，在实践中不断完善规则、标准和风险防控机制。
三、刘盛：可信数据空间在资产评估行业的应用探索
刘盛认为，资产评估行业作为国民经济的基础性服务领域，长期面临数据孤岛与权属不清两大核心矛盾。这些痛点不仅制约行业效率，还增加了监管合规风险。而可信数据空间的出现，为行业转型带来了颠覆性机遇。他结合行业实践探索，分享了技术应用与挑战，深入探讨了可信数据空间如何重塑资产评估生态。
可信数据空间的核心在于通过隐私计算、区块链和智能合约技术，实现“数据可用不可见、可控可计量”，从而破解数据共享与合规难题。在数据要素安全流通层面，隐私计算和脱敏技术确保了数据在可信状态下完成大模型建设和价值挖掘，从而满足《数据安全法》合规要求。
资产评估行业数据价值实现过程中凸显的深层挑战主要集中在三大结构性矛盾。第一，安全与效率的悖论，传统数据交换依赖人工脱敏，耗时且易泄露，而可信空间需平衡强安全与低延迟，如优化加密算法以支持复杂评估模型运算。第二，标准与生态的割裂问题突出，中小评估机构信息化投入不足头部评估机构1/5，难以承担技术改造成本，且缺乏行业级数据接口标准导致跨机构融合成本激增。第三，权属与分配博弈，企业数据贡献后二次开发边界模糊，法律界定空白，加上多方数据价值量化难，阻碍收益分配机制落地。这些矛盾反映了行业从“人力密集型”向“数据+智力密集型”转型的内在阻力。大的评估机构认为贡献度要比小的评估机构多很多，如何平衡大小机构的博弈是一个重要的现实考量问题。
国信中健和中企华大数据的联合解决方案通过“技术-行业-商业三层面赋能”模型实现了突破。技术价值层面，基于隐私计算和数据脱敏解决了底层信任问题，支持数据安全与主权保障，有效提升跨域协同效率。行业价值层面，推动标准化建设，建议协会制定评估行业数据共享流通规范标准，从而降低合规风险。未来有望依托可信数据空间实现数据实时调用与共享，推动评估行业向数据驱动模式转型升级。同时，动态确权机制通过智能合约自动记录数据贡献方、使用方及收益分配规则，按照“谁投入、谁贡献、谁受益”原则，依法依规维护各相关主体权益，有效解决了不同机构主体“愿共享但无收益机制”的症结。
刘盛呼吁，行业生态建设需多方协作，建立行业数据联盟、行业团标，整合资源，推动行业试点探索评估行业数据运营模式。同时，设计专用数据接口解决资产评估机构协作弱的问题，实现被评企业数据与评估模型安全互通。通过数据资产化路径、规则体系支撑、技术应用扩展的分层思想架构强化价值闭环，从数字资源转化为数据资产，并构建统一规则体系以确保互信与权责界定。
总之，可信数据空间不仅解决了资产评估行业数据互通的核心痛点，还催生了数据资产新业态。未来需加速生态协同，推动行业标准化建设，释放数据要素价值潜能，最终实现资产评估行业从人力密集型向智能化升级的跨越式发展。
四、袁勇：人工智能在评估机构内部控制中的应用
袁勇立足AI大模型对行业的机遇与挑战，聚焦人工智能在机构内控的深度应用，深入剖析行业AI转型实践路径，分享天健兴业在构建智能化内控体系方面的创新实践与探索经验：
（一）扬长避短：破解大模型“幻觉”与“黑盒”困局
大模型在行业应用中面临的核心挑战，在于大模型“幻觉”与决策“黑盒”问题。通过技术组合与场景适配可有效破局：一方面采用RAG（信息检索增强）与提示词工程双轨防御机制；另一方面，需通过明确任务场景与指令边界，让AI在限定范围内发挥效能，同时清晰划分业务与技术的权责边界。同时，内控的核心目标是风险发现，这种特殊性使其对AI“幻觉”的容忍度显著高于正向评估场景，只要能提示潜在风险，部分误报可通过人工二次核验过滤，不影响整体效能。
（二）人机协同：重构评估专家的价值坐标，智能时代的人机协同价值共创模式
评估专家的角色正在从“操作者”向“驾驭者”转型：作为工具使用人，专家需熟练运用AI系统完成基础核查；作为大模型训练师，需将行业经验转化为训练数据与规则参数，持续优化模型精度；作为专业报告解读者，需对AI输出的风险提示进行深度研判，结合评估逻辑与行业特性给出最终结论。在具体角色定位上，AI智能体专注于数据清洗、公式核验、规则遍历等重复性工作，提升内控效能；人类专家则聚焦AI的能力盲区，如专业边界判断、创新评估模型的合理性论证、复杂交易背景的风险穿透等，形成“机器提效+专家提质”的闭环。
（三）合作共赢：构建行业级智能内控生态。
大模型的行业落地发展，离不开全行业的协同共建。一方面，需要打通评估机构与外部数据生态的连接，整合权威数据库、行业案例库、政策法规库等资源，为AI模型提供高质量“养料”；另一方面，应建立行业经验共享机制，通过标准化逻辑规则与案例拆解，将分散的专家智慧转化为行业公共知识资产。这种生态构建将打破规模壁垒：头部机构可依托资源优势打造技术护城河，中小机构则能借助AI平权机会，在细分领域构建特色模型，最终形成多元共生的行业新格局，推动评估内控从“个体经验依赖”迈向“系统能力支撑”的新阶段。
（四）以内控智能化叩开行业未来之门
AI通过“技术赋能内控流程、知识沉淀反哺行业、人才升级激活价值”的三阶跃迁，推动评估机构内部控制从“事后纠错”向“事前预防”、从“经验驱动”向“数据驱动”转型，为评估行业执业质量筑牢智能防线。
五、尤杨：人工智能工具如何助力评估机构及评估师降本增效应用探讨
尤杨围绕人工智能发展历程、评估行业引入AI的重要性、数据安全、人工智能在评估中的具体应用案例及致远评估智能体的架构设计，详细阐述了和光致远在评估作业中如何利用AI技术降低成本、提高效率的探索与实践。
针对评估行业而言，引入AI技术是大势所趋。即可最大程度为评估机构和从业人员实现降低成本，提高效率，减少人力、时间等成本，提升数据处理效率与风险评估及时性；能加强质量控制，避免计算错误等问题；还能推动评估机构内部管理与传统作业模式向数字化智能化模式转型。
尤杨着重介绍了和光致远对大模型（DeepSeek/智谱/FIN-GPT）的本地化部署和微调情况，以及典型应用案例如智能报告生成、智能检测、财报数据智能分析、提取财务数据、智能助手、智能问答机器人、智能估值等在评估作业过程中实际应用的效果。同时也对人工智能应用使用中的“误区”进行了思考与分析。
尤杨介绍，其公司研发的评估执业辅助系统采用先进的AI驱动技术架构，以智能化工具集和大数据分析中心为底层支撑，构建了覆盖评估作业全流程的闭环管理平台。该系统在设计上兼具高度可扩展性与前瞻性，支持本地化部署及私有云部署模式，通过多重安全机制确保全域数据的安全性与合规性，为评估业务提供智能化、一体化的解决方案。
六、张子溪：主流AI模型评估实践比较
张子溪结合自身运用主流AI模型开展评估依据确定、作价分析、报告撰写等专业实践的探索，系统梳理了AI大模型在评估实践中的风险与挑战。
（一）应用风险层面
从应用风险来看，目前AI大模型在实际操作中面临的首要问题是产权界定与信息安全风险。国内现行法律体系对AI生成内容的知识产权归属尚未作出明确规定，司法实践中多采用“一案一判”的灵活处理方式，这导致评估机构在使用AI生成的分析报告、估值模型时，可能面临权属纠纷。同时，多数AI模型的用户协议中包含“输入数据将用于模型迭代训练”的条款，而资产评估涉及大量客户商业机密与敏感财务数据，此类条款可能导致信息泄露风险，给行业合规运营带来挑战。
（二）内容理解层面
在内容理解层面，AI大模型已展现出一定的专业适配性。其对资产评估业务的核心内容及相关法律条款的理解框架已相对成熟，能够准确识别评估目的、资产类型、价值类型等基础要素。不过在具体细节处理上仍存在局限：例如对特殊行业评估准则的解释容易出现机械套用现象，对模糊性法律条文的理解可能产生偏差，部分复杂交易结构的价值逻辑梳理也不够完善。即便如此，对于缺乏系统评估知识的新手而言，AI模型输出的分析思路和框架性建议，仍能提供有效的入门指引和思路启发。
（三）实际业务执行层面
从实际业务执行来看，AI大模型在报告生成与估值计算领域的应用尚处于探索阶段。在评估报告的文字表述上，其生成内容往往缺乏专业文书所需的严谨性与针对性，难以精准体现资产的个性特征；在资产评估方法的实际应用中，对市场法、收益法、成本法的选择与参数调整缺乏灵活判断，难以应对复杂场景下的方法组合需求；在实际询价与计算环节，对实时市场数据的抓取准确性、异常值的甄别能力，与受过系统训练的评估专业人员相比仍有明显差距。但值得关注的是，随着算法优化与训练数据积累，其技术底层逻辑已呈现出逐步完善的发展趋势。
总体来看，AI大模型在资产评估领域的应用目前仍处于初级发展阶段，但技术进步速度令人瞩目。从当前阶段而言，其尚不具备直接替代评估人员的能力，更多在标准化环节发挥辅助作用，但未来必将成为重要助力。不过评估业务的核心仍在于评估人员的专业判断，提升评估人员对AI工具的驾驭能力是关键。随着未来算力资源成本下降及行业专属数据积累，企业级AI大模型的部署与定制化培训将成趋势，为行业智能化转型提供坚实支撑。
七、李龙：资产评估需求和信息化解决方案
李龙在分享中，围绕资产评估行业痛点、AI驱动的信息化解决方案及未来执业模式等方面，详细阐述了中和资产评估在信息化以及AI应用方面的思考与尝试，他认为人机协同将是未来评估执业的核心模式。
（一）行业痛点
当前资产评估面临三大核心挑战：一是数据获取困难，存在多而无效、非结构化数据难以解读、数据关联断裂等问题；二是评估效率有待提升，评估师的大量精力消耗在基础的表格处理、批量计算等重复性劳动中；三是风控合规压力大，传统手段高度依赖人工检查，在复杂规则下难以全面把控风险。
（二）解决方案
中和资产评估构建了两大核心体系：首先，智能数据中枢，通过多源接入（自建数据库、专业知识库、第三方API及联网搜索），结合大模型的函数调用、MCP协议和RAG等技术，实现数据整合与高效利用，解决“数据孤岛”和模型知识滞后问题；其次，智能效率工具矩阵，从单一系统转向灵活工具集，如可比对象筛选、智能核查工具等，快速适应多变的业务需求。
（三）未来展望
AI作为强大工具可极大提升评估执业效率和质量，但专业判断和职业道德仍是评估工作的基石，是AI无法替代的。未来评估专业人员需成为“三懂”人才：懂业务、懂数据、懂AI逻辑，通过持续学习适应技术变革，让AI真正为专业赋能。
八、杨涛：财报目的评估的AI应用
杨涛围绕生成式AI的核心价值、数据处理与分析革新、估值模型优化实践及挑战与风险应对等方面，阐述了生成式AI在财报估值中的应用路径与实践价值。
（一）生成式AI的核心价值
以大语言模型为核心，融合OCR与NLP技术，可实现财报文档的自动化读取、理解和信息提取，有效突破传统信息化模式下的效率瓶颈。针对资产评估行业数据量大、人工成本高的突出问题，通过海量数据学习构建动态预测模型，能够模拟经济环境变化对资产价值的影响，进一步提升估值与风险分析的精准度。
（二）数据处理与分析革新
在数据处理与分析革新层面，主要体现在三个维度。首先，非结构化数据提取，可自动解析PDF格式财报、管理层讨论等文本内容，将关键数据进行结构化存储，替代传统人工录入方式，显著降低数据误差率；其次，数据标准化，借助AI学习企业会计政策差异，对不同来源的数据口径进行统一调整，实现跨企业估值的可比性，为横向分析提供基础；再者，异常检测，基于历史数据训练的模型能够快速定位财报中的异常值，并结合预测分析提示潜在风险，避免因数据异常导致的估值失真。
（三）估值模型优化实践
在估值模型优化实践中，呈现出多维度升级态势。首先，金融工具模型自动化，将期权模型、ECL模型等场景标准化，实时更新市场参数，快速生成估值结果；其次，传统模型升级，对收益法、市场法进行优化，可结合历史数据与预测达成情况，自动调整减值测试参数，在投后估值中动态匹配目标公司与可比公司经营表现，优化倍数选择与趋势分析；第三，高频参数动态更新，实时抓取大宗商品价格、汇率、折现率等关键参数，追踪税收政策变化对估值的影响；第四，压力测试自动化，能够模拟极端场景（如营收下滑30%），在小时级完成上百种情景计算，生成“估值韧性报告”第五，第三方数据整合，对接同花顺、东方财富等平台，自动获取最新财报数据，通过多模型协同计算合理股价区间。
（四）挑战与风险应对
在挑战与风险应对方面，需重点关注三方面问题。首先是数据安全风险，涉及上市公司敏感信息时，需严格管控AI工具使用流程，建立完善的权限管理与数据加密机制，防范信息泄露；其次是质量依赖风险，若输入数据存在虚假记载，可能导致模型误判，需结合人工复核或审计AI进行交叉验证，确保数据真实性；再者是极端场景局限性，AI对历史未见事件的预测能力有限，需通过人工介入调整模型逻辑，弥补技术短板。
九、圆桌讨论
刘伍堂主持圆桌交流环节，邀请了李永刚、袁勇、温云涛、李龙、尤杨共同讨论AI应用进展，主要聚焦于以下问题：
（一）人工智能在评估工作中的具体应用方向
李永刚认为数据作为第五生产要素，在数字中国建设背景下，推动数据资源化、资产化、资本化是各行业数字化与智能化转型的关键。资产评估行业作为数据密集型行业，沉淀的大量数据资源可转化为数据资产，助力行业发展与数字中国建设。具体应用方向包括：尚未完成信息化的评估机构需加快信息化建设，通过电子工作底稿实现数据资源化；已完成信息化的机构可推进数据资产化、产品化，提升执业效率与服务智能化水平；此外，应顺应数据可信空间发展趋势，推动行业数据可信空间建设，解决数据安全、孤岛等问题，释放数据价值，服务数字社会与经济发展。
尤杨认为，人工智能在各行各业发展迅猛，评估行业亦是如此，可谓“AI一年，人间十年”。在评估行业中应用人工智能，本质是通过标准化、智能化手段解决作业过程中大部分重复性、有规律的工作，使评估师从低效能工作中逐步解放出来。例如收益法预测期动态生成、财务数据导入、报告智能生成、智能检测等应用，都在有效解决评估师的重复性工作。
（二）人工智能应用过程中的风险把控
李龙认为在AI应用中需重点关注两类风险：一是数据引用风险；通过AI查询数据时一定要人工核查是否真实。首先是数据滞后问题，模型是基于某个时点数据训练的，可能不能满足评估时点的要求。其次是模型幻觉问题，有可能会“虚构”一个完全不存在的数据。当前，大多数模型通过联网实时查询来缓解模型幻觉和数据滞后问题，即便如此，也需要人工核实模型引用来源链接的真实性、权威性以及信息本身的准确性。二是数据安全与合规风险；评估中涉及大量敏感商业数据、客户信息、财务细节等信息。如果使用外部通用大模型处理，会面临严重的数据泄露风险。对此，最理想的解决方案是模型私有化部署，在本地处理敏感信息。但是，私有化部署的成本和技术门槛高，单一评估机构往往难以独立承担，建议行业层面协同发力，共同探索和构建安全、合规、成本可控的AI应用基础设施或共享平台。
（三）智能评估时代评估准则及制度建设面临的新需求与挑战
袁勇认为，结合司法部2023年出台的《生成式人工智能服务管理暂行办法》中对生成式人工智能服务实行包容审慎和分类分级监管的要求，智能评估时代准则制度方面的建设可分为两个阶段：第一个阶段是工具阶段，该阶段聚焦技术落地、工具规范与基础应用规则，智能评估技术主要作为增强人类决策效率与精度的工具被引入现有评估流程，AI模型服务于特定、孤立的评估任务，制度建设核心目标为“可信赖性”与“可控性”，且此阶段强调评估师占据绝对主导权，也是第一责任人。第二个阶段是生态阶段，此阶段中智能评估技术从孤立工具演变为支撑估值的关键决策系统，涌现的新需求与制度建设重点为：从“模糊计量”到“可验证、可追溯”、系统性偏见与公平性治理、生态层面的数据治理与主权，同时需要明确“数据提供方—模型开发方—评估使用方”三方在不同场景下的归责边界。
（四）人工智能给评估行业带来的机遇和挑战
温云涛认为，人工智能为资产评估带来的机遇表现在以下方面：混合智能系统的研究将有效提升机构的执业效率；实时自适应风险监控的应用可降低机构执业风险；行业专用AI模型的推广能够提高机构的执业质量；联邦学习与隐私保护学习在合法前提下可支持众多机构联合开展模型训练；而与ESG及可持续性指标的整合则有助于拓展估值的深度与广度。其面临的挑战主要有：单一机构的历史数据规模较小；外部行业数据的获取成本较高；不同机构、平台或地区的数据格式存在不一致性；非活跃市场或小众资产类别的历史交易数据存在缺失；存在低质量输入问题，如OCR识别错误的扫描文档或人工输入误差；模型输出结果在透明度与可解释性方面存在局限；基础数据获取涉及法律层面的限制；责任归属界定不清；专业人才储备不足；以及部署成本高昂等。
李永刚认为，资产评估属智力密集型专业服务，过去机构专业性竞争集中在质量控制、人员能力与经验积累，服务涵盖前期咨询、商务洽谈、项目执业、外部监管等环节。人工智能通过替代部分人工，可提升各环节效率与质量，增强从业者及机构竞争力：前期咨询环节，智能体依托专业知识库提供政策法规、估值匡算等支持，提升行业服务水平；商务洽谈中，人工智能助力机构高效撰写高质量标书以提高中标率，也帮助企业甄别机构优势、合理把控报价；项目执业时，智能体在数据处理、报告撰写等方面提升项目经理效率，如同增加优秀助理；外部监管中，人工智能可提升审核质量，减少人为因素影响。行业挑战在于必须拥抱技术与时代，否则将被淘汰。
十、汪宁总结：人工智能驱动评估升级，多维优化护航行业高质发展
汪宁代表协会对各位专家的精彩分享和行业信息化建设委员会、专业技术委员会的精心筹备表示衷心的感谢。他说，今天的演讲嘉宾围绕“人工智能支撑资产评估专业执业”这一研讨会核心主题，从基于技术应用、实践创新、风险防控、制度变革等多个维度分享了前沿探索，展开了深入对话，使我们既看到了技术赋能的清晰路径，又触摸到了行业转型的脉搏，更让我们深刻认识到：人工智能不是简单的工具叠加，而是重构评估生态的“关键变量”。特别是在专业技术层面，既能够帮助资产评估机构提质、降本、增效、防风险，又能够充分发挥“外溢效应”，丰富服务产品、打造差异化竞争优势，从而构筑起支撑专业提升的“四梁八柱。”
结合今天的研讨成果，汪宁提炼出人工智能支撑专业的“三优化、一保障。”
“三优化”是指一是优化数据治理。数据是资产评估的核心要素，其质量与效率直接影响评估结论的可靠性。人工智能技术通过“数据采集—清洗—分析—存储”全链条的智能化改造，重构评估数据治理体系。这也提示我们要打破“数据孤岛”，推动行业数据标准建设。
二是优化估值模型。估值模型是资产评估的技术核心，我们要借助人工智能，通过算法创新与算力支撑，推动评估模型从“经验参数”向“数据驱动”升级，提升专业判断的精准性与适应性。
三是优化风险防控。人工智能通过对评估全流程的智能化监控，构建了“事前预警—事中干预—事后追溯”的质量管控体系，为提升行业专业质量筑牢了风险堤坝。同时，也要防范算法黑箱与伦理风险，要建立“AI 评估结果复核机制”，确保专业判断不被技术替代。
“一保障”是指充分发挥制度在人工智能开发和应用中的稳预期、抓规范、促创新和防风险的保障作用。围绕数据治理筑牢基础、技术标准明确边界、人才培养强化能力、监管机制防控风险、伦理规范守住底线，不断健全制度体系，实现“制度赋能AI，AI驱动专业升级”的良性循环。这一过程需要监管部门、行业协会、评估机构、科技公司的协同发力，在制度变革中提升资产评估行业的专业价值与公信力。
