观点一：双循环格局下中国数字经济发展势头强劲、前景广阔。

数字经济科技解锁生产瓶颈这是一个不争的事实。科技作为第一生产力的作用是加速度的，以“数据+算力+算法”来推动生产力的发展，以此为技术基础的数字经济正在以超出想象的速度带来生产力的变革，突破一个又一个瓶颈。

需求是经济的源动力和主引擎。中国即将成为全球最大的消费市场，自然也是全球最大的需求源泉，所以我们提出内部大循环这个概念在逻辑上本身是成立的。 

中国还是数字经济最多元化的场景提供者和最前沿技术的最佳试验场。无论是G端、C端还是B端，中国都是数字经济场景的富矿和数字经济应用的海洋。 

新经济格局的国内大循环是吸引国际科技的重力场，而双循环与数字经济开放和交互是相得益彰的。数字经济是双循环新经济格局重要的支撑力量。

观点二：数字经济具有集成性、非线性衍进、变异突变和低预测性的特征。

集成性：数字经济对数据资源的整合有着高度的渴求。在数据汇聚和融合的带动下，我们会发现，资本、人力等其他要素资源也需要随之进行有效的整合，这会进一步加速数据资源的集成。 

非线性：数字经济时代，增长是多维度的、结构性的，是非线性的。数字经济的特征在于数据资源的集成带来经济产出的非线性增长，其投入产出在数字化逻辑下形成“1×1>1”的效果。

突变性：数字经济的突变性和低预测性，源于经济活动的虚拟化程度在加深，它的多元化程度也在加深。数字经济看的是一个系统，它不是价值链、供应链、产业链，它是产业系统、价值系统、供应系统。数字经济时代，信息交换是高频进行，这种非线性因果关系作用下，热点频出的同时也容易转瞬即逝，而突变、变异的概率会大大提升。 

观点三：大数据之“大”在于数据的整体性，而筒仓和信息茧房效应制约大数据分析工具的充分利用，分割的数据难以成就大数据“大”的优势。

数字经济要大数据能“大”得起来才行，不仅是体量上的“大”，更重要的是维度层面的“大”。如果数据资源相互割裂、壁垒高企，那么这一重要生产要素的作用和范围就会大打折扣，其应用水平和对全社会的赋能也必然受到巨大制约。

筒仓效应就是缺乏横向沟通，深层次原因是信息发现和信息交换的成本比较高，所以大家就变成数据的“不知用、不能用、不好用、不给用”。要破解筒仓效应，要降低数据信息的发现成本和交换成本，充分运用科技手段，加强数据治理，促进信息共享和融合。 

茧房效应的产生，客观上是由于推荐算法具有“正反馈”的特点，机器学习本身对相关性的“剪取”导致选择的固化，所以我们大家都喜欢听到跟我们观点一样的声音。要打破茧房效应，需要引入一定的随机性和灵活性，有些时候要从多个来源检索数据的真实有效性。

观点四：联邦学习对数据保密和大数据运用的兼顾和平衡。

因为数据方面有隐私保护，不同机构无法有效地分享，限制了模型的可用，导致模型效果大打折扣。同时，传统的大数据建模合作方式要求数据以明文形式集中进行存放，扩大了数据集中泄露风险。为解决这些问题，业界涌现出联邦学习、多方安全计算、可信执行环境等解决方案。

观点五：算法和模型存在系统性风险特征，一旦“黑盒子”的算法出现问题，则风险是系统性的。

近些年模型和算法在金融领域被广泛应用的实践，很多模型是“黑盒子”，一旦算法出现问题，会对整个金融体系和实体经济产生系统性的冲击。原因大体有三：

首先是数据及模型本身存在局限性和滞后性，各类预测模型都是借助历史数据来预判未来的风险和趋势。其次是模型使用存在一定的同质性和关联性。最后是金融机构对模型的依赖过高。

所以，我们在深入推进科技赋能的同时，也要深刻认识到科技并非万能。需综合运用系统量化、人工研判和其他风险管理手段，平衡好各类工具和风险经验的关系。 

观点六：数据风险和网络风险等新质风险与传统风险的特征和管理方法是不一样的，需要辩证继承传统理论，革故鼎新。

数据是新时代的资产，网络是新时代的渠道，对于数据和网络风险的管理本质依然是资产管控和渠道管控。因此，应对数据风险和网络风险等新质风险，需要辩证继承传统理论，革故鼎新。不能以低维方法应对高维问题，不能以传统思维处置新质风险；而必须以数字化思维和手段去解决数字时代的风险和问题。