文字|杨锐、丁艳、唐敏安
编辑｜袁曼
未来将是一个万物互联的世界——科技杂志《连线》创始编辑凯文·凯利曾在《5000天的世界》中预言。
ChatGPT催生大模热潮已经过去近两年了。大模型的能力不断提升，基于大模型开发应用的探索也进入了新的阶段。 “2023年是大基础模型快速发展的一年，2024年是大模型应用快速发展的一年。”泰康科技运营技术中心人工智能部总经理助理刘岩分析，目前大模型技术发展较2023年投入放缓，技术端从训练大模型转向应用。资源投入从需要大量算力和算法投入的大模型训练转向面向产品的大模型应用。大模型技术本身已经从大语言模型向视觉化、多模态融合、智能化方向发展。
这意味着大模型应用正在加速2024年的产品和场景落地。现实中，大模型已经应用于制造、智慧能源、油气、矿业、医疗、教育、交通等行业的多个场景，展示提高工作效率、优化客户服务体验、推动企业数字化转型进程的成效。实际结果。
在金融行业，大型模型被视为“新基建”。太保科技总经理魏教华表示：“随着大模型技术的快速发展，现已成为金融行业的重要应用工具。比如彭博社的BloombergGPT、LTX通过GPT-4创建的BondGPT、开源的FinGPT等都是针对金融行业的。行业定制的大型模型。”
在金融细分领域，“保险是一个非常复杂的产品，但它的虚拟特性恰恰是最适合AI应用的金融领域。”新美互助人寿保险公司董事长杨帆在接受《财经法官》记者采访时表示。
据智研站统计，2018年中国保险大模型行业市场规模为3.84万亿元，2023年中国保险大模型行业市场规模为5.1万亿元，同比增长5.72%。目前，中国平安、中国太保、人保财险、阳光保险、信美互助等多家保险公司均围绕大车型布局。
目前，从保险行业的场景应用来看，大模型可以应用于整个业务流程，可以嵌入到承保、理赔、审核等多个业务流程中。应用场景主要包括营销、办公、承保、客服、编码等。辅助等
据《财经》多方调查显示，目前，国内保险行业仍处于场景化落地的初级阶段，从知识助手、智慧办公、双核助手、智能提问等领域，从内到外，保险行业都处于场景落地的初级阶段。对外，从B端应用到C端应用终端应用的路径是目前保险行业大模型落地的常用路径。
从实施实践来看，提升内部应用效率、赋能代理人和合作伙伴等ToB端支持大模式的成果已经开始显现，协助保险公司在产品设计、营销、客户服务、理赔处理等方面提高效率和准确性，从而提高整个价值链的效益；在toC方面，仍然主要集中在初级客户服务交互层面。直接服务仍需要评估和解决大模型安全问题，处理生成内容的可控性和合规性要求；在技术底层，保险行业正在专门致力于行业的大规模模型训练。
蚂蚁集团保险事业群首席技术官孙振兴向《财经》记者表示，保险行业业务处理流程复杂，涉及大量多模态、非结构化数据（如保险条款、各类理赔单据和资料、保单合同、图文、视频素材等），以及丰富的客户服务和互动场景。大模型技术可以显着提升行业自动化能力和用户服务水平，满足保险行业的需求。然而，保险作为专业严谨的金融行业，大模型的应用不仅需要常识和简单的推理能力，还需要依赖深厚的行业专业知识、复杂的决策推理以及大小模型协同处理的能力。任务。 。因此，只有专门为保险行业定制的领域大模型才能解决保险客服的专业问题。
在大车型的布局上，保险机构已经确定这是必由之路，不能落后。无论是全行业共性的生产力提升，还是保险行业特有场景的创新应用，大模型正在由内而外一点一点拓宽边界，由内而外悄然蔓延。
实践成果开始显现：降本增效只是第一步
保险业的大模式不仅是技术升级的过程，更是商业模式的转变。
不少保险行业资深人士认为，在2023年之前的前大模式时代，AI现阶段的作用主要是降低成本、提高效率。然而，随着2023年大模型技术的登场，它具备了压缩海量知识的能力，也具备了交互和理解拟人自然语言的能力，突破了认知、推理、表达的三重难题。因此，保险业的未来将是重塑变革。
无论是全行业共性的生产力提升，还是保险行业特有场景的创新应用，大模型正在由内而外一点一点拓宽边界，由内而外悄然蔓延。刘岩表示，要优先考虑合规性，首先在内部赋能场景开发应用，再向外部客户场景拓展，充分积累大模型应用经验，配合监管严格控制大模型带来的风险。
AI芯片领头羊英伟达首席执行官黄仁勋10月12日公开表示，“我希望英伟达有一天能够成为一家拥有5万名员工的公司，并在公司的每个部门配备1亿个AI助手。 “在黄仁勋的想象中，未来，NVIDIA将在公司各个部门大规模部署AI助手（代理），以提高产出。届时，AI代理会将任务分解为多个更小的步骤，每一步处理特定的任务以实现更广泛的目标。
与黄仁勋的预测类似，大模型的结果已经开始显现出保险业普遍生产率的提高。据中国太保魏娇华介绍，目前，大模型落地的试点场景集中在员工办公、研发测试、健康险理赔、车险理赔服务、审计运营等方面，尚处于探索阶段。试点期。通过后续基础平台的完善和场景的进一步拓展，预计到2025年太保数字化员工队伍将能够覆盖1万名员工，劳动生产率提升30%以上。
“正是因为大模型在思维模式、行动能力和建模边际成本三个方面的突破，大模型才能建模人的能力。无论业务中的具体问题是什么，只要你有他们能够灵活地计划和使用工具来解决当前的任务。”魏娇华解释了中国太平洋数字化劳动力的逻辑，即通过大模型模拟人的能力来为企业赋能。
阳光保险相关负责人介绍，在办公赋能方面，推动办公助手、自动编程、知识搜索的认知和普及。阳光办公GPT已使用超过77万次，覆盖总部员工84%，员工范围广泛。据评价，GPT显着提高了日常文书工作的效率。技术团队应用大模型辅助编程，开发了Ivy GPT编程助手。目前已升级至9支队伍，已有497人尝试过。在代码安全合规监控和代码注释生成方面可以节省50%以上的工作量。在新系统中，标准的后台代码在生成方面可以节省60%以上的工作量。
在保险行业独特场景的创新应用方面，大模型也带来了新的希望，将实现从“粗放预测”到“精准预测”的发展。
据信美互助首席风险官、数字化管理委员会主任赵雪耀介绍，信美互助的大模型应用目前还处于逐步落地和验证阶段。在销售支持环节，二核风控环节具有一定的实际应用。从目前的应用效果来看，有助于进一步降低成本、提高效率。比如新美新近推出的中端医疗保险定制产品咨询助手“医加医”，上线后综合准确率高达98.33%。我们以蚂蚁金服在保险领域的智能助手马小财为例。基于自主研发的凤凰模型，马小才可以解答用户的各类咨询，包括承保、理赔等保险领域最复杂、最严格的问题。问答准确率达95%以上。
将整个保险链条打通，大模型技术在保险行业的应用正在改变传统的风险管理方式。通过处理包括历史保险理赔记录、客户个人信息、健康记录、车辆行驶记录等海量数据，大模型可以为保险公司提供更准确的风险评估和决策支持。
在保险产品定价阶段，大型模型可以分析大量客户数据和历史理赔数据，帮助保险公司准确评估个体风险水平，实现个性化定价。但据刘岩分析，现阶段大模型分析海量数据还存在技术难点，并不是当前大模型应用的主要场景。这一场景的突破需要进一步发展Agent技术，通过多Agent独立规划、相互协作完成基于海量数据的分析和应用场景。
平安健康险IT管理委员会常务副主任马荣强分析，在承保效率方面，大模型可以自动分析投保人的健康数据和历史信息，快速做出承保决策。这大大减少了人工审核的工作量，同时提高了准确性和效率。
“传统的承保流程往往依赖于人工审核和经验判断，而大型模型可以通过分析大量的承保案例和数据来做出判断。未来在承保方面，可能不再需要那么多的代理和承保。当然，保险公司的大车型也会带来更多新的就业岗位。”一位中小型保险公司的CEO判断道。
阳光保险相关负责人分析，在理赔流程中，大模型的应用带来了革命性的变化。通过整合分析客户提交的理赔信息、病历、历史理赔数据等信息，大模型可以快速识别理赔案件中的潜在风险和异常情况。这不仅可以帮助保险公司及时发现和处理潜在的欺诈行为，还可以提高理赔决策的准确性和效率。此外，大模型还可以实现自动化理赔处理，包括自动审核理赔信息、计算赔偿金额、生成理赔报告等，从而大大缩短理赔周期，提高客户满意度。
孙振兴举例说，在客户最关心的保险理赔领域，在AI大模型的新技术范式下，两天的快速理赔是远远不够的。借助大模型，文档提取的准确率可以达到99%甚至98%以上。补偿验证的准确性让用户体验秒级补偿。 “这意味着，过去提交文件后，需要等待两三天才能得到结果。但如今，在试点保险公司范围内，用户可以等待超过82％的门诊保险和超过51%的住院保险我们可以在一分钟甚至几秒内实时得到理赔结果，这是大额保险多模态提取模型、大额理赔审核模型协同作用的结果。以及OCR等专业小模型。”
一家中型寿险公司负责人表示，除了替代和提高日常客服、运营等岗位的效率外，在产品定价和精算假设方面，可以利用大型模型实现数千个人们。更重要的是，过去保险公司以一种产品称霸全球的时代已经过去了。大型号可满足定制需求。通过大模型数据，可以根据许多特殊客户群体的个性化产品需求，提供更具差异化的产品。 。但这也受到监管限制。
麦肯锡全球合伙人、金融保险行业和数字化创新专家刘明华认为，大模型生成的AIAgent可以独立交互并模拟下一步动作，为用户构建数字化保险社区。
孙振兴表示，大模型技术发展迅速。 ScalingLaw除了延续ScalingLaw在参数规模和数据方面的不断改进之外，还呈现出两大趋势：多模态和强化学习，使其能够处理图像、视频等多种数据，并进行更新。复杂的推理决策、大模型将进一步推动保险行业的服务体验和效率创新。
深度布局路径：“私有布局+API调用”
在大车型的布局上，保险机构已经确定这是必由之路，不能落后。
刘岩分析，大模型技术在保险行业的创新推动可以分为两个层面。第一个层次是全行业共性的生产力提升，第二个层次是保险行业独特场景的创新应用。全行业普遍的生产力提升包括在办公和个人助理方向的大规模模型应用，为日常工作中的信息获取、处理和分析提供新一代的能力帮助，如会议总结、文档撰写、数据分析和分析等。其他场景。座席互动培训等行业场景应用，针对保险代理人销售、招聘等场景，利用大模型技术结合企业培训系统设计，提高座席沟通能力。保险行业复杂的特点和合规要求，给大模型的应用既带来了巨大的机遇，也带来了巨大的挑战。
在大模型的开发和应用方面，人保、平安、太保、阳光保险等大型保险公司走在了前面。他们针对保险行业推出了大型模型，并处于应用阶段，涵盖了以上两个层面的业务环节。具体布局见表。
从目前保险行业大模型的投入来看，由于投资和数据量的巨大需求，大型保险公司目前更多地投入到自建团队以及借助外部帮助开发大行业模型上。例如，人保财险自建人工智能算法团队，推动内外部生态合作，构建以保险行业通用大模型为基础、以自研大模型为主体、外部大模型为基础的人保大模型生态系统。辅助。
今年5月22日，信美互助发布了一款大型保险垂直应用——信美聊天-信任3.0。据了解，在研发过程中，信美互助人寿采取了低成本、小数据、快速迭代的策略，在通用基础大模型的基础上，通过加强非结构化数据管理，实现保险垂直应用的深度开发。和处理能力，结合检索增强、模型“微调”技术、插件和Agent能力建设。
大模型在企业中的实施主要有两种方式。一是为企业把大模型私有化，可以保证企业数据的安全。一般部署成本高达数百万元，适合金融、电信、能源等数据敏感行业。另一种是调用厂家的大模型API（应用程序编程接口），成本较低，主要输入和输出Token（模型能够理解和生成的最小单位，可以是单词、数字或标点符号）标记等）批量计费，部署方式简单，适用场景更广泛。
在保险行业，领先的保险公司最初采用了大车型私有化部署的方式。但随着应用场景、技术迭代和成本考虑，私有化部署+API调用的模式变得普遍，而中小型保险公司在实践中主要采用API调用模式。
在成本投入方面，大机型初期软硬件服务商的投入可能在数百万美元的量级，但现在随着大机型的价格战，成本也在不断下降。
对于保险机构部署大模型的实践路径的成本和价值考量，马荣强告诉《财经》，成本包括不同规模（如千亿、百亿）大模型所需的算力训练成本和推理成本。数十亿）。在价值方面，保险机构应结合业务场景，选择合适的垂直领域构建大模型，测算投入产出比。基础大模型和行业大模型的建设可以通过合作等方式实现。保险公司专注于自己领域的专业知识，打造垂直场景的大模型。同时，需要同步构建大模型的支撑技术，如小模型与大模型的结合、RAG知识检索技术和质量控制等。
国民养老大模型智能代理“建杰”项目负责人分析，在成本效益分析层面，构建自建人工智能模型无疑是一项重大的财务挑战。这不仅需要企业购买昂贵的GPU硬件基础设施，还需要庞大的计算资源和专业的AI工程师团队来保证模型的高效运行。前期资金投入和后期运维成本较高，而且随着技术的快速发展，模型的迭代优化需要不断投入人力和计算资源，这无疑增加了企业的运营负担。
据上述简述项目负责人介绍，“目前通常采用公有云大模型API调用+本地挂载知识库的模式。这种模式调用公有云大模型服务，并结合知识库的本地挂载提供不同领域的基础解决方案，提供不同场景的应用支撑能力，为企业提供了一条更经济、更灵活的路径。因此，企业可以专注于基于API接口的定制应用程序开发，以无缝连接并满足其特定业务场景的需求。”
在成本模型方面，API调用通常按需求计费，例如按请求数或处理的数据量进行计费，这使得对于低频或轻量级应用场景的成本控制更加有效，显着减少初始投资和运营。成本。该模式为企业尤其是初创企业和中小企业提供更加高效、经济的人工智能解决方案，帮助其在激烈的市场竞争中快速响应、节省资源。
上述模式也是目前保险机构的共识。某领先保险公司金融科技部门负责人表示，现在越来越多的共识是，金融领域不需要大模型，只是基于通用大模型的一定程度的信心。通用数据匹配，叠加金融数据匹配和岗位数据匹配，直接训练L3优化大规模模型应用。在金融保险领域，垂直大机型比一般大机型更有价值，也更有针对性。
除了保险公司，在AI大模型浪潮下，也有外部科技公司加速大模型在保险领域的布局。蚂蚁金服的大模型产品近日已亮相，并已在保险领域进行应用测试。孙振兴介绍，蚂蚁保险将大模型深度嵌入各类保险应用场景，打造了规划师智小猪（客服助手）、保险马小菜（智能保险助手）、健康险“即时保险助手”等产品。 “Intelligent Claims”（智能理赔）等一系列toC、toB产品实现了蚂蚁保险服务能力的飞跃。
百度副总裁吴天表示，其“行业大模式”已与多家金融机构在保险等领域展开合作。例如，帮助保险公司自动解析复杂的合同业务条款。过去人工至少需要30分钟才能处理的问题，大型行业模型可以在一分钟内处理完毕，效率提升约30倍。
当谈到企业实施大型模型的步骤时，一般路径是IT团队梳理市场上开源和闭源模型的性能特征，找出每个业务线的痛点（即交叉点）大模型技术和业务需求），并对具体的大模型进行评估。适应场景然后实施。与一般企业实施大模型的常见步骤不同，保险行业一般选择现有场景进入，用字符串逻辑进行，通过构建小场景技术框架的逻辑链接，不断复制到更多场景。
据心美互助科技负责人介绍，更具体的进入逻辑是：意图识别、信息还原、规划推理、生成答案、完成。其实，在自我训练的大模型下，就相当于一个配送机器人，还有更多细分比如产品介绍机器人、公司介绍机器人等，每个小机器人就相当于一个知识插件。
未来的挑战：数据隐私和合规风险
尽管大额保险模式有诸多好处，但目前其实施仍面临不少风险和挑战。魏娇华分析道，“目前大模型在保险行业的应用仍然面临基础设施投入门槛高、业务系统改造成本高、数据治理难度大、安全隐私风险等问题。大型模型在应用过程中可能会产生幻觉，在某些情况下可能会导致输出内容不可靠。技术应用的可控性、道德风险、监管合规风险等挑战。同时，大型模型的应用也会存在数据隐私泄露等安全问题。”
慕尼黑再保险北京分公司数据科学家徐峥分析，大模型出现的三大基石是算法研究、基础计算能力和海量数据。在算法方面，重点是算法的识别能力、并行计算能力和网络结构。目标是更快、更准确、更普遍的识别。这是提高准确性和效率的基础。算力方面，主要体现在硬件上，尤其是云计算和芯片上。随着云计算的普及和智能芯片的发展，更大规模的模型具备了部署的物质条件。在数据方面，越来越多的业务场景中出现了更多记录性、可识别性、标准化的数据。这是大模型训练和改进的基础。可以说，一个好的大模型80%的精力都在数据打磨上。有了以上三个基础，就可以利用海量数据来构建和优化大型模型。其应用需要与业务场景深度结合。
华泰保险集团信息技术总监胡崇伟表示，保险行业推行大模型仍存在挑战。在计算资源成本方面，对计算资源和存储资源的需求较高，成本门槛较高。需要持续投入，长期支持大型模型的训练和推理。
计算能力是大型模型训练的另一个关键要求，这也带来了挑战。据了解，大型模型的训练和推理需要大量的计算资源和算力支持，比如高性能计算机、大规模集群等，这些设备和资源的成本非常高，需要大量的计算资源和计算能力的支撑。大量的资金投入和技术支持。如果企业的计算资源和计算能力不足，大型模型的应用效果和范围就会受到限制。
根据《财经》的多项调查显示，在上述因素中，数据隐私是机构和消费者最普遍关注的问题之一。
一位业内资深人士认为，大型模型的训练和应用过程可能涉及用户的隐私信息和企业敏感数据。这是保险行业大模型构建中非常核心的风险。后端构建时需要设置一些规则引擎。为了修正，需要专家团队不断调整模型。版本发布前需要进行充分验证，防范合规风险。
马荣强表示，对于数据质量和隐私保护等方面的解决方案，保险行业需要考虑数据的来源和应用流程。在来源获取方面，保险公司必须获得用户授权并合规收集数据；在应用流程上，保险公司应从法规、制度、数据存储三方面建立保障，建立统一的数据标准和管理流程，构建全流程的数据监控和治理工具平台。使用隐私计算技术，例如联合学习，差异隐私和同态加密来实现数据价值挖掘，同时保护数据隐私；加强员工数据安全意识培训。
XINMEI数据信息中心负责人Tong Guohong说：“在隐私保护方面，第一步是建立客户的个人隐私信息矩阵，并使用不同的信息来确定客户的个人隐私信息是否已达到其次保护级别。评估特定的人。
在这方面，Sun Zhenxing说，Ant的方法是：首先，确保客户完全了解其数据如何通过明确的隐私政策使用；其次，在加密的帮助下确保在传输和存储期间的数据安全性；最后，实施严格的数据访问控制以确保访问敏感数据。
10月20日，在平行论坛上，在2024年金融街论坛年度会议上，以“ AI重塑财务和安全治理为主题”，中国人民政治咨询会议第13个国家委员会成员兼前副秘书和前副秘书和中国保险监管委员会党委员会副主席呼吁该行业对三个方面的重视，即：客户的个人隐私和数据安全风险；人工智能技术如何确保决策过程的公平，透明度和解释性，而不是过度依赖算法；保险公司专注于用户经验和业务价值创造。如何更好地将人工智能的创新技术与保险公司的业务目标相结合，以使AI大型模型等新技术可行且可持续。基于这一点，周利建议该行业应尽快根据行业特征制定技术标准和规格，全面地为保险行业建立人工智能安全技术系统，并使用第三方技术来加强测试和评估。
周扬里说，保险业应团结相关的技术专家和安全专家，共同制定适合保险行业的国家标准，行业标准和集团标准，并形成一个安全标准系统，涵盖从数据收集和处理到模型培训的整个过程和决策输出。 ，确保人工智能在保险业业务的各个方面都满足安全要求。
为了应对内源技术，应用衍生工具，数据安全和隐私保护的安全挑战，周Yli建议建立人工智能安全治理技术系统，并以自我安全性，功能安全性，隐私安全性来加强对尖端安全技术的研究和值得信赖的安全。通过行业，学术界和研究之间的联合技术研究，促进了关键技术成就的转变和应用。 “这是实施人工智能安全治理的必要措施。”他强调。
据行业内部人士称，监管机构目前还正在讨论该行业中大规模保险模型的实施，这些保险模型在销售方面和客户服务方面得到了强烈反映。但是，它们也可能导致偏见，并可能导致数字安全问题。问题等。如何在这种情况下定义和监督是政策部门的巨大挑战，需要在行业和政策之间进行良好的协调。
标题图片的来源|视觉中国
页面编辑器|杨明岛
本文来自Wechat Public帐户，作者：Mayflower Finance，并在Krypton的许可下出版。
