2024人工智能大模型技術(shù)財務(wù)應(yīng)用藍皮書

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高擴展性的應(yīng)用框架 9高成本的訓練和推理過程 人工智能大模型技術(shù)發(fā)展歷程及現(xiàn)狀 11預訓練語言模型 大模型家譜 國產(chǎn)大模型 財務(wù)領(lǐng)域大模型 人工智能大模型技術(shù)發(fā)展趨勢 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)賦能財務(wù)總體情況（1）人工智能大模型賦能財務(wù)發(fā)展前景

22 22（2）人工智能大模型在財務(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集團財務(wù)應(yīng)用 314.人工智能大模型技術(shù)賦能財務(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財務(wù)中臺智能客服項目定位 33財務(wù)中臺GPT平臺框架 34財務(wù)大模型在智能客服場景的落地 36智能客服建設(shè)成果 37應(yīng)用場景 38生成式智能客服 38非結(jié)構(gòu)化附件的智能審核 38生成式財務(wù)分析 39生成式管報 40人工智能大模型技術(shù)賦能B公司財務(wù)應(yīng)用 40總體情況 需求背景 發(fā)展現(xiàn)狀 典型案例 智能財務(wù)平臺業(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)用場景 47智能審單機器人 47智能交單 49智能財務(wù)制度助手 49智能財務(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)用場景（1）智能采集（2）智能審核（3）智能月結(jié)（4）智能風控（5）經(jīng)營分析

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)用場景 99合規(guī)性監(jiān)控應(yīng)用 99智能財務(wù)客服的應(yīng)用 101人工智能大模型技術(shù)賦能G大學財務(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模型與知識服務(wù) 105智能財務(wù)能力組件 106財務(wù)智能體（AIAgents/數(shù)字會計/智能助理） 107（4）（5）

108 108應(yīng)用場景 109（1）智能財務(wù)助理 109（2）智能填報（3）智能稽核

111 116人工智能大模型技術(shù)賦能H投資集團財務(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)用場景

118 118 119 119 122（1）（2）

122 123司庫管理與虛假貿(mào)易識別 124決算分析與填報助手 1245.人工智能大模型財務(wù)應(yīng)用局限性和關(guān)注問題127工程風險評價與合規(guī)管理 1255.人工智能大模型財務(wù)應(yīng)用局限性和關(guān)注問題1275.1人工智能大模型技術(shù)財務(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、先進制造、電子信息等戰(zhàn)略性新興產(chǎn)業(yè)，積極培育未來產(chǎn)業(yè)，加快形成新質(zhì)生產(chǎn)力，增強發(fā)展新動能”。人工智能是適應(yīng)全球經(jīng)濟創(chuàng)新發(fā)展的新質(zhì)態(tài)生產(chǎn)力，習近平總書記強調(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爭主動權(quán)的重要戰(zhàn)略抓手，是推動我國科技跨越發(fā)展、產(chǎn)業(yè)優(yōu)化升級、生產(chǎn)力整體躍升的（會計）數(shù)字化轉(zhuǎn)型的重要作用，實現(xiàn)財務(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，奠定了大模型預訓練算法架構(gòu)的基礎(chǔ)。2022OpenAI公司發(fā)布的ChatGPT是通用人機對話系統(tǒng)，是一個大型的語言模型和一款具有較高智能的多語言聊天機器TransformerGPT（GenerativePre-trainedTransformer，生成式預訓練語言模型）模型及人類反饋的強化學習（RLHF）進行精調(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，但對人類社會的影響產(chǎn)生了積極作用。財務(wù)作為服務(wù)經(jīng)濟發(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，我國企事業(yè)單位已將光學字符識別、自然語言處理、語音識別、機器人流程自動化、專家系統(tǒng)、規(guī)則引擎、領(lǐng)域的應(yīng)用開花結(jié)果。基于此，我們編寫了《人工智能大模型技術(shù)財務(wù)應(yīng)用藍皮書》，通過大模型的技術(shù)概念、典型特征、技術(shù)架構(gòu)、財務(wù)應(yīng)用基本框架、財務(wù)典型案例、財務(wù)應(yīng)用場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深度學習（DeepLearning）作為機器學習（MachineLearning）的一個重要分支，基于人工神經(jīng)網(wǎng)絡(luò)（ANN）進行建模，通過模擬人腦神經(jīng)元的連接和工作方式，使計算機能夠像人一樣學習和理解數(shù)據(jù)。深度學習技術(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)通常由多個層次組成，每一層都能夠從輸入數(shù)據(jù)中提取出更高級別的特征。隨著層次的加深，網(wǎng)絡(luò)能夠?qū)W習到越來越復雜和抽象的特征，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），從而實現(xiàn)對數(shù)據(jù)的更深入理解。機器為了深入理解和有效掌握語言，采用構(gòu)建語言模型的方法來進行語言的表征和建模。早期的語言模型是通過手工編寫的規(guī)則和語法結(jié)構(gòu)來解析和生成語言，隨著統(tǒng)計學的發(fā)展，統(tǒng)計語言模型（StatisticalLanguageModels）基本思想是基于馬爾可夫假設(shè)構(gòu)建單詞預測模型，例如，基于最近上下文預測下一個單詞，為了減少計算，通常上下文取nn-gram為了提升語言模型的上下文理解能力，深度學習技術(shù)與語言模型進行結(jié)合產(chǎn)生了神經(jīng)網(wǎng)絡(luò)語言模型（NeualNtworkLanguage長短期記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）RNNRNN好地處理長序列數(shù)據(jù)。nsormer預訓練語言模型（PtainedLaguaeodels,PLMs）是一種通過在大規(guī)模語料庫上進行無監(jiān)督預訓練的語言建模方法，旨在學習語言的通用表示。模型通過捕捉語言的統(tǒng)計規(guī)律和結(jié)構(gòu)信息，為自然語言處理（NLP）任務(wù)提供了強大的基礎(chǔ)。在預訓練完成后，PLMs（fine-tuning）的方式，針對特定任務(wù)如機器翻譯、文本分類、情感分析等進Bert近年來，隨著計算能力的飛速增強和大規(guī)模數(shù)據(jù)訓練模型技術(shù)的崛起，生成式大語言模型（LeLanguaeModels,LLMs）以ChatGPT為代表，開始嶄露頭角。這些模型通過擴大預訓練語言模型的規(guī)模和訓練數(shù)據(jù)的范圍，能夠?qū)W習到更加復雜和精細的語言表示，進而展現(xiàn)出令人矚目的語言生成和理解能力。LLMs人工智能大模型技術(shù)典型特征大模型達到一定規(guī)模后，會涌現(xiàn)出傳統(tǒng)語言模型以及中小規(guī)模預訓練語言模型所不具備的特殊能力，使大模型在使用界面、應(yīng)用開發(fā)方式、模型構(gòu)建過程和工程要求上也有深刻的變化。突出的“涌現(xiàn)”能力10大模型在自然語言處理（NLP）領(lǐng)域取得了突破性進展，例如數(shù)學問題解答、邏輯推理和多步推理等任務(wù)，主要體現(xiàn)在：上下文學習（In-ontlarning）：大模型能夠通過提供的自然語言指令或者提示語（pomt）中的個別任務(wù)示例引導，在沒有額外訓練和參數(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）：通過使用自然語言描述的多任務(wù)數(shù)據(jù)集進行指令微調(diào)（intrutiontunng），68B在未見過的多任務(wù)評估基準測試中顯著優(yōu)于未調(diào)整的模型，8B（Step-by-step（如數(shù)學問題時通常很困難。（chain-houghtC）提示機制來得出最終答案。這種能力通過在代碼上進行訓練而獲得，盡管這一點還需進一步研究來驗證，而逐步推理能力是使用大模型進行復雜任務(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)用更為簡單，只要掌握了提示語技巧，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，便于標準化和形成用戶習慣。提示語設(shè)計需要考慮任務(wù)需求、期望輸出以及對模型能力的激發(fā)，除了角色、任務(wù)和指令定義說明之外，在復雜任務(wù)求解中，為了引導大模型進行上下文學習和逐步推理、多路徑推理、多答案評估、自我評估、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，自動提示工程（APE）還可以通過大模型自身來生成提示語、評分和迭代，遞歸的使用大模型來創(chuàng)建高質(zhì)量的提示語，提升模型輸出質(zhì)量。高擴展性的應(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，通過從外部知識源（如搜索引擎或知識圖譜）檢索相關(guān)信息，并將這些信息與輸入提示結(jié)合，以生成更準確和豐富的回答。RAG能夠擴展大模型的已有知識，并使大模型獲得對外部長信息的處理能力。為了更好地利用RAG，研究者們還開發(fā)了RAG-awareFLARE（Forward-lookingActiveRetrievalAugmentedGeneration）。FLARE規(guī)劃和執(zhí)行（Planandecue，P&E）：P&E是復雜任務(wù)多步執(zhí)行的基本方案，以機器人流程自動化（obticpoessauomtion，RA）場景為例，P&ERA報表處理、自動化測試等包含大量重復性步驟的任務(wù)。如果規(guī)劃中有未知步驟依賴于前導步驟的執(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)。大模型通過外部工具來擴展其功能，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)，使大模型能夠在沒有直接觀察的情況下推理，生成可執(zhí)行的步驟，以及在對話中解決問題。綜上所述，大模型應(yīng)用框架涉及提示設(shè)計、外部知識整合、工具使用和智能體構(gòu)建等多個層面，這是一個具有廣泛適用性和高度可擴展性的應(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用性和智能化水平。高成本的訓練和推理過程相比小規(guī)模的語言模型，大模型巨大的參數(shù)量對訓練語料的數(shù)量和質(zhì)量都有更高的要求，訓練流程更為復雜，訓練周期更長，對算力的要求也遠高出小規(guī)模語言模型。大模型的訓練過程包括語料收集和預處理、模型預訓練、微調(diào)等階段。語料處理：大模型的能力很大程度上依賴于預訓練語料庫的規(guī)模、質(zhì)量和預處理方式。預訓練語料庫包括通用語料和專業(yè)語料，前者包括網(wǎng)頁、書籍、對話文本等，后者如多語言文本、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言能力和泛化能力，以及專業(yè)知識。語料預處理需要去除語料中的噪聲（錯誤、冗余、無關(guān)內(nèi)容如廣告、重復內(nèi)容、格式錯誤、異常值等）以及隱私、敏感、有害內(nèi)容，并平衡各類語料的分布以增強模型的多樣性，最后是切詞處理，將語料轉(zhuǎn)換成可訓練的格式。預訓練（Peaining）：預訓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）、預訓練的具體任務(wù)（如語(MOE)）、訓練過程中的優(yōu)化參數(shù)配置（Bch)、學習率、訓練精度等）、并行訓練（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）。預訓練過程可以分成多個階段，每個階段在已有檢查點的基礎(chǔ)上，調(diào)整優(yōu)化參數(shù)的配置、預訓練語料的構(gòu)成乃至預訓練任務(wù)之后進行繼續(xù)訓練。微調(diào)（Fine-Tuning）：微調(diào)將預訓練后的大模型（基礎(chǔ)模型，具備通用的語言能力）適配到目標任務(wù)上，這通常需要在有標注的語料集上進行訓練。微調(diào)包括指令微調(diào)和對齊，前者使用針對目標任務(wù)所構(gòu)建的指令格式的語料集（典型的如問答對）來繼續(xù)訓練基礎(chǔ)模型，旨在增強（或解鎖）基礎(chǔ)模型在目標任務(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)過人類反饋校準的語料將模型的行為與人的價值觀、偏好對齊，如基于人類反饋強化學習（einoementarningfomHumaneedack，RLHF）DPO（直接偏序優(yōu)化，DietPeeeneOtiition）等。此外，在具體應(yīng)用場景下還可以針對特定目標進行高效微調(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，它們通過在大模型中新增一些額外參數(shù)進行訓練，并不改動大模型原有參數(shù)來將大模型適配到特定目標上。大模型的推理過程（主要是解碼過程，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程）同樣是成本較高的。在不同任務(wù)中為了平衡準確性、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、（訓練預訓練、微調(diào)以及解碼策略等多個層面。巨大的算力消耗和對數(shù)據(jù)質(zhì)量、訓練技巧的敏感性，使得預訓練功能強大的大模在將大模型與人類的價值觀和偏好對齊、減少幻覺和安全風險的問題上也存在很大的挑戰(zhàn)，這也加大了在實際應(yīng)用中二次微調(diào)大模型的風險，使得提示詞（Prompt）成為當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)上是對人類語言系統(tǒng)的一種人工智能建模技術(shù)，通過學習和融合巨量的自然語言、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知、計算和推理能力，摘得了人工智能領(lǐng)域的圣杯—能夠順利通過由計算機科學的先驅(qū)艾倫·麥席森·1950（GenealArtificalIntelligence,GAI）的早期形態(tài)。大模型技術(shù)的發(fā)展歷程是自然語言處理、神經(jīng)網(wǎng)絡(luò)模型與加速計算技術(shù)深度融合和發(fā)展的產(chǎn)物。早期的自然語言處理分為規(guī)則學派和統(tǒng)計學派，前者試圖通過建構(gòu)系統(tǒng)的形式語言理論體系對自然語言建模，典型的代表是喬姆斯基范式；后202020GeoffHion1986LanguageModel，SLM）、神經(jīng)網(wǎng)絡(luò)語言模型（NeuralLanguageModel，NLM）、預訓練語言模型（PretrainLanguageModel，PLM）和大模型（LargeLanguageModel，LLM）。大模型四個階段的語言模型都屬于概率語言模型，將自然語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言序列概率的計算方法。統(tǒng)計語言模型以字符或詞組為基本語言要素，主要使用最大似然估計方法基于共現(xiàn)頻次計算語言基本要素共同出現(xiàn)的條件概率；神經(jīng)網(wǎng)絡(luò)語言模型、預訓練語言模型及大模型則使用稠密向量表示文本語義，并使用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學習自然語言的內(nèi)在語義表達邏輯。因此，神經(jīng)網(wǎng)絡(luò)語言模型、預訓練語言模型以及大模型可以認為是同一技術(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)在從預訓練語言模型相比神經(jīng)網(wǎng)絡(luò)語言模型的進展、大模型相比預訓練模型的進展、國內(nèi)大模型以及財務(wù)領(lǐng)域大模型應(yīng)用發(fā)展現(xiàn)狀四個方面。預訓練語言模型GeoffHinonosuaBengio器翻譯等文本處理任務(wù)。Molov2013wod2vec（詞嵌入）表示文本語義特征的表示學習研究的大幕。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)語言模型。值得注意的是，OpenAI促使神經(jīng)網(wǎng)絡(luò)語言模型向預訓練模型演進的另外一個里程碑式成果是2017年由谷歌學者asani等人提出的ansormerGPU2018BERTGPT編碼器模型只包含編碼器網(wǎng)絡(luò)。模型最初是為語言理解任務(wù)開發(fā)的，如文本分類，其中模型需要為輸入文本預測一個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)換為獨熱向量。BERT使用兩個目標進行預訓練：掩蔽語言建模（MLM）和下一句預測。預訓練的BERT模型可以通過添加分類器層進行微調(diào)，適用于許多語言理解任務(wù)，從文本分類、問答到語言推理，取得了當時最領(lǐng)先的水平。OpenIGTGT為生成任務(wù)。-1別性微調(diào)，在多種自然語言任務(wù)上獲得領(lǐng)先表現(xiàn)。G-2了取得了在自然語言處理任務(wù)上的效果提升之外，其最大的收獲是經(jīng)驗性的證明通過同時擴大模型參數(shù)和提升訓練數(shù)據(jù)的ChatGPT編碼器——解碼器模型旨在訓練統(tǒng)一的模型用于各類自然語言理解和生成任務(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，實驗數(shù)據(jù)證明和前兩類預訓練模型項目，但編碼器——解碼器模型并沒有十分顯著的優(yōu)勢。大模型家譜在全球范圍內(nèi)主流大模型按其技術(shù)開放度可以分為兩類：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習能力。20233CODEXG-3WebGTLLaMAMaLaaLLaMa-2，參數(shù)規(guī)模從70650LLaMaGPT國產(chǎn)大模型OpeAIT20232不斷有新的國產(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》，國內(nèi)大模型的提供商業(yè)服務(wù)前需要完成備案。202382023440國產(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)用導向，注重產(chǎn)業(yè)生態(tài)建設(shè)。國產(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、智能寫作等場景，國產(chǎn)大模型還在財務(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)建的過程中。財務(wù)領(lǐng)域大模型財務(wù)作為企業(yè)運營的核心環(huán)節(jié)，對于數(shù)據(jù)處理、分析、預測等方面的需求尤為迫切，國產(chǎn)企業(yè)服務(wù)大模型的興起，為財務(wù)領(lǐng)域的智能化轉(zhuǎn)型提供了新的契機。財務(wù)領(lǐng)域?qū)Υ竽Ｐ偷男枨蟀〝?shù)據(jù)處理、智能分析與預測、自然語言交互和合規(guī)風險控制等多個方面。數(shù)據(jù)處理能力的提升大模型具備強大的數(shù)據(jù)處理能力，能夠快速、準確地處理海量數(shù)據(jù)，為財務(wù)決策提供有力支持。智能化分析與預測財務(wù)決策需要基于對歷史數(shù)據(jù)的深入分析和對未來趨勢的準確預測。大模型通過深度學習等技術(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測服務(wù)，幫助企業(yè)在復雜多變的市場環(huán)境中把握機遇、規(guī)避風險。自然語言處理與交互財務(wù)工作涉及大量的文檔處理和信息交流。大模型具備自然語言處理能力，能夠理解并解析財務(wù)文檔中的信息，同時與企業(yè)財務(wù)人員進行自然流暢的交互，提高工作效率和準確性。合規(guī)性與風險控制財務(wù)工作對合規(guī)性和風險控制的要求極高。大模型通過內(nèi)置合規(guī)規(guī)則和風險控制模型，能夠幫助企業(yè)在遵循相關(guān)法律法規(guī)的前提下，有效識別和控制財務(wù)風險。目前，國內(nèi)外眾多科技企業(yè)紛紛布局財務(wù)領(lǐng)域的大模型市場，國內(nèi)財務(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)在以下幾個方面：（1）基于事項會計理論研發(fā)了新一代的智能會計產(chǎn)品，提供的精細、實時、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)提供管理決策及價值創(chuàng)造服務(wù)。（2）將大模型能力嵌入業(yè)財融合的整體框架，重塑業(yè)財流程，洞察業(yè)務(wù)，優(yōu)化業(yè)務(wù)，并在此基礎(chǔ)上進行價值創(chuàng)造。（3）大模型扮演財務(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言交互能力，用戶只需要利用自然語言進行提問，即可自動生成可視化圖表和報告文字；智能經(jīng)營分析可以整合不同領(lǐng)域的知識，通過深度數(shù)據(jù)挖掘，提供更全面的信息，為企業(yè)經(jīng)營提供深度的診斷性分析；智能預測基于大模型的推理能力，智能感知企業(yè)生產(chǎn)、銷售、庫存等各領(lǐng)域的數(shù)據(jù)關(guān)聯(lián)和歸因，進行推理式經(jīng)營洞察，精準預測未來企業(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象，支撐企業(yè)從訂單入手挖掘利潤提升點。人工智能大模型技術(shù)發(fā)展趨勢OpenAI2024年夏季發(fā)布的從技術(shù)發(fā)展、產(chǎn)業(yè)應(yīng)用和社會影響三個層面出發(fā)，大模型技術(shù)發(fā)展主要考慮的問題是：如何實現(xiàn)通用人工智能，如何深入產(chǎn)業(yè)應(yīng)用，如何確保社會安全穩(wěn)定。這三個問題決定了大模型技術(shù)的發(fā)展趨勢，也即實現(xiàn)通用人工智能、產(chǎn)業(yè)中的可靠應(yīng)用以及從技術(shù)層面考慮社會倫理和安全。更進一步，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)的進步和完善；大模型在產(chǎn)業(yè)應(yīng)用中存在的幻想問題和參數(shù)遺忘問題需要得到有效解決；大模型模型架構(gòu)演進為了實現(xiàn)通用人工智能以及更好的產(chǎn)業(yè)應(yīng)用，大型語言模型（LLMs）的架構(gòu)將繼續(xù)朝著模塊化和可擴展方向發(fā)展。未來的模型將更加注重能效，采用先進的算法和硬件協(xié)同設(shè)計，以減少能源消耗。自適應(yīng)學習機制有望幫助大模型能夠根據(jù)實時數(shù)據(jù)反饋進行自主調(diào)整，提升適應(yīng)性。這個方面的發(fā)展趨勢主要體現(xiàn)在以下三個方面：（1）模型規(guī)模的增長，規(guī)模效應(yīng)將進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制以及模型壓縮技術(shù)，以減少計算和存儲需求；（3）多模態(tài)學習，大模型將越來越多地整合視覺、聽覺等多模態(tài)信息，具備完整立體的信息理解和整合能力。訓練方法創(chuàng)新應(yīng)用場景拓展大模型的應(yīng)用場景已經(jīng)在醫(yī)療、法律、教育等多個跨學科領(lǐng)域發(fā)揮重要作用，未來可能在更加廣泛的領(lǐng)域和社會生活場景中發(fā)揮作用。大模型有望通過深度融合知識和技術(shù)，提供更加精準和個性化的服務(wù)。實時交互能力的提升將使大模型降低延遲，提高響應(yīng)速度。場景應(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（如財務(wù)、金融、醫(yī)療等）發(fā)揮更大作用。（3）AIAI倫理和安全風險規(guī)避大模型有望對人類的生存方式產(chǎn)生巨大變革，其引發(fā)的社會變化和倫理風險有動搖社會根基的可能性。因此，在社會倫理和安全方面，大模型的發(fā)展需要有更加嚴格的倫理框架約束，以確保技術(shù)進步與社會責任相協(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)管機構(gòu)能夠更好地理解模型的決策過程。模型偏見問題也需顯著改善，確保所有透明度和可解釋性；（2）偏見和公平性；（3）安全性和隱私保護。大模型發(fā)展趨勢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，通過增強人類能力，實現(xiàn)人機共生的未來，這些趨勢是大模型在人類社會中發(fā)揮積極作用的必要考量。為了實現(xiàn)以上目標，大模型的發(fā)展趨勢展望可以歸到以下三個方面：（1）通用人工智能，大模型的發(fā)展將為實現(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習能力與人類的認知過程相結(jié)合；（2）跨學科融合，大模型的研究將與認知科學、心理學、社會學等學科融合，以更全面地理解語言和智能；（3）國際合作與標準化，隨著大模型在全球范圍內(nèi)的應(yīng)用，國際合作和標準化將成為推動人工智能技術(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)人工智能大語言模型體系主要包含了數(shù)據(jù)處理、模型訓練、模型部署、效果評估等核心內(nèi)容。（1）數(shù)據(jù)處理預訓練數(shù)據(jù)處理包括數(shù)據(jù)獲取和清洗、預標注。數(shù)據(jù)獲取追求全面性和代表性，通過多樣化的渠道如互聯(lián)網(wǎng)、書籍、有監(jiān)督微調(diào)訓練數(shù)據(jù)處理側(cè)重于提升模型對特定任務(wù)的適應(yīng)性。首先，通過標注者對數(shù)據(jù)進行“有幫助”或“無害”通過多次迭代，評估模型在不同數(shù)據(jù)子集上的性能，從而判斷標注數(shù)據(jù)的準確性和質(zhì)量。這一過程有助于優(yōu)化模型性能，確保其在實際應(yīng)用中的有效性和可靠性。（2）模型訓練①訓練框架模型越大，在訓練時越需提升總訓練速度、縮短訓練時間。大模型訓練過程中影響模型訓練速度的3個重要因素如公式2-1所示：總訓練速度∝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，模型訓練越快；多卡加速比主要由計算、通訊效率決定，需要依賴算法和集群中的網(wǎng)絡(luò)拓撲進行優(yōu)化。通過多卡優(yōu)化的技術(shù)手段，大規(guī)模的集成訓練算力，提升訓練速度。②模型預訓練大模型預訓練是深度學習領(lǐng)域的創(chuàng)新技術(shù)，尤其在自然語言處理中具有重要意義。預訓練基于自監(jiān)督學習，利用大量未標注的文本數(shù)據(jù)訓練模型，使模型掌握語言的通用表示和深刻理解。預訓練的核心在于設(shè)計有效的自監(jiān)督目標，讓模型數(shù)據(jù)的質(zhì)量和多樣性對模型性能有顯著影響，數(shù)據(jù)越豐富，模型泛化能力越強。然而，這也增加了數(shù)據(jù)清洗和預處理的重以實現(xiàn)最佳性能。預訓練階段是語言模型掌握知識的起始時期，訓練過程投入高、算力消耗大，需要海量的語料支撐和大規(guī)模的分布式計算設(shè)施。③模型微調(diào)訓練（Finetuning（NLP使模型學習到任務(wù)相關(guān)的知識，從而提升性能。微調(diào)時，首先選擇與目標任務(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)可以進一步提高微調(diào)效果，穩(wěn)定訓練過程，防止梯度爆炸，并減少過擬合。微調(diào)的類型主要分為二次預訓練/全量微調(diào)和高效微調(diào)。全量微調(diào)（ullFineunig，F(xiàn)FT）調(diào)整預訓練模型的所有參數(shù)以適應(yīng)下游任務(wù)，適用于任務(wù)與預訓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)的需求和可用的計算資源。（3）模型部署企業(yè)在決定部署財務(wù)大模型時，需要綜合考慮多個關(guān)鍵因素，以確保所選方案能夠滿足其業(yè)務(wù)需求和長期戰(zhàn)略。企業(yè)在選擇公有部署還是私有化部署財務(wù)大模型時，需要權(quán)衡相關(guān)優(yōu)缺點因素，如表2-1所示。表2-1財務(wù)大模型部署方案優(yōu)缺點分析部署方案優(yōu)點缺點公有云部署按需付費，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)泄露的風險無法完全根據(jù)企業(yè)特定需求定制模型依賴云服務(wù)商的網(wǎng)絡(luò)和計算資源，或引致延遲與性能波動私有化部署本地存儲數(shù)據(jù)，便于訪問控制和隱私保護可以根據(jù)企業(yè)的具體業(yè)務(wù)需求定制模型完全控制計算資源，優(yōu)化性能滿足實時需求需投資硬件和基礎(chǔ)設(shè)施，及承擔維護、運營成本IT雖然可以定制，但擴展性可能不如云服務(wù)靈活①公有部署對算力的要求：G-3O-17B8V100GPU（每個GPU32GB）的服務(wù)器才能以合理的速度運行。②私有化部署對算力的要求：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，這通常涉及到對硬件的前期投資。對于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，保守估計需要32GB，微調(diào)的話，則至少需要260GB的顯存。（4）效果評估①常見的評測維度大模型評測涉及多個維度，首先是計算量評估，包括參數(shù)量、FLOPS（每秒實際做的浮點運算數(shù)）、訓練與推理時間，SuperGLUE（GeneralLanguageUnderstandingEvaluation）、RACE②常用的評測方法:(Bencharking)GUE，衡量任tesseting)A/B(Comativeetng)SA(Ma-Assssmens)(ModelDiagnosis)③技術(shù)挑戰(zhàn)與解決方案復雜計算準確性：GTansormer2+2等于多少？”，GPT將其作為文本生成任務(wù)處理，通過識別輸入模式生成答案，而非直接進行數(shù)學計算。GPT的回答依賴于訓練數(shù)據(jù)中的數(shù)學知識，模型大小和參數(shù)擬合程度影響其數(shù)學問題解答能力。結(jié)果不確定性：大模型不確定性源自隨機性和泛化性，導致相同問題可能產(chǎn)生不同回復。這種不確定性可產(chǎn)生多樣化文本，也導致結(jié)果的解釋性、可靠性和準確性不足，影響可信度。交互長度限制：為了保證用戶交互過程中的性能，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)分類二十一世紀的科技浪潮中，人工智能將是推動著人類科技進步的重要源泉。人工智能大模型的技術(shù)特點、模型規(guī)模、模型架構(gòu)等多個維度將會揭示這一領(lǐng)域的內(nèi)在邏輯和未來潛力。（1）技術(shù)特點大模型根據(jù)技術(shù)特點可分為生成式、理解式、自監(jiān)督學習、強化學習等類型。生成式模型（GenetiveModels）的目標是學習數(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?，創(chuàng)建與訓練數(shù)據(jù)類似的新內(nèi)容。生成式模型旨在學習現(xiàn)有數(shù)據(jù)分布，據(jù)此生成新數(shù)據(jù)實例。它們一般采用概率圖模型(GANs)VAEs)生成新數(shù)據(jù)點。理解式模型（Underandingoel）支持推理從數(shù)據(jù)中提取出來的信息。這類模型能夠?qū)斎氲臄?shù)據(jù)進行解釋。理自監(jiān)督學習模型（Self-SupervisedLearningModels）通過從數(shù)據(jù)本身生成監(jiān)督信號來訓練，無需人工標注。這類模型通過預測數(shù)據(jù)的某些部分或?qū)傩詠韺W習數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。自監(jiān)督學習模型通過設(shè)計預測任務(wù)，使模型在沒有顯式標注的情況下學習數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。例如，模型可能被訓練來預測數(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，減少了對標注數(shù)據(jù)的依賴。強化學習模型（enoemetarningModls）通過與環(huán)境不斷互動，學習能最大化累積獎賞的策略。這種模型在決策過程中會持續(xù)學習并自我調(diào)整。強化學習模型的本質(zhì)是通過與環(huán)境進行交互，不斷學習獲取最優(yōu)決策策略。在這一過程中，模型執(zhí)行動作后會收到環(huán)境的反饋，并根據(jù)這些反饋動態(tài)調(diào)整自身行為，以期最大化長期累積獲得的獎賞。（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，越能完成復雜的數(shù)據(jù)處理。（如BERT等泛化能力強，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，能夠從數(shù)據(jù)中提取深層特征，處理復雜的數(shù)據(jù)集。但大型模型的訓練和運行往往需要海量的計算資源作為支撐，部署可能受到硬件限制，訓練過程可能非常耗時，需要長時間的數(shù)據(jù)迭代和優(yōu)化，它通常被視為“黑箱”，決策過程難以理解和解釋。小型人工智能模型的優(yōu)勢集中在資源效率高、部署靈活、訓練快速和可解釋性好上。小型模型需要較少的計算資源，更容易部署到各種平臺上，訓練和推理速度通常更快，適合需要實時反饋的應(yīng)用場景，由于模型結(jié)構(gòu)簡單，小型模型的決策過程相對更容易理解和解釋。但在數(shù)據(jù)模式復雜或數(shù)據(jù)量大的情況下，小型模型可能在處理復雜任務(wù)時性能不足，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)計的數(shù)據(jù)處理和特征工程來彌補其在復雜度上的不足。（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)行學習任務(wù)的方法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）：卷積神經(jīng)網(wǎng)絡(luò)在圖像處理及視覺識別任務(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，全連接層實現(xiàn)分類或回歸。該模型對圖像數(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，存在過擬合風險。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）：循環(huán)神經(jīng)網(wǎng)絡(luò)常用于自然語言處理（如語言模型、機器翻譯）、時間序列預測、語音識別等它能夠處理任意長度的序列數(shù)據(jù)，捕捉時間依賴性，但難以處理長序列數(shù)據(jù)（梯度消失或爆炸問題），且計算效率較低。變換器（Transformer）：變換器模型基于自注意力機制，能夠同時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)模語言模型（如BERT、GPT）、機器翻譯和文本生成任務(wù)。它并行化能力強，適合處理長序列數(shù)據(jù)，能夠捕捉長距離依賴。但模型訓練過程需要大量計算資源，對數(shù)據(jù)量要求高。生成對抗網(wǎng)絡(luò)（GAN）：生成對抗網(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，判別器評判數(shù)據(jù)真?zhèn)危瑑烧呦嗷?、相互提升，不斷?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、風格遷移、數(shù)據(jù)增強、超分辨率等任務(wù)。它能生成高質(zhì)量逼真數(shù)據(jù)實例，但訓練過程或存在不穩(wěn)定性，需要精心設(shè)計架構(gòu)與訓練策略。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習數(shù)據(jù)的壓縮表示，有助于數(shù)據(jù)可視化和去噪，但對于非線性數(shù)據(jù)的表示能力有限，可能難以捕捉復雜數(shù)據(jù)結(jié)構(gòu)。人工智能大模型技術(shù)賦能財務(wù)概述數(shù)字經(jīng)濟的創(chuàng)新迭代和數(shù)字化轉(zhuǎn)型的快速發(fā)展，促進人工智能技術(shù)在財務(wù)領(lǐng)域的應(yīng)用日趨深入，而大模型將擴大人工智能在財務(wù)領(lǐng)域應(yīng)用的深度與范圍，并將從多個維度重構(gòu)企業(yè)財務(wù)管理。首先，大模型技術(shù)的應(yīng)用，將結(jié)構(gòu)化的財務(wù)數(shù)據(jù)處理過程延伸到非結(jié)構(gòu)化的業(yè)務(wù)數(shù)據(jù)處理，擴大了財務(wù)人員對于數(shù)據(jù)管理的范圍，并且從交互層面重構(gòu)用戶體驗；其次，最后，在大數(shù)據(jù)時代對海量財務(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，對財務(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，將會在越來越多的財務(wù)管理工作中發(fā)揮作用。人工智能大模型技術(shù)賦能財務(wù)總體情況（1）人工智能大模型賦能財務(wù)發(fā)展前景2024+AI業(yè)的重要一步。財務(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)如何賦能財務(wù)管理，也成為了當前企業(yè)數(shù)字化轉(zhuǎn)型的熱門話題。20237ChatGPT查顯示，調(diào)查對象對大模型的看法較為積極：一方面，大模型的應(yīng)用可以應(yīng)對自動化流程型工作，從而提高財務(wù)日常工作的效率；另一方面，大模型可以通過加載數(shù)據(jù)挖掘算法，實現(xiàn)數(shù)據(jù)驅(qū)動的分析和決策體系的輸出。調(diào)查對象認為大模型對BP、投融資管理、風控3-1會計核算成本管理預算管理財務(wù)報告稅務(wù)管理內(nèi)部審計風控合規(guī)資金管理BP外部審計財務(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)對財務(wù)管理的需求日益增長，特別是在數(shù)據(jù)驅(qū)動決策、業(yè)務(wù)與財務(wù)融合、風險管理以及成本控制等方面。人工智能大模型技術(shù)以其強大的數(shù)據(jù)處理能力和智能化分析優(yōu)勢，成為財務(wù)管理創(chuàng)新的關(guān)鍵驅(qū)動力。財務(wù)領(lǐng)域?qū)τ谌斯ぶ悄苄枨蠓浅V泛，重點包括以下幾個方向：數(shù)據(jù)驅(qū)動決策的需求在當前的商業(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)需要從海量的財務(wù)和業(yè)務(wù)數(shù)據(jù)中提取有價值的洞察，以支持戰(zhàn)略規(guī)劃和日常運營決策。I更加精準的決策。業(yè)務(wù)與財務(wù)的深度融合傳統(tǒng)的財務(wù)管理往往與業(yè)務(wù)運營相對獨立，導致信息孤島和效率低下。隨著企業(yè)對一體化管理的追求，人工智能大模型技術(shù)可以幫助實現(xiàn)業(yè)務(wù)流程與財務(wù)管理的無縫對接，通過自動化工具和智能分析，提升財務(wù)數(shù)據(jù)的透明度和業(yè)務(wù)決策的效率。風險管理和合規(guī)性要求在全球化經(jīng)營和監(jiān)管環(huán)境日益嚴格的背景下，企業(yè)面臨著復雜的風險管理和合規(guī)挑戰(zhàn)。人工智能大模型技術(shù)可以用于構(gòu)建風險評估模型，實時監(jiān)控財務(wù)活動，預測潛在風險，并提供合規(guī)性建議，從而降低企業(yè)運營風險。成本控制和效率提升成本控制是企業(yè)財務(wù)管理的核心任務(wù)之一。人工智能大模型技術(shù)可以通過自動化處理財務(wù)流程，減少人工錯誤和提高工作效率，同時通過智能分析幫助企業(yè)發(fā)現(xiàn)成本節(jié)約的潛在領(lǐng)域，實現(xiàn)成本優(yōu)化。人工智能技術(shù)正在改變財務(wù)管理的面貌。隨著技術(shù)的不斷進步，預計未來人工智能將在財務(wù)管理中扮演更加重要的角色，幫助企業(yè)實現(xiàn)更高效、更智能的財務(wù)管理。人工智能大模型技術(shù)為財務(wù)管理帶來了革命性的變化，滿足了企業(yè)在數(shù)據(jù)驅(qū)動財務(wù)管理的智能化水平，增強競爭力。（2）人工智能大模型在財務(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、先進的數(shù)字化系統(tǒng)門檻越來越高。大模型相比于過去的人工智能技術(shù)，具有更大規(guī)模的神經(jīng)網(wǎng)絡(luò)，用更多的數(shù)據(jù)進行訓練，具備更強的適應(yīng)性和多模態(tài)的生成能力及交互能力，實現(xiàn)了從感知智能到認ITSaaSIT同時，人工智能大模型封裝更為完整，對普通用戶幾乎屏蔽了底層代碼的特性，使其應(yīng)用門檻更低，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，具備多輪溝通對話、記憶、歸納和演繹能力，給財務(wù)智能化升級提供了更大的應(yīng)用空間。企業(yè)管理類SaaS服務(wù)提供商已經(jīng)開始探索大模型在財務(wù)領(lǐng)域的應(yīng)用實踐，如圖3-2所示，主要有兩個方向：‘一是構(gòu)建大模型應(yīng)用平臺，提供大模型接入、任務(wù)編排、提示開發(fā)等功能，將成熟的第三方通用大模型與財務(wù)數(shù)字化IT例如整合系統(tǒng)取數(shù)計算能力與大模型交互能力，在復雜的外部環(huán)境下完成財務(wù)管理的工作任務(wù)。二是構(gòu)建專注于財務(wù)管理的垂域大模型，利用上市公司公開披露的海量財報數(shù)據(jù)及解讀文章進行訓練，然后在企業(yè)應(yīng)用過程中通過微調(diào)或提示詞工程進一步優(yōu)化，讓大模型具備更精準的財務(wù)理解能力。構(gòu)建財務(wù)垂域大模型，主要基于兩方需要解決模型本地化的問題，垂域大模型可以較低成本實現(xiàn)本地化部署的需求；二是財務(wù)精準度的問題，企業(yè)有自己內(nèi)部的語言環(huán)境，比如對一些固定的業(yè)務(wù)對象形成約定俗成的簡稱，并且高頻使用，這些簡稱在企業(yè)外部可能無明確的含義，通用大模型對含有這些簡稱的句子就無法準確理解。如果用企業(yè)內(nèi)部對話的大數(shù)據(jù)來訓練或微調(diào)模型，則能夠讓大模型在企業(yè)內(nèi)部場景下更精準地理解用戶意圖。在業(yè)務(wù)咨詢、單據(jù)附件理解等方面，經(jīng)過本地微調(diào)過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 ……財務(wù)指標分析財務(wù)AI助手智能問詢 智能預測智能報告生成智能審核提示語工程提示語工程財務(wù)大模型繼續(xù)預訓練 模型微財務(wù)知識庫 通用大模型+開源大模型 圖3-2財務(wù)大模型框架在數(shù)字化轉(zhuǎn)型浪潮的推動下，人工智能技術(shù)在財務(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)在財務(wù)管理眾多場景已經(jīng)有了一定程度的推進和落地。智能化會計核算人工智能技術(shù)的應(yīng)用使得會計核算過程更加自動化和智能化。財務(wù)人員通過機器學習和自然語言處理（NLP），系統(tǒng)能夠自動識別和分類會計憑證，實現(xiàn)自動化的賬目處理和實時的財務(wù)報告生成。這不僅提高了核算的準確性，還顯著提升了財務(wù)團隊的工作效率。預算管理與預測在預算管理方面，人工智能技術(shù)通過分析歷史數(shù)據(jù)和市場趨勢，為企業(yè)提供更加精準的預算編制和滾動預測。人工智能大模型能夠識別潛在的財務(wù)風險，幫助管理層做出更加合理的資源分配決策。合并報表與財務(wù)報告人工智能技術(shù)在合并報表的自動化處理中發(fā)揮著重要作用。財務(wù)人員通過智能算法，系統(tǒng)能夠自動執(zhí)行復雜的抵消和風險管理與合規(guī)監(jiān)控人工智能技術(shù)在風險管理和合規(guī)監(jiān)控方面展現(xiàn)出巨大潛力。財務(wù)人員通過構(gòu)建風險評估模型，人工智能能夠?qū)崟r監(jiān)控財務(wù)活動，預測潛在的財務(wù)風險，并提供合規(guī)性建議。這有助于企業(yè)提前采取行動，降低運營風險。成本控制與優(yōu)化在成本控制方面，人工智能技術(shù)通過分析成本數(shù)據(jù)，幫助企業(yè)識別成本節(jié)約的機會。智能成本分析工具能夠提供深入的成本驅(qū)動因素分析，支持企業(yè)在成本管理上做出更加精細化的決策。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。財務(wù)人員通過自動化的憑證識別和歸檔流程，能夠更有效地管理財務(wù)文檔，同時確保符合相關(guān)法規(guī)要求。財務(wù)共享服務(wù)中心人工智能技術(shù)在財務(wù)共享服務(wù)中心的應(yīng)用，實現(xiàn)了財務(wù)流程的自動化和智能化。財務(wù)共享服務(wù)中心通過智能客服、自動化審批流程和智能分析工具，能夠提供更加高效和標準化的服務(wù)。人工智能大模型技術(shù)賦能財務(wù)基本框架人工智能大模型技術(shù)在財務(wù)管理中的應(yīng)用框架，通過結(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險評估與預測：通過推理能力，人工智能大模型可以預測財務(wù)風險，如信用風險、市場風險等，并為風險管理提供決策支持。預算與資源優(yōu)化：人工智能大模型能夠基于歷史數(shù)據(jù)和市場變化，推理出最優(yōu)的預算分配和資源配置策略。生成與自動化自動化報告生成：人工智能大模型可以自動生成財務(wù)報告，如利潤表、資產(chǎn)負債表等，提高報告生成的效率和準確性。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務(wù)決策建議，輔助管理層做出決策。自動化流程執(zhí)行：人工智能大模型可以自動化執(zhí)行財務(wù)流程，如自動對賬、自動付款等，減少人工干預，提高工作效率。場景應(yīng)用智能會計：在會計核算中，人工智能大模型可以自動化處理會計分錄，提高核算的準確性和效率。財務(wù)分析：在財務(wù)分析中，人工智能大模型可以生成多維度的分析報告，支持管理層的戰(zhàn)略規(guī)劃。風險管理：在風險管理中，人工智能大模型可以實時監(jiān)控財務(wù)風險，提供預警和應(yīng)對策略。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檢查財務(wù)活動的合規(guī)性，確保企業(yè)遵守相關(guān)法規(guī)。技術(shù)集成與平臺支持智能中臺：構(gòu)建以人工智能大模型為核心的智能中臺，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 面員工、提升體驗 崗位員工、提升效率和專業(yè)度 面者，提升決策質(zhì)量財務(wù)助手財務(wù)領(lǐng)域場景AI風險建模 智能收款認領(lǐng) 查詢助手風險建模 智能收款認領(lǐng) 查詢助手共享客服 檔案助手 報告生投融資建議 稅優(yōu)識別 ……財務(wù)政策問答稅務(wù)政策問答對標分析 預算預測結(jié)賬助手對賬助手記賬助手單據(jù)智能審核共享運營分析財務(wù)指標分析 風險分析發(fā)票助手報銷助手…………RPA視覺識別（……）（理解、推理、創(chuàng)意、……）智能技術(shù)圖3-3大模型賦能財務(wù)框架智能技術(shù)3-4AIAIRA費用管理①往來管理②資產(chǎn)管理③核算報告④預算管理⑤資金管理⑥共享中心⑦管理會計⑧稅務(wù)管理⑨然語言）.&然語言）.3OCR）.OCR）語音費用.）.）

.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）.對賬.0A據(jù)引擎）引擎）.1認

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

RPA）RPA）.、RPA）RPA）4.、機器人機器人（實體4.6.歸檔別）.識別）.）

習）.學5.習）.學5.）音識別）.語4音識別）.語4.月結(jié)擎）習）5.學習）5.學.編制擎）然語言）.自.然語言）.自.編制機器學習）.）.）付款流水智收款流水智..1度.1度

7.1數(shù)據(jù)挖掘）（機器學習、.、數(shù)據(jù)挖掘）（機器學習、3數(shù)據(jù)挖掘）.、數(shù)據(jù)挖掘）5.）.）

引擎、..）.）.）動申報（規(guī)則RPA）RPA）.、RPA）.）.）.則引擎）.）引擎）.）.0成能推薦（能推薦（.2撥AIAIAIAI個員工通過自然語言交互的方式來獲取財務(wù)服務(wù)；面向?qū)I(yè)崗位的專員助手，通過智能化的手段提升財務(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、智能驅(qū)動的方式來增強決策能力。人工智能大模型技術(shù)賦能財務(wù)實現(xiàn)路徑人工智能大模型技術(shù)賦能財務(wù)的路徑規(guī)劃是一個系統(tǒng)化的過程，旨在通過集成先進的人工智能技術(shù)，全面提升財務(wù)管理的智能化水平。人工智能大模型技術(shù)賦能財務(wù)的路徑從深入分析企業(yè)財務(wù)管理的具體需求開始，包括對會計核算、財務(wù)報告、成本控制、預算管理、風險評估和合規(guī)性監(jiān)控等方面的細致考量，再到通過整合和預處理大量的財務(wù)和業(yè)務(wù)數(shù)據(jù)，為大模型的訓練和開發(fā)提供堅實的數(shù)據(jù)基礎(chǔ)。在模型開發(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)進行訓練和驗證，確保模型的準確性和可靠性。然后將訓練好的模型集成到現(xiàn)有的財務(wù)系統(tǒng)中，實現(xiàn)流程自動化和決策優(yōu)化，如自動生成財務(wù)報告、動態(tài)調(diào)整預算和實時監(jiān)控風險。為了確保人工智能大模型技術(shù)的持續(xù)有效性，企業(yè)需要實施嚴格的監(jiān)控和維護機制，同時對財務(wù)人員進行必要的技術(shù)培訓，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)境和市場需求。通過人工智能大模型技術(shù)賦能財務(wù)實現(xiàn)路徑，企業(yè)將能夠?qū)崿F(xiàn)財務(wù)管理的數(shù)字化轉(zhuǎn)型，提升決策質(zhì)量，降低運營成本，并增強整體財務(wù)透明度和合規(guī)性。以財務(wù)風險管理為例，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行推進。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)部的財務(wù)數(shù)據(jù)（如交易記錄、資產(chǎn)負債表）和外部數(shù)據(jù)（如市場指數(shù)、宏觀經(jīng)濟指標）。然后利用機器學習和數(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)，識別潛在的風險因素和風險事件的模式。最后通過時間序列分析，人工智能大模型可以預測未來的風險趨勢，如匯率波動、利率變化等。人工智能大模型能夠提供風險應(yīng)對策略的建議，幫助管理層做出是否對沖、轉(zhuǎn)移或接受風險的決策。生成能力：人工智能大模型能夠自動生成風險管理報告，包括風險概況、影響分析和建議措施。人工智能大模型可以構(gòu)建實時的風險預警系統(tǒng)，一旦檢測到異?；蝻L險水平超過預設(shè)閾值，立即生成預警信號。人工智能大模型賦能路線：準備階段：收集和整理財務(wù)數(shù)據(jù)，包括歷史交易數(shù)據(jù)、市場數(shù)據(jù)、信用評級數(shù)據(jù)等。建立適合人工智能大模型運行的計算環(huán)境，包括硬件資源、軟件平臺等。實施階段：使用歷史數(shù)據(jù)訓練風險管理模型，包括風險識別模型、風險評估模型等。將訓練好的模型集成到財務(wù)風險管理系統(tǒng)中，實現(xiàn)與現(xiàn)有財務(wù)流程的無縫對接。應(yīng)用階段：利用人工智能大模型對實時數(shù)據(jù)進行監(jiān)控，及時發(fā)現(xiàn)風險信號。定期或按需生成風險管理報告，為管理層提供決策支持。持續(xù)改進風險管理流程，提升風險應(yīng)對效率。基于此，人工智能大模型技術(shù)能夠在財務(wù)風險管理中發(fā)揮其強大的分析、判斷和生成能力，幫助企業(yè)提前識別和應(yīng)對財務(wù)風險，從而保護企業(yè)資產(chǎn)，確保財務(wù)穩(wěn)定。人工智能大模型技術(shù)賦能財務(wù)核心價值人工智能大模型技術(shù)對經(jīng)濟社會的高質(zhì)量發(fā)展起到了積極地推動作用，賦能財務(wù)的核心價值主要體現(xiàn)在以下幾個方面：提供更準確的預測和洞察，幫助管理層做出更明智的戰(zhàn)略決策。實現(xiàn)成本控制、預算管理等管理會計職能的優(yōu)化。場風險等，并采取相應(yīng)的風險緩解措施。度和準確性，降低了運營成本。報告生成，提高了財務(wù)活動的透明度。會，促進業(yè)務(wù)增長。這些創(chuàng)新提高了財務(wù)管理的現(xiàn)代化水平。綜上所述，人工智能大模型技術(shù)在財務(wù)管理中的核心價值在于其能夠提供深入的數(shù)據(jù)分析、精準的風險管理、高效的流程自動化以及戰(zhàn)略決策支持，幫助企業(yè)在激烈的市場商業(yè)競爭中保持領(lǐng)先地位。人工智能大模型技術(shù)賦能財務(wù)應(yīng)用A總體情況（1）需求背景2023當前家電行業(yè)消費側(cè)的發(fā)展趨勢呈現(xiàn)智能化、交互體驗增強、場景融合、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，消費者更加追求智能功能覆蓋多品類及多種生活場景，相應(yīng)帶動家電制造企業(yè)本身的智能化升級，龍22為家電行業(yè)項目，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)美擎國家級“雙跨”平臺。5G3C例如九陽產(chǎn)品搭載華為系統(tǒng)HarmonyOS海信新風空調(diào)針對不同人群的睡眠特點設(shè)計了科學的睡眠溫度曲線，可通過遙控器選擇所需的睡眠曲線來調(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)化的過程中，人工智能技術(shù)將進一步推進智能家電產(chǎn)業(yè)走向無感化，人工智能與物聯(lián)網(wǎng)技術(shù)全面融入家電產(chǎn)品的使用場景，并賦能智能家電產(chǎn)品革新，實現(xiàn)居家生活和智能家電的智慧實時互聯(lián)。目前，智ChatGPT型技術(shù)為代表的生成式人工智能（AIGC）將賦能智能家居場景從命令式交互轉(zhuǎn)變?yōu)槔斫馐浇换?，實現(xiàn)人機共創(chuàng)，形成數(shù)字管家，實現(xiàn)智能家居由“智能”向“智慧”轉(zhuǎn)化。智能家電產(chǎn)業(yè)化已成為當前家電企業(yè)發(fā)展的必然選擇，并正在幫助中國的家電制造巨頭以一流的用戶體驗和服務(wù)體系強勢出海，不斷取得世界領(lǐng)先的品牌影響力和產(chǎn)品競爭力，也驅(qū)動這些企業(yè)加快建設(shè)世界一流財務(wù)管理體系，在普遍構(gòu)建的以敏捷服務(wù)和數(shù)據(jù)整合為核心的財務(wù)中臺建設(shè)之上，大力探索大模型技術(shù)尤其是財務(wù)領(lǐng)域大模型與財務(wù)數(shù)字化的深度融合和應(yīng)用，以更強大的算法賦能業(yè)務(wù)和管理，構(gòu)建以用戶體驗為核心的家電制造企業(yè)增長新模式。（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——云帆；海爾在布局HOMEGPT；小米已經(jīng)開啟了小愛同學的人工智能大模型版本測試，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、行為習慣理解和自主深度學習等多種能力，還在將價值延伸到更大的領(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，都是希望通過人工智能大模型提升產(chǎn)品的實用性，優(yōu)化使用場景，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，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注數(shù)據(jù)進行訓練，這在某些領(lǐng)域存在困難。同時，人工智能大模型的訓練過程也面臨一些挑戰(zhàn)。人工智能大模型的訓練需要花費大量的時間和資源，而且需要高度專業(yè)化的團隊進行有效的訓練和調(diào)優(yōu)。此外，人工智能大模型需要海量的數(shù)據(jù)進行訓練，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)對于人工智能大模型的應(yīng)用總體上還處于導入階段，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)用場景上也主要聚焦智能客服、基于家居生活的用戶互動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)重在采購領(lǐng)域的合同匹配場景，人力資源領(lǐng)域的招聘和干部選拔環(huán)節(jié)的人崗匹配場景，以及財務(wù)管理領(lǐng)域的基于財務(wù)共享或財務(wù)中臺的智能客服場景，這些場景的共同特點是大模型訓練用的數(shù)據(jù)和知識庫可以基于企業(yè)已有的積累快速構(gòu)建，并能通過企業(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。對于家電制造巨頭來說，財務(wù)數(shù)字化轉(zhuǎn)型起步較早，財務(wù)共享中心的建設(shè)和運營都比較成熟，有些企業(yè)如海信等還以財務(wù)中臺的模式建設(shè)了新一代財務(wù)共享平臺。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)有以專家知識和流程驅(qū)動結(jié)合為主的管控服務(wù)型財務(wù)管理升級到以數(shù)據(jù)驅(qū)動和賦能業(yè)務(wù)為主的價值創(chuàng)造型財務(wù)管理。典型案例（1）案例背景AAB2CA160500隨著集團的產(chǎn)業(yè)發(fā)展、業(yè)務(wù)增長以及全球化戰(zhàn)略，A2022集團財務(wù)管理的難度與日俱增，希望通過積極探索并創(chuàng)新性引入人工智能大模型技術(shù)，盡快完成現(xiàn)有的財務(wù)服務(wù)從以流程驅(qū)動為主向數(shù)據(jù)驅(qū)動為主轉(zhuǎn)型，真正實現(xiàn)財務(wù)賦能人人的管理目標，為企業(yè)發(fā)展創(chuàng)造更大價值?？紤]到現(xiàn)有的財務(wù)中臺已經(jīng)能夠全面支撐集團戰(zhàn)略轉(zhuǎn)型和業(yè)務(wù)發(fā)展的需要，以及集團正在整體布局通過大模型技術(shù)建設(shè)統(tǒng)一的智能客服平臺，并通過與已建成的人工客服系統(tǒng)無縫銜接，以全面提升用戶體驗，AITGPT企業(yè)實際更加關(guān)注大模型技術(shù)導入財務(wù)領(lǐng)域過程，并強調(diào)關(guān)鍵環(huán)節(jié)的實現(xiàn)框架和實踐方法。（2）財務(wù)中臺智能客服項目定位A303450場景服務(wù)；二是專業(yè)運維，即面向財務(wù)中臺專業(yè)財務(wù)人員提供基礎(chǔ)資料維護、單據(jù)故障或流程中斷等系統(tǒng)異常問題的運維服務(wù)。A3000/AAA2A2024A集團的目標是在80%以上的場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隊進行專業(yè)運維的專業(yè)助手，通過大幅提升運維效率和質(zhì)量實現(xiàn)云服務(wù)模型下的線上運維閉環(huán)，真正通過服務(wù)賦能財務(wù)中臺的運營和業(yè)務(wù)人員報銷的合規(guī)遵從度。（3）財務(wù)中臺GPT平臺框架AGPT平臺4-1-1API頁面嵌入運營中心智能客服 智能審單 付款審核 模擬預測 智能分析 報告生成API頁面嵌入運營中心智能客服 智能審單 付款審核 模擬預測 智能分析 報告生成財務(wù)中臺 人工客服 信數(shù)平臺 活水平臺 辦公協(xié)同 培訓學堂 管理駕駛艙 司庫管理 預算管理監(jiān)控報表內(nèi)容生成 總結(jié)歸納 邏輯推理 角色扮演 知識問答 多輪對話能力中心 監(jiān)控報表內(nèi)容生成 總結(jié)歸納 邏輯推理 角色扮演 知識問答 多輪對話流量運營安全運營質(zhì)量運營提示開發(fā) 技能編排 知識維護 助手配置 監(jiān)控優(yōu)化 模型微調(diào)開發(fā)中心 流量運營安全運營質(zhì)量運營提示開發(fā) 技能編排 知識維護 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)審計上下文安全模型網(wǎng)關(guān)智能代理毒性檢測檢索增強提示防御應(yīng)用中心 財務(wù)大模型 通用大模型向量引擎 業(yè)務(wù)實體 業(yè)務(wù)操作 企業(yè)知識庫應(yīng)用中心 財務(wù)大模型 通用大模型向量引擎 業(yè)務(wù)實體 業(yè)務(wù)操作 企業(yè)知識庫模型動態(tài)調(diào)度 語義防火墻 重試/模型動態(tài)調(diào)度 語義防火墻 重試/負載均衡 流量日志4-1-1AGPT平臺架構(gòu)AGPT基礎(chǔ)管理負責管理財務(wù)大模型以及后續(xù)將接入的通用大模型的運算調(diào)度和算力均衡，并按集團統(tǒng)一的隱私保護和合規(guī)要求配置大模型輸出的語義防火墻，以及輸入輸出環(huán)節(jié)的流量日志。（安全和流量異常三個方面進行實時監(jiān)控和隨時的人工干預。模型層目前部署了財務(wù)領(lǐng)域大模型和微軟的通用大模型（ChatGPT3.5），并實現(xiàn)了按場景需要自動切換。為大模型提供上下文數(shù)據(jù)。AGPTRAG（檢索增強生成）是一種將大型語料庫的知識與生成式語言模型相結(jié)合的技術(shù)方法，包括一個檢索組件，用于從知識庫中檢索相關(guān)的文本段落，利用大模型生成能力，對檢索到的上下文進行理解和生成連貫自然的輸出。這種混合方法旨在彌補純生成模型在事實性和一致性方面的缺陷，同時利用大規(guī)模預訓練模型的泛化能力生成流暢的響應(yīng)。為了實現(xiàn)智能客服盡快全面接管用戶服務(wù)并有效成為專業(yè)運維客服人員的助手，AAgent，這是一(LLM)(API)的語言指令，并與外部世界進行交互來完成任務(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)在用戶請求被發(fā)送給大型語言模型之前，會自動識別并替換請求文本中的敏感個人隱私信息，如姓名、地址、身份證號等，以防止隱私泄露，替換后的文本將傳遞給大模型進行處理和生成響應(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另外一項關(guān)鍵部件是大模型網(wǎng)關(guān)，負責無縫接入各種大型語言模型，支持一種大模型擁有多個實例同時運行，能夠根據(jù)實時負載情況，自動分配請求至空閑實例，確保系統(tǒng)的高響應(yīng)性和可擴展性。除此之外，大模型網(wǎng)關(guān)還具備調(diào)用審計、保證系統(tǒng)的高穩(wěn)定性。AGPT集團通過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，賦予了語言模型以更廣闊的應(yīng)用空間。通過靈活組合不同的模型能力和業(yè)務(wù)能力，可以輕松應(yīng)對多樣化、復雜化的業(yè)務(wù)需求，實現(xiàn)高度智能化的端到端自動化流程。在能力中心，AGPTAPIAPIAA（4）財務(wù)大模型在智能客服場景的落地基于信創(chuàng)可控的考慮，A集團財務(wù)大模型的部署全面適配了華為昇騰910B架構(gòu)，以及國產(chǎn)操作系統(tǒng)，并全面完成了接口進行鑒權(quán)開發(fā)，構(gòu)建了對應(yīng)的框架版本容器。A集團信創(chuàng)適配的主要內(nèi)容如圖4-1-2所示：財務(wù)大模型 財務(wù)大模型 模型訓練 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平臺昇騰處理器昇騰處理器NPU 模型訓練國產(chǎn)操作系國產(chǎn)操作系（arm架構(gòu)） Ascend驅(qū)動 Cann固件4-1-2A集團財務(wù)大模型部署的信創(chuàng)適配示意在數(shù)據(jù)準備方面，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)混淆等方法進行數(shù)據(jù)脫敏，從而完成了通過財務(wù)大模型進行多次預訓練和微調(diào)所需的數(shù)據(jù)源準備。在此基礎(chǔ)上，A集團通過指令對齊訓練、繼續(xù)預訓練和模型精調(diào)，完成了財務(wù)大模型的構(gòu)建，其過程如圖4-1-3所示：評價等級評價等級用戶問題1.數(shù)據(jù)集準備1.5指令對齊訓練2繼續(xù)預訓練3.模型微調(diào)1.數(shù)據(jù)集準備1.5指令對齊訓練2繼續(xù)預訓練3.模型微調(diào)長度進行分塊處理長度進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)知識和數(shù)據(jù)與預訓領(lǐng)域相關(guān)的基礎(chǔ)知識和數(shù)據(jù)與預訓練預料差異越大，通用領(lǐng)訓練（財務(wù)、HR、供應(yīng)鏈等）劃分領(lǐng)域目標已具備千萬條對話樣本數(shù)據(jù)繼續(xù)預標注<s>手續(xù)費占比</s>財務(wù)分析及通用對話數(shù)據(jù)微調(diào)</s>……的提供根據(jù)……的提供根據(jù)<s>情況經(jīng)營分析請……<s>后商凈收入各細分領(lǐng)域不少于千級樣本?集人工標注響應(yīng)結(jié)果在完成財務(wù)大模型構(gòu)建后，A集團對財務(wù)大模型從多階段性能、魯棒性和泛化能力、公平性和偏見可能、安全性和隱私四個方面進行了嚴格的評測，完全通過評測后才將調(diào)優(yōu)后的財務(wù)大模型部署到正式環(huán)境中，通過財務(wù)中臺GPT平臺和相關(guān)應(yīng)用融合，完成了基于財務(wù)大模型的智能客服應(yīng)用的上線工作。為進一步提升財務(wù)大模型在與用戶互動過程中應(yīng)答的相關(guān)性和準確度，A集團借助GPT平臺開發(fā)中心，針對所有的費用類型開發(fā)了近10000條提示語并先后經(jīng)過了四次版本迭代，將智能客服應(yīng)答準確度從一開始的80%左右提高到92%。AAPI/APIoen（5）智能客服建設(shè)成果20244A40015000費用類型和場景近3000個，用戶滿意度近70%（用戶主動關(guān)閉問題且不轉(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)用場景家電制造企業(yè)對于人工智能大模型技術(shù)的應(yīng)用一般是和規(guī)則引擎、知識圖譜、數(shù)據(jù)智能、視覺識別等其他人工智能技GPT（1）生成式智能客服4-1-4 預置問答 GPT學習理解 …………21

智能客服 用戶提問 知識庫 智能客服 用戶提問……21 ……21 關(guān)鍵詞 學習、理解圖4-1-4大模型技術(shù)賦能財務(wù)共享智能客服（2）非結(jié)構(gòu)化附件的智能審核隨著財政部等部委聯(lián)合推動電子憑證會計數(shù)據(jù)標準專項工作的不斷深入，發(fā)票、銀行回單等原始憑證已經(jīng)實現(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)通常是先通過視覺識別或者臺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)容并給出重點提示，自動輔助人工分析單據(jù)附件中財務(wù)審核的關(guān)鍵點和識別風險，同時支持對合同內(nèi)容進行提問等，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學習、理解AI表格 視頻表格 視頻圖4-1-5大模型技術(shù)賦能財務(wù)共享智能審核非結(jié)構(gòu)化附件（3）生成式財務(wù)分析對于家電制造企業(yè)的財務(wù)報告部門來說，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)營管理和業(yè)務(wù)決策人員提供的財務(wù)分析服務(wù)也需要升級。傳統(tǒng)財務(wù)分析模式下，企業(yè)人員按照財務(wù)分析需求，花費大量/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 實時問詢GTP助手 實時問詢析、（4）生成式管報家電制造企業(yè)財務(wù)報告部門目前對外輸出的報告主要以對外披露的報告為主，這類報告由于準則和外部相關(guān)單位的規(guī)范性要求，往往可以采用先預置模板然后根據(jù)模板設(shè)置取數(shù)、綁定圖表的規(guī)則，模板化的進行文本編輯與分析，這是一種GPT助手根據(jù)與報告使用人的提綱挈領(lǐng)性要求就可以自主生成報告的目錄結(jié)構(gòu)、數(shù)字、圖表、文字分析，并根據(jù)與報告使用人的不斷互動進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)圖表報告模版

生成報告 VS

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

生成報告圖4-1-7大模型技術(shù)賦能生成式管報人工智能大模型技術(shù)賦能B公司財務(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)，未來企業(yè)的核心競爭力是運用數(shù)據(jù)創(chuàng)造增量商業(yè)價值的能力，數(shù)字化的過程就是把企業(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)揮更大的價值，傳統(tǒng)分析式AI，可以對數(shù)據(jù)進行深入的洞察分析，企業(yè)可以監(jiān)視財務(wù)和業(yè)務(wù)運營結(jié)果，分析趨勢，預測未來，行動反饋，以此幫助整AI不再是簡單的自動化，更是可以進行自行判斷的智能體。在業(yè)財融合的大趨勢下，企業(yè)財務(wù)工作不但要進一步提高自身效率，更要發(fā)揮財務(wù)對業(yè)務(wù)的監(jiān)督與指導作用。企業(yè)一AILLMLLM企業(yè)基于大模型的需求主要體現(xiàn)在三個方面：第一，大語言模型的基座。搭建面向公司整體的大語言模型平臺，具備語言理解、邏輯推理、內(nèi)容生成、通識問答等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)：支持對外發(fā)布大模型的調(diào)用接口，供業(yè)務(wù)系統(tǒng)對接。第二、企業(yè)智能助手。搭建企業(yè)級智能助手，前期應(yīng)用在財務(wù)領(lǐng)域，后期需要擴展到其他業(yè)務(wù)領(lǐng)域。支持對智能助手的能力通過無代碼的配置進行持續(xù)擴展：知識問答：對企業(yè)各項文檔，規(guī)章制度，產(chǎn)品說明書，行業(yè)報告等內(nèi)容融會貫通，靈活應(yīng)對用戶的提問。數(shù)據(jù)問答：可理解數(shù)據(jù)，支持以對話的形式進行數(shù)據(jù)查詢。同時內(nèi)置數(shù)理統(tǒng)計、財務(wù)分析、機器學習等模型，可對數(shù)據(jù)深入分析，并將結(jié)果整理成圖文并茂的報告。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)域進行了強化，可以自動生成對指標的業(yè)務(wù)解釋說明，以及主題分析報告。IT第三，智能無人財務(wù)共享。利用人工智能技術(shù)實現(xiàn)財務(wù)共享中心全流程高度智能化、自動化、價值化的目標。改變傳統(tǒng)的財務(wù)工作模式，大幅提高財務(wù)工作效率，降低財務(wù)成本，并極大提升財務(wù)管理水平：智能審單：實現(xiàn)在對財務(wù)日常工作（報銷、立項、付款等）流程中的自動審核，要支持業(yè)務(wù)用戶靈活的進行業(yè)務(wù)規(guī)則的定義，同時還需要將合同、發(fā)票、附件等文件中的關(guān)鍵信息進行識別，自動完成系統(tǒng)錄入。智能收單：通過智能收單機，實現(xiàn)單據(jù)投遞后的自動掃描，并形成電子影像，智能設(shè)備會調(diào)用智能審單助手的能力對提交的發(fā)票進行驗真、查重以及附件審核等。財務(wù)客服：通過機器人解答公司業(yè)務(wù)用戶對財務(wù)制度相關(guān)的問題，如：報銷制度、差旅標準、財務(wù)系統(tǒng)的應(yīng)用等。（2）發(fā)展現(xiàn)狀B公司的財務(wù)信息化水平較高，已經(jīng)完成預算、合并、成本、績效、管理報告等管理會計系統(tǒng)的建設(shè)，同時完成稅務(wù)系統(tǒng)、財務(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，但是面臨三個痛點，一個待提升點。其中痛點主要體現(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，錯誤頻出，返工情況常有發(fā)生，費時費力。數(shù)據(jù)口徑不統(tǒng)一：數(shù)據(jù)統(tǒng)計口徑不一致，同指標名稱多種不同定義與計算方法，無法追溯與核對。主數(shù)據(jù)不規(guī)范：客戶、供應(yīng)商、產(chǎn)品等主數(shù)據(jù)維度沒有統(tǒng)一維護，業(yè)務(wù)系統(tǒng)與財務(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)導與業(yè)務(wù)用戶需求多變，財務(wù)加班加點整理數(shù)據(jù)，疲于應(yīng)對。分析行為滯后：數(shù)據(jù)獲取效率低，數(shù)據(jù)統(tǒng)計整理耗時久，好不容易做出報告后，已經(jīng)錯失最佳決策時機。分析體系僵化：數(shù)據(jù)分析多停留在出報表和可視化程度，缺乏對數(shù)據(jù)深入的解讀與分析，無法指導業(yè)務(wù)決策。BI第三，人效的困境：回答業(yè)務(wù)用戶重復的問題：每日應(yīng)對大量業(yè)務(wù)用戶重復的問題，如報銷制度、付款進度、報銷進度、差旅標準、合同要求等已有明確制度文檔的問題，耽誤大量工作時間。財務(wù)審核依賴人工：財務(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。財務(wù)信息錄入依賴人工：合同、附件、非標票據(jù)等內(nèi)容需要人工核驗后進行系統(tǒng)錄入與歸檔，費時費力。另外，待提升點主要體現(xiàn)在智能化程度低：AI223ChtGTB中并未有效應(yīng)用。典型案例B構(gòu)建了面向未來的智能財務(wù)平臺業(yè)務(wù)架構(gòu)