2024人工智能大模型技術(shù)財(cái)務(wù)應(yīng)用藍(lán)皮書(shū)

前言1.人工智能大模型技術(shù)概述前言1.人工智能大模型技術(shù)概述78人工智能大模型技術(shù)概念解析 8人工智能大模型技術(shù)典型特征 9突出的“涌現(xiàn)”能力 9統(tǒng)一的Prompt交互 9高擴(kuò)展性的應(yīng)用框架 9高成本的訓(xùn)練和推理過(guò)程 人工智能大模型技術(shù)發(fā)展歷程及現(xiàn)狀 11預(yù)訓(xùn)練語(yǔ)言模型 大模型家譜 國(guó)產(chǎn)大模型 財(cái)務(wù)領(lǐng)域大模型 人工智能大模型技術(shù)發(fā)展趨勢(shì) 14

15 15 15

16 162.1人工智能大模型技術(shù)整體體系架構(gòu) 172.1人工智能大模型技術(shù)整體體系架構(gòu) 173.人工智能大模型技術(shù)賦能財(cái)務(wù)概述2.2人工智能大模型技術(shù)分類 1922人工智能大模型技術(shù)賦能財(cái)務(wù)總體情況（1）人工智能大模型賦能財(cái)務(wù)發(fā)展前景

22 22（2）人工智能大模型在財(cái)務(wù)領(lǐng)域的應(yīng)用分析 23

25 28 29 34.人工智能大模型技術(shù)賦能財(cái)務(wù)應(yīng)用31人工智能大模型技術(shù)賦能家用電器制造行業(yè)A集團(tuán)財(cái)務(wù)應(yīng)用 314.人工智能大模型技術(shù)賦能財(cái)務(wù)應(yīng)用31總體情況 需求背景 發(fā)展現(xiàn)狀 典型案例 案例背景 33財(cái)務(wù)中臺(tái)智能客服項(xiàng)目定位 33財(cái)務(wù)中臺(tái)GPT平臺(tái)框架 34財(cái)務(wù)大模型在智能客服場(chǎng)景的落地 36智能客服建設(shè)成果 37應(yīng)用場(chǎng)景 38生成式智能客服 38非結(jié)構(gòu)化附件的智能審核 38生成式財(cái)務(wù)分析 39生成式管報(bào) 40人工智能大模型技術(shù)賦能B公司財(cái)務(wù)應(yīng)用 40總體情況 需求背景 發(fā)展現(xiàn)狀 典型案例 智能財(cái)務(wù)平臺(tái)業(yè)務(wù)架構(gòu) 42企業(yè)大模型應(yīng)用架構(gòu) 43企業(yè)智能助手 45應(yīng)用場(chǎng)景 47智能審單機(jī)器人 47智能交單 49智能財(cái)務(wù)制度助手 49智能財(cái)務(wù)數(shù)據(jù)分析助手 51人工智能大模型技術(shù)賦能C銀行財(cái)務(wù)應(yīng)用 53總體情況 （1）需求背景 4（2）發(fā)展現(xiàn)狀典型案例（1）建設(shè)思路（2）建設(shè)框架（3）技術(shù)突破應(yīng)用場(chǎng)景

54 54 54 55 56 57（1）（2）（3）

57 59 60人工智能大模型技術(shù)賦能D汽車企業(yè)財(cái)務(wù)應(yīng)用 61總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應(yīng)用場(chǎng)景（1）智能采集（2）智能審核（3）智能月結(jié)（4）智能風(fēng)控（5）經(jīng)營(yíng)分析

61 61 62 62 64 64 69 72 79 85人工智能大模型技術(shù)賦能E大型基礎(chǔ)設(shè)施綜合服務(wù)商財(cái)務(wù)應(yīng)用 89總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應(yīng)用場(chǎng)景（1）智能差旅（2）智能審核

89 89 89 90 92 92 93（3）智能融資決策 95人工智能大模型技術(shù)賦能F醫(yī)藥行業(yè)財(cái)務(wù)應(yīng)用 96總體情況（1）需求背景

96 96（2）發(fā)展現(xiàn)狀 97典型案例 97應(yīng)用場(chǎng)景 99合規(guī)性監(jiān)控應(yīng)用 99智能財(cái)務(wù)客服的應(yīng)用 101人工智能大模型技術(shù)賦能G大學(xué)財(cái)務(wù)應(yīng)用 103總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例

103 103 103 104模型與知識(shí)服務(wù) 105智能財(cái)務(wù)能力組件 106財(cái)務(wù)智能體（AIAgents/數(shù)字會(huì)計(jì)/智能助理） 107（4）（5）

108 108應(yīng)用場(chǎng)景 109（1）智能財(cái)務(wù)助理 109（2）智能填報(bào)（3）智能稽核

111 116人工智能大模型技術(shù)賦能H投資集團(tuán)財(cái)務(wù)應(yīng)用 118總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應(yīng)用場(chǎng)景

118 118 119 119 122（1）（2）

122 123司庫(kù)管理與虛假貿(mào)易識(shí)別 124決算分析與填報(bào)助手 1245.人工智能大模型財(cái)務(wù)應(yīng)用局限性和關(guān)注問(wèn)題127工程風(fēng)險(xiǎn)評(píng)價(jià)與合規(guī)管理 1255.人工智能大模型財(cái)務(wù)應(yīng)用局限性和關(guān)注問(wèn)題1275.1人工智能大模型技術(shù)財(cái)務(wù)應(yīng)用局限性6 5.2

127 127前 言20239重要性的概念，并要求“積極培育新能源、新材料、先進(jìn)制造、電子信息等戰(zhàn)略性新興產(chǎn)業(yè)，積極培育未來(lái)產(chǎn)業(yè)，加快形成新質(zhì)生產(chǎn)力，增強(qiáng)發(fā)展新動(dòng)能”。人工智能是適應(yīng)全球經(jīng)濟(jì)創(chuàng)新發(fā)展的新質(zhì)態(tài)生產(chǎn)力，習(xí)近平總書(shū)記強(qiáng)調(diào)指出：“加快發(fā)展新一代人工智能是我們贏得全球科技競(jìng)爭(zhēng)主動(dòng)權(quán)的重要戰(zhàn)略抓手，是推動(dòng)我國(guó)科技跨越發(fā)展、產(chǎn)業(yè)優(yōu)化升級(jí)、生產(chǎn)力整體躍升的（會(huì)計(jì)）數(shù)字化轉(zhuǎn)型的重要作用，實(shí)現(xiàn)財(cái)務(wù)管理工作的高質(zhì)量發(fā)展。2022ChatGPTGoogleansormr架構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，奠定了大模型預(yù)訓(xùn)練算法架構(gòu)的基礎(chǔ)。2022OpenAI公司發(fā)布的ChatGPT是通用人機(jī)對(duì)話系統(tǒng)，是一個(gè)大型的語(yǔ)言模型和一款具有較高智能的多語(yǔ)言聊天機(jī)器TransformerGPT（GenerativePre-trainedTransformer，生成式預(yù)訓(xùn)練語(yǔ)言模型）模型及人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）進(jìn)行精調(diào)的策略下取得了巨大的成功。雖然真正意義上的人工智能大模型發(fā)展歷史并不長(zhǎng)，但對(duì)人類社會(huì)的影響產(chǎn)生了積極作用。財(cái)務(wù)作為服務(wù)經(jīng)濟(jì)發(fā)展的重要組成部分，也將受到人工智能大模型的影響。目前，我國(guó)企事業(yè)單位已將光學(xué)字符識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別、機(jī)器人流程自動(dòng)化、專家系統(tǒng)、規(guī)則引擎、領(lǐng)域的應(yīng)用開(kāi)花結(jié)果?；诖?，我們編寫(xiě)了《人工智能大模型技術(shù)財(cái)務(wù)應(yīng)用藍(lán)皮書(shū)》，通過(guò)大模型的技術(shù)概念、典型特征、技術(shù)架構(gòu)、財(cái)務(wù)應(yīng)用基本框架、財(cái)務(wù)典型案例、財(cái)務(wù)應(yīng)用場(chǎng)景等人工智能大模型技術(shù)概述人工智能大模型技術(shù)概念解析人工智能ArtificalnellieeI）是約翰·麥卡錫等人在1956深度學(xué)習(xí)（DeepLearning）作為機(jī)器學(xué)習(xí)（MachineLearning）的一個(gè)重要分支，基于人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行建模，通過(guò)模擬人腦神經(jīng)元的連接和工作方式，使計(jì)算機(jī)能夠像人一樣學(xué)習(xí)和理解數(shù)據(jù)。深度學(xué)習(xí)技術(shù)的核心在于其深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這些網(wǎng)絡(luò)通常由多個(gè)層次組成，每一層都能夠從輸入數(shù)據(jù)中提取出更高級(jí)別的特征。隨著層次的加深，網(wǎng)絡(luò)能夠?qū)W習(xí)到越來(lái)越復(fù)雜和抽象的特征，隨著層數(shù)加深以及維度加大，逐漸形成大規(guī)模參數(shù)的模型（廣義的大模型），從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的更深入理解。機(jī)器為了深入理解和有效掌握語(yǔ)言，采用構(gòu)建語(yǔ)言模型的方法來(lái)進(jìn)行語(yǔ)言的表征和建模。早期的語(yǔ)言模型是通過(guò)手工編寫(xiě)的規(guī)則和語(yǔ)法結(jié)構(gòu)來(lái)解析和生成語(yǔ)言，隨著統(tǒng)計(jì)學(xué)的發(fā)展，統(tǒng)計(jì)語(yǔ)言模型（StatisticalLanguageModels）基本思想是基于馬爾可夫假設(shè)構(gòu)建單詞預(yù)測(cè)模型，例如，基于最近上下文預(yù)測(cè)下一個(gè)單詞，為了減少計(jì)算，通常上下文取nn-gram為了提升語(yǔ)言模型的上下文理解能力，深度學(xué)習(xí)技術(shù)與語(yǔ)言模型進(jìn)行結(jié)合產(chǎn)生了神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型（NeualNtworkLanguage長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）和門(mén)控循環(huán)單元（GRU）RNNRNN好地處理長(zhǎng)序列數(shù)據(jù)。nsormer預(yù)訓(xùn)練語(yǔ)言模型（PtainedLaguaeodels,PLMs）是一種通過(guò)在大規(guī)模語(yǔ)料庫(kù)上進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練的語(yǔ)言建模方法，旨在學(xué)習(xí)語(yǔ)言的通用表示。模型通過(guò)捕捉語(yǔ)言的統(tǒng)計(jì)規(guī)律和結(jié)構(gòu)信息，為自然語(yǔ)言處理（NLP）任務(wù)提供了強(qiáng)大的基礎(chǔ)。在預(yù)訓(xùn)練完成后，PLMs（fine-tuning）的方式，針對(duì)特定任務(wù)如機(jī)器翻譯、文本分類、情感分析等進(jìn)Bert近年來(lái)，隨著計(jì)算能力的飛速增強(qiáng)和大規(guī)模數(shù)據(jù)訓(xùn)練模型技術(shù)的崛起，生成式大語(yǔ)言模型（LeLanguaeModels,LLMs）以ChatGPT為代表，開(kāi)始嶄露頭角。這些模型通過(guò)擴(kuò)大預(yù)訓(xùn)練語(yǔ)言模型的規(guī)模和訓(xùn)練數(shù)據(jù)的范圍，能夠?qū)W習(xí)到更加復(fù)雜和精細(xì)的語(yǔ)言表示，進(jìn)而展現(xiàn)出令人矚目的語(yǔ)言生成和理解能力。LLMs人工智能大模型技術(shù)典型特征大模型達(dá)到一定規(guī)模后，會(huì)涌現(xiàn)出傳統(tǒng)語(yǔ)言模型以及中小規(guī)模預(yù)訓(xùn)練語(yǔ)言模型所不具備的特殊能力，使大模型在使用界面、應(yīng)用開(kāi)發(fā)方式、模型構(gòu)建過(guò)程和工程要求上也有深刻的變化。突出的“涌現(xiàn)”能力10大模型在自然語(yǔ)言處理（NLP）領(lǐng)域取得了突破性進(jìn)展，例如數(shù)學(xué)問(wèn)題解答、邏輯推理和多步推理等任務(wù)，主要體現(xiàn)在：上下文學(xué)習(xí)（In-ontlarning）：大模型能夠通過(guò)提供的自然語(yǔ)言指令或者提示語(yǔ)（pomt）中的個(gè)別任務(wù)示例引導(dǎo)，在沒(méi)有額外訓(xùn)練和參數(shù)更新的情況下，生成與指令或示例相符的期望輸出。例如，3BG-3指令遵循（Intrutionollwing）：通過(guò)使用自然語(yǔ)言描述的多任務(wù)數(shù)據(jù)集進(jìn)行指令微調(diào)（intrutiontunng），68B在未見(jiàn)過(guò)的多任務(wù)評(píng)估基準(zhǔn)測(cè)試中顯著優(yōu)于未調(diào)整的模型，8B（Step-by-step（如數(shù)學(xué)問(wèn)題時(shí)通常很困難。（chain-houghtC）提示機(jī)制來(lái)得出最終答案。這種能力通過(guò)在代碼上進(jìn)行訓(xùn)練而獲得，盡管這一點(diǎn)還需進(jìn)一步研究來(lái)驗(yàn)證，而逐步推理能力是使用大模型進(jìn)行復(fù)雜任務(wù)規(guī)劃、流程拆解的基礎(chǔ)。Prompt大模型深刻改變了人們使用IAI（Prompt）交互方式，使得應(yīng)用調(diào)用更為簡(jiǎn)單，只要掌握了提示語(yǔ)技巧，用戶也可以在各種任務(wù)中直接使用。統(tǒng)一的Prompt交互使得基于大模型的應(yīng)用能夠形成統(tǒng)一的“Copilot”型交互界面，便于標(biāo)準(zhǔn)化和形成用戶習(xí)慣。提示語(yǔ)設(shè)計(jì)需要考慮任務(wù)需求、期望輸出以及對(duì)模型能力的激發(fā)，除了角色、任務(wù)和指令定義說(shuō)明之外，在復(fù)雜任務(wù)求解中，為了引導(dǎo)大模型進(jìn)行上下文學(xué)習(xí)和逐步推理、多路徑推理、多答案評(píng)估、自我評(píng)估、流程拆解和串接等，還有各（ChainofThought）ofThought）（Self-Consistency）、反思（Reflection）、專家提示（ExpertPrompting）、鏈（Chains）、軌道（Rails）等，此外，自動(dòng)提示工程（APE）還可以通過(guò)大模型自身來(lái)生成提示語(yǔ)、評(píng)分和迭代，遞歸的使用大模型來(lái)創(chuàng)建高質(zhì)量的提示語(yǔ)，提升模型輸出質(zhì)量。高擴(kuò)展性的應(yīng)用框架API規(guī)劃和執(zhí)行能力的自主智能體（Agent）AgentAPI檢索增強(qiáng)生成（Retrieval-AugmentedGeneration，RAG）：RAG系統(tǒng)結(jié)合了信息檢索和大模型生成的能力，通過(guò)從外部知識(shí)源（如搜索引擎或知識(shí)圖譜）檢索相關(guān)信息，并將這些信息與輸入提示結(jié)合，以生成更準(zhǔn)確和豐富的回答。RAG能夠擴(kuò)展大模型的已有知識(shí)，并使大模型獲得對(duì)外部長(zhǎng)信息的處理能力。為了更好地利用RAG，研究者們還開(kāi)發(fā)了RAG-awareFLARE（Forward-lookingActiveRetrievalAugmentedGeneration）。FLARE規(guī)劃和執(zhí)行（Planandecue，P&E）：P&E是復(fù)雜任務(wù)多步執(zhí)行的基本方案，以機(jī)器人流程自動(dòng)化（obticpoessauomtion，RA）場(chǎng)景為例，P&ERA報(bào)表處理、自動(dòng)化測(cè)試等包含大量重復(fù)性步驟的任務(wù)。如果規(guī)劃中有未知步驟依賴于前導(dǎo)步驟的執(zhí)行結(jié)果，那么需要一邊大模型智能體（LLM-Agent）：AgentRAG、P&E（如APIs）的能力綜合，能夠感知環(huán)境、做出決策并執(zhí)行任務(wù)。大模型通過(guò)外部工具來(lái)擴(kuò)展其功能，這些工具可以是信息檢APIAetAPIToolformerTool-awareART（AutomaticMulti-stepasonngandol-use）APIOO（ReasoningwithoutObservation）and和DERA（Dialog-EnabledResolving等提示技術(shù)，使大模型能夠在沒(méi)有直接觀察的情況下推理，生成可執(zhí)行的步驟，以及在對(duì)話中解決問(wèn)題。綜上所述，大模型應(yīng)用框架涉及提示設(shè)計(jì)、外部知識(shí)整合、工具使用和智能體構(gòu)建等多個(gè)層面，這是一個(gè)具有廣泛適用性和高度可擴(kuò)展性的應(yīng)用框架，不同層面的優(yōu)化和整合，共同提升了大模型的實(shí)用性和智能化水平。高成本的訓(xùn)練和推理過(guò)程相比小規(guī)模的語(yǔ)言模型，大模型巨大的參數(shù)量對(duì)訓(xùn)練語(yǔ)料的數(shù)量和質(zhì)量都有更高的要求，訓(xùn)練流程更為復(fù)雜，訓(xùn)練周期更長(zhǎng)，對(duì)算力的要求也遠(yuǎn)高出小規(guī)模語(yǔ)言模型。大模型的訓(xùn)練過(guò)程包括語(yǔ)料收集和預(yù)處理、模型預(yù)訓(xùn)練、微調(diào)等階段。語(yǔ)料處理：大模型的能力很大程度上依賴于預(yù)訓(xùn)練語(yǔ)料庫(kù)的規(guī)模、質(zhì)量和預(yù)處理方式。預(yù)訓(xùn)練語(yǔ)料庫(kù)包括通用語(yǔ)料和專業(yè)語(yǔ)料，前者包括網(wǎng)頁(yè)、書(shū)籍、對(duì)話文本等，后者如多語(yǔ)言文本、代碼、專業(yè)領(lǐng)域的數(shù)據(jù)和文本等，賦予大模型通用的語(yǔ)言能力和泛化能力，以及專業(yè)知識(shí)。語(yǔ)料預(yù)處理需要去除語(yǔ)料中的噪聲（錯(cuò)誤、冗余、無(wú)關(guān)內(nèi)容如廣告、重復(fù)內(nèi)容、格式錯(cuò)誤、異常值等）以及隱私、敏感、有害內(nèi)容，并平衡各類語(yǔ)料的分布以增強(qiáng)模型的多樣性，最后是切詞處理，將語(yǔ)料轉(zhuǎn)換成可訓(xùn)練的格式。預(yù)訓(xùn)練（Peaining）：預(yù)訓(xùn)練之前要確定模型的架構(gòu)（anrmer如正則化、位置編碼、激活函數(shù)、注意力和偏置等，模型的規(guī)模配置如層數(shù)和各層單元數(shù)等）、預(yù)訓(xùn)練的具體任務(wù)（如語(yǔ)(MOE)）、訓(xùn)練過(guò)程中的優(yōu)化參數(shù)配置（Bch)、學(xué)習(xí)率、訓(xùn)練精度等）、并行訓(xùn)練（如數(shù)據(jù)并行、流水線并行、張量并行）與加速、穩(wěn)定性控制等（如定期檢查點(diǎn)）。預(yù)訓(xùn)練過(guò)程可以分成多個(gè)階段，每個(gè)階段在已有檢查點(diǎn)的基礎(chǔ)上，調(diào)整優(yōu)化參數(shù)的配置、預(yù)訓(xùn)練語(yǔ)料的構(gòu)成乃至預(yù)訓(xùn)練任務(wù)之后進(jìn)行繼續(xù)訓(xùn)練。微調(diào)（Fine-Tuning）：微調(diào)將預(yù)訓(xùn)練后的大模型（基礎(chǔ)模型，具備通用的語(yǔ)言能力）適配到目標(biāo)任務(wù)上，這通常需要在有標(biāo)注的語(yǔ)料集上進(jìn)行訓(xùn)練。微調(diào)包括指令微調(diào)和對(duì)齊，前者使用針對(duì)目標(biāo)任務(wù)所構(gòu)建的指令格式的語(yǔ)料集（典型的如問(wèn)答對(duì)）來(lái)繼續(xù)訓(xùn)練基礎(chǔ)模型，旨在增強(qiáng)（或解鎖）基礎(chǔ)模型在目標(biāo)任務(wù)上的能力，如監(jiān)督微調(diào)（SupervisedFine-unig）、多任務(wù)微調(diào)等；后者旨在使用經(jīng)過(guò)人類反饋校準(zhǔn)的語(yǔ)料將模型的行為與人的價(jià)值觀、偏好對(duì)齊，如基于人類反饋強(qiáng)化學(xué)習(xí)（einoementarningfomHumaneedack，RLHF）DPO（直接偏序優(yōu)化，DietPeeeneOtiition）等。此外，在具體應(yīng)用場(chǎng)景下還可以針對(duì)特定目標(biāo)進(jìn)行高效微調(diào)，如適配器微調(diào)（Adaerunig）、前綴微調(diào)（PrefixTuning）、提示微調(diào)（PromptTuning）和低秩適配（LoRA）等，它們通過(guò)在大模型中新增一些額外參數(shù)進(jìn)行訓(xùn)練，并不改動(dòng)大模型原有參數(shù)來(lái)將大模型適配到特定目標(biāo)上。大模型的推理過(guò)程（主要是解碼過(guò)程，即把用戶輸入從大模型中的內(nèi)部表示逐字生成出最終的文本輸出的過(guò)程）同樣是成本較高的。在不同任務(wù)中為了平衡準(zhǔn)確性、多樣性和生成速度，在解碼策略上也有多種考慮，如貪心搜索（GreedySearch，速度較快但可能損失連貫性）、束搜索（BeamSearch，連貫性好但速度慢）Sampling、（訓(xùn)練預(yù)訓(xùn)練、微調(diào)以及解碼策略等多個(gè)層面。巨大的算力消耗和對(duì)數(shù)據(jù)質(zhì)量、訓(xùn)練技巧的敏感性，使得預(yù)訓(xùn)練功能強(qiáng)大的大模在將大模型與人類的價(jià)值觀和偏好對(duì)齊、減少幻覺(jué)和安全風(fēng)險(xiǎn)的問(wèn)題上也存在很大的挑戰(zhàn)，這也加大了在實(shí)際應(yīng)用中二次微調(diào)大模型的風(fēng)險(xiǎn)，使得提示詞（Prompt）成為當(dāng)前大模型使用的主要途徑。人工智能大模型技術(shù)發(fā)展歷程及現(xiàn)狀大模型本質(zhì)上是對(duì)人類語(yǔ)言系統(tǒng)的一種人工智能建模技術(shù)，通過(guò)學(xué)習(xí)和融合巨量的自然語(yǔ)言、圖像、代碼等多種模態(tài)數(shù)據(jù)，已呈現(xiàn)出接近甚至超越人類的認(rèn)知、計(jì)算和推理能力，摘得了人工智能領(lǐng)域的圣杯—能夠順利通過(guò)由計(jì)算機(jī)科學(xué)的先驅(qū)艾倫·麥席森·1950（GenealArtificalIntelligence,GAI）的早期形態(tài)。大模型技術(shù)的發(fā)展歷程是自然語(yǔ)言處理、神經(jīng)網(wǎng)絡(luò)模型與加速計(jì)算技術(shù)深度融合和發(fā)展的產(chǎn)物。早期的自然語(yǔ)言處理分為規(guī)則學(xué)派和統(tǒng)計(jì)學(xué)派，前者試圖通過(guò)建構(gòu)系統(tǒng)的形式語(yǔ)言理論體系對(duì)自然語(yǔ)言建模，典型的代表是喬姆斯基范式；后202020GeoffHion1986LanguageModel，SLM）、神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型（NeuralLanguageModel，NLM）、預(yù)訓(xùn)練語(yǔ)言模型（PretrainLanguageModel，PLM）和大模型（LargeLanguageModel，LLM）。大模型四個(gè)階段的語(yǔ)言模型都屬于概率語(yǔ)言模型，將自然語(yǔ)言視為有先后順序的序列數(shù)據(jù)，其主要區(qū)別在于文本特征的表示方法以及語(yǔ)言序列概率的計(jì)算方法。統(tǒng)計(jì)語(yǔ)言模型以字符或詞組為基本語(yǔ)言要素，主要使用最大似然估計(jì)方法基于共現(xiàn)頻次計(jì)算語(yǔ)言基本要素共同出現(xiàn)的條件概率；神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型、預(yù)訓(xùn)練語(yǔ)言模型及大模型則使用稠密向量表示文本語(yǔ)義，并使用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)自然語(yǔ)言的內(nèi)在語(yǔ)義表達(dá)邏輯。因此，神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型、預(yù)訓(xùn)練語(yǔ)言模型以及大模型可以認(rèn)為是同一技術(shù)路線的不同發(fā)展階段，三者之間有著更加緊密和連續(xù)的關(guān)系，主要體現(xiàn)在從預(yù)訓(xùn)練語(yǔ)言模型相比神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型的進(jìn)展、大模型相比預(yù)訓(xùn)練模型的進(jìn)展、國(guó)內(nèi)大模型以及財(cái)務(wù)領(lǐng)域大模型應(yīng)用發(fā)展現(xiàn)狀四個(gè)方面。預(yù)訓(xùn)練語(yǔ)言模型GeoffHinonosuaBengio器翻譯等文本處理任務(wù)。Molov2013wod2vec（詞嵌入）表示文本語(yǔ)義特征的表示學(xué)習(xí)研究的大幕。之后，循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及自編碼器等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型。值得注意的是，OpenAI促使神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型向預(yù)訓(xùn)練模型演進(jìn)的另外一個(gè)里程碑式成果是2017年由谷歌學(xué)者asani等人提出的ansormerGPU2018BERTGPT編碼器模型只包含編碼器網(wǎng)絡(luò)。模型最初是為語(yǔ)言理解任務(wù)開(kāi)發(fā)的，如文本分類，其中模型需要為輸入文本預(yù)測(cè)一個(gè)EToBEa、XNtBET入文本轉(zhuǎn)換為嵌入向量序列；編碼器模塊，將嵌入向量轉(zhuǎn)換為上下文表示向量；全連接模塊，將表示向量（在最后一層）轉(zhuǎn)換為獨(dú)熱向量。BERT使用兩個(gè)目標(biāo)進(jìn)行預(yù)訓(xùn)練：掩蔽語(yǔ)言建模（MLM）和下一句預(yù)測(cè)。預(yù)訓(xùn)練的BERT模型可以通過(guò)添加分類器層進(jìn)行微調(diào)，適用于許多語(yǔ)言理解任務(wù)，從文本分類、問(wèn)答到語(yǔ)言推理，取得了當(dāng)時(shí)最領(lǐng)先的水平。OpenIGTGT為生成任務(wù)。-1別性微調(diào)，在多種自然語(yǔ)言任務(wù)上獲得領(lǐng)先表現(xiàn)。G-2了取得了在自然語(yǔ)言處理任務(wù)上的效果提升之外，其最大的收獲是經(jīng)驗(yàn)性的證明通過(guò)同時(shí)擴(kuò)大模型參數(shù)和提升訓(xùn)練數(shù)據(jù)的ChatGPT編碼器——解碼器模型旨在訓(xùn)練統(tǒng)一的模型用于各類自然語(yǔ)言理解和生成任務(wù)，典型代表T5和BART等。這類方法的基本思想是序列到序列的建模，實(shí)驗(yàn)數(shù)據(jù)證明和前兩類預(yù)訓(xùn)練模型項(xiàng)目，但編碼器——解碼器模型并沒(méi)有十分顯著的優(yōu)勢(shì)。大模型家譜在全球范圍內(nèi)主流大模型按其技術(shù)開(kāi)放度可以分為兩類：GPT系列模型代表的閉源大模型和LLaMa系列模型代表的開(kāi)源大模型，如圖1-1所示。GPT3GPT3text-davincicode-davinciGPT3.5TurboCODEXInstructGPTWebGPTWizardLMWizardLMLongGorillaVigogneKoalaVicunaGiraffeGuanacoMistralStableBeluga2CodeLLaMABaizeLLaMA家族Alpaca GPT2GPT1GPT2GPT1GPT4GPT家族GPT4VisionGPT4TurboG-1G-2G-3OpenAI202211G-31750理解和推理的上下文學(xué)習(xí)能力。20233CODEXG-3WebGTLLaMAMaLaaLLaMa-2，參數(shù)規(guī)模從70650LLaMaGPT國(guó)產(chǎn)大模型OpeAIT20232不斷有新的國(guó)產(chǎn)大模型面世。根據(jù)《生成式人工智能服務(wù)管理暫行辦法》，國(guó)內(nèi)大模型的提供商業(yè)服務(wù)前需要完成備案。202382023440國(guó)產(chǎn)大模型的核心方向是垂直行業(yè)的落地和應(yīng)用，也即應(yīng)用導(dǎo)向，注重產(chǎn)業(yè)生態(tài)建設(shè)。國(guó)產(chǎn)大模型的閉源代表是百度的文心系列大模型，其研發(fā)緊密跟隨OpenAI在產(chǎn)業(yè)應(yīng)用方面，除了智能客服、智能寫(xiě)作等場(chǎng)景，國(guó)產(chǎn)大模型還在財(cái)務(wù)、醫(yī)療、金融、教育等垂直領(lǐng)域持續(xù)發(fā)力，大模型的產(chǎn)業(yè)生態(tài)處于逐漸構(gòu)建的過(guò)程中。財(cái)務(wù)領(lǐng)域大模型財(cái)務(wù)作為企業(yè)運(yùn)營(yíng)的核心環(huán)節(jié)，對(duì)于數(shù)據(jù)處理、分析、預(yù)測(cè)等方面的需求尤為迫切，國(guó)產(chǎn)企業(yè)服務(wù)大模型的興起，為財(cái)務(wù)領(lǐng)域的智能化轉(zhuǎn)型提供了新的契機(jī)。財(cái)務(wù)領(lǐng)域?qū)Υ竽Ｐ偷男枨蟀〝?shù)據(jù)處理、智能分析與預(yù)測(cè)、自然語(yǔ)言交互和合規(guī)風(fēng)險(xiǎn)控制等多個(gè)方面。數(shù)據(jù)處理能力的提升大模型具備強(qiáng)大的數(shù)據(jù)處理能力，能夠快速、準(zhǔn)確地處理海量數(shù)據(jù)，為財(cái)務(wù)決策提供有力支持。智能化分析與預(yù)測(cè)財(cái)務(wù)決策需要基于對(duì)歷史數(shù)據(jù)的深入分析和對(duì)未來(lái)趨勢(shì)的準(zhǔn)確預(yù)測(cè)。大模型通過(guò)深度學(xué)習(xí)等技術(shù)，能夠挖掘數(shù)據(jù)中的潛在規(guī)律，為企業(yè)提供智能化的分析和預(yù)測(cè)服務(wù)，幫助企業(yè)在復(fù)雜多變的市場(chǎng)環(huán)境中把握機(jī)遇、規(guī)避風(fēng)險(xiǎn)。自然語(yǔ)言處理與交互財(cái)務(wù)工作涉及大量的文檔處理和信息交流。大模型具備自然語(yǔ)言處理能力，能夠理解并解析財(cái)務(wù)文檔中的信息，同時(shí)與企業(yè)財(cái)務(wù)人員進(jìn)行自然流暢的交互，提高工作效率和準(zhǔn)確性。合規(guī)性與風(fēng)險(xiǎn)控制財(cái)務(wù)工作對(duì)合規(guī)性和風(fēng)險(xiǎn)控制的要求極高。大模型通過(guò)內(nèi)置合規(guī)規(guī)則和風(fēng)險(xiǎn)控制模型，能夠幫助企業(yè)在遵循相關(guān)法律法規(guī)的前提下，有效識(shí)別和控制財(cái)務(wù)風(fēng)險(xiǎn)。目前，國(guó)內(nèi)外眾多科技企業(yè)紛紛布局財(cái)務(wù)領(lǐng)域的大模型市場(chǎng)，國(guó)內(nèi)財(cái)務(wù)服務(wù)領(lǐng)域的科技企業(yè)也相繼發(fā)布了企業(yè)服務(wù)大模型，在其產(chǎn)品中深度賦能財(cái)務(wù)領(lǐng)域相關(guān)智能業(yè)務(wù)，主要特性體現(xiàn)在以下幾個(gè)方面：（1）基于事項(xiàng)會(huì)計(jì)理論研發(fā)了新一代的智能會(huì)計(jì)產(chǎn)品，提供的精細(xì)、實(shí)時(shí)、多維的數(shù)據(jù)洞察能力，依托大模型技術(shù)，形成體系化的管理模型，為企業(yè)提供管理決策及價(jià)值創(chuàng)造服務(wù)。（2）將大模型能力嵌入業(yè)財(cái)融合的整體框架，重塑業(yè)財(cái)流程，洞察業(yè)務(wù)，優(yōu)化業(yè)務(wù)，并在此基礎(chǔ)上進(jìn)行價(jià)值創(chuàng)造。（3）大模型扮演財(cái)務(wù)業(yè)務(wù)生產(chǎn)力。如智能分析助手：利用大模型的生成能力和自然語(yǔ)言交互能力，用戶只需要利用自然語(yǔ)言進(jìn)行提問(wèn)，即可自動(dòng)生成可視化圖表和報(bào)告文字；智能經(jīng)營(yíng)分析可以整合不同領(lǐng)域的知識(shí)，通過(guò)深度數(shù)據(jù)挖掘，提供更全面的信息，為企業(yè)經(jīng)營(yíng)提供深度的診斷性分析；智能預(yù)測(cè)基于大模型的推理能力，智能感知企業(yè)生產(chǎn)、銷售、庫(kù)存等各領(lǐng)域的數(shù)據(jù)關(guān)聯(lián)和歸因，進(jìn)行推理式經(jīng)營(yíng)洞察，精準(zhǔn)預(yù)測(cè)未來(lái)企業(yè)效益；智能訂單盈利分析以訂單、品種、客戶、組織等多維度為分析對(duì)象，支撐企業(yè)從訂單入手挖掘利潤(rùn)提升點(diǎn)。人工智能大模型技術(shù)發(fā)展趨勢(shì)OpenAI2024年夏季發(fā)布的從技術(shù)發(fā)展、產(chǎn)業(yè)應(yīng)用和社會(huì)影響三個(gè)層面出發(fā)，大模型技術(shù)發(fā)展主要考慮的問(wèn)題是：如何實(shí)現(xiàn)通用人工智能，如何深入產(chǎn)業(yè)應(yīng)用，如何確保社會(huì)安全穩(wěn)定。這三個(gè)問(wèn)題決定了大模型技術(shù)的發(fā)展趨勢(shì)，也即實(shí)現(xiàn)通用人工智能、產(chǎn)業(yè)中的可靠應(yīng)用以及從技術(shù)層面考慮社會(huì)倫理和安全。更進(jìn)一步，大模型的智能原理需要理論性的解釋，大模型向通用人工智能的發(fā)展需要模型架構(gòu)和工程技術(shù)的進(jìn)步和完善；大模型在產(chǎn)業(yè)應(yīng)用中存在的幻想問(wèn)題和參數(shù)遺忘問(wèn)題需要得到有效解決；大模型模型架構(gòu)演進(jìn)為了實(shí)現(xiàn)通用人工智能以及更好的產(chǎn)業(yè)應(yīng)用，大型語(yǔ)言模型（LLMs）的架構(gòu)將繼續(xù)朝著模塊化和可擴(kuò)展方向發(fā)展。未來(lái)的模型將更加注重能效，采用先進(jìn)的算法和硬件協(xié)同設(shè)計(jì)，以減少能源消耗。自適應(yīng)學(xué)習(xí)機(jī)制有望幫助大模型能夠根據(jù)實(shí)時(shí)數(shù)據(jù)反饋進(jìn)行自主調(diào)整，提升適應(yīng)性。這個(gè)方面的發(fā)展趨勢(shì)主要體現(xiàn)在以下三個(gè)方面：（1）模型規(guī)模的增長(zhǎng)，規(guī)模效應(yīng)將進(jìn)一步提升大模型的智能水平；（2）架構(gòu)優(yōu)化，可能包括更高效的注意力機(jī)制以及模型壓縮技術(shù)，以減少計(jì)算和存儲(chǔ)需求；（3）多模態(tài)學(xué)習(xí)，大模型將越來(lái)越多地整合視覺(jué)、聽(tīng)覺(jué)等多模態(tài)信息，具備完整立體的信息理解和整合能力。訓(xùn)練方法創(chuàng)新應(yīng)用場(chǎng)景拓展大模型的應(yīng)用場(chǎng)景已經(jīng)在醫(yī)療、法律、教育等多個(gè)跨學(xué)科領(lǐng)域發(fā)揮重要作用，未來(lái)可能在更加廣泛的領(lǐng)域和社會(huì)生活場(chǎng)景中發(fā)揮作用。大模型有望通過(guò)深度融合知識(shí)和技術(shù)，提供更加精準(zhǔn)和個(gè)性化的服務(wù)。實(shí)時(shí)交互能力的提升將使大模型降低延遲，提高響應(yīng)速度。場(chǎng)景應(yīng)用的潛在方向可能包括：（1）LP；（2）垂直領(lǐng)域應(yīng)用，大模型將在特定垂直領(lǐng)域（如財(cái)務(wù)、金融、醫(yī)療等）發(fā)揮更大作用。（3）AIAI倫理和安全風(fēng)險(xiǎn)規(guī)避大模型有望對(duì)人類的生存方式產(chǎn)生巨大變革，其引發(fā)的社會(huì)變化和倫理風(fēng)險(xiǎn)有動(dòng)搖社會(huì)根基的可能性。因此，在社會(huì)倫理和安全方面，大模型的發(fā)展需要有更加嚴(yán)格的倫理框架約束，以確保技術(shù)進(jìn)步與社會(huì)責(zé)任相協(xié)調(diào)。大模型的可解釋性和透明度必須得到顯著提升，使得用戶和監(jiān)管機(jī)構(gòu)能夠更好地理解模型的決策過(guò)程。模型偏見(jiàn)問(wèn)題也需顯著改善，確保所有透明度和可解釋性；（2）偏見(jiàn)和公平性；（3）安全性和隱私保護(hù)。大模型發(fā)展趨勢(shì)展望將大模型與人類的生產(chǎn)和生活形成更緊密的協(xié)作關(guān)系，通過(guò)增強(qiáng)人類能力，實(shí)現(xiàn)人機(jī)共生的未來(lái)，這些趨勢(shì)是大模型在人類社會(huì)中發(fā)揮積極作用的必要考量。為了實(shí)現(xiàn)以上目標(biāo)，大模型的發(fā)展趨勢(shì)展望可以歸到以下三個(gè)方面：（1）通用人工智能，大模型的發(fā)展將為實(shí)現(xiàn)人工通用智能提供基礎(chǔ)。研究者將探索如何將大模型的學(xué)習(xí)能力與人類的認(rèn)知過(guò)程相結(jié)合；（2）跨學(xué)科融合，大模型的研究將與認(rèn)知科學(xué)、心理學(xué)、社會(huì)學(xué)等學(xué)科融合，以更全面地理解語(yǔ)言和智能；（3）國(guó)際合作與標(biāo)準(zhǔn)化，隨著大模型在全球范圍內(nèi)的應(yīng)用，國(guó)際合作和標(biāo)準(zhǔn)化將成為推動(dòng)人工智能技術(shù)健康發(fā)展的重要力量。人工智能大模型技術(shù)體系架構(gòu)概述人工智能大模型技術(shù)整體體系架構(gòu)人工智能大語(yǔ)言模型體系主要包含了數(shù)據(jù)處理、模型訓(xùn)練、模型部署、效果評(píng)估等核心內(nèi)容。（1）數(shù)據(jù)處理預(yù)訓(xùn)練數(shù)據(jù)處理包括數(shù)據(jù)獲取和清洗、預(yù)標(biāo)注。數(shù)據(jù)獲取追求全面性和代表性，通過(guò)多樣化的渠道如互聯(lián)網(wǎng)、書(shū)籍、有監(jiān)督微調(diào)訓(xùn)練數(shù)據(jù)處理側(cè)重于提升模型對(duì)特定任務(wù)的適應(yīng)性。首先，通過(guò)標(biāo)注者對(duì)數(shù)據(jù)進(jìn)行“有幫助”或“無(wú)害”通過(guò)多次迭代，評(píng)估模型在不同數(shù)據(jù)子集上的性能，從而判斷標(biāo)注數(shù)據(jù)的準(zhǔn)確性和質(zhì)量。這一過(guò)程有助于優(yōu)化模型性能，確保其在實(shí)際應(yīng)用中的有效性和可靠性。（2）模型訓(xùn)練①訓(xùn)練框架模型越大，在訓(xùn)練時(shí)越需提升總訓(xùn)練速度、縮短訓(xùn)練時(shí)間。大模型訓(xùn)練過(guò)程中影響模型訓(xùn)練速度的3個(gè)重要因素如公式2-1所示：總訓(xùn)練速度∝單卡速度*加速芯片數(shù)量*多卡加速比（公式2-1）其中單卡速度主要由運(yùn)算速度和數(shù)據(jù)讀取的快慢決定；加速芯片數(shù)量。理論上加速芯片的數(shù)量越多，模型訓(xùn)練越快；多卡加速比主要由計(jì)算、通訊效率決定，需要依賴算法和集群中的網(wǎng)絡(luò)拓?fù)溥M(jìn)行優(yōu)化。通過(guò)多卡優(yōu)化的技術(shù)手段，大規(guī)模的集成訓(xùn)練算力，提升訓(xùn)練速度。②模型預(yù)訓(xùn)練大模型預(yù)訓(xùn)練是深度學(xué)習(xí)領(lǐng)域的創(chuàng)新技術(shù)，尤其在自然語(yǔ)言處理中具有重要意義。預(yù)訓(xùn)練基于自監(jiān)督學(xué)習(xí)，利用大量未標(biāo)注的文本數(shù)據(jù)訓(xùn)練模型，使模型掌握語(yǔ)言的通用表示和深刻理解。預(yù)訓(xùn)練的核心在于設(shè)計(jì)有效的自監(jiān)督目標(biāo)，讓模型數(shù)據(jù)的質(zhì)量和多樣性對(duì)模型性能有顯著影響，數(shù)據(jù)越豐富，模型泛化能力越強(qiáng)。然而，這也增加了數(shù)據(jù)清洗和預(yù)處理的重以實(shí)現(xiàn)最佳性能。預(yù)訓(xùn)練階段是語(yǔ)言模型掌握知識(shí)的起始時(shí)期，訓(xùn)練過(guò)程投入高、算力消耗大，需要海量的語(yǔ)料支撐和大規(guī)模的分布式計(jì)算設(shè)施。③模型微調(diào)訓(xùn)練（Finetuning（NLP使模型學(xué)習(xí)到任務(wù)相關(guān)的知識(shí)，從而提升性能。微調(diào)時(shí)，首先選擇與目標(biāo)任務(wù)緊密相關(guān)的高質(zhì)量數(shù)據(jù)集，并確保數(shù)據(jù)集的armup、梯度裁剪和權(quán)重衰減等技術(shù)可以進(jìn)一步提高微調(diào)效果，穩(wěn)定訓(xùn)練過(guò)程，防止梯度爆炸，并減少過(guò)擬合。微調(diào)的類型主要分為二次預(yù)訓(xùn)練/全量微調(diào)和高效微調(diào)。全量微調(diào)（ullFineunig，F(xiàn)FT）調(diào)整預(yù)訓(xùn)練模型的所有參數(shù)以適應(yīng)下游任務(wù)，適用于任務(wù)與預(yù)訓(xùn)練模型差異較大的情形，但需要大量算力。而高效微調(diào)（aame-EfficientFineunng，PEFT）oRAPefituning效的微調(diào)。這些方法的選擇取決于特定任務(wù)的需求和可用的計(jì)算資源。（3）模型部署企業(yè)在決定部署財(cái)務(wù)大模型時(shí)，需要綜合考慮多個(gè)關(guān)鍵因素，以確保所選方案能夠滿足其業(yè)務(wù)需求和長(zhǎng)期戰(zhàn)略。企業(yè)在選擇公有部署還是私有化部署財(cái)務(wù)大模型時(shí)，需要權(quán)衡相關(guān)優(yōu)缺點(diǎn)因素，如表2-1所示。表2-1財(cái)務(wù)大模型部署方案優(yōu)缺點(diǎn)分析部署方案優(yōu)點(diǎn)缺點(diǎn)公有云部署按需付費(fèi)，減少初始投資可彈性伸縮，快速響應(yīng)業(yè)務(wù)變化IT可能存在數(shù)據(jù)泄露的風(fēng)險(xiǎn)無(wú)法完全根據(jù)企業(yè)特定需求定制模型依賴云服務(wù)商的網(wǎng)絡(luò)和計(jì)算資源，或引致延遲與性能波動(dòng)私有化部署本地存儲(chǔ)數(shù)據(jù)，便于訪問(wèn)控制和隱私保護(hù)可以根據(jù)企業(yè)的具體業(yè)務(wù)需求定制模型完全控制計(jì)算資源，優(yōu)化性能滿足實(shí)時(shí)需求需投資硬件和基礎(chǔ)設(shè)施，及承擔(dān)維護(hù)、運(yùn)營(yíng)成本IT雖然可以定制，但擴(kuò)展性可能不如云服務(wù)靈活①公有部署對(duì)算力的要求：G-3O-17B8V100GPU（每個(gè)GPU32GB）的服務(wù)器才能以合理的速度運(yùn)行。②私有化部署對(duì)算力的要求：私有化部署要求企業(yè)在本地或?qū)Ｓ玫脑骗h(huán)境中部署大模型，這通常涉及到對(duì)硬件的前期投資。對(duì)于7B（70億參數(shù)）大模型，推理的顯存需求大約為14GB，而微調(diào)則至少需要140GB的顯存。對(duì)于13B（130億參數(shù)）大模型，推理的顯存需求大約為26GB，保守估計(jì)需要32GB，微調(diào)的話，則至少需要260GB的顯存。（4）效果評(píng)估①常見(jiàn)的評(píng)測(cè)維度大模型評(píng)測(cè)涉及多個(gè)維度，首先是計(jì)算量評(píng)估，包括參數(shù)量、FLOPS（每秒實(shí)際做的浮點(diǎn)運(yùn)算數(shù)）、訓(xùn)練與推理時(shí)間，SuperGLUE（GeneralLanguageUnderstandingEvaluation）、RACE②常用的評(píng)測(cè)方法:(Bencharking)GUE，衡量任tesseting)A/B(Comativeetng)SA(Ma-Assssmens)(ModelDiagnosis)③技術(shù)挑戰(zhàn)與解決方案復(fù)雜計(jì)算準(zhǔn)確性：GTansormer2+2等于多少？”，GPT將其作為文本生成任務(wù)處理，通過(guò)識(shí)別輸入模式生成答案，而非直接進(jìn)行數(shù)學(xué)計(jì)算。GPT的回答依賴于訓(xùn)練數(shù)據(jù)中的數(shù)學(xué)知識(shí)，模型大小和參數(shù)擬合程度影響其數(shù)學(xué)問(wèn)題解答能力。結(jié)果不確定性：大模型不確定性源自隨機(jī)性和泛化性，導(dǎo)致相同問(wèn)題可能產(chǎn)生不同回復(fù)。這種不確定性可產(chǎn)生多樣化文本，也導(dǎo)致結(jié)果的解釋性、可靠性和準(zhǔn)確性不足，影響可信度。交互長(zhǎng)度限制：為了保證用戶交互過(guò)程中的性能，各大模型限制了單次交互中處理的是模型理解Turbo、4096、800032000。人工智能大模型技術(shù)分類二十一世紀(jì)的科技浪潮中，人工智能將是推動(dòng)著人類科技進(jìn)步的重要源泉。人工智能大模型的技術(shù)特點(diǎn)、模型規(guī)模、模型架構(gòu)等多個(gè)維度將會(huì)揭示這一領(lǐng)域的內(nèi)在邏輯和未來(lái)潛力。（1）技術(shù)特點(diǎn)大模型根據(jù)技術(shù)特點(diǎn)可分為生成式、理解式、自監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等類型。生成式模型（GenetiveModels）的目標(biāo)是學(xué)習(xí)數(shù)據(jù)聯(lián)合概率分布，并生成新的數(shù)據(jù)樣本。這類模型通?；诟怕史植迹瑒?chuàng)建與訓(xùn)練數(shù)據(jù)類似的新內(nèi)容。生成式模型旨在學(xué)習(xí)現(xiàn)有數(shù)據(jù)分布，據(jù)此生成新數(shù)據(jù)實(shí)例。它們一般采用概率圖模型(GANs)VAEs)生成新數(shù)據(jù)點(diǎn)。理解式模型（Underandingoel）支持推理從數(shù)據(jù)中提取出來(lái)的信息。這類模型能夠?qū)斎氲臄?shù)據(jù)進(jìn)行解釋。理自監(jiān)督學(xué)習(xí)模型（Self-SupervisedLearningModels）通過(guò)從數(shù)據(jù)本身生成監(jiān)督信號(hào)來(lái)訓(xùn)練，無(wú)需人工標(biāo)注。這類模型通過(guò)預(yù)測(cè)數(shù)據(jù)的某些部分或?qū)傩詠?lái)學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。自監(jiān)督學(xué)習(xí)模型通過(guò)設(shè)計(jì)預(yù)測(cè)任務(wù)，使模型在沒(méi)有顯式標(biāo)注的情況下學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。例如，模型可能被訓(xùn)練來(lái)預(yù)測(cè)數(shù)據(jù)的一部分，或者重建數(shù)據(jù)的缺失部分。這種方法利用了數(shù)據(jù)本身的結(jié)構(gòu)信息，減少了對(duì)標(biāo)注數(shù)據(jù)的依賴。強(qiáng)化學(xué)習(xí)模型（enoemetarningModls）通過(guò)與環(huán)境不斷互動(dòng)，學(xué)習(xí)能最大化累積獎(jiǎng)賞的策略。這種模型在決策過(guò)程中會(huì)持續(xù)學(xué)習(xí)并自我調(diào)整。強(qiáng)化學(xué)習(xí)模型的本質(zhì)是通過(guò)與環(huán)境進(jìn)行交互，不斷學(xué)習(xí)獲取最優(yōu)決策策略。在這一過(guò)程中，模型執(zhí)行動(dòng)作后會(huì)收到環(huán)境的反饋，并根據(jù)這些反饋動(dòng)態(tài)調(diào)整自身行為，以期最大化長(zhǎng)期累積獲得的獎(jiǎng)賞。（2）模型規(guī)模人工智能大模型的分類可依據(jù)其規(guī)模，即模型包含的參數(shù)數(shù)量，并且參數(shù)數(shù)量越多的模型，越能完成復(fù)雜的數(shù)據(jù)處理。（如BERT等泛化能力強(qiáng)，能夠捕捉到更多的數(shù)據(jù)模式。大型模型特征提取能力強(qiáng)，能夠從數(shù)據(jù)中提取深層特征，處理復(fù)雜的數(shù)據(jù)集。但大型模型的訓(xùn)練和運(yùn)行往往需要海量的計(jì)算資源作為支撐，部署可能受到硬件限制，訓(xùn)練過(guò)程可能非常耗時(shí)，需要長(zhǎng)時(shí)間的數(shù)據(jù)迭代和優(yōu)化，它通常被視為“黑箱”，決策過(guò)程難以理解和解釋。小型人工智能模型的優(yōu)勢(shì)集中在資源效率高、部署靈活、訓(xùn)練快速和可解釋性好上。小型模型需要較少的計(jì)算資源，更容易部署到各種平臺(tái)上，訓(xùn)練和推理速度通常更快，適合需要實(shí)時(shí)反饋的應(yīng)用場(chǎng)景，由于模型結(jié)構(gòu)簡(jiǎn)單，小型模型的決策過(guò)程相對(duì)更容易理解和解釋。但在數(shù)據(jù)模式復(fù)雜或數(shù)據(jù)量大的情況下，小型模型可能在處理復(fù)雜任務(wù)時(shí)性能不足，在新數(shù)據(jù)上的泛化能力也不如大型模型，小型模型可能需要精心設(shè)計(jì)的數(shù)據(jù)處理和特征工程來(lái)彌補(bǔ)其在復(fù)雜度上的不足。（3）模型架構(gòu)人工智能的大型模型是根據(jù)其構(gòu)建結(jié)構(gòu)進(jìn)行分類的。這些模型架構(gòu)，定義了模型解析數(shù)據(jù)和執(zhí)行學(xué)習(xí)任務(wù)的方法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）：卷積神經(jīng)網(wǎng)絡(luò)在圖像處理及視覺(jué)識(shí)別任務(wù)中頗具效力，卷積層提取圖像局部特征，池化層降低特征空間維度，全連接層實(shí)現(xiàn)分類或回歸。該模型對(duì)圖像數(shù)據(jù)中的局部模式及空間層次結(jié)構(gòu)敏銳，但非圖像數(shù)據(jù)(如文本或序列)表現(xiàn)不佳，且參數(shù)量較多，存在過(guò)擬合風(fēng)險(xiǎn)。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）：循環(huán)神經(jīng)網(wǎng)絡(luò)常用于自然語(yǔ)言處理（如語(yǔ)言模型、機(jī)器翻譯）、時(shí)間序列預(yù)測(cè)、語(yǔ)音識(shí)別等它能夠處理任意長(zhǎng)度的序列數(shù)據(jù)，捕捉時(shí)間依賴性，但難以處理長(zhǎng)序列數(shù)據(jù)（梯度消失或爆炸問(wèn)題），且計(jì)算效率較低。變換器（Transformer）：變換器模型基于自注意力機(jī)制，能夠同時(shí)處理序列中的所有元素，捕捉全局依賴性，特別適用于大規(guī)模語(yǔ)言模型（如BERT、GPT）、機(jī)器翻譯和文本生成任務(wù)。它并行化能力強(qiáng)，適合處理長(zhǎng)序列數(shù)據(jù)，能夠捕捉長(zhǎng)距離依賴。但模型訓(xùn)練過(guò)程需要大量計(jì)算資源，對(duì)數(shù)據(jù)量要求高。生成對(duì)抗網(wǎng)絡(luò)（GAN）：生成對(duì)抗網(wǎng)絡(luò)由生成器與判別器兩部分構(gòu)建，生成器創(chuàng)建數(shù)據(jù)樣本，判別器評(píng)判數(shù)據(jù)真?zhèn)?，兩者相互?duì)抗、相互提升，不斷優(yōu)化生成數(shù)據(jù)質(zhì)量。此種模型架構(gòu)常用于圖像、音頻生成、風(fēng)格遷移、數(shù)據(jù)增強(qiáng)、超分辨率等任務(wù)。它能生成高質(zhì)量逼真數(shù)據(jù)實(shí)例，但訓(xùn)練過(guò)程或存在不穩(wěn)定性，需要精心設(shè)計(jì)架構(gòu)與訓(xùn)練策略。自編碼器（Autoencoders）：自編碼器架構(gòu)包含編碼器與解碼器兩部分，前者將輸入數(shù)據(jù)壓縮為低維表征，后者則重構(gòu)原始輸入數(shù)據(jù)。自編碼器常應(yīng)用于數(shù)據(jù)去噪、特征提取、降維、生成模型等領(lǐng)域，展現(xiàn)出優(yōu)秀的數(shù)據(jù)處理能力。這種架構(gòu)方式能夠?qū)W習(xí)數(shù)據(jù)的壓縮表示，有助于數(shù)據(jù)可視化和去噪，但對(duì)于非線性數(shù)據(jù)的表示能力有限，可能難以捕捉復(fù)雜數(shù)據(jù)結(jié)構(gòu)。人工智能大模型技術(shù)賦能財(cái)務(wù)概述數(shù)字經(jīng)濟(jì)的創(chuàng)新迭代和數(shù)字化轉(zhuǎn)型的快速發(fā)展，促進(jìn)人工智能技術(shù)在財(cái)務(wù)領(lǐng)域的應(yīng)用日趨深入，而大模型將擴(kuò)大人工智能在財(cái)務(wù)領(lǐng)域應(yīng)用的深度與范圍，并將從多個(gè)維度重構(gòu)企業(yè)財(cái)務(wù)管理。首先，大模型技術(shù)的應(yīng)用，將結(jié)構(gòu)化的財(cái)務(wù)數(shù)據(jù)處理過(guò)程延伸到非結(jié)構(gòu)化的業(yè)務(wù)數(shù)據(jù)處理，擴(kuò)大了財(cái)務(wù)人員對(duì)于數(shù)據(jù)管理的范圍，并且從交互層面重構(gòu)用戶體驗(yàn)；其次，最后，在大數(shù)據(jù)時(shí)代對(duì)海量財(cái)務(wù)數(shù)據(jù)的深度挖掘和分析的基礎(chǔ)上，大模型為管理者提供更全面更客觀的分析框架，對(duì)財(cái)務(wù)決策提供有力支持。隨著人工智能大模型技術(shù)的不斷發(fā)展，將會(huì)在越來(lái)越多的財(cái)務(wù)管理工作中發(fā)揮作用。人工智能大模型技術(shù)賦能財(cái)務(wù)總體情況（1）人工智能大模型賦能財(cái)務(wù)發(fā)展前景2024+AI業(yè)的重要一步。財(cái)務(wù)管理一直是人工智能技術(shù)應(yīng)用的重要領(lǐng)域，大模型技術(shù)如何賦能財(cái)務(wù)管理，也成為了當(dāng)前企業(yè)數(shù)字化轉(zhuǎn)型的熱門(mén)話題。20237ChatGPT查顯示，調(diào)查對(duì)象對(duì)大模型的看法較為積極：一方面，大模型的應(yīng)用可以應(yīng)對(duì)自動(dòng)化流程型工作，從而提高財(cái)務(wù)日常工作的效率；另一方面，大模型可以通過(guò)加載數(shù)據(jù)挖掘算法，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的分析和決策體系的輸出。調(diào)查對(duì)象認(rèn)為大模型對(duì)BP、投融資管理、風(fēng)控3-1會(huì)計(jì)核算成本管理預(yù)算管理財(cái)務(wù)報(bào)告稅務(wù)管理內(nèi)部審計(jì)風(fēng)控合規(guī)資金管理BP外部審計(jì)財(cái)務(wù)戰(zhàn)略

3-1

4.142.652.722.652.722.582.601.652.14 2.481.902.111.441.54隨著數(shù)字化轉(zhuǎn)型的深入，企業(yè)對(duì)財(cái)務(wù)管理的需求日益增長(zhǎng)，特別是在數(shù)據(jù)驅(qū)動(dòng)決策、業(yè)務(wù)與財(cái)務(wù)融合、風(fēng)險(xiǎn)管理以及成本控制等方面。人工智能大模型技術(shù)以其強(qiáng)大的數(shù)據(jù)處理能力和智能化分析優(yōu)勢(shì)，成為財(cái)務(wù)管理創(chuàng)新的關(guān)鍵驅(qū)動(dòng)力。財(cái)務(wù)領(lǐng)域?qū)τ谌斯ぶ悄苄枨蠓浅V泛，重點(diǎn)包括以下幾個(gè)方向：數(shù)據(jù)驅(qū)動(dòng)決策的需求在當(dāng)前的商業(yè)環(huán)境中，數(shù)據(jù)已成為企業(yè)最寶貴的資產(chǎn)之一。企業(yè)需要從海量的財(cái)務(wù)和業(yè)務(wù)數(shù)據(jù)中提取有價(jià)值的洞察，以支持戰(zhàn)略規(guī)劃和日常運(yùn)營(yíng)決策。I更加精準(zhǔn)的決策。業(yè)務(wù)與財(cái)務(wù)的深度融合傳統(tǒng)的財(cái)務(wù)管理往往與業(yè)務(wù)運(yùn)營(yíng)相對(duì)獨(dú)立，導(dǎo)致信息孤島和效率低下。隨著企業(yè)對(duì)一體化管理的追求，人工智能大模型技術(shù)可以幫助實(shí)現(xiàn)業(yè)務(wù)流程與財(cái)務(wù)管理的無(wú)縫對(duì)接，通過(guò)自動(dòng)化工具和智能分析，提升財(cái)務(wù)數(shù)據(jù)的透明度和業(yè)務(wù)決策的效率。風(fēng)險(xiǎn)管理和合規(guī)性要求在全球化經(jīng)營(yíng)和監(jiān)管環(huán)境日益嚴(yán)格的背景下，企業(yè)面臨著復(fù)雜的風(fēng)險(xiǎn)管理和合規(guī)挑戰(zhàn)。人工智能大模型技術(shù)可以用于構(gòu)建風(fēng)險(xiǎn)評(píng)估模型，實(shí)時(shí)監(jiān)控財(cái)務(wù)活動(dòng)，預(yù)測(cè)潛在風(fēng)險(xiǎn)，并提供合規(guī)性建議，從而降低企業(yè)運(yùn)營(yíng)風(fēng)險(xiǎn)。成本控制和效率提升成本控制是企業(yè)財(cái)務(wù)管理的核心任務(wù)之一。人工智能大模型技術(shù)可以通過(guò)自動(dòng)化處理財(cái)務(wù)流程，減少人工錯(cuò)誤和提高工作效率，同時(shí)通過(guò)智能分析幫助企業(yè)發(fā)現(xiàn)成本節(jié)約的潛在領(lǐng)域，實(shí)現(xiàn)成本優(yōu)化。人工智能技術(shù)正在改變財(cái)務(wù)管理的面貌。隨著技術(shù)的不斷進(jìn)步，預(yù)計(jì)未來(lái)人工智能將在財(cái)務(wù)管理中扮演更加重要的角色，幫助企業(yè)實(shí)現(xiàn)更高效、更智能的財(cái)務(wù)管理。人工智能大模型技術(shù)為財(cái)務(wù)管理帶來(lái)了革命性的變化，滿足了企業(yè)在數(shù)據(jù)驅(qū)動(dòng)財(cái)務(wù)管理的智能化水平，增強(qiáng)競(jìng)爭(zhēng)力。（2）人工智能大模型在財(cái)務(wù)領(lǐng)域的應(yīng)用分析ITIT著人工智能技術(shù)的發(fā)展，企業(yè)構(gòu)建完整的、先進(jìn)的數(shù)字化系統(tǒng)門(mén)檻越來(lái)越高。大模型相比于過(guò)去的人工智能技術(shù)，具有更大規(guī)模的神經(jīng)網(wǎng)絡(luò)，用更多的數(shù)據(jù)進(jìn)行訓(xùn)練，具備更強(qiáng)的適應(yīng)性和多模態(tài)的生成能力及交互能力，實(shí)現(xiàn)了從感知智能到認(rèn)ITSaaSIT同時(shí)，人工智能大模型封裝更為完整，對(duì)普通用戶幾乎屏蔽了底層代碼的特性，使其應(yīng)用門(mén)檻更低，交付成本更低，應(yīng)用范圍更廣。大模型能極好地理解和把握用戶意圖，具備多輪溝通對(duì)話、記憶、歸納和演繹能力，給財(cái)務(wù)智能化升級(jí)提供了更大的應(yīng)用空間。企業(yè)管理類SaaS服務(wù)提供商已經(jīng)開(kāi)始探索大模型在財(cái)務(wù)領(lǐng)域的應(yīng)用實(shí)踐，如圖3-2所示，主要有兩個(gè)方向：‘一是構(gòu)建大模型應(yīng)用平臺(tái)，提供大模型接入、任務(wù)編排、提示開(kāi)發(fā)等功能，將成熟的第三方通用大模型與財(cái)務(wù)數(shù)字化IT例如整合系統(tǒng)取數(shù)計(jì)算能力與大模型交互能力，在復(fù)雜的外部環(huán)境下完成財(cái)務(wù)管理的工作任務(wù)。二是構(gòu)建專注于財(cái)務(wù)管理的垂域大模型，利用上市公司公開(kāi)披露的海量財(cái)報(bào)數(shù)據(jù)及解讀文章進(jìn)行訓(xùn)練，然后在企業(yè)應(yīng)用過(guò)程中通過(guò)微調(diào)或提示詞工程進(jìn)一步優(yōu)化，讓大模型具備更精準(zhǔn)的財(cái)務(wù)理解能力。構(gòu)建財(cái)務(wù)垂域大模型，主要基于兩方需要解決模型本地化的問(wèn)題，垂域大模型可以較低成本實(shí)現(xiàn)本地化部署的需求；二是財(cái)務(wù)精準(zhǔn)度的問(wèn)題，企業(yè)有自己內(nèi)部的語(yǔ)言環(huán)境，比如對(duì)一些固定的業(yè)務(wù)對(duì)象形成約定俗成的簡(jiǎn)稱，并且高頻使用，這些簡(jiǎn)稱在企業(yè)外部可能無(wú)明確的含義，通用大模型對(duì)含有這些簡(jiǎn)稱的句子就無(wú)法準(zhǔn)確理解。如果用企業(yè)內(nèi)部對(duì)話的大數(shù)據(jù)來(lái)訓(xùn)練或微調(diào)模型，則能夠讓大模型在企業(yè)內(nèi)部場(chǎng)景下更精準(zhǔn)地理解用戶意圖。在業(yè)務(wù)咨詢、單據(jù)附件理解等方面，經(jīng)過(guò)本地微調(diào)過(guò)的大模型可能是更優(yōu)的解決方案。虛假貿(mào)易篩查 ……虛假貿(mào)易篩查 ……財(cái)務(wù)指標(biāo)分析財(cái)務(wù)AI助手智能問(wèn)詢 智能預(yù)測(cè)智能報(bào)告生成智能審核提示語(yǔ)工程提示語(yǔ)工程財(cái)務(wù)大模型繼續(xù)預(yù)訓(xùn)練 模型微財(cái)務(wù)知識(shí)庫(kù) 通用大模型+開(kāi)源大模型 圖3-2財(cái)務(wù)大模型框架在數(shù)字化轉(zhuǎn)型浪潮的推動(dòng)下，人工智能技術(shù)在財(cái)務(wù)管理領(lǐng)域的應(yīng)用已經(jīng)成為企業(yè)提升效率、優(yōu)化決策的重要手段。人工智能技術(shù)在財(cái)務(wù)管理眾多場(chǎng)景已經(jīng)有了一定程度的推進(jìn)和落地。智能化會(huì)計(jì)核算人工智能技術(shù)的應(yīng)用使得會(huì)計(jì)核算過(guò)程更加自動(dòng)化和智能化。財(cái)務(wù)人員通過(guò)機(jī)器學(xué)習(xí)和自然語(yǔ)言處理（NLP），系統(tǒng)能夠自動(dòng)識(shí)別和分類會(huì)計(jì)憑證，實(shí)現(xiàn)自動(dòng)化的賬目處理和實(shí)時(shí)的財(cái)務(wù)報(bào)告生成。這不僅提高了核算的準(zhǔn)確性，還顯著提升了財(cái)務(wù)團(tuán)隊(duì)的工作效率。預(yù)算管理與預(yù)測(cè)在預(yù)算管理方面，人工智能技術(shù)通過(guò)分析歷史數(shù)據(jù)和市場(chǎng)趨勢(shì)，為企業(yè)提供更加精準(zhǔn)的預(yù)算編制和滾動(dòng)預(yù)測(cè)。人工智能大模型能夠識(shí)別潛在的財(cái)務(wù)風(fēng)險(xiǎn)，幫助管理層做出更加合理的資源分配決策。合并報(bào)表與財(cái)務(wù)報(bào)告人工智能技術(shù)在合并報(bào)表的自動(dòng)化處理中發(fā)揮著重要作用。財(cái)務(wù)人員通過(guò)智能算法，系統(tǒng)能夠自動(dòng)執(zhí)行復(fù)雜的抵消和風(fēng)險(xiǎn)管理與合規(guī)監(jiān)控人工智能技術(shù)在風(fēng)險(xiǎn)管理和合規(guī)監(jiān)控方面展現(xiàn)出巨大潛力。財(cái)務(wù)人員通過(guò)構(gòu)建風(fēng)險(xiǎn)評(píng)估模型，人工智能能夠?qū)崟r(shí)監(jiān)控財(cái)務(wù)活動(dòng)，預(yù)測(cè)潛在的財(cái)務(wù)風(fēng)險(xiǎn)，并提供合規(guī)性建議。這有助于企業(yè)提前采取行動(dòng)，降低運(yùn)營(yíng)風(fēng)險(xiǎn)。成本控制與優(yōu)化在成本控制方面，人工智能技術(shù)通過(guò)分析成本數(shù)據(jù)，幫助企業(yè)識(shí)別成本節(jié)約的機(jī)會(huì)。智能成本分析工具能夠提供深入的成本驅(qū)動(dòng)因素分析，支持企業(yè)在成本管理上做出更加精細(xì)化的決策。電子憑證與檔案管理人工智能技術(shù)在電子憑證和檔案管理中的應(yīng)用，提高了數(shù)據(jù)的安全性和可追溯性。財(cái)務(wù)人員通過(guò)自動(dòng)化的憑證識(shí)別和歸檔流程，能夠更有效地管理財(cái)務(wù)文檔，同時(shí)確保符合相關(guān)法規(guī)要求。財(cái)務(wù)共享服務(wù)中心人工智能技術(shù)在財(cái)務(wù)共享服務(wù)中心的應(yīng)用，實(shí)現(xiàn)了財(cái)務(wù)流程的自動(dòng)化和智能化。財(cái)務(wù)共享服務(wù)中心通過(guò)智能客服、自動(dòng)化審批流程和智能分析工具，能夠提供更加高效和標(biāo)準(zhǔn)化的服務(wù)。人工智能大模型技術(shù)賦能財(cái)務(wù)基本框架人工智能大模型技術(shù)在財(cái)務(wù)管理中的應(yīng)用框架，通過(guò)結(jié)合其分析、推理和生成能力，可以按照以下維度構(gòu)建：數(shù)據(jù)處理與分析能力推理與決策支持風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)：通過(guò)推理能力，人工智能大模型可以預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)，如信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)等，并為風(fēng)險(xiǎn)管理提供決策支持。預(yù)算與資源優(yōu)化：人工智能大模型能夠基于歷史數(shù)據(jù)和市場(chǎng)變化，推理出最優(yōu)的預(yù)算分配和資源配置策略。生成與自動(dòng)化自動(dòng)化報(bào)告生成：人工智能大模型可以自動(dòng)生成財(cái)務(wù)報(bào)告，如利潤(rùn)表、資產(chǎn)負(fù)債表等，提高報(bào)告生成的效率和準(zhǔn)確性。智能決策建議：基于分析和推理結(jié)果，人工智能大模型能夠生成具體的財(cái)務(wù)決策建議，輔助管理層做出決策。自動(dòng)化流程執(zhí)行：人工智能大模型可以自動(dòng)化執(zhí)行財(cái)務(wù)流程，如自動(dòng)對(duì)賬、自動(dòng)付款等，減少人工干預(yù)，提高工作效率。場(chǎng)景應(yīng)用智能會(huì)計(jì)：在會(huì)計(jì)核算中，人工智能大模型可以自動(dòng)化處理會(huì)計(jì)分錄，提高核算的準(zhǔn)確性和效率。財(cái)務(wù)分析：在財(cái)務(wù)分析中，人工智能大模型可以生成多維度的分析報(bào)告，支持管理層的戰(zhàn)略規(guī)劃。風(fēng)險(xiǎn)管理：在風(fēng)險(xiǎn)管理中，人工智能大模型可以實(shí)時(shí)監(jiān)控財(cái)務(wù)風(fēng)險(xiǎn)，提供預(yù)警和應(yīng)對(duì)策略。合規(guī)監(jiān)控：在合規(guī)監(jiān)控中，人工智能大模型可以自動(dòng)檢查財(cái)務(wù)活動(dòng)的合規(guī)性，確保企業(yè)遵守相關(guān)法規(guī)。技術(shù)集成與平臺(tái)支持智能中臺(tái)：構(gòu)建以人工智能大模型為核心的智能中臺(tái)，提供數(shù)據(jù)處理、分析、推理和生成的一體化服務(wù)。APIAPI3-3面員工、提升體驗(yàn) 面員工、提升體驗(yàn) 崗位員工、提升效率和專業(yè)度 面者，提升決策質(zhì)量財(cái)務(wù)助手財(cái)務(wù)領(lǐng)域場(chǎng)景AI風(fēng)險(xiǎn)建模 智能收款認(rèn)領(lǐng) 查詢助手風(fēng)險(xiǎn)建模 智能收款認(rèn)領(lǐng) 查詢助手共享客服 檔案助手 報(bào)告生投融資建議 稅優(yōu)識(shí)別 ……財(cái)務(wù)政策問(wèn)答稅務(wù)政策問(wèn)答對(duì)標(biāo)分析 預(yù)算預(yù)測(cè)結(jié)賬助手對(duì)賬助手記賬助手單據(jù)智能審核共享運(yùn)營(yíng)分析財(cái)務(wù)指標(biāo)分析 風(fēng)險(xiǎn)分析發(fā)票助手報(bào)銷助手…………RPA視覺(jué)識(shí)別（……）（理解、推理、創(chuàng)意、……）智能技術(shù)圖3-3大模型賦能財(cái)務(wù)框架智能技術(shù)3-4AIAIRA費(fèi)用管理①往來(lái)管理②資產(chǎn)管理③核算報(bào)告④預(yù)算管理⑤資金管理⑥共享中心⑦管理會(huì)計(jì)⑧稅務(wù)管理⑨然語(yǔ)言）.&然語(yǔ)言）.3OCR）.OCR）語(yǔ)音費(fèi)用.）.）

.C則擎）引擎）.引擎）引擎）擎）.引擎）引擎）.尾引擎）..下發(fā)票.匹配則引擎）.規(guī)則引擎）.對(duì)賬.0A據(jù)引擎）引擎）.1認(rèn)

.）然語(yǔ)言）.自然語(yǔ)言）規(guī)則引擎）.C、規(guī)則引擎）租賃的決/（自然語(yǔ)言）

RPA）RPA）.、RPA）RPA）4.、機(jī)器人機(jī)器人（實(shí)體4.6.歸檔別）.識(shí)別）.）

習(xí)）.學(xué)5.習(xí)）.學(xué)5.）音識(shí)別）.語(yǔ)4音識(shí)別）.語(yǔ)4.月結(jié)擎）習(xí)）5.學(xué)習(xí)）5.學(xué).編制擎）然語(yǔ)言）.自.然語(yǔ)言）.自.編制機(jī)器學(xué)習(xí)）.）.）付款流水智收款流水智..1度.1度

7.1數(shù)據(jù)挖掘）（機(jī)器學(xué)習(xí)、.、數(shù)據(jù)挖掘）（機(jī)器學(xué)習(xí)、3數(shù)據(jù)挖掘）.、數(shù)據(jù)挖掘）5.）.）

引擎、..）.）.）動(dòng)申報(bào)（規(guī)則RPA）RPA）.、RPA）.）.）.則引擎）.）引擎）.）.0成能推薦（能推薦（.2撥AIAIAIAI個(gè)員工通過(guò)自然語(yǔ)言交互的方式來(lái)獲取財(cái)務(wù)服務(wù)；面向?qū)I(yè)崗位的專員助手，通過(guò)智能化的手段提升財(cái)務(wù)效率和專業(yè)度；面向管理者的決策助手，以數(shù)據(jù)驅(qū)動(dòng)、智能驅(qū)動(dòng)的方式來(lái)增強(qiáng)決策能力。人工智能大模型技術(shù)賦能財(cái)務(wù)實(shí)現(xiàn)路徑人工智能大模型技術(shù)賦能財(cái)務(wù)的路徑規(guī)劃是一個(gè)系統(tǒng)化的過(guò)程，旨在通過(guò)集成先進(jìn)的人工智能技術(shù)，全面提升財(cái)務(wù)管理的智能化水平。人工智能大模型技術(shù)賦能財(cái)務(wù)的路徑從深入分析企業(yè)財(cái)務(wù)管理的具體需求開(kāi)始，包括對(duì)會(huì)計(jì)核算、財(cái)務(wù)報(bào)告、成本控制、預(yù)算管理、風(fēng)險(xiǎn)評(píng)估和合規(guī)性監(jiān)控等方面的細(xì)致考量，再到通過(guò)整合和預(yù)處理大量的財(cái)務(wù)和業(yè)務(wù)數(shù)據(jù)，為大模型的訓(xùn)練和開(kāi)發(fā)提供堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。在模型開(kāi)發(fā)階段，企業(yè)需要選擇合適的大模型架構(gòu)，并利用歷史數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，確保模型的準(zhǔn)確性和可靠性。然后將訓(xùn)練好的模型集成到現(xiàn)有的財(cái)務(wù)系統(tǒng)中，實(shí)現(xiàn)流程自動(dòng)化和決策優(yōu)化，如自動(dòng)生成財(cái)務(wù)報(bào)告、動(dòng)態(tài)調(diào)整預(yù)算和實(shí)時(shí)監(jiān)控風(fēng)險(xiǎn)。為了確保人工智能大模型技術(shù)的持續(xù)有效性，企業(yè)需要實(shí)施嚴(yán)格的監(jiān)控和維護(hù)機(jī)制，同時(shí)對(duì)財(cái)務(wù)人員進(jìn)行必要的技術(shù)培訓(xùn)，確保他們能夠充分利用這些智能工具。最后，企業(yè)應(yīng)持續(xù)收集用戶反饋，探索新技術(shù)應(yīng)用，不斷創(chuàng)新和優(yōu)化大模型技術(shù)在財(cái)務(wù)管理中的應(yīng)用，以適應(yīng)不斷變化的業(yè)務(wù)環(huán)境和市場(chǎng)需求。通過(guò)人工智能大模型技術(shù)賦能財(cái)務(wù)實(shí)現(xiàn)路徑，企業(yè)將能夠?qū)崿F(xiàn)財(cái)務(wù)管理的數(shù)字化轉(zhuǎn)型，提升決策質(zhì)量，降低運(yùn)營(yíng)成本，并增強(qiáng)整體財(cái)務(wù)透明度和合規(guī)性。以財(cái)務(wù)風(fēng)險(xiǎn)管理為例，人工智能大模型應(yīng)用分析和賦能路徑可以按照以下思路進(jìn)行推進(jìn)。人工智能大模型的能力應(yīng)用方向：分析能力：人工智能大模型首先需要整合企業(yè)內(nèi)部的財(cái)務(wù)數(shù)據(jù)（如交易記錄、資產(chǎn)負(fù)債表）和外部數(shù)據(jù)（如市場(chǎng)指數(shù)、宏觀經(jīng)濟(jì)指標(biāo)）。然后利用機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)，人工智能大模型能夠分析歷史數(shù)據(jù)，識(shí)別潛在的風(fēng)險(xiǎn)因素和風(fēng)險(xiǎn)事件的模式。最后通過(guò)時(shí)間序列分析，人工智能大模型可以預(yù)測(cè)未來(lái)的風(fēng)險(xiǎn)趨勢(shì)，如匯率波動(dòng)、利率變化等。人工智能大模型能夠提供風(fēng)險(xiǎn)應(yīng)對(duì)策略的建議，幫助管理層做出是否對(duì)沖、轉(zhuǎn)移或接受風(fēng)險(xiǎn)的決策。生成能力：人工智能大模型能夠自動(dòng)生成風(fēng)險(xiǎn)管理報(bào)告，包括風(fēng)險(xiǎn)概況、影響分析和建議措施。人工智能大模型可以構(gòu)建實(shí)時(shí)的風(fēng)險(xiǎn)預(yù)警系統(tǒng)，一旦檢測(cè)到異?；蝻L(fēng)險(xiǎn)水平超過(guò)預(yù)設(shè)閾值，立即生成預(yù)警信號(hào)。人工智能大模型賦能路線：準(zhǔn)備階段：收集和整理財(cái)務(wù)數(shù)據(jù)，包括歷史交易數(shù)據(jù)、市場(chǎng)數(shù)據(jù)、信用評(píng)級(jí)數(shù)據(jù)等。建立適合人工智能大模型運(yùn)行的計(jì)算環(huán)境，包括硬件資源、軟件平臺(tái)等。實(shí)施階段：使用歷史數(shù)據(jù)訓(xùn)練風(fēng)險(xiǎn)管理模型，包括風(fēng)險(xiǎn)識(shí)別模型、風(fēng)險(xiǎn)評(píng)估模型等。將訓(xùn)練好的模型集成到財(cái)務(wù)風(fēng)險(xiǎn)管理系統(tǒng)中，實(shí)現(xiàn)與現(xiàn)有財(cái)務(wù)流程的無(wú)縫對(duì)接。應(yīng)用階段：利用人工智能大模型對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行監(jiān)控，及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)信號(hào)。定期或按需生成風(fēng)險(xiǎn)管理報(bào)告，為管理層提供決策支持。持續(xù)改進(jìn)風(fēng)險(xiǎn)管理流程，提升風(fēng)險(xiǎn)應(yīng)對(duì)效率。基于此，人工智能大模型技術(shù)能夠在財(cái)務(wù)風(fēng)險(xiǎn)管理中發(fā)揮其強(qiáng)大的分析、判斷和生成能力，幫助企業(yè)提前識(shí)別和應(yīng)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)，從而保護(hù)企業(yè)資產(chǎn)，確保財(cái)務(wù)穩(wěn)定。人工智能大模型技術(shù)賦能財(cái)務(wù)核心價(jià)值人工智能大模型技術(shù)對(duì)經(jīng)濟(jì)社會(huì)的高質(zhì)量發(fā)展起到了積極地推動(dòng)作用，賦能財(cái)務(wù)的核心價(jià)值主要體現(xiàn)在以下幾個(gè)方面：提供更準(zhǔn)確的預(yù)測(cè)和洞察，幫助管理層做出更明智的戰(zhàn)略決策。實(shí)現(xiàn)成本控制、預(yù)算管理等管理會(huì)計(jì)職能的優(yōu)化。場(chǎng)風(fēng)險(xiǎn)等，并采取相應(yīng)的風(fēng)險(xiǎn)緩解措施。度和準(zhǔn)確性，降低了運(yùn)營(yíng)成本。報(bào)告生成，提高了財(cái)務(wù)活動(dòng)的透明度。會(huì)，促進(jìn)業(yè)務(wù)增長(zhǎng)。這些創(chuàng)新提高了財(cái)務(wù)管理的現(xiàn)代化水平。綜上所述，人工智能大模型技術(shù)在財(cái)務(wù)管理中的核心價(jià)值在于其能夠提供深入的數(shù)據(jù)分析、精準(zhǔn)的風(fēng)險(xiǎn)管理、高效的流程自動(dòng)化以及戰(zhàn)略決策支持，幫助企業(yè)在激烈的市場(chǎng)商業(yè)競(jìng)爭(zhēng)中保持領(lǐng)先地位。人工智能大模型技術(shù)賦能財(cái)務(wù)應(yīng)用A總體情況（1）需求背景2023當(dāng)前家電行業(yè)消費(fèi)側(cè)的發(fā)展趨勢(shì)呈現(xiàn)智能化、交互體驗(yàn)增強(qiáng)、場(chǎng)景融合、健康化、一體化和單品發(fā)展并舉五大特征。尤其在智能化方面，消費(fèi)者更加追求智能功能覆蓋多品類及多種生活場(chǎng)景，相應(yīng)帶動(dòng)家電制造企業(yè)本身的智能化升級(jí)，龍22為家電行業(yè)項(xiàng)目，海爾、美的等頭部企業(yè)成效明顯，并先后涌現(xiàn)出海爾卡奧斯、美云智數(shù)美擎國(guó)家級(jí)“雙跨”平臺(tái)。5G3C例如九陽(yáng)產(chǎn)品搭載華為系統(tǒng)HarmonyOS海信新風(fēng)空調(diào)針對(duì)不同人群的睡眠特點(diǎn)設(shè)計(jì)了科學(xué)的睡眠溫度曲線，可通過(guò)遙控器選擇所需的睡眠曲線來(lái)調(diào)控睡眠期間的空AI在家電行業(yè)全面邁向智能家電產(chǎn)業(yè)化的過(guò)程中，人工智能技術(shù)將進(jìn)一步推進(jìn)智能家電產(chǎn)業(yè)走向無(wú)感化，人工智能與物聯(lián)網(wǎng)技術(shù)全面融入家電產(chǎn)品的使用場(chǎng)景，并賦能智能家電產(chǎn)品革新，實(shí)現(xiàn)居家生活和智能家電的智慧實(shí)時(shí)互聯(lián)。目前，智ChatGPT型技術(shù)為代表的生成式人工智能（AIGC）將賦能智能家居場(chǎng)景從命令式交互轉(zhuǎn)變?yōu)槔斫馐浇换?，?shí)現(xiàn)人機(jī)共創(chuàng)，形成數(shù)字管家，實(shí)現(xiàn)智能家居由“智能”向“智慧”轉(zhuǎn)化。智能家電產(chǎn)業(yè)化已成為當(dāng)前家電企業(yè)發(fā)展的必然選擇，并正在幫助中國(guó)的家電制造巨頭以一流的用戶體驗(yàn)和服務(wù)體系強(qiáng)勢(shì)出海，不斷取得世界領(lǐng)先的品牌影響力和產(chǎn)品競(jìng)爭(zhēng)力，也驅(qū)動(dòng)這些企業(yè)加快建設(shè)世界一流財(cái)務(wù)管理體系，在普遍構(gòu)建的以敏捷服務(wù)和數(shù)據(jù)整合為核心的財(cái)務(wù)中臺(tái)建設(shè)之上，大力探索大模型技術(shù)尤其是財(cái)務(wù)領(lǐng)域大模型與財(cái)務(wù)數(shù)字化的深度融合和應(yīng)用，以更強(qiáng)大的算法賦能業(yè)務(wù)和管理，構(gòu)建以用戶體驗(yàn)為核心的家電制造企業(yè)增長(zhǎng)新模式。（2）發(fā)展現(xiàn)狀2023-20302016大數(shù)據(jù)等新一代信息技術(shù)的成熟，在傳統(tǒng)AI20222023202310202420311AI平臺(tái)——云帆；海爾在布局HOMEGPT；小米已經(jīng)開(kāi)啟了小愛(ài)同學(xué)的人工智能大模型版本測(cè)試，如TCL、海信等家電品牌也相繼宣布接入百度、微軟等廠商的通用大模型。在人工智能大模型的賦能下，智能家電不僅具備數(shù)據(jù)分析、行為習(xí)慣理解和自主深度學(xué)習(xí)等多種能力，還在將價(jià)值延伸到更大的領(lǐng)域。大部分家電企業(yè)布局人工智能大模型的目的基本一致，都是希望通過(guò)人工智能大模型提升產(chǎn)品的實(shí)用性，優(yōu)化使用場(chǎng)景，人工智能大模型也將成為家電智能中樞的能力底座。盡管人工智能大模型具有許多優(yōu)勢(shì)，但目前在家電行業(yè)的應(yīng)用仍存在一些局限性。首先，人工智能大模型的應(yīng)用需要并且需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，這在某些領(lǐng)域存在困難。同時(shí)，人工智能大模型的訓(xùn)練過(guò)程也面臨一些挑戰(zhàn)。人工智能大模型的訓(xùn)練需要花費(fèi)大量的時(shí)間和資源，而且需要高度專業(yè)化的團(tuán)隊(duì)進(jìn)行有效的訓(xùn)練和調(diào)優(yōu)。此外，人工智能大模型需要海量的數(shù)據(jù)進(jìn)行訓(xùn)練，而數(shù)據(jù)收集和處理可能受到隱私、安全和合規(guī)等方面的限制。因此，家電制造企業(yè)對(duì)于人工智能大模型的應(yīng)用總體上還處于導(dǎo)入階段，更多還停留在體系框架搭建和數(shù)據(jù)治理等前期工作中，在應(yīng)用場(chǎng)景上也主要聚焦智能客服、基于家居生活的用戶互動(dòng)以及部分智慧工廠的探索中。在企業(yè)管理領(lǐng)域，人工智能大模型的應(yīng)用只是剛起步，目前側(cè)重在采購(gòu)領(lǐng)域的合同匹配場(chǎng)景，人力資源領(lǐng)域的招聘和干部選拔環(huán)節(jié)的人崗匹配場(chǎng)景，以及財(cái)務(wù)管理領(lǐng)域的基于財(cái)務(wù)共享或財(cái)務(wù)中臺(tái)的智能客服場(chǎng)景，這些場(chǎng)景的共同特點(diǎn)是大模型訓(xùn)練用的數(shù)據(jù)和知識(shí)庫(kù)可以基于企業(yè)已有的積累快速構(gòu)建，并能通過(guò)企業(yè)自身的可信控制管理充分保證分領(lǐng)域管理角度提出的安全、合規(guī)性要求。對(duì)于家電制造巨頭來(lái)說(shuō)，財(cái)務(wù)數(shù)字化轉(zhuǎn)型起步較早，財(cái)務(wù)共享中心的建設(shè)和運(yùn)營(yíng)都比較成熟，有些企業(yè)如海信等還以財(cái)務(wù)中臺(tái)的模式建設(shè)了新一代財(cái)務(wù)共享平臺(tái)。因此，盡管家電制造企業(yè)的戰(zhàn)略周期不斷縮短、組織迭代不斷加快、業(yè)務(wù)板GPT）以盡量消除大模型技術(shù)的缺陷，將現(xiàn)有以專家知識(shí)和流程驅(qū)動(dòng)結(jié)合為主的管控服務(wù)型財(cái)務(wù)管理升級(jí)到以數(shù)據(jù)驅(qū)動(dòng)和賦能業(yè)務(wù)為主的價(jià)值創(chuàng)造型財(cái)務(wù)管理。典型案例（1）案例背景AAB2CA160500隨著集團(tuán)的產(chǎn)業(yè)發(fā)展、業(yè)務(wù)增長(zhǎng)以及全球化戰(zhàn)略，A2022集團(tuán)財(cái)務(wù)管理的難度與日俱增，希望通過(guò)積極探索并創(chuàng)新性引入人工智能大模型技術(shù)，盡快完成現(xiàn)有的財(cái)務(wù)服務(wù)從以流程驅(qū)動(dòng)為主向數(shù)據(jù)驅(qū)動(dòng)為主轉(zhuǎn)型，真正實(shí)現(xiàn)財(cái)務(wù)賦能人人的管理目標(biāo)，為企業(yè)發(fā)展創(chuàng)造更大價(jià)值。考慮到現(xiàn)有的財(cái)務(wù)中臺(tái)已經(jīng)能夠全面支撐集團(tuán)戰(zhàn)略轉(zhuǎn)型和業(yè)務(wù)發(fā)展的需要，以及集團(tuán)正在整體布局通過(guò)大模型技術(shù)建設(shè)統(tǒng)一的智能客服平臺(tái)，并通過(guò)與已建成的人工客服系統(tǒng)無(wú)縫銜接，以全面提升用戶體驗(yàn)，AITGPT企業(yè)實(shí)際更加關(guān)注大模型技術(shù)導(dǎo)入財(cái)務(wù)領(lǐng)域過(guò)程，并強(qiáng)調(diào)關(guān)鍵環(huán)節(jié)的實(shí)現(xiàn)框架和實(shí)踐方法。（2）財(cái)務(wù)中臺(tái)智能客服項(xiàng)目定位A303450場(chǎng)景服務(wù)；二是專業(yè)運(yùn)維，即面向財(cái)務(wù)中臺(tái)專業(yè)財(cái)務(wù)人員提供基礎(chǔ)資料維護(hù)、單據(jù)故障或流程中斷等系統(tǒng)異常問(wèn)題的運(yùn)維服務(wù)。A3000/AAA2A2024A集團(tuán)的目標(biāo)是在80%以上的場(chǎng)景中能夠完全替代人工客服。在此基礎(chǔ)上，A2025逐漸成為人工客服團(tuán)隊(duì)進(jìn)行專業(yè)運(yùn)維的專業(yè)助手，通過(guò)大幅提升運(yùn)維效率和質(zhì)量實(shí)現(xiàn)云服務(wù)模型下的線上運(yùn)維閉環(huán)，真正通過(guò)服務(wù)賦能財(cái)務(wù)中臺(tái)的運(yùn)營(yíng)和業(yè)務(wù)人員報(bào)銷的合規(guī)遵從度。（3）財(cái)務(wù)中臺(tái)GPT平臺(tái)框架AGPT平臺(tái)4-1-1API頁(yè)面嵌入運(yùn)營(yíng)中心智能客服 智能審單 付款審核 模擬預(yù)測(cè) 智能分析 報(bào)告生成API頁(yè)面嵌入運(yùn)營(yíng)中心智能客服 智能審單 付款審核 模擬預(yù)測(cè) 智能分析 報(bào)告生成財(cái)務(wù)中臺(tái) 人工客服 信數(shù)平臺(tái) 活水平臺(tái) 辦公協(xié)同 培訓(xùn)學(xué)堂 管理駕駛艙 司庫(kù)管理 預(yù)算管理監(jiān)控報(bào)表內(nèi)容生成 總結(jié)歸納 邏輯推理 角色扮演 知識(shí)問(wèn)答 多輪對(duì)話能力中心 監(jiān)控報(bào)表內(nèi)容生成 總結(jié)歸納 邏輯推理 角色扮演 知識(shí)問(wèn)答 多輪對(duì)話流量運(yùn)營(yíng)安全運(yùn)營(yíng)質(zhì)量運(yùn)營(yíng)提示開(kāi)發(fā) 技能編排 知識(shí)維護(hù) 助手配置 監(jiān)控優(yōu)化 模型微調(diào)開(kāi)發(fā)中心 流量運(yùn)營(yíng)安全運(yùn)營(yíng)質(zhì)量運(yùn)營(yíng)提示開(kāi)發(fā) 技能編排 知識(shí)維護(hù) 助手配置 監(jiān)控優(yōu)化 模型微調(diào)中中心制數(shù)據(jù)遮蔽合規(guī)審計(jì)上下文安全模型網(wǎng)關(guān)智能代理毒性檢測(cè)檢索增強(qiáng)提示防御應(yīng)用中心 財(cái)務(wù)大模型 通用大模型向量引擎 業(yè)務(wù)實(shí)體 業(yè)務(wù)操作 企業(yè)知識(shí)庫(kù)應(yīng)用中心 財(cái)務(wù)大模型 通用大模型向量引擎 業(yè)務(wù)實(shí)體 業(yè)務(wù)操作 企業(yè)知識(shí)庫(kù)模型動(dòng)態(tài)調(diào)度 語(yǔ)義防火墻 重試/模型動(dòng)態(tài)調(diào)度 語(yǔ)義防火墻 重試/負(fù)載均衡 流量日志4-1-1AGPT平臺(tái)架構(gòu)AGPT基礎(chǔ)管理負(fù)責(zé)管理財(cái)務(wù)大模型以及后續(xù)將接入的通用大模型的運(yùn)算調(diào)度和算力均衡，并按集團(tuán)統(tǒng)一的隱私保護(hù)和合規(guī)要求配置大模型輸出的語(yǔ)義防火墻，以及輸入輸出環(huán)節(jié)的流量日志。（安全和流量異常三個(gè)方面進(jìn)行實(shí)時(shí)監(jiān)控和隨時(shí)的人工干預(yù)。模型層目前部署了財(cái)務(wù)領(lǐng)域大模型和微軟的通用大模型（ChatGPT3.5），并實(shí)現(xiàn)了按場(chǎng)景需要自動(dòng)切換。為大模型提供上下文數(shù)據(jù)。AGPTRAG（檢索增強(qiáng)生成）是一種將大型語(yǔ)料庫(kù)的知識(shí)與生成式語(yǔ)言模型相結(jié)合的技術(shù)方法，包括一個(gè)檢索組件，用于從知識(shí)庫(kù)中檢索相關(guān)的文本段落，利用大模型生成能力，對(duì)檢索到的上下文進(jìn)行理解和生成連貫自然的輸出。這種混合方法旨在彌補(bǔ)純生成模型在事實(shí)性和一致性方面的缺陷，同時(shí)利用大規(guī)模預(yù)訓(xùn)練模型的泛化能力生成流暢的響應(yīng)。為了實(shí)現(xiàn)智能客服盡快全面接管用戶服務(wù)并有效成為專業(yè)運(yùn)維客服人員的助手，AAgent，這是一(LLM)(API)的語(yǔ)言指令，并與外部世界進(jìn)行交互來(lái)完成任務(wù)。為了確保大模型輸出內(nèi)容滿足隱私合規(guī)要求，A集團(tuán)在可信控制中心應(yīng)用了數(shù)據(jù)掩蔽技術(shù)，該技術(shù)在用戶請(qǐng)求被發(fā)送給大型語(yǔ)言模型之前，會(huì)自動(dòng)識(shí)別并替換請(qǐng)求文本中的敏感個(gè)人隱私信息，如姓名、地址、身份證號(hào)等，以防止隱私泄露，替換后的文本將傳遞給大模型進(jìn)行處理和生成響應(yīng)。一旦模型生成了輸出數(shù)據(jù)掩蔽系統(tǒng)會(huì)將之前被替換的隱私信息還原回原始狀態(tài)，確保響應(yīng)內(nèi)容的完整性和正確性。這種技術(shù)有效遏制了A另外一項(xiàng)關(guān)鍵部件是大模型網(wǎng)關(guān)，負(fù)責(zé)無(wú)縫接入各種大型語(yǔ)言模型，支持一種大模型擁有多個(gè)實(shí)例同時(shí)運(yùn)行，能夠根據(jù)實(shí)時(shí)負(fù)載情況，自動(dòng)分配請(qǐng)求至空閑實(shí)例，確保系統(tǒng)的高響應(yīng)性和可擴(kuò)展性。除此之外，大模型網(wǎng)關(guān)還具備調(diào)用審計(jì)、保證系統(tǒng)的高穩(wěn)定性。AGPT集團(tuán)通過(guò)流這種編排方式徹底顛覆了傳統(tǒng)的單一模型或規(guī)則引擎的局限性，賦予了語(yǔ)言模型以更廣闊的應(yīng)用空間。通過(guò)靈活組合不同的模型能力和業(yè)務(wù)能力，可以輕松應(yīng)對(duì)多樣化、復(fù)雜化的業(yè)務(wù)需求，實(shí)現(xiàn)高度智能化的端到端自動(dòng)化流程。在能力中心，AGPTAPIAPIAA（4）財(cái)務(wù)大模型在智能客服場(chǎng)景的落地基于信創(chuàng)可控的考慮，A集團(tuán)財(cái)務(wù)大模型的部署全面適配了華為昇騰910B架構(gòu)，以及國(guó)產(chǎn)操作系統(tǒng)，并全面完成了接口進(jìn)行鑒權(quán)開(kāi)發(fā)，構(gòu)建了對(duì)應(yīng)的框架版本容器。A集團(tuán)信創(chuàng)適配的主要內(nèi)容如圖4-1-2所示：財(cái)務(wù)大模型 財(cái)務(wù)大模型 模型訓(xùn)練 權(quán)重轉(zhuǎn)化 模型推理 模型部署昇騰昇騰AI應(yīng)用 Mindformers MindSpore Modelart平臺(tái)昇騰處理器昇騰處理器NPU 模型訓(xùn)練國(guó)產(chǎn)操作系國(guó)產(chǎn)操作系（arm架構(gòu)） Ascend驅(qū)動(dòng) Cann固件4-1-2A集團(tuán)財(cái)務(wù)大模型部署的信創(chuàng)適配示意在數(shù)據(jù)準(zhǔn)備方面，A7:3LLMA最后使用了數(shù)據(jù)掩碼、數(shù)據(jù)偽裝、數(shù)據(jù)切分、數(shù)據(jù)加密、數(shù)據(jù)混淆等方法進(jìn)行數(shù)據(jù)脫敏，從而完成了通過(guò)財(cái)務(wù)大模型進(jìn)行多次預(yù)訓(xùn)練和微調(diào)所需的數(shù)據(jù)源準(zhǔn)備。在此基礎(chǔ)上，A集團(tuán)通過(guò)指令對(duì)齊訓(xùn)練、繼續(xù)預(yù)訓(xùn)練和模型精調(diào)，完成了財(cái)務(wù)大模型的構(gòu)建，其過(guò)程如圖4-1-3所示：評(píng)價(jià)等級(jí)評(píng)價(jià)等級(jí)用戶問(wèn)題1.數(shù)據(jù)集準(zhǔn)備1.5指令對(duì)齊訓(xùn)練2繼續(xù)預(yù)訓(xùn)練3.模型微調(diào)1.數(shù)據(jù)集準(zhǔn)備1.5指令對(duì)齊訓(xùn)練2繼續(xù)預(yù)訓(xùn)練3.模型微調(diào)長(zhǎng)度進(jìn)行分塊處理長(zhǎng)度進(jìn)行分塊處理型最大輸入式數(shù)據(jù)轉(zhuǎn)換為純文本格領(lǐng)域相關(guān)的基礎(chǔ)知識(shí)和數(shù)據(jù)與預(yù)訓(xùn)領(lǐng)域相關(guān)的基礎(chǔ)知識(shí)和數(shù)據(jù)與預(yù)訓(xùn)練預(yù)料差異越大，通用領(lǐng)訓(xùn)練（財(cái)務(wù)、HR、供應(yīng)鏈等）劃分領(lǐng)域目標(biāo)已具備千萬(wàn)條對(duì)話樣本數(shù)據(jù)繼續(xù)預(yù)標(biāo)注<s>手續(xù)費(fèi)占比</s>財(cái)務(wù)分析及通用對(duì)話數(shù)據(jù)微調(diào)</s>……的提供根據(jù)……的提供根據(jù)<s>情況經(jīng)營(yíng)分析請(qǐng)……<s>后商凈收入各細(xì)分領(lǐng)域不少于千級(jí)樣本?集人工標(biāo)注響應(yīng)結(jié)果在完成財(cái)務(wù)大模型構(gòu)建后，A集團(tuán)對(duì)財(cái)務(wù)大模型從多階段性能、魯棒性和泛化能力、公平性和偏見(jiàn)可能、安全性和隱私四個(gè)方面進(jìn)行了嚴(yán)格的評(píng)測(cè)，完全通過(guò)評(píng)測(cè)后才將調(diào)優(yōu)后的財(cái)務(wù)大模型部署到正式環(huán)境中，通過(guò)財(cái)務(wù)中臺(tái)GPT平臺(tái)和相關(guān)應(yīng)用融合，完成了基于財(cái)務(wù)大模型的智能客服應(yīng)用的上線工作。為進(jìn)一步提升財(cái)務(wù)大模型在與用戶互動(dòng)過(guò)程中應(yīng)答的相關(guān)性和準(zhǔn)確度，A集團(tuán)借助GPT平臺(tái)開(kāi)發(fā)中心，針對(duì)所有的費(fèi)用類型開(kāi)發(fā)了近10000條提示語(yǔ)并先后經(jīng)過(guò)了四次版本迭代，將智能客服應(yīng)答準(zhǔn)確度從一開(kāi)始的80%左右提高到92%。AAPI/APIoen（5）智能客服建設(shè)成果20244A40015000費(fèi)用類型和場(chǎng)景近3000個(gè)，用戶滿意度近70%（用戶主動(dòng)關(guān)閉問(wèn)題且不轉(zhuǎn)交給人工客服），現(xiàn)有人工客服在用戶服務(wù)方面50%A2GPT應(yīng)用場(chǎng)景家電制造企業(yè)對(duì)于人工智能大模型技術(shù)的應(yīng)用一般是和規(guī)則引擎、知識(shí)圖譜、數(shù)據(jù)智能、視覺(jué)識(shí)別等其他人工智能技GPT（1）生成式智能客服4-1-4 預(yù)置問(wèn)答 GPT學(xué)習(xí)理解 …………21

智能客服 用戶提問(wèn) 知識(shí)庫(kù) 智能客服 用戶提問(wèn)……21 ……21 關(guān)鍵詞 學(xué)習(xí)、理解圖4-1-4大模型技術(shù)賦能財(cái)務(wù)共享智能客服（2）非結(jié)構(gòu)化附件的智能審核隨著財(cái)政部等部委聯(lián)合推動(dòng)電子憑證會(huì)計(jì)數(shù)據(jù)標(biāo)準(zhǔn)專項(xiàng)工作的不斷深入，發(fā)票、銀行回單等原始憑證已經(jīng)實(shí)現(xiàn)數(shù)據(jù)結(jié)構(gòu)化。但家電制造企業(yè)所處的產(chǎn)業(yè)鏈協(xié)同現(xiàn)狀仍然使得財(cái)務(wù)共享人員每天需要審核大量的非結(jié)構(gòu)化附件，如合同掃描件、市內(nèi)交通行程單等，現(xiàn)有的信息技術(shù)通常是先通過(guò)視覺(jué)識(shí)別或者臺(tái)賬的方式將這些非結(jié)構(gòu)化附件信息轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，AI+性也不高。在引入人工智能大模型技術(shù)后，系統(tǒng)可直接理解非結(jié)構(gòu)化附件內(nèi)容并給出重點(diǎn)提示，自動(dòng)輔助人工分析單據(jù)附件中財(cái)務(wù)審核的關(guān)鍵點(diǎn)和識(shí)別風(fēng)險(xiǎn)，同時(shí)支持對(duì)合同內(nèi)容進(jìn)行提問(wèn)等，最終大幅提升共享審核人員的作業(yè)效率，如圖4-1-5所示。 基于結(jié)構(gòu)化數(shù)據(jù)審核 可理解非結(jié)構(gòu)化信息 結(jié)構(gòu)化業(yè)務(wù)數(shù)據(jù)

AI+

共享審單

結(jié)構(gòu)化業(yè)務(wù)數(shù)據(jù) GPT+AI+規(guī)則引

共享審單……數(shù)據(jù)抽取規(guī)則匹配……件 圖片 非結(jié)構(gòu)化附件件 圖片 文

VS表格 視頻人工查閱分析表格 視頻

數(shù)據(jù)抽取規(guī)則匹配……件 圖片 非結(jié)構(gòu)化附件……件 圖片 文

AI學(xué)習(xí)、理解AI表格 視頻表格 視頻圖4-1-5大模型技術(shù)賦能財(cái)務(wù)共享智能審核非結(jié)構(gòu)化附件（3）生成式財(cái)務(wù)分析對(duì)于家電制造企業(yè)的財(cái)務(wù)報(bào)告部門(mén)來(lái)說(shuō)，隨著家電產(chǎn)品更新?lián)Q代的頻率加快和創(chuàng)新性產(chǎn)品的不斷涌現(xiàn)，為戰(zhàn)略管理、經(jīng)營(yíng)管理和業(yè)務(wù)決策人員提供的財(cái)務(wù)分析服務(wù)也需要升級(jí)。傳統(tǒng)財(cái)務(wù)分析模式下，企業(yè)人員按照財(cái)務(wù)分析需求，花費(fèi)大量/4-1-6 固定路徑查找 探索生成 /

可視化應(yīng)用 判斷、決策VS果

/ 可視化應(yīng)用GTP助手 實(shí)時(shí)問(wèn)詢GTP助手 實(shí)時(shí)問(wèn)詢析、（4）生成式管報(bào)家電制造企業(yè)財(cái)務(wù)報(bào)告部門(mén)目前對(duì)外輸出的報(bào)告主要以對(duì)外披露的報(bào)告為主，這類報(bào)告由于準(zhǔn)則和外部相關(guān)單位的規(guī)范性要求，往往可以采用先預(yù)置模板然后根據(jù)模板設(shè)置取數(shù)、綁定圖表的規(guī)則，模板化的進(jìn)行文本編輯與分析，這是一種GPT助手根據(jù)與報(bào)告使用人的提綱挈領(lǐng)性要求就可以自主生成報(bào)告的目錄結(jié)構(gòu)、數(shù)字、圖表、文字分析，并根據(jù)與報(bào)告使用人的不斷互動(dòng)進(jìn)4-1-7 填空題 命題作文 業(yè)務(wù)數(shù)據(jù)數(shù)據(jù)圖表業(yè)務(wù)數(shù)據(jù)數(shù)據(jù)圖表報(bào)告模版

生成報(bào)告 VS

GPT助自主生成整合報(bào)告目錄數(shù)據(jù)123圖表 文本Aa業(yè)務(wù)數(shù)據(jù)自主生成整合報(bào)告目錄數(shù)據(jù)123圖表 文本Aa數(shù)據(jù)抽取

生成報(bào)告圖4-1-7大模型技術(shù)賦能生成式管報(bào)人工智能大模型技術(shù)賦能B公司財(cái)務(wù)應(yīng)用總體情況（1）需求背景供保障。數(shù)據(jù)不但是企業(yè)的生產(chǎn)資料，更是資產(chǎn)，未來(lái)企業(yè)的核心競(jìng)爭(zhēng)力是運(yùn)用數(shù)據(jù)創(chuàng)造增量商業(yè)價(jià)值的能力，數(shù)字化的過(guò)程就是把企業(yè)的業(yè)務(wù)從物理世界投影到數(shù)字世界，實(shí)現(xiàn)數(shù)字孿生。人工智能在數(shù)字世界里可以發(fā)揮更大的價(jià)值，傳統(tǒng)分析式AI，可以對(duì)數(shù)據(jù)進(jìn)行深入的洞察分析，企業(yè)可以監(jiān)視財(cái)務(wù)和業(yè)務(wù)運(yùn)營(yíng)結(jié)果，分析趨勢(shì)，預(yù)測(cè)未來(lái)，行動(dòng)反饋，以此幫助整AI不再是簡(jiǎn)單的自動(dòng)化，更是可以進(jìn)行自行判斷的智能體。在業(yè)財(cái)融合的大趨勢(shì)下，企業(yè)財(cái)務(wù)工作不但要進(jìn)一步提高自身效率，更要發(fā)揮財(cái)務(wù)對(duì)業(yè)務(wù)的監(jiān)督與指導(dǎo)作用。企業(yè)一AILLMLLM企業(yè)基于大模型的需求主要體現(xiàn)在三個(gè)方面：第一，大語(yǔ)言模型的基座。搭建面向公司整體的大語(yǔ)言模型平臺(tái)，具備語(yǔ)言理解、邏輯推理、內(nèi)容生成、通識(shí)問(wèn)答等pomt功能予以支持：GPU底層算力資源的靈活調(diào)度；、LoRA模型服務(wù)：支持對(duì)外發(fā)布大模型的調(diào)用接口，供業(yè)務(wù)系統(tǒng)對(duì)接。第二、企業(yè)智能助手。搭建企業(yè)級(jí)智能助手，前期應(yīng)用在財(cái)務(wù)領(lǐng)域，后期需要擴(kuò)展到其他業(yè)務(wù)領(lǐng)域。支持對(duì)智能助手的能力通過(guò)無(wú)代碼的配置進(jìn)行持續(xù)擴(kuò)展：知識(shí)問(wèn)答：對(duì)企業(yè)各項(xiàng)文檔，規(guī)章制度，產(chǎn)品說(shuō)明書(shū)，行業(yè)報(bào)告等內(nèi)容融會(huì)貫通，靈活應(yīng)對(duì)用戶的提問(wèn)。數(shù)據(jù)問(wèn)答：可理解數(shù)據(jù)，支持以對(duì)話的形式進(jìn)行數(shù)據(jù)查詢。同時(shí)內(nèi)置數(shù)理統(tǒng)計(jì)、財(cái)務(wù)分析、機(jī)器學(xué)習(xí)等模型，可對(duì)數(shù)據(jù)深入分析，并將結(jié)果整理成圖文并茂的報(bào)告。內(nèi)容生成：具有文字、代碼、圖片的通用生成能力，并在數(shù)據(jù)解釋領(lǐng)域進(jìn)行了強(qiáng)化，可以自動(dòng)生成對(duì)指標(biāo)的業(yè)務(wù)解釋說(shuō)明，以及主題分析報(bào)告。IT第三，智能無(wú)人財(cái)務(wù)共享。利用人工智能技術(shù)實(shí)現(xiàn)財(cái)務(wù)共享中心全流程高度智能化、自動(dòng)化、價(jià)值化的目標(biāo)。改變傳統(tǒng)的財(cái)務(wù)工作模式，大幅提高財(cái)務(wù)工作效率，降低財(cái)務(wù)成本，并極大提升財(cái)務(wù)管理水平：智能審單：實(shí)現(xiàn)在對(duì)財(cái)務(wù)日常工作（報(bào)銷、立項(xiàng)、付款等）流程中的自動(dòng)審核，要支持業(yè)務(wù)用戶靈活的進(jìn)行業(yè)務(wù)規(guī)則的定義，同時(shí)還需要將合同、發(fā)票、附件等文件中的關(guān)鍵信息進(jìn)行識(shí)別，自動(dòng)完成系統(tǒng)錄入。智能收單：通過(guò)智能收單機(jī)，實(shí)現(xiàn)單據(jù)投遞后的自動(dòng)掃描，并形成電子影像，智能設(shè)備會(huì)調(diào)用智能審單助手的能力對(duì)提交的發(fā)票進(jìn)行驗(yàn)真、查重以及附件審核等。財(cái)務(wù)客服：通過(guò)機(jī)器人解答公司業(yè)務(wù)用戶對(duì)財(cái)務(wù)制度相關(guān)的問(wèn)題，如：報(bào)銷制度、差旅標(biāo)準(zhǔn)、財(cái)務(wù)系統(tǒng)的應(yīng)用等。（2）發(fā)展現(xiàn)狀B公司的財(cái)務(wù)信息化水平較高，已經(jīng)完成預(yù)算、合并、成本、績(jī)效、管理報(bào)告等管理會(huì)計(jì)系統(tǒng)的建設(shè)，同時(shí)完成稅務(wù)系統(tǒng)、財(cái)務(wù)共享系統(tǒng)、商旅系統(tǒng)的建設(shè)。從目前應(yīng)用效果看，基礎(chǔ)設(shè)施較好，但是面臨三個(gè)痛點(diǎn)，一個(gè)待提升點(diǎn)。其中痛點(diǎn)主要體現(xiàn)在：第一，數(shù)據(jù)的困境。數(shù)據(jù)孤島：煙囪式建設(shè)的信息系統(tǒng)互為孤島，財(cái)務(wù)人員多系統(tǒng)取數(shù)，手工整數(shù)。數(shù)據(jù)離線：數(shù)據(jù)線下手工采集，錯(cuò)誤頻出，返工情況常有發(fā)生，費(fèi)時(shí)費(fèi)力。數(shù)據(jù)口徑不統(tǒng)一：數(shù)據(jù)統(tǒng)計(jì)口徑不一致，同指標(biāo)名稱多種不同定義與計(jì)算方法，無(wú)法追溯與核對(duì)。主數(shù)據(jù)不規(guī)范：客戶、供應(yīng)商、產(chǎn)品等主數(shù)據(jù)維度沒(méi)有統(tǒng)一維護(hù)，業(yè)務(wù)系統(tǒng)與財(cái)務(wù)系統(tǒng)各自為政。第二，分析的困境。分析需求靈活多變：領(lǐng)導(dǎo)與業(yè)務(wù)用戶需求多變，財(cái)務(wù)加班加點(diǎn)整理數(shù)據(jù)，疲于應(yīng)對(duì)。分析行為滯后：數(shù)據(jù)獲取效率低，數(shù)據(jù)統(tǒng)計(jì)整理耗時(shí)久，好不容易做出報(bào)告后，已經(jīng)錯(cuò)失最佳決策時(shí)機(jī)。分析體系僵化：數(shù)據(jù)分析多停留在出報(bào)表和可視化程度，缺乏對(duì)數(shù)據(jù)深入的解讀與分析，無(wú)法指導(dǎo)業(yè)務(wù)決策。BI第三，人效的困境：回答業(yè)務(wù)用戶重復(fù)的問(wèn)題：每日應(yīng)對(duì)大量業(yè)務(wù)用戶重復(fù)的問(wèn)題，如報(bào)銷制度、付款進(jìn)度、報(bào)銷進(jìn)度、差旅標(biāo)準(zhǔn)、合同要求等已有明確制度文檔的問(wèn)題，耽誤大量工作時(shí)間。財(cái)務(wù)審核依賴人工：財(cái)務(wù)審批環(huán)節(jié)需要大量人工審核員，審核效率低，且容易出錯(cuò)。財(cái)務(wù)信息錄入依賴人工：合同、附件、非標(biāo)票據(jù)等內(nèi)容需要人工核驗(yàn)后進(jìn)行系統(tǒng)錄入與歸檔，費(fèi)時(shí)費(fèi)力。另外，待提升點(diǎn)主要體現(xiàn)在智能化程度低：AI223ChtGTB中并未有效應(yīng)用。典型案例B構(gòu)建了面向未來(lái)的智能財(cái)務(wù)平臺(tái)業(yè)務(wù)架構(gòu)