数字时代：你账上最值钱的东西，为何会计准则视而不见？

现行国际会计准则（IAS 38）将资产定义为“主体因过去事项控制的、预期会带来未来经济利益的资源”。这一“资源本体论”的重心在于首先确定“资源”的存在，再探讨其“控制”归属。根据此逻辑，控制权通常与法律所有权紧密绑定。IAS 38明确指出，控制一般来源于可在法院强制执行的法律权利，缺乏法律保护的员工技能、培训、特定技术人才，乃至客户关系与忠诚，通常不构成无形资产。这套准则原则上将“人”和“关系”排除在资产范畴之外，其局限性日益凸显。

资产入账的另一关键条件是“成本能可靠计量”，即未来经济利益流入的可能性高且成本可追溯。然而，品牌、报头、客户名单等即便内部生成，其后续支出也一律计入损益。这种制度设计造成了一个系统性偏差：那些企业内部孵化、最具价值的真资产——如品牌影响力、独有流程、客户关系、组织能力——反而最难被确认为资产。相反，只有从外部采购的无形资产才更容易满足入账条件。此外，准则还强调资产的“可分离性”，即是否可单独出售。2019年IFRS解释委员会曾界定，仅为获取云端软件访问权付费，不构成软件资产，仅为服务合同，进一步强化了“所有权是资产，接入权是费用”的传统观念。

随着AI技术的飞速发展，数字内容、代码、模型输出近乎零边际成本地被无限复制，这彻底颠覆了传统“稀缺性”的底层逻辑。虽然旧范式曾尝试通过专利和版权来修补信息商品的特殊性，但AI已将这种“特例”推向了“通则”。当产物本身不再稀缺，传统定义中作为“稀缺标的”的前提便开始瓦解。一个典型案例是模型权重：2025年1月，DeepSeek公开R1模型权重，其性能足以匹敌当时的顶级推理模型。如果前沿能力可以被轻易复制，那么单纯“拥有权重”便不再等同于拥有核心资产。

数据的价值同样受到冲击。数据本身具有不可排他、复制成本极低的特性，单一数据项几乎难以产生确定性收益，且同一份数据在不同模型、任务和时间点的价值差异巨大。更重要的是，没有明确边界的数据往往是企业的负债，而非资产，因为其可能带来高昂的存储、合规和隐私风险。于是，真正的稀缺性已从产出本身转向了其周围的“边界层”——即那些能够建立排他性、实现独立验证并明确归属责任的机制。在AI驱动的经济体中，价值正从“标的”本身，迁移到围绕“标的”的边界与控制层。

要辨明当下对数字资产的探讨是“将数据硬塞进旧定义”还是“彻底替换旧定义”，关键在于观察资产的构成要件（如控制、计量、可分离性）与价值来源（是标的本身，还是围绕标的构建的边界与控制层）是否发生根本性变化。例如，将数据、模型按照IAS 38的框架确认为无形资产，或采用更先进的估值模型为数据定价，甚至通过资产证券化提高现实资产流动性，这些都属于在旧范式“资产→可交易”延长线上的“深化”。它们仍围绕着“这是不是我的东西”这一核心问题展开。

然而，真正的资产定义“革命”表现为四个核心转变。首先，价值从单纯的“标的”迁移到“边界控制层”，即资产的价值体现在其验证、排他与归属机制上。其次，资产的“控制”来源变得泛化，不再局限于法律所有权，而是扩展到算力、接口、评测标准、溯源链（provenance）、信誉和责任承担等维度。第三，资产的“计量基准”发生改变，从“当初成本可查”转向“事后可被第三方独立验证”。最后，“折旧逻辑”需要重写，从线性的时间摊销转变为由技术更新和能力漂移驱动的动态折旧。若仍以旧标准衡量，企业将系统性地错失真正的新兴资产，同时可能高估那些正加速商品化的旧有“标的”。

事实层面，IAS 38的正文及第15、20段已明确将“人、关系、内部品牌”排除在无形资产之外。2019年IFRIC对SaaS的解释也划清了“接入权不等于资产所有权”的界限。这些都反映了传统准则在面对新型商业模式时的滞后性。值得关注的是，国际会计准则理事会（IASB）的无形资产项目已在2025年2月讨论了利益相关方的反馈，这预示着标准制定者正在响应市场变化，尽管尚未做出最终决定。

市场端的反馈则更为直接和强烈。有研究指出，无形资产已占据S&P 500市值的约90%（而1975年仅为17%），这表明企业价值构成已发生质变，虽然精确数值仍需一手核对。更引人注目的是，2025年10月OpenAI通过约66亿美元老股转让实现约5000亿美元估值，这一天文数字远超其账面资产，其价值核心显然不在传统范畴。此外，2025年底，BlackRock代币化货币市场基金BUIDL突破20亿美元资产并累计分红超1亿美元，这揭示了资产边界第一次可以被编写为代码、自动执行并自由组合的可能性。这不再是单纯的“发现”资产，而是一种全新的“制造”资产的方式。然而，Nvidia的成功也提醒我们，竞争性物理资本（如GPU、电力、制造能力）依然是硬通货，从未离场，在数字经济中仍扮演基石角色。

在AI时代，我们提出一个更具操作性的资产定义：资产，即围绕一股“流”（Flow）建立的一组可执行边界，包括排他边界、独立验证者和可归属的责任承担者。其价值则由“流的潜力 × 边界的可执行性 × 验证的可信度 × 责任的可归属度”共同决定。旧定义追问“这是不是我的资源？”，而新定义则聚焦于“我能否对这股流建立排他性、证明其价值，并为此担责？”。资产的本质，正从静态的“名词”（物）转变为动态的“动词”（边界工程），体现出其功能性和构建性。

基于此，资产的四大要件被重新定义。首先，“控制”从“法律所有权”演变为“可执行排他性”。其次，“计量”从“成本可靠计量”转变为“事后可被第三方验证”。再次，“可分离性”不再是“可单独出售”，而是强调其“可编排、可授权、可接入”的特性。最后，“稀缺性”则从“物理稀缺”转向“与验证、分发、信任和责任承担的互补性”。由此，资产类别也扩展为五类并存：竞争性物理资本（如GPU）、非竞争性认知资本（如模型权重、数据、算法）、流程资本（工作流、评估器、记忆、provenance账本）、关系/信任资本（交付记录、声誉、责任能力），以及主动性资本（Agent系统，其价值需运行与监督维持）。对于一人公司而言，其核心优势往往集中在后三类，而非资本门槛高的前两类。

企业应立即重新审视其真正的资产清单，而非仅仅依赖账面记录。自问“如果明天一切从头再来，哪三样东西是无法快速重建的？”答案多半是长期沉淀的工作流、独家评估系统以及可靠的交付记录，而非硬盘里纯粹的数据堆积。其次，对于每一股关键信息流，都应为其装配“三件套”：通过接口和密钥实现排他性，利用可重放的评估器进行独立验证，并通过清晰的溯源链和责任声明明确归属。在这里，评测标准即是资产边界，来源记录即是数字产权。

第三，将数据从负债改造为真正的资产。这意味着停止盲目囤积，转而围绕特定任务构建具有上下文和组合价值的数据集；对于那些无法验证、不能归属的数据，应果断清理。第四，根据AI技术和市场环境的更新节奏，重新估算资产的折旧。例如，企业的能力资产可能因更强模型的出现而贬值（能力折旧），因接口变更而失效（漂移折旧），甚至验证器本身也会过期（验证折旧）。资产的有用寿命不再由合同年限决定，而是由其面对的更新速度所决定。第五，也是最关键的，未来的机会不在于“发现被低估的资产”，而在于“设计别人尚未拥有的可执行边界”。资产化从来不是被动地发现，而是一个被制度与技术共同塑造和制造的过程。在AI时代，这一制造过程第一次变得可编程、可定制。