《用友：2024人工智能大模型技術財務應用藍皮書（129頁）.pdf》由會員分享，可在線閱讀，更多相關《用友：2024人工智能大模型技術財務應用藍皮書（129頁）.pdf（129頁珍藏版）》請在三個皮匠報告上搜索。

1、2總顧問：劉 勤專家顧問：趙燕錫 韓向東 陳 虎 付建華 魏代森 沈雁冰 曾 超 發起人：楊 寅 呂曉雷執筆人：楊 寅 宛 濤 李 彤 孫彥叢 方高林 孔 冰 劉 峰 史瑞超 陳 昊 呂曉雷研究團隊：上海國家會計學院 金蝶集團 元年科技 中興新云 用友公司 浪潮通軟 漢得信息 久其軟件主辦中心：智能財務關鍵技術（會計科技 AccTech）與系統平臺研究室（中心）學術支持：上海國家會計學院基金支持：國家社會科學基金項目“人工智能對會計工作影響與會計職能轉變研究”（20BGL083）撰寫團隊：楊 寅 呂曉雷 宛 濤 劉丹彤 肖遠明 李 彤 張亞東 魯 湘 孫彥叢 寧 燕 張 蓓 方高林 張 偉 付

2、立波 孔 冰 莫小娟 楊 智 劉 峰 趙 鶴 賈曉蕊 史瑞超 王 站 姜文杰 陳 昊內容審定：劉 勤 楊 寅發布日期：2024 年 9 月聯系交流：yangyinsnai.edu研究院公眾號二維碼3人工智能大模型技術財務應用藍皮書 前言1.人工智能大模型技術概述1.1 人工智能大模型技術概念解析1.2 人工智能大模型技術典型特征1.2.1 突出的“涌現”能力1.2.2 統一的 Prompt 交互1.2.3 高擴展性的應用框架1.2.4 高成本的訓練和推理過程1.3 人工智能大模型技術發展歷程及現狀1.3.1 預訓練語言模型1.3.2 大模型家譜1.3.3 國產大模型1.3.4 財務領域大模型1

3、.4 人工智能大模型技術發展趨勢1.4.1 模型架構演進1.4.2 訓練方法創新1.4.3 應用場景拓展1.4.4 倫理和安全風險規避1.4.5 大模型發展趨勢展望2.人工智能大模型技術體系架構概述 2.1 人工智能大模型技術整體體系架構2.2 人工智能大模型技術分類3.人工智能大模型技術賦能財務概述3.1 人工智能大模型技術賦能財務總體情況（1）人工智能大模型賦能財務發展前景（2）人工智能大模型在財務領域的應用分析3.2 人工智能大模型技術賦能財務基本框架3.3 人工智能大模型技術賦能財務實現路徑3.4 人工智能大模型技術賦能財務核心價值788999910111112121314151515

4、161617171922222223252829目 錄44.人工智能大模型技術賦能財務應用4.1 人工智能大模型技術賦能家用電器制造行業 A 集團財務應用4.1.1 總體情況（1）需求背景（2）發展現狀4.1.2 典型案例（1）案例背景（2）財務中臺智能客服項目定位（3）財務中臺 GPT 平臺框架（4）財務大模型在智能客服場景的落地（5）智能客服建設成果4.1.3 應用場景（1）生成式智能客服（2）非結構化附件的智能審核（3）生成式財務分析（4）生成式管報4.2 人工智能大模型技術賦能 B 公司財務應用4.2.1 總體情況（1）需求背景（2）發展現狀4.2.2 典型案例（1）智能財務平臺業務架

5、構（2）企業大模型應用架構（3）企業智能助手4.2.3 應用場景（1）智能審單機器人（2）智能交單（3）智能財務制度助手（4）智能財務數據分析助手4.3 人工智能大模型技術賦能 C 銀行財務應用 4.3.1 總體情況（1）需求背景31313131323333333436373838383940404040414242434547474949515353535人工智能大模型技術財務應用藍皮書（2）發展現狀4.3.2 典型案例（1）建設思路（2）建設框架（3）技術突破4.3.3 應用場景（1）風險評估防控（2）投資組合推薦（3）欺詐行為檢測4.4 人工智能大模型技術賦能 D 汽車企業財務應用4.4

6、.1 總體情況（1）需求背景（2）發展現狀4.4.2 典型案例4.4.3 應用場景（1）智能采集（2）智能審核（3）智能月結（4）智能風控（5）經營分析4.5 人工智能大模型技術賦能 E 大型基礎設施綜合服務商財務應用4.5.1 總體情況（1）需求背景（2）發展現狀4.5.2 典型案例4.5.3 應用場景（1）智能差旅（2）智能審核（3）智能融資決策4.6 人工智能大模型技術賦能 F 醫藥行業財務應用4.6.1 總體情況（1）需求背景54545455565757596061616162626464697279858989898990929293959696966（2）發展現狀4.6.2 典型案

7、例4.6.3 應用場景（1）合規性監控應用（2）智能財務客服的應用4.7 人工智能大模型技術賦能 G 大學財務應用4.7.1 總體情況（1）需求背景（2）發展現狀4.7.2 典型案例（1）模型與知識服務（2）智能財務能力組件（3）財務智能體（AI Agents/數字會計/智能助理）（4）用戶場景與應用銜接（5）案例應用效果與前景4.7.3 應用場景（1）智能財務助理（2）智能填報（3）智能稽核4.8 人工智能大模型技術賦能 H 投資集團財務應用4.8.1 總體情況（1）需求背景（2）發展現狀4.8.2 典型案例4.8.3 應用場景（1）共享服務與智能問答（2）管理報告與智能分析（3）司庫管理與

8、虛假貿易識別（4）決算分析與填報助手（5）工程風險評價與合規管理5.人工智能大模型財務應用局限性和關注問題5.1 人工智能大模型技術財務應用局限性5.2 人工智能大模型技術財務應用關注問題979799991011031031031031041051061071081081091091111161181181181191191221221231241241251271271277人工智能大模型技術財務應用藍皮書2023 年 9 月，習近平總書記在黑龍江考察東北全面振興期間首次提出“新質生產力”這一重要性的概念，并要求“積極培育新能源、新材料、先進制造、電子信息等戰略性新興產業，積極培育未來產業，

9、加快形成新質生產力，增強發展新動能”。人工智能是適應全球經濟創新發展的新質態生產力，習近平總書記強調指出：“加快發展新一代人工智能是我們贏得全球科技競爭主動權的重要戰略抓手，是推動我國科技跨越發展、產業優化升級、生產力整體躍升的重要戰略資源”。財政部、國資委等部委也相繼明確指出人工智能等新技術推動財務（會計）數字化轉型的重要作用，實現財務管理工作的高質量發展。2022 年橫空出世的 ChatGPT 是一個里程碑式的人工智能深度學習系統。人工智能大模型的發展可以追溯到以傳統神經網絡模型為代表的萌芽階段，而隨著 Google 提出基于 Transformer架構的神經網絡模型，奠定了大模型預訓練算

10、法架構的基礎。2022 年 OpenAI 公司發布的ChatGPT 是通用人機對話系統，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人，在 Transformer 架構基礎上，以 GPT（Generative Pre-trained Transformer，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展歷史并不長，但對人類社會的影響產生了積極作用。財務作為服務經濟發展的重要組成部分，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、規則

11、引擎、知識圖譜、機器學習、深度學習等人工智能技術應用在會計核算、費用報銷、財務報告、戰略管理、預算管理、成本管理、營運管理、投融資管理、績效管理、風險管理、管理會計報告、資金管理、司庫管理、稅務管理、審計管理等大財務領域。隨著人工智能技術創新迭代，大模型將在大財務領域的應用開花結果?；诖?，我們編寫了人工智能大模型技術財務應用藍皮書，通過大模型的技術概念、典型特征、技術架構、財務應用基本框架、財務典型案例、財務應用場景等內容，旨在幫助與引領企事業單位財務部門及廣大財務人員認識大模型的技術類型與發展趨勢，并了解大模型在大財務領域的應用場景，希望能夠為需要的人提供啟發。前 言1 人工智能大模型技術

12、概述81.1 人工智能大模型技術概念解析人工智能（Artificial Intelligence，簡稱 AI）是約翰麥卡錫等人在 1956 年達特茅斯會議上首次提出的概念，主要研究和開發能夠模擬、延伸和擴展人類智能的理論、方法、技術及應用系統。人工智能領域的研究包括機器人、語音識別、計算機視覺、自然語言處理、專家系統和機器學習等，旨在通過一定的學習和訓練，使計算機能夠模擬人類感知、認知智能行為，從而完成一定的任務。深度學習（Deep Learning）作為機器學習（Machine Learning）的一個重要分支，基于人工神經網絡（ANN）進行建模，通過模擬人腦神經元的連接和工作方式，使計算機

13、能夠像人一樣學習和理解數據。深度學習技術的核心在于其深度神經網絡結構，這些網絡通常由多個層次組成，每一層都能夠從輸入數據中提取出更高級別的特征。隨著層次的加深，網絡能夠學習到越來越復雜和抽象的特征，隨著層數加深以及維度加大，逐漸形成大規模參數的模型（廣義的大模型），從而實現對數據的更深入理解。機器為了深入理解和有效掌握語言，采用構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則和語法結構來解析和生成語言，隨著統計學的發展，統計語言模型（Statistical Language Models）開始興起，基本思想是基于馬爾可夫假設構建單詞預測模型，例如，基于最近上下文預測

14、下一個單詞，為了減少計算，通常上下文取前 n 個詞，也被稱為 n-gram 語言模型。為了提升語言模型的上下文理解能力，深度學習技術與語言模型進行結合產生了神經網絡語言模型（Neural Network Language Models）。早期的神經網絡語言模型如循環神經網絡（RNN）能夠處理序列數據，但存在梯度消失和梯度爆炸問題。長短期記憶網絡（LSTM）和門控循環單元（GRU）等變種 RNN 模型通過引入門控機制，解決了 RNN 的梯度問題，能夠更好地處理長序列數據。Transformer 模型則采用了自注意力機制，進一步提高了模型對序列中不同位置信息的處理能力，成為了目前最流行的語言模型架

15、構之一。預訓練語言模型（Pretrained Language Models,PLMs）是一種通過在大規模語料庫上進行無監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計規律和結構信息，為自然語言處理（NLP）任務提供了強大的基礎。在預訓練完成后，PLMs 可以通過微調（fine-tuning）的方式，針對特定任務如機器翻譯、文本分類、情感分析等進行適應性調整，典型代表如 Bert 模型。近年來，隨著計算能力的飛速增強和大規模數據訓練模型技術的崛起，生成式大語言模型（Large Language Models,LLMs）以 ChatGPT 為代表，開始嶄露頭角。這些模型通

16、過擴大預訓練語言模型的規模和訓練數據的范圍，能夠學習到更加復雜和精細的語言表示，進而展現出令人矚目的語言生成和理解能力。LLMs 通過海量的文本數據進行訓練，深入學習了語言的結構、語義和上下文關系。這使得能夠以統一模型處理各種自然語言任務，同時也展現出了強大的泛化能力和涌現出新的深度理解、邏輯推理、遵循指令、代碼生成等能力，為解決一系列復雜任務提供了可能。1.人工智能大模型技術概述人工智能大模型技術財務應用藍皮書91.2 人工智能大模型技術典型特征大模型達到一定規模后，會涌現出傳統語言模型以及中小規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、應用開發方式、模型構建過程和工程要求上也

17、有深刻的變化。1.2.1突出的“涌現”能力“涌現”能力是大模型在達到 10 億參數以上規模后出現的特殊能力，它們在解決復雜任務時表現出顯著的優勢，使得大模型在自然語言處理（NLP）領域取得了突破性進展，例如數學問題解答、邏輯推理和多步推理等任務，主要體現在：上下文學習（In-context learning）：大模型能夠通過提供的自然語言指令或者提示語（prompt）中的個別任務示例引導，在沒有額外訓練和參數更新的情況下，生成與指令或示例相符的期望輸出。例如，13B 的 GPT-3 模型在算術計算以及一般任務上都能表現出不錯的上下文學習能力，但 GPT-1 和 GPT-2 模型則沒有。指令遵循

18、（Instruction following）：通過使用自然語言描述的多任務數據集進行指令微調（instruction tuning），大模型能夠在未見過的、以指令形式描述的任務上表現出色，有更好的泛化能力。例如，LaMDA-PT模型在大小達到68B時，在未見過的多任務評估基準測試中顯著優于未調整的模型，8B 以下模型則不會。逐步推理（Step-by-step reasoning）：小型語言模型在解決涉及多步推理的復雜任務（如數學問題）時通常很困難。相比之下，大模型可以使用包含中間推理步驟的思維鏈（chain-of-thought，CoT）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

19、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規劃、流程拆解的基礎。1.2.2統一的 Prompt 交互大模型深刻改變了人們使用 AI 算法的方式，與以往 AI 算法的輸入輸出形態各異相比，大模型提供了統一的提示語（Prompt）交互方式，使得應用調用更為簡單，只要掌握了提示語技巧，用戶也可以在各種任務中直接使用。統一的Prompt 交互使得基于大模型的應用能夠形成統一的“Copilot”型交互界面，便于標準化和形成用戶習慣。提示語設計需要考慮任務需求、期望輸出以及對模型能力的激發，除了角色、任務和指令定義說明之外，在復雜任務求解中，為了引導大模型進行上下文學習和

20、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，還有各種更高級的提示語方法，如思維鏈（Chain of Thought）、思維樹（Tree of Thought）、自我一致性（Self-Consistency）、反思（Reflection）、專家提示（Expert Prompting）、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建高質量的提示語，提升模型輸出質量。1.2.3高擴展性的應用框架大模型除了自身的知識和推理能力外，與外部知識庫、信息檢索、各種工具 API 等結合，還可以構建具備

21、感知、理解、規劃和執行能力的自主智能體（Agent），能夠完成更加復雜的任務。大模型在 Agent 中提供理解、規劃和生成能力，處于大腦核心位置，外部知識庫、檢索引擎、工具 API 等構成可定制化的外圍組件。1 人工智能大模型技術概述10檢索增強生成（Retrieval-Augmented Generation，RAG）：RAG 系統結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）檢索相關信息，并將這些信息與輸入提示結合，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，研究者們還開發了RAG-a

22、ware 提示技術，如 FLARE（Forward-looking Active Retrieval Augmented Generation）。FLARE 通過迭代的結合預測結果和信息檢索，動態地在生成過程中引入最新信息，從而提高回答的準確性和相關性。規劃和執行（Plan and Execute，P&E）：P&E 是復雜任務多步執行的基本方案，以機器人流程自動化（Robotic process automation，RPA）場景為例，P&E 使用大模型將原任務自動拆解成 RPA 代理可以執行的流程單元，以完成文件報表處理、自動化測試等包含大量重復性步驟的任務。如果規劃中有未知步驟依賴于前導步

23、驟的執行結果，那么需要一邊執行一邊調整規劃，這需要大模型和 RPA 代理之間的持續多次交互機制。大模型智能體（LLM-Agent）：大模型 Agent 是基于大模型構建的自主實體，可以認為是 RAG、P&E 和外部工具（如APIs）的能力綜合，能夠感知環境、做出決策并執行任務。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索、數據分析、計算等各種類型的服務，例如，通過天氣 API，大模型 Agent 可以回答與特定地點的天氣相關的問題。大模型可以根據輸入、上下文和可用工具做出決策，通常涉及復雜的推理過程，如何用外部知識和已知 API 的能力來解決問題。為了更有效地使用工具，研究者們研發了

24、 Toolformer 訓練方法和 Tool-aware 提示技術如 ART（Automatic Multi-step Reasoning and Tool-use），能夠教會大模型何時使用工具以及如何設置 API 參數，如何結合思維鏈來使用工具。ReWOO（Reasoning without Observation）、ReAct（Reason and Act）和 DERA（Dialog-Enabled Resolving Agents）等提示技術，使大模型能夠在沒有直接觀察的情況下推理，生成可執行的步驟，以及在對話中解決問題。綜上所述，大模型應用框架涉及提示設計、外部知識整合、工具使用和智能

25、體構建等多個層面，這是一個具有廣泛適用性和高度可擴展性的應用框架，不同層面的優化和整合，共同提升了大模型的實用性和智能化水平。1.2.4高成本的訓練和推理過程相比小規模的語言模型，大模型巨大的參數量對訓練語料的數量和質量都有更高的要求，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模、質量和預處理方式。預訓練語料庫包括通用語料和專業語料，前者包括網頁、書籍、對話文本等，后者如多語言文本、代碼、專業領域的數據和文本等，賦予大模型通用的語言能力和泛化能力，以及專

26、業知識。語料預處理需要去除語料中的噪聲（錯誤、冗余、無關內容如廣告、重復內容、格式錯誤、異常值等）以及隱私、敏感、有害內容，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，將語料轉換成可訓練的格式。預訓練（Pre-Training）：預訓練之前要確定模型的架構（包括模型基本單元 Transformer 的類型，模型的結構配置如正則化、位置編碼、激活函數、注意力和偏置等，模型的規模配置如層數和各層單元數等）、預訓練的具體任務（如語言建模、去噪自編碼或者混合專家(MOE)等）、訓練過程中的優化參數配置（如優化器選擇、批量數(Batch)、學習率、訓練精度等）、并行訓練（如數據并行、流水線并

27、行、張量并行）與加速、穩定性控制等（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上，調整優化參數的配置、預訓練語料的構成乃至預訓練任務之后進行繼續訓練。人工智能大模型技術財務應用藍皮書11微調（Fine-Tuning）：微調將預訓練后的大模型（基礎模型，具備通用的語言能力）適配到目標任務上，這通常需要在有標注的語料集上進行訓練。微調包括指令微調和對齊，前者使用針對目標任務所構建的指令格式的語料集（典型的如問答對）來繼續訓練基礎模型，旨在增強（或解鎖）基礎模型在目標任務上的能力，如監督微調（Supervised Fine-Tuning）、多任務微調等；后者旨在使用經過人

28、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（Reinforcement Learning from Human Feedback，RLHF）和 DPO（直接偏序優化，Direct Preference Optimization）等。此外，在具體應用場景下還可以針對特定目標進行高效微調，如適配器微調（Adapter Tuning）、前綴微調（Prefix Tuning）、提示微調（Prompt Tuning）和低秩適配（LoRA）等，它們通過在大模型中新增一些額外參數進行訓練，并不改動大模型原有參數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

29、用戶輸入從大模型中的內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（Greedy Search，速度較快但可能損失連貫性）、束搜索（Beam Search，連貫性好但速度慢）以及 Top-k Sampling、Top-p Sampling（引入隨機采樣，多樣性更好但犧牲精確性）等，在不同應用場景中的選擇根據任務對創造性和精確性的要求而定。綜上所示，大模型的構建（訓練）到推理是工程復雜、成本很高的過程，包括巨大規模訓練語料的準備、模型架構設計、預訓練、微調以及解碼策略等多個層面。巨大的算力消耗和對數據質

30、量、訓練技巧的敏感性，使得預訓練功能強大的大模型非常困難，為了研究大模型的各種訓練策略的效果而進行重復消融實驗的成本極高，使得相關的實驗和研究幾乎不能進行。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，這也加大了在實際應用中二次微調大模型的風險，使得提示詞（Prompt）成為當前大模型使用的主要途徑。1.3 人工智能大模型技術發展歷程及現狀大模型本質上是對人類語言系統的一種人工智能建模技術，通過學習和融合巨量的自然語言、圖像、代碼等多種模態數據，已呈現出接近甚至超越人類的認知、計算和推理能力，摘得了人工智能領域的圣杯能夠順利通過由計算機科學的先驅艾倫麥席森圖靈

31、于 1950 提出的圖靈測試。因此，大模型被部分專家和學者視為通用人工智能（General Artificial Intelligence,GAI）的早期形態。大模型技術的發展歷程是自然語言處理、神經網絡模型與加速計算技術深度融合和發展的產物。早期的自然語言處理分為規則學派和統計學派，前者試圖通過建構系統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；后者則嘗試使用概率模型對自然語言建模。規則學派興起于 20 世紀中期，式微于 20 世紀末；統計學派始于 20 世紀中后期，其中神經網絡學習理論最早由圖靈獎得主 Geoff Hinton 在 1986 年提出，也是大模型技術最早的萌芽

32、。如果將神經網絡學習理論的提出視為大模型技術的發軔，根據神經網絡語言模型的里程碑進展，可以將大模型的發展歷程分為四個階段：統計語言模型（Statistical Language Model，SLM）、神經網絡語言模型（Neural Language Model，NLM）、預訓練語言模型（Pretrain Language Model，PLM）和大模型（Large Language Model，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據，其主要區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

33、然估計方法基于共現頻次計算語言基本要素共同出現的條件概率；神經網絡語言模型、預訓練語言模型及大模型則使用稠密向量表示文本語義，并使用深度神經網絡結構學習自然語言的內在語義表達邏輯。因此，神經網絡語言模型、預訓練語言模型以及大模型可以認為是同一技術路線的不同發展階段，三者之間有著更加緊密和連續的關系，主要體現在從預訓練語言模型相比神經網絡語言模型的進展、大模型相比預訓練模型的進展、國內大模型以及財務領域大模型應用發展現狀四個方面。1 人工智能大模型技術概述121.3.1 預訓練語言模型在 Geoff Hinton 提出神經網絡學習理論十多年之后，其學生 Yoshua Bengio 提出神經概率語

34、言模型，并成功應用于機器翻譯等文本處理任務。Mikolov 于 2013 年提出了里程碑式技術 word2vec，揭開了使用低維稠密向量（詞嵌入）表示文本語義特征的表示學習研究的大幕。之后，循環神經網絡、卷積神經網絡以及自編碼器等神經網絡結構被廣泛應用于神經網絡語言模型。值得注意的是，OpenAI 最早的通用人工智能研發選擇的就是以循環神經網絡為核心結構。促使神經網絡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 Vaswani 等人提出的Transformer，其中多頭自注意力和自編碼網絡結構使得在 GPU 上高效預訓練具備數億參數的語言模型成為可能，從而觸發了 2

35、018 年 BERT 及 GPT 預訓練語言模型技術的誕生。預訓練語言模型技術的掩碼遮蔽無監督訓練策略允許模型從海量的無標注文本中學習參數，推動了自然語言處理技術向“預訓練+微調”范式的轉變。根據編碼器和解碼器的組合策略，預訓練語言模型可分為三個類別：編碼器模型、解碼器模型和編碼器解碼器模型。編碼器模型只包含編碼器網絡。模型最初是為語言理解任務開發的，如文本分類，其中模型需要為輸入文本預測一個類別標簽。代表性的編碼器模型包括 BERT 及其變體，如 RoBERTa、XLNet 等。BERT 由三個模塊組成：嵌入模塊，將輸入文本轉換為嵌入向量序列；編碼器模塊，將嵌入向量轉換為上下文表示向量；全連

36、接模塊，將表示向量（在最后一層）轉換為獨熱向量。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，適用于許多語言理解任務，從文本分類、問答到語言推理，取得了當時最領先的水平。解碼器模型的經典代表即是 OpenAI 的 GPT 系列模型，也是當前大模型的直系祖先。GPT 系列模型將語言序列建模視為生成任務。GPT-1 通過在多樣化的未標記文本語料庫上進行自回歸預訓練，然后對每個特定下游任務進行少量樣本的判別性微調，在多種自然語言任務上獲得領先表現。GPT-2 進一步擴充了訓練數據、改進了注意力機制以及上下文長度，除了取得了

37、在自然語言處理任務上的效果提升之外，其最大的收獲是經驗性的證明通過同時擴大模型參數和提升訓練數據的規?？梢源蠓嵘Ｐ偷膶W習能力，為 ChatGPT 的推出提供了技術路線的方向性驗證。編碼器解碼器模型旨在訓練統一的模型用于各類自然語言理解和生成任務，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，實驗數據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勢。1.3.2 大模型家譜在全球范圍內主流大模型按其技術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。人工智能大模型技術財務應用藍皮書13

38、圖 1-1 主流大模型家譜從 GPT-1 和 GPT-2 到 GPT-3 真正意義上實現了從預訓練模型到大模型的轉變。其主要特征是模型參數和訓練數據增加引發的涌現能力，以及在訓練數據中加入代碼語料后的推理能力顯著提升。典型的代表是 OpenAI 于 2022 年 11 月推出的 GPT-3，具備 1750 億個參數的自回歸大語言模型，首次展現出在沒有微調情況下，通過文本交互指令或少量示例進行文本理解和推理的上下文學習能力。2023 年 3 月發布 CODEX 專門用于解析自然語言并生成代碼響應反映了大語言模型在令人驚嘆的代碼生成、理解以及推理能力，為 GPT-3 增加外部信息或知識的 WebG

39、PT 能夠基于互聯網數據回答開放式問題。2023 年推出的 GPT-4 則將視覺信息融入大模型，能夠接受圖像和文本輸入并產生文本輸出，表現出接近人類的圖文雙模態理解和生成能力。LLaMA 系列模型由 Meta 發布，為大模型開源社區的發展提供了基石性的支撐。從 LLaMa 到 LLaMa-2，參數規模從70 億到 650 億，LLaMa 系列模型保持對 GPT 系列模型的跟隨，成為大模型相關技術研究的重要參考，顯著推動大模型開源社區相關技術研發的快速發展。1.3.3 國產大模型國內大模型的研發處于快速跟隨 OpenAI 的 GPT 系列模型的狀態。國內大模型最早由百度于 2023 年 2 月推

40、出，隨后不斷有新的國產大模型面世。根據生成式人工智能服務管理暫行辦法，國內大模型的提供商業服務前需要完成備案。根據公開信息統計，從 2023 年 8 月第一批國產大模型通過備案到 2023 年底，已有 4 批次共計超過 40 款大模型先后通過備案。WebGPTInstructGPTCODEXcode-davinciGPT3GPT 家族LLaMA 家族GPT2GPT4GPT1text-davinciGPT3.5 TurboWizardLMLong LLaMAGorillaVigogneKoalaTuluVicunaGPT4 VisionGPT4 TurboGiraffeGuanacoMistra

41、lStable Beluga2Code LLaMABaizeAlpaca1 人工智能大模型技術概述14國產大模型的核心方向是垂直行業的落地和應用，也即應用導向，注重產業生態建設。國產大模型的閉源代表是百度的文心系列大模型，其研發緊密跟隨 OpenAI 關鍵大模型的技術進展。國產大模型的開源代表主要有百川、智譜、通義等。在產業應用方面，除了智能客服、智能寫作等場景，國產大模型還在財務、醫療、金融、教育等垂直領域持續發力，大模型的產業生態處于逐漸構建的過程中。1.3.4 財務領域大模型財務作為企業運營的核心環節，對于數據處理、分析、預測等方面的需求尤為迫切，國產企業服務大模型的興起，為財務領域的智

42、能化轉型提供了新的契機。財務領域對大模型的需求包括數據處理、智能分析與預測、自然語言交互和合規風險控制等多個方面。數據處理能力的提升隨著企業規模的擴大和業務的多元化，財務數據量呈指數級增長。傳統的數據處理方式已難以滿足高效、準確的要求。大模型具備強大的數據處理能力，能夠快速、準確地處理海量數據，為財務決策提供有力支持。智能化分析與預測財務決策需要基于對歷史數據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，能夠挖掘數據中的潛在規律，為企業提供智能化的分析和預測服務，幫助企業在復雜多變的市場環境中把握機遇、規避風險。自然語言處理與交互財務工作涉及大量的文檔處理和信息交流。大模型具備自

43、然語言處理能力，能夠理解并解析財務文檔中的信息，同時與企業財務人員進行自然流暢的交互，提高工作效率和準確性。合規性與風險控制財務工作對合規性和風險控制的要求極高。大模型通過內置合規規則和風險控制模型，能夠幫助企業在遵循相關法律法規的前提下，有效識別和控制財務風險。目前，國內外眾多科技企業紛紛布局財務領域的大模型市場，國內財務服務領域的科技企業也相繼發布了企業服務大模型，在其產品中深度賦能財務領域相關智能業務，主要特性體現在以下幾個方面：（1）基于事項會計理論研發了新一代的智能會計產品，提供的精細、實時、多維的數據洞察能力，依托大模型技術，形成體系化的管理模型，為企業提供管理決策及價值創造服務。

44、（2）將大模型能力嵌入業財融合的整體框架，重塑業財流程，洞察業務，優化業務，并在此基礎上進行價值創造。（3）大模型扮演財務業務生產力。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；智能經營分析可以整合不同領域的知識，通過深度數據挖掘，提供更全面的信息，為企業經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，智能感知企業生產、銷售、庫存等各領域的數據關聯和歸因，進行推理式經營洞察，精準預測未來企業效益；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，支撐企業從訂單入手挖掘利潤提升點。人工智能大模型技術財

45、務應用藍皮書151.4 人工智能大模型技術發展趨勢大模型被視為是通往通用人工智能的技術路線，OpenAI 初步計劃于 2024 年夏季發布的 GPT-5 已具備通用人工智能能力的若干特性。在國際范圍內，從產業界到學術界，從政界到民進，大模型技術被廣泛認為是推動第四次工業革命的關鍵技術。從技術發展、產業應用和社會影響三個層面出發，大模型技術發展主要考慮的問題是：如何實現通用人工智能，如何深入產業應用，如何確保社會安全穩定。這三個問題決定了大模型技術的發展趨勢，也即實現通用人工智能、產業中的可靠應用以及從技術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

46、發展需要模型架構和工程技術的進步和完善；大模型在產業應用中存在的幻想問題和參數遺忘問題需要得到有效解決；大模型生成內容的有害內容風險問題需要從技術層面上給出根本的解決方案。因此，大模型技術的發展趨勢主要有模型架構演進、訓練方法創新、應用場景拓展以及倫理安全風險規避四個方向。1.4.1 模型架構演進為了實現通用人工智能以及更好的產業應用，大型語言模型（LLMs）的架構將繼續朝著模塊化和可擴展方向發展。未來的模型將更加注重能效，采用先進的算法和硬件協同設計，以減少能源消耗。自適應學習機制有望幫助大模型能夠根據實時數據反饋進行自主調整，提升適應性。這個方面的發展趨勢主要體現在以下三個方面：（1）模型

47、規模的增長，規模效應將進一步提升大模型的智能水平；（2）架構優化，可能包括更高效的注意力機制以及模型壓縮技術，以減少計算和存儲需求；（3）多模態學習，大模型將越來越多地整合視覺、聽覺等多模態信息，具備完整立體的信息理解和整合能力。1.4.2 訓練方法創新在訓練方法方面，LLMs 將越來越多地采用自監督學習，減少對大量標注數據的依賴，通過利用無標注數據進行預訓練，提高模型的泛化能力。元學習技術的發展有望使模型能夠快速適應新任務，通過學習如何學習，實現在短時間內掌握新技能。此外，隱私保護訓練方法，如差分隱私，可能被廣泛應用于確保數據安全和用戶隱私，同時滿足日益嚴格的數據保護法規要求。具體的技術可能

48、有：（1）數據增強，為了解決數據稀疏性問題，采用更先進的數據增強技術，如生成對抗網絡生成的文本，以及通過模擬對話生成更多樣化的訓練數據。（2）強化學習與人類反饋，大模型的訓練將更加依賴于強化學習和人類反饋，以確保模型輸出與人類價值觀和偏好保持一致。（3）計算資源的優化，隨著模型規模的增長，對計算資源的需求也將增加。1.4.3 應用場景拓展大模型的應用場景已經在醫療、法律、教育等多個跨學科領域發揮重要作用，未來可能在更加廣泛的領域和社會生活場景中發揮作用。大模型有望通過深度融合知識和技術，提供更加精準和個性化的服務。實時交互能力的提升將使大模型能夠提供即時反饋，增強用戶體驗。隨著邊緣計算技術的發

49、展，大模型將更多地部署在端側設備上，實現本地化智能處理，降低延遲，提高響應速度。場景應用的潛在方向可能包括：（1）通用任務解決器，大模型將繼續作為通用任務解決器，應用于各種 NLP 任務；（2）垂直領域應用，大模型將在特定垂直領域（如財務、金融、醫療等）發揮更大作用。（3）AI 代理與自動化，大模型有望推動 AI 智能體的發展，實現更智能的辦公、客戶服務和內容創作。1 人工智能大模型技術概述161.4.4 倫理和安全風險規避大模型有望對人類的生存方式產生巨大變革，其引發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，大模型的發展需要有更加嚴格的倫理框架約束，以確保技術進

50、步與社會責任相協調。大模型的可解釋性和透明度必須得到顯著提升，使得用戶和監管機構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，確保所有群體都能公平地受益于人工智能技術。概況而言，在倫理和安全風險規避方面，大模型要重點發展的方向主要體現在：（1）透明度和可解釋性；（2）偏見和公平性；（3）安全性和隱私保護。1.4.5 大模型發展趨勢展望大模型是目前最有希望通向通用人工智能的關鍵技術，通過加強國際合作，共同制定標準和規范，促進技術的健康發展，將大模型與人類的生產和生活形成更緊密的協作關系，通過增強人類能力，實現人機共生的未來，這些趨勢是大模型在人類社會中發揮積極作用的必要考量。為了實現以

51、上目標，大模型的發展趨勢展望可以歸到以下三個方面：（1）通用人工智能，大模型的發展將為實現人工通用智能提供基礎。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的應用，國際合作和標準化將成為推動人工智能技術健康發展的重要力量。人工智能大模型技術財務應用藍皮書172.1 人工智能大模型技術整體體系架構人工智能大語言模型體系主要包含了數據處理、模型訓練、模型部署、效果評估等核心內容。（1）數據處理預訓練數據處理包括數據獲取和清洗、預標注。數據獲取追

52、求全面性和代表性，通過多樣化的渠道如互聯網、書籍、研究報告、代碼庫等獲取信息。數據清洗則注重提升數據質量，去除重復、錯誤和低質量樣本。預標注是根據任務需求采取不同的標注策略，如文本分類任務，則需人工為樣本打類別標簽，并采用策略來降低標注成本，如偏采樣、主動學習等。有監督微調訓練數據處理側重于提升模型對特定任務的適應性。首先，通過標注者對數據進行“有幫助”或“無害”的標注。其次，采用交叉驗證法檢驗數據質量，即將數據集分割成多個子集，輪流使用不同的子集進行訓練和驗證。最后，通過多次迭代，評估模型在不同數據子集上的性能，從而判斷標注數據的準確性和質量。這一過程有助于優化模型性能，確保其在實際應用中的

53、有效性和可靠性。（2）模型訓練 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據讀取的快慢決定；加速芯片數量。理論上加速芯片的數量越多，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絡拓撲進行優化。通過多卡優化的技術手段，大規模的集成訓練算力，提升訓練速度。模型預訓練大模型預訓練是深度學習領域的創新技術，尤其在自然語言處理中具有重要意義。預訓練基于自監督學習，利用大量未標注的文本數據訓練模型

54、，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計有效的自監督目標，讓模型自我學習語言規律，減少對人工標注的依賴。預訓練過程中，由于模型參數眾多，通常采用分布式并行技術來優化計算效率。數據的質量和多樣性對模型性能有顯著影響，數據越豐富，模型泛化能力越強。然而，這也增加了數據清洗和預處理的重要性，以避免噪音和偏差。預訓練完成后，模型具備廣泛的知識基礎，但要適應特定任務，還需在有監督的數據上進行微調，以實現最佳性能。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模的分布式計算設施。2.人工智能大模型技術體系架構概述2 人工智能大模型技術體系架構

55、概述18 模型微調訓練微調（Fine-tuning）是自然語言處理（NLP）領域中一種常見的技術，通過在特定任務的少量數據上繼續訓練預訓練模型，使模型學習到任務相關的知識，從而提升性能。微調時，首先選擇與目標任務緊密相關的高質量數據集，并確保數據集的覆蓋度，同時避免過擬合，保持模型泛化能力。其次，根據任務特性設定微調目標和評估指標，如將財務報告生成視為序列生成問題，使用負對數似然作為優化目標。微調中還需調整超參數，如學習率、批量大小和訓練輪數，以優化模型表現。網格搜索、隨機搜索和貝葉斯優化等方法有助于找到最佳超參數組合。此外，采用學習率 warmup、梯度裁剪和權重衰減等技術可以進一步提高微調

56、效果，穩定訓練過程，防止梯度爆炸，并減少過擬合。微調的類型主要分為二次預訓練/全量微調和高效微調。全量微調（Full Fine-Tuning，FFT）調整預訓練模型的所有參數以適應下游任務，適用于任務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（Parameter-Efficient Fine-Tuning，PEFT）技術如 LoRA 和 Prefix-tuning 減少參數數量，降低算力需求，使得在資源有限的情況下也能進行有效的微調。這些方法的選擇取決于特定任務的需求和可用的計算資源。（3）模型部署企業在決定部署財務大模型時，需要綜合考慮多個關鍵因素，以確保所選方案能夠滿足其業務需

57、求和長期戰略。企業在選擇公有部署還是私有化部署財務大模型時，需要權衡相關優缺點因素，如表 2-1 所示。表 2-1 財務大模型部署方案優缺點分析部署方案優點缺點公有云部署 按需付費，減少初始投資 可彈性伸縮，快速響應業務變化 云服務商維護更新，企業減輕 IT 負擔 可能存在數據泄露的風險 無法完全根據企業特定需求定制模型 依賴云服務商的網絡和計算資源，或引致延遲與性能波動私有化部署 本地存儲數據，便于訪問控制和隱私保護 可以根據企業的具體業務需求定制模型 完全控制計算資源，優化性能滿足實時需求 需投資硬件和基礎設施，及承擔維護、運營成本 需要專業的 IT 團隊來維護和更新系統 雖然可以定制，但

58、擴展性可能不如云服務靈活 公有部署對算力的要求：公有部署通常依賴云服務商的基礎設施，這意味著企業可以按需調整計算資源。例如，對于 GPT-3 或 OPT-175B 這樣的大型模型，可能需要至少兩臺配備 8 個 V100 GPU（每個 GPU 有 32GB 內存）的服務器才能以合理的速度運行。私有化部署對算力的要求：私有化部署要求企業在本地或專用的云環境中部署大模型，這通常涉及到對硬件的前期投資。對于 7B（70 億參數）大模型，推理的顯存需求大約為 14GB，而微調則至少需要 140GB 的顯存。對于 13B（130 億參數）大模型，推理的顯存需求大約為 26GB，保守估計需要 32GB，微調

59、的話，則至少需要 260GB 的顯存。人工智能大模型技術財務應用藍皮書19（4）效果評估 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，包括參數量、FLOPS（每秒實際做的浮點運算數）、訓練與推理時間，這些直接影響硬件需求。其次是泛化能力，通過 SuperGLUE（General Language Understanding Evaluation）、RACE 等測試集判斷模型對新數據的適應性。準確率和精度評估通過準確率、召回率、F1 分數等指標衡量模型在各任務上的表現。健壯性評估關注模型對噪聲和對抗樣本的抵抗力。公平性評估檢查模型預測是否存在群體偏見，影響其社會接受度。效率評估考量訓

60、練時間和數據量，反映成本效益。最后，可解釋性評估關注用戶對模型決策的理解程度，增強信任感。常用的評測方法大模型評測通常包含以下幾個方法:一是基準測試(Benchmark Testing)使用標準化數據集和指標，如 GLUE，衡量任務表現。二是壓力測試(Stress Testing)檢驗模型在大量自動生成數據下的穩定性和計算極限。三是 A/B 測試比較兩個模型版本，評估改進效果。四是錯誤分析識別場景局限和改進方向。五是對比學習(Comparative Testing)評估新舊 SOTA 模型的效益增加。六是元評測(Meta-Assessments)橫向分析多個模型評測報告；模型診斷評估訓練健康和

61、結果一致性。七是模型診斷(Model Diagnosis)評估訓練健康和結果一致性。八是人機協同評測結合專家反饋，提供深入全面評價。技術挑戰與解決方案復雜計算準確性：GPT 模型是基于 Transformer 的生成式預訓練模型，擅長文本預測與生成。面對數學問題如“2+2等于多少？”，GPT 將其作為文本生成任務處理，通過識別輸入模式生成答案，而非直接進行數學計算。GPT 的回答依賴于訓練數據中的數學知識，模型大小和參數擬合程度影響其數學問題解答能力。結果不確定性：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生不同回復。這種不確定性可產生多樣化文本，也導致結果的解釋性、可靠性和準確性不

62、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 Token 數量，Token 是模型理解文本的基本單位，可能代表字符到整個單詞。超出限制時，模型可能丟失對話內容，影響上下文完整性和連續性。大模型如 GPT-3 Turbo、GPT-4-8K 和 GPT-4-32K 分別限制 Token 處理量為 4096、8000 和 32000。2.2 人工智能大模型技術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特點、模型規模、模型架構等多個維度將會揭示這一領域的內在邏輯和未來潛力。（1）技術特點大模型根據技術特點可分

63、為生成式、理解式、自監督學習、強化學習等類型。生成式模型（Generative Models）的目標是學習數據聯合概率分布，并生成新的數據樣本。這類模型通?；诟怕史植?，創建與訓練數據類似的新內容。生成式模型旨在學習現有數據分布，據此生成新數據實例。它們一般采用概率圖模型或深度學習架構，如生成對抗網絡(GANs)和變分自編碼器(VAEs)。這些模型擅于捕捉數據復雜結構，并在所學分布上采樣，生成新數據點。2 人工智能大模型技術體系架構概述20理解式模型（Understanding Models）支持推理從數據中提取出來的信息。這類模型能夠對輸入的數據進行解釋。理解式模型，如分類器和回歸器，是根據

64、學習輸入數據與輸出標簽之間的映射關系來進行預測的，需要大量的標注數據來訓練。自監督學習模型（Self-Supervised Learning Models）通過從數據本身生成監督信號來訓練，無需人工標注。這類模型通過預測數據的某些部分或屬性來學習數據的內在結構。自監督學習模型通過設計預測任務，使模型在沒有顯式標注的情況下學習數據的內在結構。例如，模型可能被訓練來預測數據的一部分，或者重建數據的缺失部分。這種方法利用了數據本身的結構信息，減少了對標注數據的依賴。強化學習模型（Reinforcement Learning Models）通過與環境不斷互動，學習能最大化累積獎賞的策略。這種模型在決策

65、過程中會持續學習并自我調整。強化學習模型的本質是通過與環境進行交互，不斷學習獲取最優決策策略。在這一過程中，模型執行動作后會收到環境的反饋，并根據這些反饋動態調整自身行為，以期最大化長期累積獲得的獎賞。（2）模型規模人工智能大模型的分類可依據其規模，即模型包含的參數數量，并且參數數量越多的模型，越能完成復雜的數據處理。不同規模的人工智能模型在實際應用中具備不同的優勢和局限性。大型人工智能模型（如 GPT-3、BERT 等）性能優異，泛化能力強，能夠捕捉到更多的數據模式。大型模型特征提取能力強，能夠從數據中提取深層特征，處理復雜的數據集。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

66、可能受到硬件限制，訓練過程可能非常耗時，需要長時間的數據迭代和優化，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用場景，由于模型結構簡單，小型模型的決策過程相對更容易理解和解釋。但在數據模式復雜或數據量大的情況下，小型模型可能在處理復雜任務時性能不足，在新數據上的泛化能力也不如大型模型，小型模型可能需要精心設計的數據處理和特征工程來彌補其在復雜度上的不足。（3）模型架構人工智能的大型模型是根據其構建結構進行分類的。這些模型架

67、構，定義了模型解析數據和執行學習任務的方法。卷積神經網絡（CNN）：卷積神經網絡在圖像處理及視覺識別任務中頗具效力，卷積層提取圖像局部特征，池化層降低特征空間維度，全連接層實現分類或回歸。該模型對圖像數據中的局部模式及空間層次結構敏銳，但非圖像數據(如文本或序列)表現不佳，且參數量較多，存在過擬合風險。循環神經網絡（RNN）：循環神經網絡常用于自然語言處理（如語言模型、機器翻譯）、時間序列預測、語音識別等場景。它通過循環連接處理序列數據，能夠記住之前的狀態信息，適用于處理序列數據，如時間序列分析和自然語言處理。它能夠處理任意長度的序列數據，捕捉時間依賴性，但難以處理長序列數據（梯度消失或爆炸問

68、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，特別適用于大規模語言模型（如 BERT、GPT）、機器翻譯和文本生成任務。它并行化能力強，適合處理長序列數據，能夠捕捉長距離依賴。但模型訓練過程需要大量計算資源，對數據量要求高。人工智能大模型技術財務應用藍皮書21生成對抗網絡（GAN）：生成對抗網絡由生成器與判別器兩部分構建，生成器創建數據樣本，判別器評判數據真偽，兩者相互對抗、相互提升，不斷優化生成數據質量。此種模型架構常用于圖像、音頻生成、風格遷移、數據增強、超分辨率等任務。它能生成高質量逼真數據實例，但訓練過

69、程或存在不穩定性，需要精心設計架構與訓練策略。自編碼器（Autoencoders）：自編碼器架構包含編碼器與解碼器兩部分，前者將輸入數據壓縮為低維表征，后者則重構原始輸入數據。自編碼器常應用于數據去噪、特征提取、降維、生成模型等領域，展現出優秀的數據處理能力。這種架構方式能夠學習數據的壓縮表示，有助于數據可視化和去噪，但對于非線性數據的表示能力有限，可能難以捕捉復雜數據結構。3 人工智能大模型技術賦能財務概述22數字經濟的創新迭代和數字化轉型的快速發展，促進人工智能技術在財務領域的應用日趨深入，而大模型將擴大人工智能在財務領域應用的深度與范圍，并將從多個維度重構企業財務管理。首先，大模型技術的

70、應用，將結構化的財務數據處理過程延伸到非結構化的業務數據處理，擴大了財務人員對于數據管理的范圍，并且從交互層面重構用戶體驗；其次，財務流程的自動化和智能化提升，提高財務工作的效率和準確性，在政策應用、審單及風險管理方面重構財務人員作業方式；最后，在大數據時代對海量財務數據的深度挖掘和分析的基礎上，大模型為管理者提供更全面更客觀的分析框架，對財務決策提供有力支持。隨著人工智能大模型技術的不斷發展，將會在越來越多的財務管理工作中發揮作用。3.1 人工智能大模型技術賦能財務總體情況（1）人工智能大模型賦能財務發展前景2024 年，政府工作報告首次明確提出“開展人工智能+行動”。工信部提出開展“人工智

71、能+”行動，促進人工智能與實體經濟深度融合，推動人工智能賦能新型工業化。投資機構預計“人工智能+”行動或將成為未來 AI 賦能千行百業的重要一步。財務管理一直是人工智能技術應用的重要領域，大模型技術如何賦能財務管理，也成為了當前企業數字化轉型的熱門話題。根據上海國家會計學院于 2023 年 7 月發起的“ChatGPT 為代表的大模型對會計人員職能轉型的影響與應對”主題調查顯示，調查對象對大模型的看法較為積極：一方面，大模型的應用可以應對自動化流程型工作，從而提高財務日常工作的效率；另一方面，大模型可以通過加載數據挖掘算法，實現數據驅動的分析和決策體系的輸出。調查對象認為大模型對會計核算、財務

72、分析、稅務管理、內外部審計、成本管理、預算管理、財務報告、資金管理、財務 BP、投融資管理、風控合規、財務戰略等“大會計”職能的均有一定程度的影響，如圖 3-1 所示。圖 3-1 大模型對各會計職能的影響程度3.人工智能大模型技術賦能財務概述財務分析會計核算成本管理預算管理財務報告稅務管理內部審計風控合規資金管理財務 BP外部審計投融資管理財務戰略4.144.092.722.602.652.582.482.142.111.901.651.541.44人工智能大模型技術財務應用藍皮書23隨著數字化轉型的深入，企業對財務管理的需求日益增長，特別是在數據驅動決策、業務與財務融合、風險管理以及成本控制

73、等方面。人工智能大模型技術以其強大的數據處理能力和智能化分析優勢，成為財務管理創新的關鍵驅動力。財務領域對于人工智能需求非常廣泛，重點包括以下幾個方向：數據驅動決策的需求在當前的商業環境中，數據已成為企業最寶貴的資產之一。企業需要從海量的財務和業務數據中提取有價值的洞察，以支持戰略規劃和日常運營決策。AI 大模型技術能夠處理和分析大規模數據集，提供實時的數據分析結果，幫助企業做出更加精準的決策。業務與財務的深度融合傳統的財務管理往往與業務運營相對獨立，導致信息孤島和效率低下。隨著企業對一體化管理的追求，人工智能大模型技術可以幫助實現業務流程與財務管理的無縫對接，通過自動化工具和智能分析，提升財

74、務數據的透明度和業務決策的效率。風險管理和合規性要求在全球化經營和監管環境日益嚴格的背景下，企業面臨著復雜的風險管理和合規挑戰。人工智能大模型技術可以用于構建風險評估模型，實時監控財務活動，預測潛在風險，并提供合規性建議，從而降低企業運營風險。成本控制和效率提升成本控制是企業財務管理的核心任務之一。人工智能大模型技術可以通過自動化處理財務流程，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發現成本節約的潛在領域，實現成本優化。人工智能大模型技術在財務管理中的應用正在迅速發展。從智能會計核算到風險管理，從預算控制到財務報告自動化，人工智能技術正在改變財務管理的面貌。隨著技術的不斷進步，預計

75、未來人工智能將在財務管理中扮演更加重要的角色，幫助企業實現更高效、更智能的財務管理。人工智能大模型技術為財務管理帶來了革命性的變化，滿足了企業在數據驅動決策、業務與財務融合、風險管理以及成本控制等方面的需求。隨著技術的不斷發展，企業應積極擁抱人工智能，以提升財務管理的智能化水平，增強競爭力。（2）人工智能大模型在財務領域的應用分析人工智能技術普及之前，企業投入一定比例的資源進行 IT 建設，從底層構建完整的 IT 應用系統，支撐業務運營。隨著人工智能技術的發展，企業構建完整的、先進的數字化系統門檻越來越高。大模型相比于過去的人工智能技術，具有更大規模的神經網絡，用更多的數據進行訓練，具備更強的

76、適應性和多模態的生成能力及交互能力，實現了從感知智能到認知智能的跨越式進步。然而，大模型技術復雜度之高，耗費算力之大、投入資源之多，導致普通企業難以介入底層技術開發。通用 IT 技術廠商和企業管理類 SaaS 服務提供商，以及其他非 IT 類政企單位等大模型應用主體之間，形成了較為固化的專業技術壁壘。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，使其應用門檻更低，交付成本更低，應用范圍更廣。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，給財務智能化升級提供了更大的應用空間。3 人工智能大模型技術賦能財務概述24企業管理類 SaaS 服務提供商

77、已經開始探索大模型在財務領域的應用實踐，如圖 3-2 所示，主要有兩個方向：一是構建大模型應用平臺，提供大模型接入、任務編排、提示開發等功能，將成熟的第三方通用大模型與財務數字化系統建立緊密的連接，在財務管理流程中充分發揮大模型的價值。接入第三方大模型，可以借助通用IT技術廠商的即有成果，減少底層開發及訓練成本，加速大模型應用落地。大模型應用平臺可以在生成報告、財務分析、預算預測等場景下發揮作用，例如整合系統取數計算能力與大模型交互能力，在復雜的外部環境下完成財務管理的工作任務。二是構建專注于財務管理的垂域大模型，利用上市公司公開披露的海量財報數據及解讀文章進行訓練，然后在企業應用過程中通過微

78、調或提示詞工程進一步優化，讓大模型具備更精準的財務理解能力。構建財務垂域大模型，主要基于兩方面考慮，一是通用大模型過于龐大又不支持本地部署，或部署成本極高，軍工、央國企及部分大型民企出于防控風險的原因，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本地化部署的需求；二是財務精準度的問題，企業有自己內部的語言環境，比如對一些固定的業務對象形成約定俗成的簡稱，并且高頻使用，這些簡稱在企業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。如果用企業內部對話的大數據來訓練或微調模型，則能夠讓大模型在企業內部場景下更精準地理解用戶意圖。在業務咨詢、單據附件理解等方面，經過本地微調

79、過的大模型可能是更優的解決方案。圖 3-2 財務大模型框架在數字化轉型浪潮的推動下，人工智能技術在財務管理領域的應用已經成為企業提升效率、優化決策的重要手段。人工智能技術在財務管理眾多場景已經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的應用使得會計核算過程更加自動化和智能化。財務人員通過機器學習和自然語言處理（NLP），系統能夠自動識別和分類會計憑證，實現自動化的賬目處理和實時的財務報告生成。這不僅提高了核算的準確性，還顯著提升了財務團隊的工作效率。預算管理與預測在預算管理方面，人工智能技術通過分析歷史數據和市場趨勢，為企業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

80、的財務風險，幫助管理層做出更加合理的資源分配決策。智能審核智能問詢智能預測智能報告生成財務知識庫繼續預訓練模型微調提示語工程財務指標分析虛假貿易篩查財務 AI 助手財務大模型通用大模型+開源大模型人工智能大模型技術財務應用藍皮書25 合并報表與財務報告人工智能技術在合并報表的自動化處理中發揮著重要作用。財務人員通過智能算法，系統能夠自動執行復雜的抵消和調整操作，快速生成符合監管要求的合并財務報表。同時，人工智能技術也支持財務報告的多維度分析，為決策提供支持。風險管理與合規監控人工智能技術在風險管理和合規監控方面展現出巨大潛力。財務人員通過構建風險評估模型，人工智能能夠實時監控財務活動，預測潛在

81、的財務風險，并提供合規性建議。這有助于企業提前采取行動，降低運營風險。成本控制與優化在成本控制方面，人工智能技術通過分析成本數據，幫助企業識別成本節約的機會。智能成本分析工具能夠提供深入的成本驅動因素分析，支持企業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在電子憑證和檔案管理中的應用，提高了數據的安全性和可追溯性。財務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文檔，同時確保符合相關法規要求。財務共享服務中心人工智能技術在財務共享服務中心的應用，實現了財務流程的自動化和智能化。財務共享服務中心通過智能客服、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

82、的服務。3.2 人工智能大模型技術賦能財務基本框架人工智能大模型技術在財務管理中的應用框架，通過結合其分析、推理和生成能力，可以按照以下維度構建：數據處理與分析能力數據整合與清洗：人工智能大模型能夠整合來自不同來源的財務數據，進行自動化的數據清洗和預處理，確保數據質量。深度學習與模式識別：利用深度學習算法，人工智能大模型可以識別財務數據中的模式和趨勢，為進一步分析提供基礎。多維數據分析：人工智能大模型支持多維度數據的分析，如時間序列分析、關聯分析等，幫助企業理解復雜的財務狀況。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風險，如信用風險、市場風險等，并為風險管理提供決

83、策支持。預算與資源優化：人工智能大模型能夠基于歷史數據和市場變化，推理出最優的預算分配和資源配置策略。合規性檢查：人工智能大模型可以自動檢查財務活動是否符合相關法規和內部政策，確保企業運營的合規性。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報告，如利潤表、資產負債表等，提高報告生成的效率和準確性。智能決策建議：基于分析和推理結果，人工智能大模型能夠生成具體的財務決策建議，輔助管理層做出決策。自動化流程執行：人工智能大模型可以自動化執行財務流程，如自動對賬、自動付款等，減少人工干預，提高工作效率。3 人工智能大模型技術賦能財務概述26 場景應用智能會計：在會計核算中，人工智能大模

84、型可以自動化處理會計分錄，提高核算的準確性和效率。預算管理：在預算編制和控制中，人工智能大模型可以提供基于數據的預算建議，實現預算的動態調整。財務分析：在財務分析中，人工智能大模型可以生成多維度的分析報告，支持管理層的戰略規劃。風險管理：在風險管理中，人工智能大模型可以實時監控財務風險，提供預警和應對策略。合規監控：在合規監控中，人工智能大模型可以自動檢查財務活動的合規性，確保企業遵守相關法規。技術集成與平臺支持智能中臺：構建以人工智能大模型為核心的智能中臺，提供數據處理、分析、推理和生成的一體化服務。API 與系統集成：通過 API 和微服務架構，人工智能大模型可以與現有的財務系統和業務流程

85、無縫集成。用戶界面與交互：提供直觀的用戶界面，使非技術用戶也能輕松利用人工智能大模型技術進行財務管理。企業可以充分利用人工智能大模型技術的分析、推理和生成能力，實現財務管理的智能化，提升決策質量，優化資源配置，降低運營成本，提高整體財務透明度和合規性，人工智能大模型賦能財務框架如圖 3-3 所示。人工智能大模型技術賦能財務，應當采用多種人工智能技術，判別式人工智能更擅長精準計算以及一些特定場景；生成式 AI 更擅長理解、推理和生成，需結合場景綜合應用。例如，企業發生一筆合同付款業務，財務人員判斷付款申請是否合規，能否審批通過時，需要查詢合同相關條款，核對付款申請信息，可能還要追溯上游單據進行綜

86、合分析。這類財務場景很難通過單一的技術實現，諸如：附件信息的識別，需要用到 OCR 技術，還要使用自然語言理解（NLP）技術；輔助預判，則需要利用規則引擎或者大數據技術、人工智能算法進行特征識別；提取并理解附件摘要等長文本信息及相關問答，則需要人工智能大模型提供支撐。人工智能賦能財務場景，需要將各類人工智能技術綜合應用于財務全域業務當中。圖 3-3 大模型賦能財務框架財務領域場景AI財務助手智能技術財務核算、財務共享、企業績效、司庫管理、稅務管理、管理會計、發票助手報銷助手共享運營分析單據智能審核風險分析財務指標分析對賬助手財務政策問答對標分析記賬助手制度問答探索分析結賬助手稅務政策問答預算預

87、測風險建模智能收款認領查詢助手共享客服檔案助手報告生成投融資建議稅優識別全員助手面向全體員工、提升體驗大模型（理解、推理、生成、創意、）專有小模型（預測、決策、風控、）視覺識別RPA專員助手面向專業崗位員工、提升效率和專業度決策助手面向管理者，提升決策質量人工智能大模型技術財務應用藍皮書27人工智能賦能財務框架應當構建整合各類人工智能的技術能力中心，如圖 3-4 所示。財務人工智能能力中心應提供各類人工智能能力、利用大模型生成式 AI 的理解力，創造力，來解決非結構化數據、業務理解、創意、生成相關財務場景。應用判別式 AI，包括以 RPA 為代表的規則自動化，以及機器學習的專有小模型，來解決計

88、算、判斷以及專業預測與決策相關場景。圖 3-4 財務人工智能能力地圖1.1 語音差標&單據查詢（自然語言）1.2 語音出差申請（自然語言）1.3 語音差旅報銷（自然語言、規則引擎、OCR）1.4 智能發票報銷（規則引擎、OCR）1.5 語音費用報銷（自然語言、規則引擎、OCR）1.6 語音報賬機器人（實體機器人）1.7 報銷提醒（規則引擎）1.8 單據關閉（規則引擎）5.1 國資報表填寫（RPA）5.2 預算智能預警（機器學習）5.3 報表查詢語音助手（語音識別）5.4 預算智能分析（機器學習）5.5 數據分析語音助手（自然語言）5.6 模擬預測（機器學習）3.1 租賃報賬（規則引擎）3.2

89、語音輸入財務卡片（自然語言）3.3 資產卡片識別（OCR、規則引擎）3.4掃描二維碼生成食物卡片（機器學習、數據挖掘）3.5 租賃的決策和預測（機器學習、數據挖掘）3.6 智能盤點機器人（實體機器人）3.7 資產到期/超期服役預警（自然語言）7.1 智能審核（機器學習、OCR、數據挖掘）7.2 審單助手（機器學習、數據挖掘）7.3 智能數據洞察（OCR、規則引擎、機器學習）7.4 智能質檢（機器學習、數據挖掘）7.5智能共享客服（自然語言、機器學習、數據挖掘）7.6 智能派單（規則引擎）7.7 智能運營助手（知識圖譜）2.1 發票采集（OCR、規則引擎）2.2 應付智能結算（規則引擎）2.3

90、應收智能結算（規則引擎）2.4 自動開票尾差調整（規則引擎）2.5 智能三單匹配（規則引擎）2.6 定時下發票（RPA）2.9 自動對賬（RPA）2.7 發票匹配（RPA）2.10 應收數據導入（RPA）2.8 內部交易自動收票（規則引擎）2.11 收入確認自動化（規則引擎）6.1 網銀智能直連（RPA、OCR、規則引擎）6.2 自動收付款（規則引擎）6.3 轉賬支付排程（規則引擎）6.4 票據支付排程（規則引擎）6.5 智能支付防重（規則引擎、機器學習）6.6 回單智能識別（OCR）6.7 付款流水智能匹配（規則引擎、機器學習）9.11關聯交易利潤率檢測（機器學習、數據挖掘）9.12納稅調整

91、智能推薦（機器學習、數據挖掘）6.8 收款流水智能匹配（規則引擎、機器學習）6.9 智能對賬（規則引擎、機器學習）6.10 智能投融資（規則引擎）6.11 資金調度（規則引擎）6.12 票據調撥（規則引擎）4.1 智能記賬（規則引擎、RPA）4.2 智能對賬（規則引擎、RPA）4.3 智能月結（RPA）4.4 報表編制（RPA）4.5 報表編制（RPA）4.6 實體歸檔機器人（實體機器人）4.7 電子歸檔（RPA）4.8 指標語音查詢（語音識別）4.9 國資報表填報（RPA）8.1 分攤執行（規則引擎）8.2 推導執行（規則引擎）8.3 風險預警（規則引擎）9.1 增值稅自動申報（規則引擎、R

92、PA）9.2 企業所得稅自動申報（規則引擎、RPA）9.3 財產行為稅自動申報（規則引擎、RPA）9.4 直連保稅（規則引擎、RPA）9.5 風險監控（規則引擎）9.6 統計分析（規則引擎）9.7 數據采集自動化（規則引擎）9.9 報表編制（規則引擎）9.8 交易計稅（規則引擎）9.10 憑證生成自動化（規則引擎）費用管理預算管理資產管理共享中心往來管理資金管理核算報告管理會計稅務管理3 人工智能大模型技術賦能財務概述28在人工智能大模型的加持之下，原有的人工智能能力提升到了一個新的生成式 AI 的階段，這些人工智能技術融入到財務核算、財務共享、全球司庫、績效管理、稅務管理、管理會計、資產管理

93、等領域的財務流程中，從財務服務體驗、流程效率、決策質量全方位賦能財務。財務服務體驗方面，微軟認為人工智能大模型可以理解為新一代的操作系統，對話式交互的方式，讓非專業人員獲取財務信息更加的便捷，從而提高財務服務體驗；在流程效率方面，人工智能大模型和原來的 AI 相比，最大的強項在于理解和生成，以前的作業流程智能化更多的是自動化按規則去執行，并沒有能真正的理解業務。而現在的人工智能完全可以理解復雜的業務，原來作業流程中一些難以智能化的痛點，現在有了解決的可能性，人工智能大模型能力使得實現作業流程的全面智能化，使最終無人化成為了可能。在決策支持方面，將由以前的經驗主導變成數據驅動。人工智能將通過決策

94、增強來提升分析內容的價值，例如通過人工智能分析挖掘財務人員所不易發現的問題；在預算管理中的預測增強、最佳實踐與模型優化建議，在風險控制中的大數據分析等等。人工智能大模型也必將為財務管理帶來更大的變革，未來人人都將有一個 AI 財務助手。面向員工的 AI 全員助手，每個員工通過自然語言交互的方式來獲取財務服務；面向專業崗位的專員助手，通過智能化的手段提升財務效率和專業度；面向管理者的決策助手，以數據驅動、智能驅動的方式來增強決策能力。3.3 人工智能大模型技術賦能財務實現路徑人工智能大模型技術賦能財務的路徑規劃是一個系統化的過程，旨在通過集成先進的人工智能技術，全面提升財務管理的智能化水平。人工

95、智能大模型技術賦能財務的路徑從深入分析企業財務管理的具體需求開始，包括對會計核算、財務報告、成本控制、預算管理、風險評估和合規性監控等方面的細致考量，再到通過整合和預處理大量的財務和業務數據，為大模型的訓練和開發提供堅實的數據基礎。在模型開發階段，企業需要選擇合適的大模型架構，并利用歷史數據進行訓練和驗證，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有的財務系統中，實現流程自動化和決策優化，如自動生成財務報告、動態調整預算和實時監控風險。為了確保人工智能大模型技術的持續有效性，企業需要實施嚴格的監控和維護機制，同時對財務人員進行必要的技術培訓，確保他們能夠充分利用這些智能工具。最后，企

96、業應持續收集用戶反饋，探索新技術應用，不斷創新和優化大模型技術在財務管理中的應用，以適應不斷變化的業務環境和市場需求。通過人工智能大模型技術賦能財務實現路徑，企業將能夠實現財務管理的數字化轉型，提升決策質量，降低運營成本，并增強整體財務透明度和合規性。以財務風險管理為例，人工智能大模型應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用方向：分析能力：人工智能大模型首先需要整合企業內部的財務數據（如交易記錄、資產負債表）和外部數據（如市場指數、宏觀經濟指標）。然后利用機器學習和數據挖掘技術，人工智能大模型能夠分析歷史數據，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

97、，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。判斷能力：人工智能大模型可以對識別出的風險進行量化評估，判斷其對企業財務的影響程度?；陲L險評估的結果，人工智能大模型能夠提供風險應對策略的建議，幫助管理層做出是否對沖、轉移或接受風險的決策。人工智能大模型技術財務應用藍皮書29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建實時的風險預警系統，一旦檢測到異?；蝻L險水平超過預設閾值，立即生成預警信號。人工智能大模型賦能路線：準備階段：收集和整理財務數據，包括歷史交易數據、市場數據、信用評級數據等。建立適合人工智能大模型運行的

98、計算環境，包括硬件資源、軟件平臺等。實施階段：使用歷史數據訓練風險管理模型，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風險管理系統中，實現與現有財務流程的無縫對接。應用階段：利用人工智能大模型對實時數據進行監控，及時發現風險信號。定期或按需生成風險管理報告，為管理層提供決策支持。優化階段：根據風險管理的實際效果，不斷優化模型參數，提高風險預測的準確性。根據人工智能大模型的輸出結果，持續改進風險管理流程，提升風險應對效率?；诖?，人工智能大模型技術能夠在財務風險管理中發揮其強大的分析、判斷和生成能力，幫助企業提前識別和應對財務風險，從而保護企業資產，確保財務穩定。3.4 人工智能

99、大模型技術賦能財務核心價值人工智能大模型技術對經濟社會的高質量發展起到了積極地推動作用，賦能財務的核心價值主要體現在以下幾個方面：（1）提升決策質量：人工智能大模型通過強大的學習能力和數據分析能力，能夠從復雜的財務數據中提取關鍵信息，提供更準確的預測和洞察，幫助管理層做出更明智的戰略決策。（2）優化資源配置：人工智能大模型能夠分析歷史和實時數據，預測未來的財務趨勢，幫助企業更有效地分配資源，實現成本控制、預算管理等管理會計職能的優化。（3）增強風險管理：利用人工智能大模型進行風險評估和預警，企業能夠提前識別潛在的財務風險，如信用風險、市場風險等，并采取相應的風險緩解措施。（4）提高運營效率：人

100、工智能大模型的自動化和智能化能力使財務流程減少了人工操作的需求，提高了財務處理的速度和準確性，降低了運營成本。（5）強化合規性和透明度：人工智能大模型可以幫助企業更好地遵守財務法規和內部政策，通過自動化的合規檢查和報告生成，提高了財務活動的透明度。（6）支持業務增長：通過提供實時的財務分析和預測，人工智能大模型支持企業快速響應市場變化，抓住新的商業機會，促進業務增長。3 人工智能大模型技術賦能財務概述30（7）促進業財融合：人工智能大模型能夠實現業務數據與財務數據的深度融合，使財務部門能夠更好地理解業務動態，為業務決策提供支持。（8）創新財務管理模式：人工智能大模型的應用推動了財務管理模式的創

101、新，如智能會計、自動化管理報告生成等，這些創新提高了財務管理的現代化水平。綜上所述，人工智能大模型技術在財務管理中的核心價值在于其能夠提供深入的數據分析、精準的風險管理、高效的流程自動化以及戰略決策支持，幫助企業在激烈的市場商業競爭中保持領先地位。人工智能大模型技術財務應用藍皮書314.1 人工智能大模型技術賦能家用電器制造行業 A 集團財務應用4.1.1 總體情況（1）需求背景2023 年，我國家電市場面臨的外部環境不斷改善，經濟運行持續向好，內需穩步擴大，供給側結構優化提升，但不同家電品類之間發展走向不斷分化。剛需類家電產品例如白電和廚房大家電由于家庭普及率相對較高，更新換代需求主導下普遍

102、呈現出產品結構升級的態勢。而以洗碗機、嵌入式微蒸烤、清潔電器、凈水器等為代表的品類則還處于不斷擴大用戶普及滲透過程中。當前家電行業消費側的發展趨勢呈現智能化、交互體驗增強、場景融合、健康化、一體化和單品發展并舉五大特征。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，相應帶動家電制造企業本身的智能化升級，龍頭企業的數字化轉型意愿強烈，目前我國數字化轉型的燈塔工廠中有 22%為家電行業項目，海爾、美的等頭部企業成效明顯，并先后涌現出海爾卡奧斯、美云智數美擎國家級“雙跨”平臺。隨著智能化升級，家電行業巨頭緊抓5G大風口，加緊布局智能家居生態，大小家電、3C設備聯動融合，迎接新的爆

103、發點。例如九陽產品搭載華為系統HarmonyOS，手機碰一碰就能連接破壁機，線上隨時隨地操作，解鎖更多網紅食譜，且不用手洗。海信新風空調針對不同人群的睡眠特點設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控睡眠期間的空調溫度，定制自己的好睡眠?？莆炙箳叩貦C器人可以手機遠程控制，智能規劃無需人工干預，有 AI 智能語音功能，一句話指揮掃拖、播放新聞音樂、提醒天氣等，還能趣味語音實時互動。在家電行業全面邁向智能家電產業化的過程中，人工智能技術將進一步推進智能家電產業走向無感化，人工智能與物聯網技術全面融入家電產品的使用場景，并賦能智能家電產品革新，實現居家生活和智能家電的智慧實時互聯

104、。目前，智能家居的入口和控制主要依賴于中控屏和音箱等設備。然而，隨著 ChatGPT 等概念應用于智慧家居生活場景領域，家電制造企業對算法的自然語言處理能力有了新的認知，也為智能家電和智能家居未來的發展提供了更多想象空間。未來以大模型技術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變為理解式交互，實現人機共創，形成數字管家，實現智能家居由“智能”向“智慧”轉化。智能家電產業化已成為當前家電企業發展的必然選擇，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體系強勢出海，不斷取得世界領先的品牌影響力和產品競爭力，也驅動這些企業加快建設世界一流財務管理體系，在普遍構建的以敏

105、捷服務和數據整合為核心的財務中臺建設之上，大力探索大模型技術尤其是財務領域大模型與財務數字化的深度融合和應用，以更強大的算法賦能業務和管理，構建以用戶體驗為核心的家電制造企業增長新模式。4.人工智能大模型技術賦能財務應用 4 人工智能大模型技術賦能財務應用32（2）發展現狀根據觀研報告網發布的中國智能家電行業現狀深度研究與末來前景分析報告(2023-2030 年)，我國智能家電行業已從單品智能化發展階段步入家電系統智能化階段，智能家電的智能水平持續提升。當 2016 年深度學習概念出圈時，家電行業就沖在了前面，智能音箱的出現實現了家電智能初體驗。此后，伴隨云計算、大數據等新一代信息技術的成熟，

106、在傳統 IoT 設備開始向 AIoT 設備進階的過程中，家電產品也從單品智能向全品智能延伸。例如，除智能音箱外，加載 AI 模塊的掃地機器人、內嵌操作系統的智能冰箱、可交互的語音智能電視等產品紛紛出現。然而，這些智能家電仍時常被吐槽“智商低”和“不懂我”，主要是由于這些智能家電更多的還是響應式的被動服務，并無真正能夠做出決策的“中樞大腦”。直到 2022 年底人工智能大模型技術開始盛行后，其在多輪語言分析與邏輯推演方面的能力，恰好擊中當下智能家電不夠智能的痛點。因此 2023 年后，家電制造巨頭紛紛迅速向人工智能大模型靠攏，例如美的在 2023 年 10 月發布了用于家居產品的語言大模型美言并

107、計劃在 2024 年上半年上線；長虹在 2023 年 11 月正式發布了基于大模型的智慧家電 AI平臺云帆；海爾在布局 HOME GPT；小米已經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據分析、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域。大部分家電企業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品的實用性，優化使用場景，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勢，但目前在家電行業的應用仍存在一些局限性。首

108、先，人工智能大模型的應用需要龐大的計算資源和存儲空間，導致成本較高，限制了其在實際應用中的廣泛性。其次，人工智能大模型對數據的需求量較大，并且需要大量的標注數據進行訓練，這在某些領域存在困難。同時，人工智能大模型的訓練過程也面臨一些挑戰。人工智能大模型的訓練需要花費大量的時間和資源，而且需要高度專業化的團隊進行有效的訓練和調優。此外，人工智能大模型需要海量的數據進行訓練，而數據收集和處理可能受到隱私、安全和合規等方面的限制。因此，家電制造企業對于人工智能大模型的應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據治理等前期工作中，在應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

109、分智慧工廠的探索中。在企業管理領域，人工智能大模型的應用只是剛起步，目前側重在采購領域的合同匹配場景，人力資源領域的招聘和干部選拔環節的人崗匹配場景，以及財務管理領域的基于財務共享或財務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據和知識庫可以基于企業已有的積累快速構建，并能通過企業自身的可信控制管理充分保證分領域管理角度提出的安全、合規性要求。對于家電制造巨頭來說，財務數字化轉型起步較早，財務共享中心的建設和運營都比較成熟，有些企業如海信等還以財務中臺的模式建設了新一代財務共享平臺。因此，盡管家電制造企業的戰略周期不斷縮短、組織迭代不斷加快、業務板塊和產品線的更替頻率也在加速，這

110、些企業的財務部門也在積極引入人工智能大模型技術，搭建大模型管理和控制平臺（4.1節中統一簡稱為 GPT 平臺）以盡量消除大模型技術的缺陷，將現有以專家知識和流程驅動結合為主的管控服務型財務管理升級到以數據驅動和賦能業務為主的價值創造型財務管理。人工智能大模型技術財務應用藍皮書334.1.2 典型案例（1）案例背景A 集團成立于二十世紀中后期，旗下多家上市公司，及多個世界知名品牌。A 集團的產業方向涵蓋多媒體家電、現代服務業等領域。其中，以智能家電為核心的 B2C 產業，始終處在全球行業前列。經過多年的穩健發展，A 集團目前擁有近10 萬名員工，在全球擁有數十家工業園區和研發中心，海外分支機構覆

111、蓋美洲、歐洲、非洲、中東、澳洲及東南亞等全球市場，產品遠銷 160 多個國家和地區，連續多年入選中國 500 強企業。隨著集團的產業發展、業務增長以及全球化戰略，A 集團在 2022 年前后將運行十幾年的全球財務共享中心升級為全球財務中臺，但在中國家電產業智能化升級和全球化浪潮的沖擊下，A 集團財務管理的難度與日俱增，希望通過積極探索并創新性引入人工智能大模型技術，盡快完成現有的財務服務從以流程驅動為主向數據驅動為主轉型，真正實現財務賦能人人的管理目標，為企業發展創造更大價值?？紤]到現有的財務中臺已經能夠全面支撐集團戰略轉型和業務發展的需要，以及集團正在整體布局通過大模型技術建設統一的智能客服

112、平臺，并通過與已建成的人工客服系統無縫銜接，以全面提升用戶體驗，A 集團的財務部門和 IT 部門經過多次討論，最終決定先在財務中臺的共享運營環節引入人工智能大模型技術，實施基于 GPT 平臺和財務大模型的智能客服應用。不同于財務中臺、全球司庫、預算管理乃至整個智能財務的建設策略，在應用人工智能大模型技術賦能財務應用時，企業實際更加關注大模型技術導入財務領域過程，并強調關鍵環節的實現框架和實踐方法。（2）財務中臺智能客服項目定位A 集團財務中臺部門成立了一支近 30 的人工客服團隊，為國內 3 大業務板塊近 450 個分子公司提供在線咨詢服務，服務內容主要有兩方面：一是用戶服務，即面向分子公司每

113、一位同事提供政策咨詢、流程指引、問題受理與解答等全員、全場景服務；二是專業運維，即面向財務中臺專業財務人員提供基礎資料維護、單據故障或流程中斷等系統異常問題的運維服務。目前 A 集團三大業務板塊的國內公司范圍內，人工客服用戶服務方面涉及的費用類型和場景高達 3000 多個，常見的費用包括修理費、業務招待費、技術開發費、低值易耗品、職工教育經費/培訓費、廣告費、辦公費、車輛運營費、物業管理費、網絡通訊費、信息服務費等，由于 A 集團各業務板塊的管控模式和政策導向有明顯差異，不同組織下不同費用類型對應的審批流程、報銷規則、適用范圍和前提、附件要求、額度標準等都有一些差異，加上 A 集團近年進行戰略

114、轉型，業務板塊和業務人員的迭代頻率非常高，人工客服團隊不得不通過 A 集團內部的辦公協同平臺組建了數十個面向組織的溝通群，以更好服務超過 2 萬名新員工的提單和咨詢訴求。這也使得長期以來人工客服團隊更多忙于用戶服務、專業運維的能力不足、人工客服的職業成就感不足、內部客戶的滿意度不高。因此 A 集團希望通過引入人工智能大模型技術賦能財務中臺的人工客服團隊，將人工客服員工從繁雜的用戶服務中解放出來，更加專注于對流程改善和業務賦能的提升上。因此，基于大模型的智能客服項目定位于在 2024 年首先實現 A 集團國內業務的全員全場景智能客服，大模型與用戶的互動完全嵌入到財務中臺各類費用的提單和用戶咨詢界

115、面，并能在用戶提出訴求后，自動完成智能客服和人工客服的無縫切換，包括用戶問題和相關單據的自動接手。A 集團的目標是在 80%以上的場景中能夠完全替代人工客服。在此基礎上，A 集團計劃在 2025 年完成第二階段的目標：一方面繼續將用戶服務方面的人工客服替代率提高到 95%，并推廣應用到集團的所有業務板塊和海外公司，另一方面基于大模型的生成式智能能力，4 人工智能大模型技術賦能財務應用34逐漸成為人工客服團隊進行專業運維的專業助手，通過大幅提升運維效率和質量實現云服務模型下的線上運維閉環，真正通過服務賦能財務中臺的運營和業務人員報銷的合規遵從度。（3）財務中臺 GPT 平臺框架A 集團為了消除人

116、工智能大模型技術的缺陷，有效管理和控制大模型的輸出，并將大模型和集團已建的相關信息系統，如知識庫、財務中臺、人工客服系統等進行深度融合，并考慮到領域大模型的應用約束，首先構建了財務中臺的 GPT 平臺如圖 4-1-1 所示。圖 4-1-1 A 集團財務中臺 GPT 平臺架構A 集團的 GPT 平臺分為基礎管理、運營中心、模型層、數據和工具中心、可信控制中心、開發中心、能力中心和應用中心組成?；A管理負責管理財務大模型以及后續將接入的通用大模型的運算調度和算力均衡，并按集團統一的隱私保護和合規要求配置大模型輸出的語義防火墻，以及輸入輸出環節的流量日志。運營中心采用可視大屏方式對大模型的調度、輸出

117、以及場景應用從質量（主要是魯棒性、準確度、用戶滿意度等指標）、安全和流量異常三個方面進行實時監控和隨時的人工干預。財務中臺人工客服培訓學堂活水平臺司庫管理信數平臺管理駕駛艙辦公協同預算管理應用中心運營中心監控報表智能客服API頁面嵌入智能審單付款審核模擬預測智能分析報告生成應用中心向量引擎業務實體業務操作企業知識庫應用中心財務大模型通用大模型應用中心模型動態調度語義防火墻重試/負載均衡流量日志能力中心內容生成總結歸納邏輯推理角色扮演知識問答多輪對話開發中心提示開發技能編排知識維護助手配置監控優化模型微調可信控制中心檢索增強提示防御智能代理毒性檢測上下文安全模型網關數據遮蔽合規審計質量運營安全運

118、營流量運營人工智能大模型技術財務應用藍皮書35模型層目前部署了財務領域大模型和微軟的通用大模型（ChatGPT3.5），并實現了按場景需要自動切換。數據和工具中心部署了向量數據庫、集團已建知識庫，并融合了財務中臺各類應用及以數十類單據為載體的業務數據，為大模型提供上下文數據?？尚趴刂浦行氖?A 集團財務中臺 GPT 平臺的核心，驅動數據、工具和模型協同運作，確保全過程的安全可控，保障客戶數據隱私。該中心中的 RAG（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合的技術方法，包括一個檢索組件，用于從知識庫中檢索相關的文本段落，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

119、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，同時利用大規模預訓練模型的泛化能力生成流暢的響應。為了實現智能客服盡快全面接管用戶服務并有效成為專業運維客服人員的助手，A 集團也部署了 Agent，這是一種將大型語言模型(LLM)與外部組件(如知識庫、API、任務規劃器等)相結合的智能代理系統，能夠理解和執行各種復雜的語言指令，并與外部世界進行交互來完成任務。為了確保大模型輸出內容滿足隱私合規要求，A 集團在可信控制中心應用了數據掩蔽技術，該技術在用戶請求被發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

120、的文本將傳遞給大模型進行處理和生成響應。一旦模型生成了輸出內容,數據掩蔽系統會將之前被替換的隱私信息還原回原始狀態，確保響應內容的完整性和正確性。這種技術有效遏制了個人隱私數據被意外泄露的風險，使得 A 集團的用戶能夠更加安全地使用基于大模型的智能服務。另外一項關鍵部件是大模型網關，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，能夠根據實時負載情況，自動分配請求至空閑實例，確保系統的高響應性和可擴展性。除此之外，大模型網關還具備調用審計、訪問控制等重要功能，可追蹤和審計每一次模型調用請求。同時，大模型網關還支持模型版本管理、在線擴縮容等運維能力，保證系統的高穩定性。A 集團

121、在開發中心全面使用了低代碼開發工具，支持 GPT 助手的輕松構建、運營和持續優化。例如，通過提示語開發賦予用戶自主編寫提示語的能力，靈活選擇適合的大型語言模型，并根據實際需求對提示語進行調優優化。用戶無需深耕算法和模型細節，通過可視化的界面或模板，以自然語言的形式編寫提示語，指導模型按需生成所需的輸出。同時，用戶可以方便地切換不同的模型，或對模型的超參數、訓練數據等進行微調，使模型輸出符合特定場景和偏好。A 集團通過流程圖的方式完成任務編排，將大型語言模型的強大能力與業務邏輯無縫結合，動態編排出一個個復雜的業務場景解決方案。這種編排方式徹底顛覆了傳統的單一模型或規則引擎的局限性，賦予了語言模型

122、以更廣闊的應用空間。通過靈活組合不同的模型能力和業務能力，可以輕松應對多樣化、復雜化的業務需求，實現高度智能化的端到端自動化流程。在能力中心，A 集團目前考慮智能客服的各種應用場景，重點部署了相關的 GPT 助手能力如多輪對話、知識問答、角色扮演、邏輯推理、總結歸納、內容生成等，并支持智能門戶、側邊欄、嵌入式等多種大模型和用戶的交互方式。應用中心主要圍繞智能客服完成了相關 API 的開發，未來會陸續擴展到財務大模型應用的其他場景。所有應用統一明確以 API 的方式和 A 集團在用的財務中臺、人工客服、辦公協同、培訓平臺、司庫、預算等信息系統對接，并以側邊欄為主的方式實現用戶和智能客服、人工客服

123、交互界面嵌入到 A 集團在用信息系統中的相關應用界面中。4 人工智能大模型技術賦能財務應用36（4）財務大模型在智能客服場景的落地基于信創可控的考慮，A 集團財務大模型的部署全面適配了華為昇騰 910B 架構，以及國產操作系統，并全面完成了接口進行鑒權開發，構建了對應的框架版本容器。A 集團信創適配的主要內容如圖 4-1-2 所示：圖 4-1-2 A 集團財務大模型部署的信創適配示意在數據準備方面，A 集團財務大模型選取了集團范圍內的通用數據，如流程術語、管理規章等和報銷制度、費用單據等財務領域數據的數據量比例約為 7:3，前者占比較大的目的是防止財務大模型對通用交流能力的遺忘，采用的算法以基

124、于規則為主，計算成本較低。后者則采用計算成本較高的 LLM 算法，以提高輸出的準確性和相關性，并按數據顆粒度，綜合采用文件級、塊級和字節級方法進行全面的數據去重。A 集團借助數據清洗、數據驗證和數據整合工具，采用數據審核、數據清洗、數據驗證、數據整合和數據監控五步法，從準確性、完整性、一致性、可靠性和時效性等五個維度進行數據提質。最后使用了數據掩碼、數據偽裝、數據切分、數據加密、數據混淆等方法進行數據脫敏，從而完成了通過財務大模型進行多次預訓練和微調所需的數據源準備。在此基礎上，A 集團通過指令對齊訓練、繼續預訓練和模型精調，完成了財務大模型的構建，其過程如圖 4-1-3 所示：模型訓練模型訓

125、練Ascend 驅動Cann 固件Mindformers權重轉化MindSpore模型推理Modelart 平臺模型部署財務大模型昇騰處理器 NPU國產操作系統（arm架構）昇騰 AI 應用人工智能大模型技術財務應用藍皮書37圖 4-1-3 A 集團財務大模型構建過程在完成財務大模型構建后，A 集團對財務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優后的財務大模型部署到正式環境中，通過財務中臺 GPT 平臺和相關應用融合，完成了基于財務大模型的智能客服應用的上線工作。為進一步提升財務大模型在與用戶互動過程中應答的相關性和準確

126、度，A 集團借助 GPT 平臺開發中心，針對所有的費用類型開發了近 10000 條提示語并先后經過了四次版本迭代，將智能客服應答準確度從一開始的 80%左右提高到 92%。A 集團在財務大模型中預置了人工客服咨詢任務技能、與人工客服平臺集成的 API 接口，用戶點擊人工客服按鈕時觸發任務技能。人工客服咨詢任務技能中設置了技能訪問、客服排隊、客服接通、會話超時/會話關閉四個自定義操作，通過任務技能中的自定義操作和 API 接口，與人工客服平臺的獲取 token 信息、訪客轉技能、在線客服狀態通知、訪客放棄排隊、訪客發送消息、坐席發送信息給機器人六個接口集成，從而實現用戶在智能客服和人工客服之間問

127、詢交流的自由切換。（5）智能客服建設成果截止 2024 年 4 月，A 集團基于財務大模型的智能客服已為近 400 個分子公司約 15000 名員工提供了用戶服務，涉及費用類型和場景近 3000 個，用戶滿意度近 70%（用戶主動關閉問題且不轉交給人工客服），現有人工客服在用戶服務方面的月度工作時長減少了 50%左右。A 集團財務中臺運營主管評價道：“基于財務大模型的智能客服盡管上線不到 2 個月，1.數據集準備1.5 指令對齊訓練2 繼續預訓練3.模型微調領域相關的基礎知識和數據 包含文本信息、領域知識 與預訓練預料差異越大，帶來 的性能提升越大，可以按領域（財務、HR、供應鏈等）劃分通用領

128、域對話數據對齊訓練領域（財務）無標注數據繼續預訓練（子）領域相關人工標注樣本集 包含用戶問題、上下文信息、人工標注響應結果 萬級高質量人工標注樣本集 各細分領域不少于千級樣本數據處理 PDF 格式數據轉換為純文本格 式，簡單數據清洗 講文本內容按照模型最大輸入 長度進行分塊處理通用的對話樣本 用戶問題、人工標注的響應結果 目標已具備千萬條對話樣本評價等級財務分析及通用對話數據微調根據根據提供提供請的的分析手續費凈收入經營情況開源可商用模型繼續預訓練后模型人工標注響應結果用戶問題占比 4 人工智能大模型技術賦能財務應用38但無論從服務范圍還是在服務滿意度上，都給我們留下了深刻影響，我們也有信心在

129、今年三季度就提前完成第一階段的目標。更重要的是，通過財務中臺的 GPT 平臺，我們實現了財務大模型和眾多的財務應用場景、人工客服之間的無縫銜接，真正地讓財務中臺的線上運維成為可能，讓財務賦能人人的夢想照進現實?！?.1.3 應用場景家電制造企業對于人工智能大模型技術的應用一般是和規則引擎、知識圖譜、數據智能、視覺識別等其他人工智能技術結合在一起使用，并且借助財務領域大模型和 GPT 平臺應用，將用戶與大模型的交互過程以頁面嵌入的方式與企業在用的財務信息系統進行深度融合，實現基于用戶和業務場景的交互式應用。在現階段，家電制造企業的大模型應用場景主要有財務共享或財務中臺領域的生成式智能客服和非結構

130、化數據的智能審核、財務報告領域的探索生成財務分析和生成式管理報告等。（1）生成式智能客服目前大多數家電制造企業財務共享中心也為業務部門提供智能客服服務，但這類服務采用的技術更多是預置問答式的，即共享運營人員梳理多年累積的知識文檔，花費大量時間形成預置問答題庫。用戶提問時，智能客服匹配最接近的幾條知識問答，進行模糊性答復。使用了人工智能大模型技術后的智能客服是一種生成式智能客服，共享運營人員直接上傳知識文檔，無需預置問答。用戶提問時，智能客服首先理解用戶意圖，然后從學習、理解過的多個文檔中找尋相關知識并得出結論，組合成一段完整回答，實現從“預置問題、匹配答案”到“可以學習、理解”的升級，如圖 4

131、-1-4 所示。圖 4-1-4 大模型技術賦能財務共享智能客服（2）非結構化附件的智能審核隨著財政部等部委聯合推動電子憑證會計數據標準專項工作的不斷深入，發票、銀行回單等原始憑證已經實現數據結構化。但家電制造企業所處的產業鏈協同現狀仍然使得財務共享人員每天需要審核大量的非結構化附件，如合同掃描件、市內交通行程單等，現有的信息技術通常是先通過視覺識別或者臺賬的方式將這些非結構化附件信息轉換為結構化數據，并基于預設結構化數據模板，幫助財務人員獲取附件信息進行審核，也會通過 AI 算法+規則引擎等工具輔助審批。同時，人工查閱合同、驗收單、會議簽到記錄、遠程會議錄屏等非結構化附件信息完成審單，但是審核

132、效率低，審核結果的可靠性也不高。在引入人工智能大模型技術后，系統可直接理解非結構化附件內容并給出重點提示，自動輔助人工分析單據附預置問答GPT 學習理解VS知識庫知識庫相似度關鍵詞學習、理解知識問答 1知識問答 2文檔 1文檔 2智能客服智能客服用戶提問用戶提問人工智能大模型技術財務應用藍皮書39件中財務審核的關鍵點和識別風險，同時支持對合同內容進行提問等，最終大幅提升共享審核人員的作業效率，如圖 4-1-5所示。圖 4-1-5 大模型技術賦能財務共享智能審核非結構化附件（3）生成式財務分析對于家電制造企業的財務報告部門來說，隨著家電產品更新換代的頻率加快和創新性產品的不斷涌現，為戰略管理、經

133、營管理和業務決策人員提供的財務分析服務也需要升級。傳統財務分析模式下，企業人員按照財務分析需求，花費大量時間構建可視化分析應用。每次分析根據當前可視化呈現的數據/指標結果，依靠財務分析人員的經驗進行判斷，提供決策建議。這種方式適用于定期進行的結構化分析場景，但對于臨時發起的簡單分析場景不夠靈活。而基于財務大模型并融合專業分析模型能力的分析助手，可以根據企業經營數據，結合內外部信息，綜合運用趨勢分析、變動分析、杜邦分析等財務分析方法，以對話方式隨時洞察問題并給出專業建議，為相關部門提供探索式分析服務。生成式指標分析尤其適合日常臨時發起的各類分析、查詢場景，如圖 4-1-6 所示。圖 4-1-6

134、大模型技術賦能業務探索生成財務分析固定路徑查找基于結構化數據審核探索生成可理解非結構化信息VS結構化業務數據結構化業務數據非結構化附件非結構化附件數據/指標可視化應用探索式生成分析、預警、建議數據抽取規則匹配數據抽取規則匹配人工查閱分析學習、理解AI+規則引擎GPT+AI+規則引擎GTP 助手共享審單共享審單實時問詢AIVS數據/指標固化看板、報表反映當前指標結果可視化應用人工分析、判斷、決策圖片圖片表格表格視頻視頻文件文件 4 人工智能大模型技術賦能財務應用40（4）生成式管報家電制造企業財務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單位的規范性要求，往往

135、可以采用先預置模板然后根據模板設置取數、綁定圖表的規則，模板化的進行文本編輯與分析，這是一種技術角度的填空模式。但面向企業內部的各業務板塊、業務單元輸出的報告因為產品服務、業務模式、商業模式、發展階段、報告使用者訴求的巨大差異而很難提前設置模板，人工智能大模型技術的引入使財務報告人員得以通過 GPT 助手根據與報告使用人的提綱挈領性要求就可以自主生成報告的目錄結構、數字、圖表、文字分析，并根據與報告使用人的不斷互動進行實時修改補充，快速生成讓報告使用人滿意、分析更為精準的報告，大幅提升各類管理報告的可用性，如圖 4-1-7 所示。圖 4-1-7 大模型技術賦能生成式管報4.2 人工智能大模型技

136、術賦能 B 公司財務應用4.2.1 總體情況（1）需求背景數字化轉型的快速發展，使以大模型為代表的人工智能技術加速推動企業的數智化轉型升級，通過大數據、人工智能、移動互聯網、云計算、物聯網等新一代信息技術，將為建設一流財務管理體系，推動企業高質量發展，構建新質生產力提供保障。數據不但是企業的生產資料，更是資產，未來企業的核心競爭力是運用數據創造增量商業價值的能力，數字化的過程就是把企業的業務從物理世界投影到數字世界，實現數字孿生。人工智能在數字世界里可以發揮更大的價值，傳統分析式AI，可以對數據進行深入的洞察分析，企業可以監視財務和業務運營結果，分析趨勢，預測未來，行動反饋，以此幫助整個組織改

137、善業務績效。以大語言模型為代表的生成式 AI 強勢崛起，借助大語言模型的能力，用戶可以與系統進行基于自然語言的無障礙交互，實現更便捷的數據查詢、自動生成更深入的數據解讀報告。人工智能大模型技術可以將行業知識與企業私有知識裝載到大模型，實現企業的輔助決策。同時在大模型的加持下，RPA 不再是簡單的自動化，更是可以進行自行判斷的智能體。填空題命題作文VS預置模板業務數據業務數據報告模版抽取數據綁定圖表圖表數據抽取人工編輯GPT 助手生成報告生成報告目錄圖表數據文本自主生成整合報告123Aa人工智能大模型技術財務應用藍皮書41在業財融合的大趨勢下，企業財務工作不但要進一步提高自身效率，更要發揮財務對

138、業務的監督與指導作用。企業一方面要把財務共享中心升級為“智能無人”財務共享中心，從合同要素識別自動歸檔，到企業的智能自動化審核，通過 AI助手實現對財務制度、流程、合同的智能回答，構建基于 LLM 的智能體，實現具有一定自主決策的智能 RPA，降低財務共享中心對基礎“操作人員”的依賴，把財務工作者的從勞動密集的繁瑣重復工作中釋放，投入高附加值的價值創造工作。另一方面，財務人員要發揮財務對企業戰略的價值，以管理會計理念為核心，增強財務對企業運營的指導作用，能夠讓財務人員及時、準確、便捷的查詢到財務、業務數據，進行大數據多維分析，并基于人工智能算法模型對數據異常進行自動歸因解釋和數據洞察分析。同時

139、，智能財務平臺的建設要引入 LLM 大模型的能力，滿足數字化轉型的長期需求。企業基于大模型的需求主要體現在三個方面：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、內容生成、通識問答等基本能力，可以對大模型進行精調和對 prompt 進行配置與管理，并可以對外提供大模型訪問接口。因此，需要具備一些功能予以支持：算力調度：支持對 GPU 底層算力資源的靈活調度；模型微調：支持對大模型進行微調，包括：P-Tuning、LoRA 等；模型服務：支持對外發布大模型的調用接口，供業務系統對接。第二、企業智能助手。搭建企業級智能助手，前期應用在財務領域，后期需要擴展到其他

140、業務領域。支持對智能助手的能力通過無代碼的配置進行持續擴展：知識問答：對企業各項文檔，規章制度，產品說明書，行業報告等內容融會貫通，靈活應對用戶的提問。數據問答：可理解數據，支持以對話的形式進行數據查詢。同時內置數理統計、財務分析、機器學習等模型，可對數據深入分析，并將結果整理成圖文并茂的報告。內容生成：具有文字、代碼、圖片的通用生成能力，并在數據解釋領域進行了強化，可以自動生成對指標的業務解釋說明，以及主題分析報告。智能執行：可對復雜指令進行邏輯推理，進行子任務拆分，編排 IT 系統間的調用，實現智能自動化。第三，智能無人財務共享。利用人工智能技術實現財務共享中心全流程高度智能化、自動化、價

141、值化的目標。改變傳統的財務工作模式，大幅提高財務工作效率，降低財務成本，并極大提升財務管理水平：智能審單：實現在對財務日常工作（報銷、立項、付款等）流程中的自動審核，要支持業務用戶靈活的進行業務規則的定義，同時還需要將合同、發票、附件等文件中的關鍵信息進行識別，自動完成系統錄入。智能收單：通過智能收單機，實現單據投遞后的自動掃描，并形成電子影像，智能設備會調用智能審單助手的能力對提交的發票進行驗真、查重以及附件審核等。智能分析：用對話的形式查詢財務數據，覆蓋法人報告、管理報告、財務域的指標，并實現基于人工智能算法的歸因、預測分析，可以應用大模型自動生成分析報告。財務客服：通過機器人解答公司業務

142、用戶對財務制度相關的問題，如：報銷制度、差旅標準、財務系統的應用等。（2）發展現狀B 公司的財務信息化水平較高，已經完成預算、合并、成本、績效、管理報告等管理會計系統的建設，同時完成稅務系統、財務共享系統、商旅系統的建設。從目前應用效果看，基礎設施較好，但是面臨三個痛點，一個待提升點。其中痛點主要體現在：4 人工智能大模型技術賦能財務應用42第一，數據的困境。數據孤島：煙囪式建設的信息系統互為孤島，財務人員多系統取數，手工整數。數據離線：數據線下手工采集，錯誤頻出，返工情況常有發生，費時費力。數據口徑不統一：數據統計口徑不一致，同指標名稱多種不同定義與計算方法，無法追溯與核對。主數據不規范：客

143、戶、供應商、產品等主數據維度沒有統一維護，業務系統與財務系統各自為政。第二，分析的困境。分析需求靈活多變：領導與業務用戶需求多變，財務加班加點整理數據，疲于應對。分析行為滯后：數據獲取效率低，數據統計整理耗時久，好不容易做出報告后，已經錯失最佳決策時機。分析體系僵化：數據分析多停留在出報表和可視化程度，缺乏對數據深入的解讀與分析，無法指導業務決策。分析工具難以使用：有豐富的報表工具，自助 BI 系統，但是操作復雜，業務用戶和基礎財務用戶不會使用。第三，人效的困境：回答業務用戶重復的問題：每日應對大量業務用戶重復的問題，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，

144、耽誤大量工作時間。財務審核依賴人工：財務審批環節需要大量人工審核員，審核效率低，且容易出錯。財務信息錄入依賴人工：合同、附件、非標票據等內容需要人工核驗后進行系統錄入與歸檔，費時費力。另外，待提升點主要體現在智能化程度低：AI 技術蓬勃發展，2023 年 ChatGPT 火爆全球，但在 B 公司實際財務系統中并未有效應用。4.2.2 典型案例B 公司首先進行了建設智能財務平臺的整體咨詢與規劃，以數智驅動為核心，緊密結合財務共享業務與財務分析業務，構建了面向未來的智能財務平臺業務架構、企業大模型應用落地的技術架構、企業級智能助手的應用架構，并最終實現財務業務效率的大幅提升、用戶體驗的全面升級、充

145、分發揮了財務對業務的輔助決策作用。（1）智能財務平臺業務架構B公司基于數智驅動的無人財務共享“147”模型，對企業智能財務業務架構進行了整理，如圖4-2-1所示?！盁o人財務共享”是以數據和人工智能技術為驅動，以高效財務組織和智慧管理平臺為載體，以精益運營和無人化為特征的新一代共享服務中心及業務賦能中心?！盁o人財務共享”包括業財事務處理中心、數據賦能中心、多維報告中心、控制策略管控中心四大核心能力，是實現管理會計和財務共享深度融合、業務和財務深度融合的人工智能深度應用、數據中心賦能業務的共享平臺。人工智能大模型技術財務應用藍皮書43 圖 4-2-1 智能財務平臺業務架構圖（2）企業大模型應用架構

146、智能財務平臺的大模型應用包含 4 層架構：基礎設施層、基礎能力層、企業 AI 能力層，企業級智能助手層，如圖 4-2-2所示。B 公司已經建設了基礎財務系統，需要上層應用在建設時與其已有系統、引擎對接，最大化已有 IT 資產的利用率。業財事務處理中心控制策略管控中心數據賦能中心多維報告中心7 個重要特征4 大核心能力1 個方向數智驅動下的“無人”財務共享組織分散化能力復合虛擬化國際化多元化組織柔性化商旅商城線上消費自動結算銀行稅局全線拉通生態互聯化管理會計共享深度融合多維核算智能預警數據驅動管財融合化數電票電子憑證電子影像電子合同電子檔案全面電子化智能填單智能收單智能審單智能客服AI 賦能深度

147、智能化一流制度復合人才科學評價合規高效動態優化管理精益化業務財務流程拉通應付應收協同結算資產全生命周期業財協同化 4 人工智能大模型技術賦能財務應用44圖 4-2-2 企業大模型應用架構圖基礎設施層是企業內部的私有云，與常規 IT 應用系統建設不同的是，大語言模型相關應用的建設底層有 GPU 的支持。不同于 CPU 在序列化任務的執行，GPU 更適合大規模并行處理。同時由于上層應用的穩定性與性能的要求，需要在基礎設施層構建 GPU 集群來實現高可用部署，以及動態調度算力資源?；A能力層是企業內部的基礎 IT 系統。為上層應用提供了底層能力支持，如：DevOps，微服務監控與管理，多租戶，消息隊

148、列，任務調度，緩存加速，系統日志管理，安全機制等。企業 AI 能力層匯集了生成式 AI 能力、分析式 AI 能力、多模態識別能力，以及企業級知識庫。生成式 AI 能力模塊：幫助企業更好處理文本信息，讓業務用戶可以更好進行檢索與創作，實現對模型進行一定程度的開發與調整，對數據進行標注，對模型以微調進行訓練，并以提示詞 prompt 方式進行干預。分析式 AI 能力模塊：幫助企業更好處理數字信息，讓業務用戶可以從數據中快速洞察業務問題。支持開箱即用的算通用大模型中臺私有化大模型微調AI 中臺(科學計算)多模態識別能力應用層基礎層公有云|私有云|混合云能力層對象建模流程引擎規則引擎任務協同數據智能智

149、能助手數據中臺基礎技術平臺AI 能力企業知識庫智能問答|分析決策|智能執行|內容生成|角色扮演數據標準|數據開發|數據質量|數據資產DevOps|微服務|多租戶|消息隊列|調度|日志|緩存|安全|內存多維數據庫智能財務平臺應用大模型的架構頁面對象業務對象數據對象元對象流程自動化流程優化流程分析審批/業務流規則中心規則執行規則解析規則編輯OA 集成消息中心待辦中心社交化智芯智管智策智答智圖智眸監控決策指揮沉淀供應鏈商旅/費控財務共享稅務全面預算合并報表管理報告運營監控場景化應用人工智能大模型技術財務應用藍皮書45法調用，如歸因、預測、數據自動化洞察。通過數據科學計算平臺，實現基于機器學習、深度學

150、習、自動化機器學習的數據挖掘，從企業數據中臺導出的數據集進行場景化建模，評估模型效果，發布成 API 供外部系統調用。多模態識別能力模塊：通過 OCR 技術實現財務票據、憑證、影像信息的識別，并從中提取對應的圖片與文字信息。該模塊通過 ASR 技術實現對語音的指令的識別。企業知識庫模塊：對企業文檔類非結構化數據進行存儲，可以支持 word、pdf、txt 等文檔內容的存儲，并支持在線的富文本在線編輯，用來創建新的知識。該模塊可以創建文件夾，并對文件夾與文檔本身創建豐富的標簽，實現對企業文檔的多級分類管理。該模塊支持通過向量知識庫，來實現知識的分段存儲與語義檢索，配合大模型實現智能知識檢索與知識

151、推理。該模塊支持人工對知識進行標注，以使得知識檢索更為精準。（3）企業智能助手企業級助手層通常由企業智能助手基礎管理模塊，專項技能管理模塊構成。企業可以根據場景需要，制作多個機器人助手，服務日常需要，如圖 4-2-3 所示。圖 4-2-3 機器人助手管理智能助手基礎管理模塊主要對智能助手的基本信息等元素進行定義與編輯，查看日常使用日志與情況。維護的基本信息包括：機器人的頭像、名稱、歡迎語、水印配置、語音管理等。該模塊可以對用戶的使用情況進行查看，包括使用人數，以及問答量的統計，并且可以查看每個用戶的使用日志信息，查看用戶的提問，以及助手的回答。4 人工智能大模型技術賦能財務應用46圖 4-2-

152、4 財務數據問答-移動端財務數據應用能力覆蓋數據接入、數據問答、數據分析，可堆積企業內部已有的財務數據，進行標準化描述，讓 AI 理解企業中的數據表結構，業務實體、指標實體等，并建立數據權限管理體系。數據問答讓用戶可以通過自然語言對話的形式進行數據獲取與查詢，查詢的結果可智能推薦最適合的可視化圖表進行展示。數據分析能力增強企業用戶基于數據進行決策的判斷力，對財務指標的表現進行解讀，輔助財務人員分析，并對支持對指標進行預測，與變化的歸因分析。移動端的財務數據問答如圖 4-2-4 所示，PC 端的財務數據問答如圖 4-2-5 所示。圖 4-2-5 財務知識問答-PC 端人工智能大模型技術財務應用藍

153、皮書47財務知識問答的能力聚焦在非結構化數據的問答，可以接入企業知識平臺中保存的知識文檔，對接入的文檔實現自動化訓練與標注，實現對財務報銷制度、付款制度、員工差旅標準等財務規范制度的回答。4.2.3 應用場景（1）智能審單機器人B 公司過去人工審核面臨的問題主要體現在：人工審核耗時長，容易出現疏漏；涉河標準受到人員個人經驗、水平差異的影響，存在主觀性；無法進行大規模、高效率的審核、難以滿足企業快速發展的需求?，F在智能審核的改善：規則引擎，基于自然語言的規則引擎，提供便捷的規則編輯；智能識別，通過 OCR+LLM 提供的實體識別，可大幅提升非標附件、合同、單據、憑證的識別效率；行為分析，對歷史信

154、息進行分析，多維度校驗員工行為的一致性、合理性。B 公司基于智能財務平臺，通過智能審單助手將發票、附件、合同等相關業財信息結構化（非標附件可以通過 AI 大模型進行智能識別要素提?。?，利用規則引擎來搭建集團級的審核規則庫，業務及財務審核人員可以將規則庫中的規則根據業務情況和管理需求靈活定義和調整，形成面向不同角色、不同審核需求的審核事項，這些審核事項可以嵌入到流程引擎中，自動完成流程審批，智能審核一旦發現不符合規則審核的內容，將自動轉換為人工審核，提醒并對錯誤事項進行錨點定位，大幅提升審核效率以及審核體驗。智能審單的業務流程如圖 4-2-6 所示。4 人工智能大模型技術賦能財務應用48圖 4-

155、2-6 智能審單的業務流程智能審單助手不僅能夠結合機器學習算法完成自動化的流程審核，還能夠根據業務需求自定義信息展示卡片，顯示預算的占用情況、關聯的單據、影像的對比結果、員工的行為風險等信息，如圖 4-2-7 所示。圖 4-2-7 智能審單的風險評估戰略執行類(預算和計劃執行)行為及對象風險管理類日常監控類(基于業務場景監控)審核規則分類風險處理方式智能審單助手風險分析方法收入預算執行分析投資和資產類應收類融資類應付類費用場景類費用預算控制客商類員工類資金計劃控制發票類投資計劃控制合同類附件類關鍵業務指標分析與控制禁止提單風險提示風險推送規則引擎附件識別行為分析AI 預測數據監控提單審核業務人

156、員審核人員輔助審核風控人員風險畫像稽核人員稽核輔助投資決議審核收款自動認領校核融資授信審核利息扣款復核手續費審核三單匹配審核自動對賬結果審核供應商資信審核費用標準審核附件一致性審核前置審批審核投資付款審核自動對賬結果審核投資可行性評估報告審核回單自動下載及其匹配校核風險人工智能大模型技術財務應用藍皮書49（2）智能交單財務共享中心為了保證財務原始憑證的真實完整，一般都會設立收單&掃描崗進行單據的收取以及影像的掃描，一方面完成實物單據的交接，同時以此來保證電子影像流與實物流的匹配，但此部分工作簡單、重復、枯燥，大幅的占用了財務人員的精力。智能交單機與智能收單機進行無縫鏈接，為智能收單機賦能。在員

157、工交單環節，通過掃碼、刷卡、人臉識別等方式登錄，全程視頻監控下完成單據投遞、補單、退回等操作，如圖 4-2-8 所示。圖 4-2-8 智能交單的業務流程單據通過掃描口投遞成功后，智能收單機即自動完成掃描，并形成電子影像，智能設備會調用智能審單助手的能力對提交的發票進行驗真、查重以及附件審核等。至此不僅完成了交單初審工作，同時也通過機器能力替代財務人員影像文件掃描崗，釋放財務審核人員的精力以投入更有價值的工作中。智能設備的應用大幅提升了用戶體驗，能夠7*24小時全自動服務，完成全程無接觸式報銷，自動對比，杜絕丟單、少單，自動分揀和歸檔，提升檔案管理效率。這種軟硬結合的智能化解決方案也是財務全面智

158、能化的一個重要環節。智能收單完全改變了財務掃描以及稽核人員繁瑣的日常工作，徹底解放了掃描崗，自動分類歸檔，提升檔案管理效率。費用初審效率提升 90%，退單效率提升 80%，賬務處理效率提升 90%，內審工作效率提升 60%。（3）智能財務制度助手智能知識快速查詢。通過 AI 大模型學習企業知識庫文檔，用戶輸入自然語言即可自動查詢和詢問知識，企業可植入費用報銷制度相關問題、操作文檔等，便于用戶高效獲取信息，如圖 4-2-9 所示。智能交單機核心流程一投即掃快速分揀自動簽收智能初審*1自動歸檔*全程監控根據報銷單快速將紙質票據及增值專票抵扣聯進行分揀，報銷單紙質票據自動整理一次投遞多張/逐張投遞，

159、設備自動進行掃描投遞后自動掃描簽收，確保影像和實物一致設置定時任務和歸檔規則，單據審批后自動按需歸檔通過對第三方影像的切分和 OCR，與消費記錄匹配后進行審核智能柜容量不足自動預警，紙質單據流轉全程可控 4 人工智能大模型技術賦能財務應用50圖 4-2-9 智能財務制度助手智能問題快速答復。B 公司提供在線客服助手，用戶可通過機器客服進行線上對話，客服助手可反問用戶其他問題，經過多輪問答后給出精準匹配的答案。財務共享服務系統填單報銷過程中的報銷問題詢問，可開啟共享客服助手大幅減少了用戶的線下詢問，降低了企業內部的溝通成本、管理成本。智能財務制度助手場景示意如圖 4-2-10。圖 4-2-10

160、智能財務制度助手場景功能語音反饋特點商旅預定篩選查詢外部信息信息查詢外部 APP訂明天北京到上海的機票只查看上午的(航班）明天上午天氣怎么樣？查看我的行程打車到虹橋火車站為您找到 12 家合標準航班，請選擇為您找到 4 架合標航班，請選擇明天上海天氣陰，12-18 度為您找到 3 條行程發起打車自動打開商旅預訂自動查詢符合標準的商旅信息可調用外部的信息，比如天氣、股票、供應商信息系統間或模塊間實現快速跳轉，節省人工操作成本(如預訂機票人工需要 40 秒，語音查詢僅需 3-4 秒，效率提升至少10 倍)大幅度提升用戶體驗和效率，尤其是提升新用戶的系統操作效率12345基于交互的內容，自動篩選需要

161、的數據行程查詢、臺賬查詢、借款查詢、報銷查詢自動調用外部 APP發起打車人工智能大模型技術財務應用藍皮書51（4）智能財務數據分析助手B 公司改變傳統財務 BI 報表的數據分析模式，轉向由智能數據分析助手提供財務指標查詢、解讀、分析、制作報告的全新模式，如圖 4-2-11 所示。通過自然語言驅動的數據查詢引擎，財務人員可以向給 IT 技術人員提需求一樣，靈活的根據業務場景進行數據獲取，從資產負債表、現金流量表、利潤表到企業經營狀況業務數據。智能助手可以理解數據查詢的意圖，翻譯成數據庫查詢 SQL 語言，執行查詢指令，并把查詢到的結果，自動繪制成美觀的可視化圖表。圖 4-2-11 對話式數據查詢

162、在日常財務數據分析場景，常會遇到對財務指標進行解讀，找到財務指標變化背后的關鍵驅動因素，對財務指標的結果進行預測等財務分析場景。B 公司通過 AI 增強的數據分析與挖掘引擎，可以幫助財務人員快速從數據中獲取有價值的信息，并且降低復雜數學建模工具的使用門檻。以財務分析常用的歸因分析為例（如圖 4-2-12 所示），AI 可以自動讀取財務模型中的多維模型結構，然后通過 Adtriutor 算法自動完成各維度、維度層級、維度成員對匯總值的影響度強弱的計算，找到影響因素最大的維度組合路徑。通過 pearson、spearman 等相關性算法，找到指標與指標之間協同變化及強弱影響關系，定位到關聯指標的變

163、化對目標指標的影響。數據問答:對話式數據查詢，增強“人找數”的能力數據查詢意圖處理元數據圖文輸出數據查詢引擎已支持查詢、篩選、排名、計算、分組等 16 大類，150+常用數據查詢意圖語音文字交互實體識別數據表推薦表結構維度指標數據權限定義同義詞業務術語數據庫方言適配生成查詢語句權限過濾句法結構分析查詢結構構建文字摘要生成圖表生成圖表推薦分析結果用戶行為學習企業數數據中臺/數倉 4 人工智能大模型技術賦能財務應用52圖 4-2-12 歸因分析算法為了提升財務數據分析的業務解釋性，降低數據挖掘算法中的噪音，可以構建財務指標、業務指標的邏輯分析圖譜（如圖 4-2-13 所示）。在指標上構建不同區間值

164、的業務解釋、可能導致異常的業務原因、已經對應異常值的應對措施與方案。B公司通過大模型就可以快速對指標的實際值給出輔助分析決策的解釋說明，以及自動制作對應財務、業務主題的分析報告。圖 4-2-13 指標解釋與自動報告歸因分析:解釋數據變化的異常原因可基于數據關系與業務邏輯關系進行自動化歸因分析將預測結果與實際結果進行對比，找到未達到預算影響最大的變量。預實歸因最大影響因素關鍵影響路徑全過程回溯分析結果將不同時期的數據進行對比，從而了解組成變量在不同時期的貢獻度。時序歸因對于穩定數據，自動找到某維度不同成員之間差值產生的原因。對比歸因數據關系維度關系Adtributor算法指標圖譜相關性算法業務邏

165、輯知識庫事理圖譜知識推理企業實現智能自動化帶來了可能性客戶管理場景示例文本文檔語音圖片文本工具使用接口調用|頁面跳轉圖片向量化輸入感知輸出行動A 客戶的流失率較高，制作對應的風險分析報告。方舟 GPT 背后完成的過程計算客戶流失風險=獲取用戶拜訪記錄=調用企業知識庫=推薦有效解決方案=制作分析報告好的，已按照您的要求完成?！緢蟾嬲靠蛻?A 已達續費期，遲遲未付款，且對售后服務滿意度較低，綜合計算流失概率：80%?？蛻?A 過去 3 年采購量持續增長，且信用記錄量化，建議維護。上次走訪調研表示競爭對手提供了更優惠的報價，也提到產品使用過程中的問題。建議介紹產品與競爭對手的比較優勢，突出差異化

166、。同時增強售后服務，針對使用問題安排專人解決，同時制定優惠政策。點擊【查看】詳細報告控制中樞信息存儲長短期記憶 LSTM|知識庫 Doc KG決策制定復雜推理 CoTI 計劃制定|計劃反饋人工智能大模型技術財務應用藍皮書53采用智能財務數據分析助手后，財務人員數據獲取與分析的效率大幅提升。過去數據的獲取依賴于 IT 技術，想要查詢未在財務報表系統內的數據，往往需要經歷需求整理，提交 IT 需求，但是 IT 排期較長，數據建模與報表制作最快也需要35 天的時間，現在通過智能助手實時對話獲取數據，秒級響應，效率提升 1 萬倍。過去財務分析人員需要一周的時間收集收據，制作財務分析模型，才能輸出一個指

167、標的異常變化歸因報告，現在智能助手可以秒級返回計算結果。同時隨著財務指標、業務指標的業務邏輯圖譜不斷建立，可以為企業沉淀海量場景化的分析圖譜，進一步提升大模型的知識儲備。4.3 人工智能大模型技術賦能 C 銀行財務應用4.3.1 總體情況（1）需求背景C 銀行是中國最大的商業銀行之一，業務涉及資金管理、收費繳費、營銷服務、金融理財、代理銷售、電子商務六大類，擁有千萬級公司客戶和數億個人用戶，銀行覆蓋范圍廣、業務品種豐富，為公司客戶和個人用戶提供了多元、專業的各項金融服務。C 銀行長期以來以數字化發展為導向，致力于金融科技發展，具有國際先進水平的金融信息技術平臺，其完善的信息化背景和數字化的發展

168、理念為大模型技術的應用和推廣奠定了良好的數據基礎。C 銀行積極投身于金融專業領域大模型的研發行列，不斷探索大模型在金融領域的應用場景，其主要原因體現在三個方面：第一，實現降本增效。大模型技術的應用場景貫穿銀行業全產業鏈的各個環節，包括市場與銷售、渠道與運營、產品設計開發、客戶關系管理、風險合規等多個場景（如圖 4-3-1 所示），若能實現大模型技術在 C 銀行的規?；瘧?，有望帶來可觀的降本增效收益。一方面，大模型技術可替代人工開展大量重復性高、簡單基礎的任務，如合規監控、標準文檔生成等；另一方面，大模型技術能夠有效放大關鍵職能崗位的效能，如客戶經理能夠通過大模型的應用，學習更有針對性的客戶互

169、動技巧，挖掘客戶需求并做出精準有效的判斷等。圖 4-3-1 銀行業大模型應用場景第二，賦能經營管理。銀行業面臨著嚴格的監管要求，包括數據安全、數據隱私保護、風險防控等方面。C 銀行需利用大模型強大的學習能力，提升其經營管理的效率和智能化的水平。C 銀行可以運用長期以來積累的信貸數據、客戶數據、行業數據等對大模型進行訓練和微調，以此為基礎構建更加精準的風險評估模型，提升風險防控能力。此外，大模型強大的算力基礎能夠幫助C銀行實現對業務的深度理解、關鍵信息的及時抽取、自動化的分析決策等，助力運營工作的全面提效?？腿悍治鰻I銷方案生成營銷人員話術培訓智能推薦智能客服智能盡調產品定價分析產品策略分析代碼支

170、持客戶畫像數字人問答知識庫搜索風險賬戶識別風險評估合規報告生成市場與銷售渠道與運營產品設計開發客戶關系管理風險合規 4 人工智能大模型技術賦能財務應用54第三，提升服務質量。C 銀行堅持以客戶為中心的經營理念，依托大模型技術助力銀行提升客戶滿意度?；诖竽Ｐ蜕疃壤斫夂托畔⒊槿〉饶芰?，能夠打造專業化的智能客服產品，不僅具備海量金融知識，還能夠進行復雜邏輯的思維推理，基于情感的多維表達以及即時的自我修正，更好地理解用戶的需求和問題，提供更準確、更快速的解決方案，為客戶提供更加及時、個性化的專業化服務。不僅如此，借助大模型對客戶的交易記錄、消費習慣、社交行為等多維度數據的深度分析和理解，C 銀行構建

171、出更加全面、細致的客戶畫像，在市場營銷、新產品研發等方面滿足客戶多元化的需求，增強客戶信任度和黏性。（2）發展現狀C 銀行一直處于業界領先地位，其業務規模持續發展擴大，擁有成熟的多元化、綜合化的業務體系。在國內外市場上，C 銀行均設有大量的分支機構和服務網點，具備龐大的客戶群體和品牌影響力。C 銀行積極推進數字化轉型戰略，扎實貫徹落實國家關于科技強國和數字經濟發展戰略部署，全面布局關鍵數字技術應用，深化數字金融建設，通過引入人工智能、大數據、云計算等新一代信息技術，升級智慧銀行生態系統、加強數據治理和信息安全保障、提升業務處理效率和客戶服務水平。在科技創新方面，C 銀行加大金融科技創新投入，推

172、動金融科技與銀行業務的深度融合，已建成自主可控、功能完備的企業級人工智能技術平臺，打造了“看、聽、想、說、做”全感知智能服務，初步實現全領域、全場景、規?；腔圪x能。在數據應用方面，C 銀行建立起以數據共享、資源統籌、軟件服務化的云理念打造的具備海量數據存儲、批量計算、流計算等能力的企業級大數據平臺，推動業務數據化向數據業務化進階發展。大模型技術仍處于快速發展階段，新的能力和新的模型層出不窮，C 銀行必須積極擁抱技術變革，緊抓新一代人工智能技術高速發展機遇，致力于打造領先的企業級技術能力和業務應用能力，為數字化轉型、業務創新發展提供有力的基礎支撐。4.3.2 典型案例（1）建設思路關于大模型應

173、用落地，目前業界尚無標準方法論，企業可按照場景通用化、專業化程度，分別使用基礎大模型、行業大模型、企業大模型和任務大模型。四層模型訓練數據規模和投入算力逐層遞減，專業屬性逐層增強。其中，基礎大模型由于投入數據量大、算力成本高、算法難度大，由頭部 AI 公司進行建設，雖然通識能力較強，但其缺少金融專業知識，對金融場景應用有限。對銀行業而言，實現大模型的規?；瘧弥饕幸韵聝蓷l路徑：第一條路徑是直接引用成熟領先的基礎大模型，在此基礎上結合銀行自身擁有的海量金融數據和豐富的應用場景，對模型進行訓練和微調，自建專屬企業的任務大模型，快速賦能業務。雖然私有化部署的建設周期較長、投入成本較大，但信息安全得

174、到了有效保障，并能夠更高效地賦能銀行自身的使用場景，適用于有較強金融科技能力的中大型銀行。第二條路徑是按需引入各類大模型的公有云 API 或私有化部署服務，直接滿足賦能訴求。公有化部署的大模型金融領域的專業能力、與企業的適配度不及企業專屬的大模型，適用于中小型銀行初步探索大模型技術的應用。人工智能大模型技術財務應用藍皮書55C 銀行根據自身業務規模以及對自身的金融科技能力的評估，選擇建立 C 銀行專屬大模型。C 銀行認為大模型技術不是一個獨立的算法或者服務，而是一套復雜的體系化工程，包括了大模型算力集群建設、大模型算法沉淀、大模型配套流水線工具、大模型服務、垂直領域技術平臺的能力迭代升級等內容

175、，需要持續優化迭代。大模型落地之初可選擇重點應用場景進行概念驗證，構建最小可行性產品，根據結果梳理大模型技術選型、質量和風險管理的標準以及配套組織和資源的投入需求。銀行基于局部應用的效果和經驗，形成規?；瘜嵤┑捻攲釉O計，通過盤點大模型技術應用的潛在場景，并評估場景落地的優先級，形成大模型落地應用的細化方案。C 銀行前期選擇和某國家重點實驗室聯合共創，通過微調研發金融行業通用模型，快速實現了應用場景的落地。C 銀行圍繞業務、技術端不斷積累應用經驗，率先建成全棧自主可控的千億級參數規模 AI 大模型技術體系。（2）建設框架C 銀行打造的全棧自主可控的千億級 AI 大模型技術體系，由“三大技術支撐”

176、、“五大應用范式”以及“八大業務領域創新應用”共同組成。算法高效、算力可靠、數據全面是大模型技術落地應用的三大技術支撐能力，C 銀行以此為抓手，將大模型打造為銀行數字化轉型的新引擎。算法方面，C銀行率先建成千億級金融行業大模型，具有出色的金融知識理解和生成能力。算力方面，C 銀行打造同業首個國產千億級大模型算力底座，支持千億級大模型二次訓練和大規模并發推理需求。數據方面，基于全流程閉環的大模型數據工程體系，將 TB 級高質量金融行業數據、企業內部專業數據安全快捷地融入大模型，為業務創新應用提供數據支撐。C 銀行根據自身業務發展需求，立足行業視角，從理論與實踐高度體系化總結金融大模型建設思路，提

177、煉知識檢索、智能搜索、文檔編寫、數據分析、智能中樞五種大模型技術的應用范式和工程化解決方案，形成行業應用白皮書，為大模型在行業的規?；瘧闷鸬绞痉兑I作用。大模型落地應用方面，C 銀行聚焦對公信貸、運營管理、遠程銀行、金融市場、內控合規、人力資源、智能辦公、智能研發八大業務領域（如圖 4-3-2 所示），不斷深化大模型技術面向全業務流程的綜合化運用，通過將大模型嵌入銀行業務系統的全流程，為員工打造貼身助理，開啟金融行業人機交互新時代，切實做到為基層減負、為員工賦能。4 人工智能大模型技術賦能財務應用56圖 4-3-2 C 銀行大模型建設框架（3）技術突破C 銀行在大模型技術前沿應用的過程中，其

178、下屬的數字金融創新實驗室與相關科技企業合作，共同打造出一款基于私有大模型群組的資管行業智能解決方案FundGPT。FundGPT的應用涵蓋多個技術場景，包括數字人問答、AI數據分析師、AI 編程助手以及知識檢索增強等，其目標是為智能投研、智能辦公、量化投資、數字員工以及創新研發等領域探索并提供高質量的 AI 賦能方案。銀行業大模型對輸出結果的準確性、專業性要求更高，大模型雖然有較強的泛化能力，但對專業領域的知識還需要不斷訓練、及時更新，同時要訓練大模型符合銀行特定的表達要求、語言風格，契合銀行自身的業務需求等。因此 FundGPT基于 C 銀行的大量金融語料開展二次訓練和微調精調，實現了以下四

179、個方面大模型在金融領域應用的技術突破，如圖 4-3-3所示。八大業務領域三大技術支撐五大應用范式對公信貸運營管理遠程銀行金融市場內控合規人力資源智能辦公智能研發知識檢索智能搜索智能中樞文檔編寫數據分析高效算法可靠算力全面數據人工智能大模型技術財務應用藍皮書57圖 4-3-3 FundGPT 的四項技術突破第一，數字人問答技術，FundGPT 能夠在多場景、多語境、多模態下為用戶提供更豐富、立體和個性化的問答體驗，并能在會議助手、流程催辦、財務助手、資訊播報等方面提升智能化辦公水平；第二，檢索增強大模型，FundGPT 和企業內部搜索平臺進行有機結合，能夠有效提升獨立調研的準確性，還將有效支持投

180、教輔助、制度問答、輿情洞察、研報分析等業務場景；第三，數據分析師伴侶，FundGPT 利用私有化大模型，能夠為數據分析師團隊提供智能化的數據分析和交互技術，為解決數據過載問題提供了新穎的解決思路；第四，AI 編程助手，FundGPT 內置了一款由 C 銀行子企業自主研發的面向 VSCode/IDEA 等編程工具的 AI 編程輔助插件，現階段已落地代碼輔助生成、代碼理解、代碼檢查、單元測試代碼生成、代碼轉義、技術問答等各類基本功能，可以支持多種常見編程語言。4.3.3 應用場景（1）風險評估防控銀行核心業務涉及大量的資金流動和信用交易，風險評估與防控是銀行運營中不可或缺的一環。商業銀行在經營管理

181、中主要的風險可分以下四類：合規風險：合規風險源于商業銀行未能遵循法律法規、監管準則及行業自律標準，可能面臨法律懲處、監管處罰、財務重創及聲譽受損的嚴重后果。近年來，合規風險已躍升為商業銀行最為關鍵的風險因素之一。信用風險：信用風險主要涉及債務人或借款人因各種因素無法按時償還債務，給商業銀行帶來潛在損失的風險。由于商業銀行與授信對象間的信息不對稱，導致商業銀行難以全面掌握授信對象的還款能力及道德水平等信息，這使得信用風數字人問答會議助手流程催辦財務助手資訊播報內容檢索聚合數據智能分析AI 輔助編程投教輔助制度問答輿情洞察研報分析數據分析交互技術代碼理解代碼檢查代碼轉義技術問答 4 人工智能大模型

182、技術賦能財務應用58險成為商業銀行運營中難以避免且持續存在的風險。操作風險：操作風險源于商業銀行內部控制、流程、系統的缺陷或人員的不當操作。隨著信息技術的深入應用，商業銀行管理正日益趨向信息化與數字化。然而，信息化建設不完善、系統工具使用中的操作失誤，都可能引發安全風險、客戶權益受損及信息失真等諸多問題。市場風險：市場風險主要由市場價格波動、利率及匯率變動等因素引發。市場風險呈現出變化迅速、風險水平高、影響范圍廣等特點，對商業銀行的信貸決策和風險管控能力提出了更高要求。每種風險都有其特點和對應的評估方法，C 銀行通過大模型對運營過程中積累的大量客戶數據、交易數據、市場數據等進行深度學習，提取不

183、同類的風險特征，構建相應的風險評估模型，通過算法模型對風險進行準確量化評估。以信貸審批場景為例，C 銀行能夠借助大模型收集和分析借款人的個人信息、財務狀況、征信記錄、消費行為等數據，構建多維度的信用評估體系，客觀全面地判斷借款人的風險狀況和還款能力，并且大模型能夠自動篩選和識別具有潛在信用風險的貸款申請，優化貸款審批流程。面對企業客戶的借貸業務，C 銀行通過大模型技術對企業的信用評級、經營狀況、市場表現、負面輿情等多方面指標進行綜合評估，為企業提供個性化的授信額度和還款期限建議，并能根據市場變化和企業需求進行動態調整和優化，實現對信用風險的評估和防控。大模型的應用能夠幫助 C 銀行提升風險評估

184、防控的感知能力和決策能力。一方面通過深度自然語言的交互，大模型能夠處理和分析海量數據，更廣泛獲取業務相關信息，增強對各類風險的感知能力，如圖 4-3-4 所示。另一方面大模型能夠基于數據結構化分析進行數據洞察、信息理解和邏輯推理，理解客戶的多層次需求，減少風險評估環節人工的干預，進而提高風險防控決策的效率和準確性。C 銀行借助大模型技術處理和分析海量數據、構建復雜的風險評估模型、進行實時的風險監控和預警，及時發現風險的變化趨勢和潛在風險點，借助算法模型實時觀測和關注銀行營運各類財務指標和監管指標，實現更加精準、高效、智能的風險防控策略。圖 4-3-4 風險評估防控感知強化深度自然語言交互廣泛信

185、息獲取語義理解、語言生成、語音識別行業資訊、用戶信息、業務憑證決策強化數據分析需求理解數據洞察、信息理解、邏輯推理提額、降息、還款風險評估防控合規風險市場風險信用風險操作風險人工智能大模型技術財務應用藍皮書59（2）投資組合推薦投資組合優化既是銀行進行資產配置和風險管理的重要手段，也是服務客戶的重要方式。投資組合優化根據投資者的需求選擇多種資產創建投資組合，其本質是在風險與收益之間進行選擇，以期通過承擔最小的風險獲得最大的回報。在傳統的投資分析方法中，人們往往只能處理線性關系或者簡單的非線性關系，無法準確捕捉金融市場的復雜性，難以從多維金融數據中提取有效信息。智能投顧（Robo-Advisor

186、）運用云計算、大數據、人工智能等新一代信息技術對投資組合進行構建、管理及再平衡，為客戶提供自動化的投資組合管理建議、策略和服務。智能投顧通過在線調查問卷等互動方式，了解投資者的投資目標、風險承受能力以及財務狀況，進而運用算法模型為投資者量身定制個性化的資產配置方案，成為金融科技創新的一種重要形式。然而，由于監管要求的限制以及服務效果的不盡如人意，包括 C 銀行在內的多家銀行已相繼暫停了智能投顧業務?？蛻舴答侊@示，智能投顧在精準把握客戶需求方面仍存在挑戰。例如，客戶在填寫調研問卷時，可能因各種因素無法準確描述自己的風險厭惡程度，對投資顧問而言，可以根據客戶的語言表達、情緒等因素獲取更為精確的信息

187、，但智能投顧在這些方面還存在短板。此外，在金融市場劇烈波動的時期，投資顧問能夠給予客戶必要的陪伴和情緒支持，而智能投顧則主要依賴投資策略的回撤調整來維護客戶關系，無法為客戶提供更加優質、個性化的投資服務。大模型技術的出現，能夠大幅提升智能投顧對用戶需求的捕捉和理解能力，通過信息理解、分析預測、數據可視化、觀點洞察等步驟的交互調優，生成專業的交互式回復。C 銀行基于財富管理專業知識、海量投資標的信息分析以及大量投研數據對大模型開展二次訓練和微調精調，通過交互式對話充分理解客戶的風險偏好、投資目標、資產狀況等信息，通過分析市場數據、客戶信息，提供個性化的投資建議和資產配置方案。具體來講，大模型技術

188、在投資組合優化場景的作用主要包括以下四個維度，如圖 4-3-5 所示：數據分析處理：大模型基于神經網絡算法和機器學習算法能夠挖掘海量的市場數據、用戶數據中的規律和價值，通過構建多層神經網絡，自動提取數據特征，提高投資組合分析的準確性和效率，為投資決策提供有力支持。個性化投資建議：大模型借助語義理解、邏輯分析等能力更易捕捉用戶的風險偏好、投資目標、資產狀況等信息，并利用模型算法生成個性化的投資組合建議，實現資產的合理配置和增值，滿足不同用戶的投資需求。市場動態監控：大模型的訓練數據來自于歷史數據，但經過適當訓練和調整后，能夠實現對市場動態的實時跟蹤和監控，通過收集和分析市場數據，及時捕捉市場變化

189、，并對投資組合進行動態調整，以適應市場變化，降低投資風險。風險評估和管理：大模型能夠利用復雜的算法對投資組合進行風險評估，全面考慮各類風險因素，通過量化分析，綜合評估投資組合的風險水平，并定期生成投資組合的風險評估報告，提供風險預警和應對策略，幫助用戶實現穩健投資。4 人工智能大模型技術賦能財務應用60圖 4-3-5 投資組合優化（3）欺詐行為檢測商業銀行是資金流動的重要樞紐，許多電信網絡詐騙活動都涉及銀行賬戶的轉賬和支付行為。近年來，電信網絡詐騙案件頻發，并呈現出專業性、規模性、技術性等諸多特點，其作案方式復雜變化，反偵察能力持續提升。對商業銀行而言，欺詐行為的頻發對銀行的聲譽和客戶信任度都

190、構成了嚴重威脅，間接影響銀行的財務績效，欺詐行為檢測的難度和緊迫性都提升到了新高度。銀行業常見的反欺詐方式包括身份驗證、設置黑白名單制度、設置規則引擎等，主要通過在反欺詐系統內預設交易規則，檢測交易的異常行為。然而電信網絡詐騙形式層出不窮，銀行反欺詐系統基于固定的規則和數據匹配難以應對日益復雜和精細化的欺詐手段，欺詐行為可通過人工智能技術模擬正常行為，進而繞過基于規則的檢測系統。此外，由于系統覆蓋范圍不足且策略迭代不靈活，只能針對已知的欺詐模式進行檢測，無法有效應對未知的或新型的欺詐行為。面對愈加復雜、隱蔽的欺詐行為，C銀行積極應用大數據、生物識別、人工智能等新一代信息技術和支付限額管理等工具

191、，按照“主動防、智能控、全面管”的實施路徑，構建線上反欺詐智慧風控體系，將欺詐行為檢測從“人控”推向“智管”。在此基礎上，C銀行積極推動大模型技術在欺詐行為檢測場景中的應用落地，顯著提升線上交易反欺詐質效，如圖4-3-6所示。首先，大模型具有強大的文本理解能力，通過分析文本中的詞匯、句子結構和邏輯關系，理解文本背后的意圖和含義，進一步識別出可能的欺詐模式或虛假陳述，并進行適當攔截或風險提醒。其次，大模型技術能夠利用神經網絡算法和機器學習算法等洞察海量交易數據中的規律與特征，與傳統的欺詐檢測方法相比，大模型技術的應用使得反欺詐系統不再依賴于人工設置的規則和特征，能夠根據訓練數據不斷學習和優化，更

192、好地適應不斷變化的欺詐手段，提高欺詐檢測的準確性和效率。最后，大模型具有強大的計算能力，能夠實現金融數據的實時監測和分析，幫助C銀行及時發現并預警潛在的欺詐行為，并觸發預警機制。通過深度學習和機器學習算法挖掘海量的市場數據、用戶數據中的規律和價值，為投資決策提供有力支持實時跟蹤市場動態，對投資組合進行動態調整，以適應市場變化，降低投資風險基于用戶的風險偏好、投資目標、資產狀況等信息，生成個性化的投資組合建議，滿足不同用戶的投資需求利用復雜的算法對投資組合進行風險評估，提供風險預警和應對策略，幫助用戶實現穩健投資數據分析和處理市場動態監控個性化投資建議風險評估和管理01020304人工智能大模型

193、技術財務應用藍皮書61圖 4-3-6 欺詐行為檢測參考文獻：1 呂仲濤.AI 時代商業銀行數字化轉型的創新實踐與思考 J.中國銀行業,2023(11):16-19+6.2 吳曉如.認知大模型新技術助力金融創新 J.新金融,2023(10):26-31.3 工銀瑞信.探索大模型前沿應用 工銀瑞信攜最新科技成果 FundGPT 亮相服貿會 EB/OL.(2023-09-04)2024-03-20.https:/ 中國工商銀行.工行率先建成全棧自主可控千億級 AI 大模型技術體系，榮膺 2023 金融信息化 10 件大事 EB/OL.(2024-01-15)2024-03-20.https:/ 陳曦

194、.大數據時代商業銀行風險管理探究 J.中國中小企業,2024(02):162-164.6 徐曉群.構建線上反欺詐智慧風控體系 筑牢數字金融風險防線 J.中國信用卡,2023(12):5-7.4.4 人工智能大模型技術賦能 D 汽車企業財務應用4.4.1 總體情況（1）需求背景汽車行業作為一個龐大的產業，涵蓋了汽車制造、銷售、服務等多個環節，與國民經濟和消費者生活密切相關。近年來，全球汽車市場經歷了一定程度的波動，但總體上仍保持增長態勢。特別是在中國，汽車市場持續擴大，成為全球最大的汽車市場之一。這主要得益于中國經濟的快速增長、城鎮化進程的推進以及消費者對汽車需求的不斷提升。但汽車行業的競爭也日

195、益激烈，不僅有傳統汽車廠商之間的競爭，還有新能源汽車廠商、互聯網科技公司等新進入者的競爭。政府也出臺支持新能源汽車發展的政策，推動汽車產業的綠色轉型。同時，對于汽車安全、環保等方面的監管也日益嚴格，這要求汽車廠商在產品研發和生產過程中更加注重質量和安全。財務管理作為企業命脈的守護者，需要盡快完成新時期的財務數智化轉型，在管理模式和技術手段上實現創新，積極應對企業內外的管理挑戰。隨著某大型汽車集團企業規模的擴大和業務的多元化，財務管理難度逐漸增大。D 汽車企業希欺詐行為檢測請求欺詐行為檢測結果交易行為數據采集特征提取模型檢測文本理解攔截預警通過 4 人工智能大模型技術賦能財務應用62望通過財務共

196、享中心的建設，實現財務運營的集約化、標準化和自動化，提高財務處理效率，降低成本。同時，D 汽車企業面臨著日益嚴格的財務監管要求，需要通過數字化系統工具和智能技術手段高效進行業財風險的識別、監控和預警，降低業務財務合規風險；并且汽車制造業面臨著高成本與低利潤的問題，為了降低成本、提高效益，企業需要財務系統能夠提供深度的經營分析和洞察，支持戰略規劃和業務發展，提高生產效率，以及通過合理的策略來確保利潤最大化。（2）發展現狀D 汽車企業開始著力建設財務共享中心，并基于人工智能大模型，實現從傳統財務共享到 AI 和數據驅動的“無人值守、安全共享”的躍遷?！盁o人值守”共享不是“無人”共享，“無人值守”財

197、務共享 ABC 包含流程自動 Automated，作業智能 Brilliant、控制中心 Controllable，能夠實現全自動化流程、智能化作業、最大化人機協同以及最安全中央控制?！鞍踩惫蚕?3S 包含業務安全 Business Security、數據安全 Data Security、系統安全 System Security，不以提升效率作為建立財務共享中心的唯一目標，同時應用人工智能和穩定技術確保數據和業務運行安全、風險可控。D 汽車企業通過建立“無人值守、安全共享”，提高企業的財務數智化水平和企業的核心競爭力，實現高質量發展。4.4.2 典型案例D 汽車企業打造的“無人值守、安全共享

198、”，從智能填報、智能作業、智能運營、平臺安全四個維度展開，如圖 4-4-1所示。圖 4-4-1“無人值守、安全共享”智能化全景圖智能填報智能作業智能運營平臺安全無人值守 安全共享業財稅資檔全業務一體化共享共享運營管理平臺（卓越運營）作業智能智能風控共享智能作業平臺（無人值收）采購流程管理應用層安全(認證、授權、審計)系統層安全(操作系統、數據庫)基礎設施安全(硬件、網絡)智能審單（數智員工）智能審核智能問詢/智能客服智能預警智能質檢智能監控智能填報財會監督應付質量管理銷售績效管理應收知識管理費控人員管理司庫服務管理稅務社會化系統管理人工智能大模型技術財務應用藍皮書63D 汽車企業的業財稅資檔全

199、業務一體化共享的智能填報的能力輻射到采購、應付、銷售、應收、費控、司庫、稅務等各個領域，通過智能采集、填報規則設定等手段，做到快填報、易填報，部分領域甚至免填報。單據進入共享后，在作業維度通過智能化手段進行提效，包括智能審單、數智員工、智能質檢、智能問詢、智能客服等實現智能作業。在提效的同時也關注安全，例如通過智能審核和智能監控，將智能審核要點和控制點覆蓋到端到端，實現事前事中事后的監控；針對有問題的單據、高風險單據，實現實時預警；針對事后的財會監督，做出相應的把控。共享作業完成后，進行整體運營能力的提升。在流程、質量、績效、知識、人員、服務、系統管理等方面，通過智能化手段，實現卓越運營。例如

200、通過智能問答和智能客服，對常見的問題進行解答，減少核心財務團隊在客服方面的重復工作。最后通過應用層、系統層、基礎設施層來保障平臺的安全。圖 4-4-2 共享牽引，締造端到端無人值守業務閉環D 汽車企業通過共享牽引，從智能填報（包含智能采集、智能收單）、智能作業（包含智能審單、智能核算/結賬）、智能運營（包含智能分析、智能運營）三個維度，締造了端到端無人值守業務閉環，如圖 4-4-2 所示。智能填報智能作業智能運營智能采集APP 采集全量結構化數據確定分析主題可視化業財集成規則引擎智能結賬風險自動管控審核結果可視ORC 識別票據數據影像/附件信息單據信息PC 端采集1.拍照、圖片2.卡包導入3.

201、郵箱導入4.標準票據數據合同數據非標附件數據.費用分析業務分析運營分析趨勢分析結構分析對比分析.駕駛艙儀表盤報表.費控系統業務系統.業務事項與會計事務拖拽匹配，事項分錄/總賬明細匯總靈活定義生成關賬駕駛艙實時監控、一鍵結賬真實合理性合法合規性內控合規性操作規范性精準報錯話術審核結果可視結果輔助決策1.文件導入2.掃描采集自助交單自動掃描自動暫存自助退單自動歸檔智能審核智能生成智能質檢智能問詢智能客服智能采集知識圖譜智能審單智能分析智能運營智能收單智能核算/結賬135624自動填單填單規則定制分析模型 4 人工智能大模型技術賦能財務應用644.4.3 應用場景（1）智能采集隨著 D 汽車企業的業

202、務發展和海外拓展，每天會產生大量的票據，包括各種通用發票和海外票據、合同等非標附件，單純依靠財務人工整理和填寫票據信息，不僅浪費大量人力，結果的準確性、及時性、合規性也難以保證。D 汽車企業探索通過 OCR 和 AI 感知智能技術結合，實現對全票種的結構化處理，比人眼更準確、更高效、更經濟，為后續的智能審核、自動審單夯實相關數據基礎，實現全數字化 FSSC 環境，如圖 4-4-3 所示。圖 4-4-3 OCR+AI 感知智能技術實現智能采集 全票種智能采集包含傳統行業通用票據，24 類發票+4 類訂單（增值稅普通發票、增值稅普通發票(卷票)、增值稅專用發票、增值稅電子普通發票、增值稅電子專用發

203、票、定額發票、火車票、機票行程單、客運汽車輪船、出租車票、機打發票、.），可以實現快速的結構化識別和數據采集，如圖 4-4-4 所示。同時，對于企業內部定義自制表單（入庫單等）、合同文本文件，通過深度學習技術和 AI 算法迭代模型，可以準確提取結構化關鍵信息，如圖 4-4-5 所示?；谏疃葘W習 AI 算法，識別行業通用票據、企業自制表單、合同文本文件基于識別訓練模型算法，提取識別多種關鍵要素，標注訓練輸出準確結果通用票據電子文件行業通用票據海量數據庫積累方向修正文件樣本定義模版識別輔助數據修正人工訓練圖像預處理自動檢測大數據判斷模糊計算數據校驗深度學習技術AI 算法迭代模型企業自制表單合同文

204、本文件電子發票電子發票電子圖片商旅訂單可視化定義AI 輔助定位修正訓練原始文件掃描人工定義模板圖像預處理文件分類處理AI 識別輔助人工訓練人工智能大模型技術財務應用藍皮書65圖 4-4-4 合同文本文件信息采集流程圖 4-4-5 合同文本文件信息提取結果示例在支撐國內票據智能采集的同時，D 汽車企業也不斷在夯實海外票據 invoice、reciept、非票附件自動提取的能力。例如下圖針對泰國的手寫水單，通過 AI 智能化的識別能力，可以做到 100%精準結構化識別，如圖 4-4-6 所示。收取紙質、傳真、異構系統的紙質合同通過手機、高拍儀掃描儀提取合同影像合同影像儲存到影像系統上傳圖片、wor

205、d 或 PDF 合同直接調用合同比對、信息抽取接口將比對抽取結果錄入企業系統中上傳圖像到合同比對和信息抽取系統，智能識別、自動提取關鍵信息合同管理系統報賬系統業務系統集成 4 人工智能大模型技術賦能財務應用66圖 4-4-6 海外票據信息提取結果示例海外票據目前支持 50 多種語言，并且智能采集的范圍和能力在不斷擴大和提升，如表 4-4-1 所示。表 4-4-1 海外票據智能采集支持語言清單序號語言備注1Spanish西班牙語（西班牙，墨西哥，古巴，阿根廷，智利，哥倫比亞、哥斯達黎加、厄瓜多爾、巴拿馬、巴拉圭、秘魯、烏拉圭、委內瑞拉）2Italian意大利語（意大利，瑞士，梵蒂岡）3Engli

206、sh英語（美式，英式，澳式，加拿大，印度，國際）4Portuguese葡萄牙,巴西5German德語(德國、奧地利、比利時、盧森堡、瑞士、納米比亞、阿根廷)6Japanese日語7Polish波蘭語8Russian俄語9Dutch荷蘭10Indonesian印尼語11French法語12Turkish土耳其語13Swedish瑞典語14Ukrainian烏克蘭語15Malay馬來語人工智能大模型技術財務應用藍皮書67序號語言備注16Norwegian挪威語17Finnish芬蘭語18Vietnamese越南語19Thai泰語20Slovak斯洛伐克語21Greek希臘語22Czech捷克語23

207、Croatian波斯尼亞、黑塞哥維那、克羅地亞、塞爾維亞24Danish丹麥語25Korean韓語26Romanian羅馬尼亞語27Bulgarian保加利亞語28Chinese(simplified)中文29Chinese(traditional)香港，澳門，臺灣30Galician加利西亞語31Bosnian波斯尼亞語32Arabic阿拉伯語33Macedonian馬其頓語34Hungarian匈牙利語35Hindi印地語36Estonian愛沙尼亞語37Slovenian斯洛文尼亞語38Latvian拉脫維亞語39Azerbaijani阿塞拜疆語40Hebrew希伯來語41Lithuan

208、ian立陶宛語42Persian波斯語43Welsh威爾士語44Serbian塞爾維亞語45Kazakh哈薩克語46Icelandic冰島語47Maori毛利語48Marathi馬拉地語49Armenian亞美尼亞語50Belarusian白俄羅斯語51Nepali尼泊爾語 4 人工智能大模型技術賦能財務應用68多入口智能采集智能采集提供了 PC 端+移動端多入口采集方式。無論是紙質票據、或是電子文件，都可以在手機或電腦端，通過拍照、二維碼、上傳、掃描等方式，實現對票據的快速采集，并且境內發票的識別率高達 99.9%。發票合規性校驗在對發票完成采集后，系統會根據預置的校驗規則（多達 100+條

209、），對發票的合規性進行校驗，包括發票抬頭校驗（購買方名稱、納稅人識別號比對）、發票敏感詞校驗、發票真偽性檢驗、發票重復性檢驗、發票連號檢驗、代開發票備注欄信息不得為空、電子簽章合法性檢驗等，以確保發票的合規性。智能價稅分離對于增值稅普票/專票、增值稅電子發票、機動車統一銷售發票，直接獲取發票票面的稅額信息；對于客運汽車輪船、用車訂單、火車票、機票行程單等特殊票據，根據稅法規定進行稅額的抵扣計算。發票池管理完成采集和識別的發票，需要將結構化信息統一納入發票池進行管理，包括發票代碼、發票號碼、消費類型、開票日期、發生城市、發生日期、銷售方信息、購買方信息、幣種、價稅合計、金額、稅額、稅率等，為后續

210、的財務稅務處理提供數據基礎，如圖 4-4-7 所示。圖 4-4-7 智能采集解決方案自動糾偏與糾錯通過“識別引擎”獲取正確結構化數據，如圖 4-4-8 所示。紙質票據電子文件電子發票電子發票電子圖片商旅訂單境內發票識別率達 99.9%識別解析手機采集電腦采集發票信息票據明細稅務驗偽驗連驗重抬頭校驗稅目校驗日期校驗拍照 OCR二維碼解析微信卡包短信導入本地上傳自動導入支付寶卡包文件上傳解析手工錄入郵箱導入掃描發票手工錄入發票代碼發票號碼消費類型開票日期發生城市出發日期出發城市出發站到達城市到達站發生日期銷售方信息金額稅額稅率車次航班次船次座次座位等級姓名交通費用賬單住宿費用賬單餐飲費用賬單商旅訂

211、單訂單人工智能大模型技術財務應用藍皮書69圖 4-4-8 識別引擎自動糾偏與糾錯（2）智能審核隨著財務共享模式的建立，D 汽車企業在享受財務共享服務中心帶來管理紅利的同時，不得不面臨財務審單數量激增、每日審單量有限、審單效率難以提升的問題。在保持原有人數甚至優化部分審單人員的目標面前，需要引入智能審核，為財務共享服務中心提效減負。智能審核通過采集合同類、水單類、其他文本類文件的信息、進行結構化處理后，依托于智譜、YonGPT、文心一言大模型的能力，進行數據的清洗、處理、轉化和調優，可以快速對核心信息進行校驗，完成智能審核,如圖 4-4-9 所示?；谏疃葘W習方法，具有超強”魯棒性”輕松識別模糊

212、、褶皺、變形圖像清晰度低光線昏暗票面折損背景復雜光線強烈墨跡模糊海量數據庫積累深度學習技術AI 算法迭代模型方向修正自動檢測大數據判斷模糊計算數據校驗文字數字符號印章 4 人工智能大模型技術賦能財務應用70圖 4-4-9 智能審核：精準提取、交互究因、輔助決策 300+條智能審核規則+定制化/AI 生成審核規則系統設置了開箱即用的 300+的智能審核規則，包括金額類、日期類、票據類等多維度的規則，實現 360 度全方位的智能稽核，如圖 4-4-10 所示。圖 4-4-10 智能審核規則庫其他文本類文件請示文件說明文件數據預處理層智能中臺數據層數據輸入規則大模型對接層數據輸出理層核對處理層敏感詞

213、過濾數據清洗異步并發大 搜文心一言智普 StdYonGPT數據清理摘要提取規則指標知識分類規則模版知識抽取核對場景知識檢索指標化水單類結構化摘要信息場景化文件線索同義詞合同類元數據金額信息分類/環節單據線索分治法數據合并規則優化大模型接入最優解取值單據合同核對提示詞模板模板匹配提示詞解析輸出格式化格式轉換.合同類文件費用購銷成本水單類文件付款結匯匯單采集接入規則模版.知識存儲數據采集自動計算查規嵌入業務發起業務審批財務審核出納支付質量檢查申請控制核減數據.行程控制發票完整電子票據.發票類禮品申請金額標準沖銷控制影像數據費用類型天數控制日期類月份類金額比較附件張數必填類敏感字段智能稽核規則 可以

214、配置在任意節點5%10%合規管控降低風險減少費用人工智能大模型技術財務應用藍皮書71同時加持 GPT 能力，系統可以基于財務制度、政策法規、合同，提取相關文本，自動生成業務規則和審核要點，如圖4-4-11 所示。圖 4-4-11 智能審核規則自動提取多種審核規則多時點控制，稽核/審核結果清晰可見智能稽核規則可配置在任何環節，從數據采集、業務發起、業務審批、財務審核到出納支付、質量檢查，全鏈路都可以引用智能審核規則庫的規則，問題實時提醒，錯誤原因定位又快又準，零誤差，零失誤，讓業務審批、財務審核更高效、更精確、更智能。智能審核通過業務助手的方式進行結果的呈現，7*24小時無休執行，秒級審核，高效

215、、精準、替人工，從容應對審核增長。經驗知識圖譜化、仿真化，助力最優路徑自主選擇智能審核不僅能基于規則的判斷，也可以基于大量的經驗/知識匯集來進行。D 汽車企業利用平臺的圖譜構建與推理能力，基于歷史樣本的積累和對相關性的參照，將經濟業務活動進行分解與解讀，逐步識別出后續的核算路徑、結算路徑、稅務路徑、審核路徑等，根據圖譜化知識，快速的完成規則生成和智能審核,如圖 4-4-12 所示。識別語義生成規則基于財務制度里報銷時限的規定生成審核規則規則單據日期-出差結束日期 一個月審核差旅費報銷單出差開始日期:*出差結束日期:*單據日期:*4 人工智能大模型技術賦能財務應用72圖 4-4-12 財務費控知

216、識圖譜構建與推理非票附件智能審核除了傳統的智能審核，D 汽車企業還引入了非票附件的智能審核。依托 OCR 結構化數據、合同文本信息、自制表單、報賬單信息進行數據分析、校驗，校驗結果在審核環節可視化展示，輔助審批人員進行審核。首先對關鍵信息進行獲取，包括報賬單、實體票據信息（交通行程、住宿費用、交通/伙食補助金額、發票稅額、價稅合計金額、發票內容、備注、.）、合同文本信息（供應商信息、供應商賬戶信息、合同起止時間、.）、企業自制表單（入庫時間、入庫數量、入庫物料、.）；然后對數據進行分析比對，包括報賬信息與票據信息一致性校驗，例如報賬行程與票據地點是否一致、交通工具是否一致、票據信息與單據發票明

217、細信息是否一致等；敏感詞校驗，例如發票貨物或應稅勞務、服務名稱是否包含個人消費敏感信息、單據摘要及備注是否包含敏感詞等；報賬與合同信息校驗，例如報賬單中收款人信息是否與合同文本中供應商信息一致；重復報賬校驗，例如發票重復報賬、重復領取補貼等。最后進行風險信息的可視化呈現，包括在單據提交環節、單據審批審核環節都可以進行提示和預警，來輔助企業的相關領導和作業人員進行快速審核。（3）智能月結建立財務共享中心后，D 汽車企業對期末結賬提出了更高的訴求，主要體現在：財務會計知識最短路徑、最優路徑、準確路徑原始票據經濟活動費用類型歸屬科目核算入賬行業財務知識財務法規知識財務費控知識圖譜構建與推理地產 中華

218、人民共和國會計法 企業會計準則 企業稅收法律法規 流通制造物流金融知識輸入文本理解實體推薦知識推理問答交互預警分析票據分類稅務規則會計核算經濟行為地產行業制造行業政策法規審核規則企業規則會計準則財務知識圖譜抽取挖掘整合補全知識推理人工智能大模型技術財務應用藍皮書73結賬監控可視化：D 汽車企業需要可以直觀可視化監控結賬進度，分組織分模塊展示結賬進度情況，快速明確當前所處結賬環節以及遇到的阻礙性問題，便于有效推動解決，實現快速結賬。結賬執行自動化智能化：D 汽車企業期末結賬流程長，且部分步驟之間有很強的依賴關系，必須按照既定順序執行才可順利執行或獲取正確結果，希望在執行每個步驟時能夠明確地知道此

219、步驟之前的必做步驟是否成功執行完成，當前步驟是否可以正常開始執行。D 汽車企業需要實現月結一鍵執行，并在出錯時進行清晰提示并指導修正方法。結賬檢查自動化智能化：D 汽車企業結賬正式執行前存在大量需要人工對賬、人工檢查的工作環節，耗時長，效率低。D 汽車企業需要實現針對結賬檢查，可以靈活設置強制校驗或提醒校驗，可對檢查項進行排序和自定義檢查規則，并支持自動執行，并可以按不同分組設置不同的檢查規則。結賬跨組織協作在線化：D 汽車企業期末結賬涉及多個部門之間進行協作，共享組織模式下，還需要進行跨單位協作，實現支持期末結賬跨組織在線協同處理。因此，D汽車企業在月末結賬環節引入完善的智能月結解決方案，助

220、力財務關賬檢查自動化、過程結果實時監控、可視、過程可追溯，如圖 4-4-13 和圖 4-4-14 所示。圖 4-4-13 智能月結應用架構統一任務調度平臺月結任務管理月結流程月結方案個人月結工作臺線下執行，手工標記月結問題診斷自動執行手工執行自助任務注冊月結場景定義月結順序任務規則定義月結任務編排執行周期任務執行分類執行方式定義月結負責人月結環節月結約束規則月結執行智能月結月結應用月結執行月末結賬應收應付月末結賬固定資產月末結賬存貨核算月末結賬成本中心月末結賬產品成本月末結賬總賬月末結賬現金管理月末結賬擴展服務監控與分析月結監控工作臺月結任務分配月結報告月結大屏結賬效率分析 4 人工智能大模型

221、技術賦能財務應用74圖 4-4-14 智能月結業務模型月結流程D 汽車企業在統一的智能月結平臺，靈活編輯定義月結任務項，將期末結賬相關事項進行統一管理，對各個結賬事項進行排序處理和設置結賬事項依賴關系（跨應用任務編排、跨應用任務依賴），按設置順序自動或手動執行，實時顯示結賬事項進展情況并做標記展示，如圖 4-4-15 和圖 4-4-16 所示。圖 4-4-15 智能月結業務流程月結設置月結處理月結監控月結分析1234月結應用管理:月結環節管理:月結任務管理:梳理結賬事項及執行規則月結流程管理:編排月結流程月結方案管理:設置整體執行方案和應用范圍方案執行:按照月結周期自動/手動生成月結清單月結任

222、務執行:在月結工作臺，自動/手工按照任務編排順序執行月結任務異常任務處理:針對月結異常項，根據診斷原因進行對應處理月結報告:月結完成，出具月結報告狀態監控:個人月結工作臺/月結監控工作臺實時監控任務執行狀態進度監控:工作臺/監控大屏實時監控賬簿、應用、人員的完成進度，按賬簿維度監控超期、臨超期情況自動化分析:統計自動化任務執行占比、人員投入情況耗時分析:按賬簿、按人員、按人員等維度統計月結耗時情況執行情況分析:任務失敗次數統計應收管理月結流程應收管理月結流程存貨核算月結流程應收管理存貨核算關賬檢查前置任務負庫存檢查期初建賬期初建賬關賬關賬關賬結賬結賬結賬月末核算處理月末核算處理月末核算處理結賬

223、檢查結賬檢查任務管理場景 1:跨應用任務編排跨應用任務編排跨應用任務依賴場景 2:跨應用任務依賴初期建賬異常檢查異常檢查負庫存檢查自定義任務應收管理應付管理應收管理算庫存管理自定義應用人工智能大模型技術財務應用藍皮書75圖 4-4-16 傳統月結流程 VS 智能月結服務個人月結工作臺月結人員可通過個人月結工作臺集中查看、處理分配給自己的月結任務。D 汽車企業可按賬簿維度統計完成情況、超期情況；選擇單個賬簿時，可查看流程概覽；可以自動/手動、單筆/批量執行月結任務；可以查看前置任務，支持獲取最新結果；當具有當期任務執行權限，即任務分配執行人為該用戶或具有執行角色時，可通過個人月結工作臺查看當期任

224、務，如圖 4-4-17 所示。傳統月結流程智能月結流程客戶月結問題處理/廠商支持特殊任務客戶手工處理/廠商主動服務關賬、結賬兩個固定環節全流程手工執行各個月結任務代碼寫死不可調整開始月結開始月結對賬對賬關賬檢查關賬檢查關賬關賬月末處理月末處理結賬檢查結賬檢查結賬結賬自動觸發自動對賬自動檢查自動關賬自動/人工自動檢查自動檢查流程靈活編排:月結任務自定義注冊任務、流程自由組合流程、方案場景化定義自動化執行任務全流程監控問題診斷月結流程優化 4 人工智能大模型技術賦能財務應用76圖 4-4-17 個人月結工作臺月結監控工作臺月結應用/月結方案的負責人通過月結監控工作臺查看負責的應用/方案下所有任務，

225、監控該應用/方案下的任務執行情況。D 汽車企業可通過監控視圖查看負責月結事項月結整體執行情況；可按照賬簿和任務的維度查看任務執行情況；可進行任務的處理，或將負責的月結任務分配給其他用戶；當作為當期月結方案/月結應用負責用戶或具有負責角色時，可通過月結監控工作臺查看當期任務，如圖 4-4-18 所示。圖 4-4-18 月結監控工作臺人工智能大模型技術財務應用藍皮書77月結監控視圖月結應用/月結方案的負責人實時監控所負責事項的進度和完成情況。D汽車企業可查看結賬任務進度、人員任務進度、賬簿進度等關鍵指標；可按賬簿、任務維度查看完成進度詳情；可查看任務失敗次數排名 TOP5；可查看會計人員賬簿完成進

226、度、會計人員任務完成進度；可查看任務自動完成情況；可查看各應用月結進度等，如圖 4-4-19 所示。圖 4-4-19 月結監控視圖月結監控大屏監控大屏可實時監控整體月結情況，D 汽車企業可按會計期間方案、會計期間、賬簿、負責人查詢數據；可統計月結總耗時、自動化占比、人員投入、賬簿進度等指標；可統計賬簿月結完成排名情況；可按應用維度統計月結完成進度和月結總進度；可統計月結耗時任務排名 TOP10；可統計今日完成月結的賬簿，如圖 4-4-20 所示。4 人工智能大模型技術賦能財務應用78圖 4-4-20 月結監控大屏D 汽車企業通過采用智能月結，實現了月結流程個性化、月結執行智能化、月結監控可視化

227、和月結協作在線化，提升了財務共享中心和整體財務運營的水平。月結流程個性化：智能月結針對各項結賬任務，定義檢查和執行規則，并通過對任務項的靈活組合和編排，滿足不同場景下的結賬要求；月結執行智能化：智能月結支持定義各步驟的依賴關系，并在執行時明確展示各步驟之前的必做步驟執行情況和執行結果，以及當前步驟是否可以開始執行，并可一鍵執行，在出錯時進行清晰提示并指導修正方法；月結監控可視化：智能月結通過智能工作臺集中管理月結任務，直觀查看監控結賬進度，分組織分模塊多維度展示；快速明確當前所處結賬環節以及遇到的阻礙性問題，便于有效推動解決，實現快速結賬；月結協作在線化：支持多部門、多任務進行協作月結。D 汽

228、車企業月結任務開始，向相關月結人員發送月結開始通知；月結處理過程中，可根據實際任務執行情況調整任務分配。人工智能大模型技術財務應用藍皮書79（4）智能風控D 汽車企業的“無人值守”共享不以提升效率為唯一目標，同時也關注應用人工智能和穩定技術確保數據和業務運行安全、風險可控。D 汽車企業通過有效識別、評估和應對各種潛在風險，降低風險事件發生的可能性和影響，保障財務共享中心的正常運轉，提升企業的競爭力和可持續發展能力。為此，D 汽車企業搭建了涵蓋事前、事中、事后全方位管控的風險管控中心，高效利用各種數字技術手段，進行資金的全流程閉環風險控制，如圖 4-4-21 所示。圖 4-4-21 風險全流程閉

229、環管控D汽車企業的風險管控從風險監控（風險監控建模、風險監控管理）、流動性風險管理（流動性風險建模、流動性數據管理、流動性監控分析）、信用風險管理（機構評價建模、機構評價管理、機構評價分析）三大類八小類展開管理，如圖4-4-22所示。事后評價整改整改結果影響規范及風險管理機制風險分析風險報告風險整改事中監控警示1 業務單據錄入2 業務單據審核3 關鍵業務攔截4 確認放行事前建立體系風險識別控制風險評級評分風險防控預警風險監控看板定期抽檢風險整體指標分析、風險統計等根據風險情況制定整改督辦策略 依據角色及業務等維度出具報告，并能夠評價以及提出應對策略風險控制規范制度風險分類抽檢規則風險規則庫資金

230、安全管理規范權責管理制度規范業務審核內控風險規則審計檢查制度績效考核制度風險評分標準 單據合規檢查 風險配置中心風險指標庫司庫各業務融資管理衍生品票據等資金結算賬戶管理業務擔保實時風險監控實時風險監控實時風險監控實時風險監控 4 人工智能大模型技術賦能財務應用80圖 4-4-22 風險管控應用架構 風險監控建模D 汽車企業通過風險類別定義風險的分類、風險項定義風險事項及事項對應的分類、風險標簽對風險進行歸類定義以及標記被規則引用的業務。系統風險規則庫中預置33項風險規則，涵蓋賬戶管理、現金管理、資金結算、商業匯票、融資管理、授信管理、投資管理、衍生品等模塊的業務風險規則。D 汽車企業將風險標簽

231、和風險規則組合形成風險監控模型，如圖 4-4-23 所示。數字化建模 企業、組織、基礎數據、權限、流程、消息異構/社會化數據業務數財務公司核心系統應收應付萬德賬戶管理現金管理資金結算資金計劃商業匯票融資管理投資管理授信管理風險監控流動性管理機構評價管理風險類別流動性業務品種評價指標分類流動性計算因子評價指標檔案評價模型等級設置流動性業務分類評價模型設置風險規則庫流動性業務參數設置評價任務設置風險監控方案資金流入流出機構評價流動性業務臺賬機構評價匯總大額計劃執行確認主體信用評價資金情況監控分析機構評價匯總分析流動比分析主體信用評價分析資金日歷資金池收支統計機構評價明細分析(指標分類)貸款計劃表機

232、構評價明細分析(指標分類)自營業務統計風險項監控模型風險監控日志風險標簽風險定時檢查任務監控模型風險建模評價建模數據管理評價管理監控分析評價分析監控管理預警任務業務控制預警評價結果是否準入準入標準正缺口應對方案負缺口投資方案流動比調整方案處置方案人工智能大模型技術財務應用藍皮書81圖 4-4-23 風險監控建模 風險監控管理D 汽車企業風險檢查方案用于設置風險模型和業務的關聯關系，指定風險檢查的觸發時機，并支持設置識別出風險后的提示信息；風險監控日志用于記錄風險檢查的作業信息；風險定時任務檢查用于設置風險檢查的定時任務。流動性風險建模D 汽車企業流動性分析預測模型如圖 4-4-24 所示。流動

233、性業務品種用于定義流動性分析的業務品種，設置計算規則；流動性計算因子用于設置數據篩選規則，供品種和分類計算引用；流動性業務分類用于對流動性業務品種進行分類，設置折現系數和計算規則；流動性參數設置用于設置分析幣種、最佳現金持有量、流動比閾值、準備金等基礎信息。賬戶規則庫票證規則庫結算規則庫金融工具規則庫 開戶準入行控制規則 直聯授權檢查 銀行黑名單檢查 其他規則及預警 黑名單規則 回頭票檢查規則 其他規則及預警 結算疑似重復規則 敏感支付規則 高頻大額支付規則 其他規則及預警 債券資質控制 衍生品額度控制 其他規則及預警事中監控警示業務預警業務/單據類型及環節靈活配置風險監控模型風險規則庫在業務

234、及單據具體環節上，配置所需風險規則內容、自定義風險級別、具體單據檢查規則風險類別風險項風險標簽 4 人工智能大模型技術賦能財務應用82圖 4-4-24 流動性分析預測模型 流動性數據管理D 汽車企業資金流入流出用于記錄流動性風險分析有關的資金的收支數據，可對流入流出數據進行執行情況確認，是流動性風險分析的基礎數據；流動性業務臺賬用于記錄流動性風險分析有關的存量數據，是流動性風險分析的基礎數據；大額計劃執行確認用于手工確認大額計劃的執行情況。流動性監控分析D 汽車企業流動性數據管理和風險監控分析如圖 4-4-25 所示。資金情況監控表以月份為分析期間，統計每日集團整體收入、支出、余額的情況，以及

235、各類業務的變化情況；流動比分析以月份為分析期間，以流動比為核心分析指標，對集團流動資產、流動負債的分布情況進行統計展示，并通過與指定閾值的對比，形成應對流動性風險的建議或者合理配置資產的建議，幫助企業合理管理流動性；資金日歷以日歷報表的形式進行匯總統計，展示每日企業整體余額和現金流信息；資金池收支統計表以月份為分析期間，統計資金池收入支出情況；財務公司貸款計劃表以月份為分析期間，統計財務公司對各成員公司發放貸款和收回貸款情況；自營業務統計表以月份為分析期間，統計企業自營業務收入支出情況。業務系統數據經營活動后續處理助力一利五率賬期調整付款節奏優化支付方式智能預測模型賬期籌資活動投資活動采購管理

236、應收管理費用支出稅費支出資金籌措金融理財融資還款內部調度利潤總額資產負債率凈資產收益率研發經費投入全員勞動生產率營業現金比率貸款到賬發行債券項目投資資本支出金融投資銷售管理應付管理人力資源還本付息票據承付資產處置股權投資收款池付款池期初余額銀行指標庫人工智能大模型技術財務應用藍皮書83圖 4-4-25 流動性風險業務流程 機構評價建模D 汽車企業評價指標分類用于對評價所用的指標進行分類歸納；評價指標檔案用于維護評價所用的評分規則；評價模型設置用于將評價對象與指標進行組合，形成評價模型；評價任務設置用于發布評價模型，評價時可參照已發布的評價模型進行評分；評價模型等級設置用于設定評價模型的等級、等

237、級對應的分數范圍和準入標準。機構評價管理D 汽車企業機構評價用于引入評價任務及任務發布的評價模型，對集團外部機構進行評價；機構評價匯總用于對評價任務發布的同一評價模型進行多人評價，將多人評價的結果進行匯總計算形成最終得分；主體信用評價用于引入評價任務及任務發布的評價模型，對集團內部單位進行評價。機構評價分析D 汽車企業機構評價明細分析(指標分類)按照評價指標分類對評價結果進行明細展示；機構評價明細分析(機構類型)按照評價對象類型對評價結果進行明細展示；機構評價匯總分析按照機構評價結果進行匯總統計；主體信用評價分析按照主體評價結果進行明細展示。D 汽車企業機構評價模型、機構評價管理、機構評價分析

238、等信用風險業務流程如圖 4-4-26 所示。流動性指標結算流動性比率外部負債率流動性缺口閾值對比處置方案及建議投資率存貸比壓力測試備付率流動性業務品種流動性業務分類流動性計算因子資金流入流出流動性業務臺帳大額計劃執行確認融資票據賬戶資金計劃財務公司系統流動性比監控每日資金情況監控每日現金流量監控月度業務流量監控業務分類及標簽分析數據底表參數設置業務數據數據整理數據計算分析展示 4 人工智能大模型技術賦能財務應用84圖 4-4-26 信用風險業務流程D 汽車企業業務還包括汽車金融領域。在金融行業，風險評估是保障資產安全、維護市場秩序的重要環節。然而，傳統的風險評估方法往往依賴于人工經驗和有限的數

239、據分析，難以應對復雜多變的金融市場。為此，D 汽車企業引入大模型技術，利用其強大的數據處理和模式識別能力，對海量金融數據進行深度挖掘和分析，以更準確地評估風險，提升企業金融業務的安全性和穩定性。大模型在金融業務風險評估的應用落地過程主要體現在：數據收集與處理：首先，D 汽車企業收集大量的金融市場數據，包括股票價格、交易量、宏觀經濟指標等；同時收集金融機構自身的業務數據，如貸款記錄、投資組合等。對這些數據進行清洗、整合和標準化處理，以消除數據噪聲和提高數據質量。模型訓練與調優：根據風險評估的需求，大模型技術利用收集的數據進行模型訓練微調，通過調整模型參數和超參數，不斷優化模型的預測性能。同時，采

240、用遷移學習等技術，利用預訓練模型提升風險評估的準確性和效率。RAG 檢索增強生成：D 汽車企業為了更準確地評估風險，結合大模型和外掛向量數據庫來解決幻覺問題。首先，收集大量的金融行業風險評估相關的數據，包括歷史風險評估報告、市場動態、政策法規等。然后，將這些數據輸入到向量數據庫，方便后續的檢索和分析。當有新的風險評估任務時，使用 RAG 技術從向量數據庫中檢索出與當前任務最相關的歷史數據，并結合這些信息生成新的風險評估報告，提高生成結果的準確性和可靠性。評價模型評分評價評分分析業務控制關聯任務選擇任務依據得分評價依據得分評價多人評價引入指標形成指標模型評價報表分類評價匯總機構/主體信用評價評價

241、任務設置評價模型等級設置評價指標分類評價指標檔案評價模型創建業務單據任務發布機構準入判定人工智能大模型技術財務應用藍皮書85 特征提取與風險評估：D 汽車企業利用訓練好的大模型對金融數據進行特征提取和模式識別，提取出與風險評估相關的關鍵信息。D 汽車企業結合傳統風險評估方法和模型，對這些關鍵信息進行綜合分析和評估，生成風險評估報告。模型部署與應用：D 汽車企業將訓練好的大模型部署到風險評估系統中，實現與現有業務系統的無縫對接，并通過API 接口或數據通道，實時接收新的金融數據，并進行風險評估。同時，大模型提供可視化的風險評估報告和預警功能，幫助企業及時發現潛在風險并采取相應措施。監控與持續優化

242、：D 汽車企業對模型運行過程進行實時監控和性能評估，及時發現并解決模型運行中的問題，并根據市場變化和業務需求，定期更新模型數據和調整模型參數，確保模型始終保持最佳性能。大模型在 D 汽車企業金融業務風險評估中的優勢，可以提高風險評估的準確性和效率，為企業提供更加全面、及時的風險信息，更好地應對市場風險、保障資產安全、維護市場秩序，為企業發展提供有力支持。（5）經營分析汽車行業快速迭代、市場瞬息萬變，管理者如何實時掌控經營情況、有效應對變化？業績增長乏力、產銷數據龐雜，經營者如何快速洞察問題所在、精準預測企業效益？這些是該汽車企業的高管所面臨的困局。為解決這一難題，D 汽車企業引入基于企業服務大

243、模型打造的 AI 經營助手，運用語義理解能力、報表分析能力、業務預測能力等，進行預算執行情況經營分析、預測和調整，賦能企業進行盈利分析、經營預測、歸因洞察、行業對標的一體化決策，并且基于自然語言交互即可隨時隨地進行分析決策。圖 4-4-27 基于企業服務大模型的經營分析應用場景2023 年一月2023 年一月調整前收入 成本 利潤 收入 成本 利潤異常華北材料成本人工成本直接人工委外人工產品側材料成本利潤東北2024 年一月2024 年一月調整后第四季度第三季度第二季度第一季度智友多維庫控制執行語音、文本年度季度月份期間組織集團公司事業部1234人工成本過高有所改善根據方案調整預算1 月2 月

244、3月產品銷量下降問題洞察1查看集團利潤情況動因挖掘2分析利潤下滑的原因提出方案3調增某車型電動車銷50000 輛調整預算4更新預算語義解析AI(GPT)Engine語言關鍵字多維查詢接口調用生成調整腳本執行關鍵字自然語言利潤成本收入科目 4 人工智能大模型技術賦能財務應用86D 汽車企業基于企業服務大模型的經營分析場景如圖 4-4-27 所示，具體體現在：問題洞察D 汽車企業的財務管理者喚醒智友，通過自然語言問詢企業截至當前的利潤情況。智友返回企業收入利潤概況，以及盈利對比分析。管理者進入企業經營系統看板，查看更詳細的經營分析數據，包括盈利總額、產量、銷量、預算執行情況，各類產品利潤情況等等實

245、時信息。動因挖掘若 D 汽車企業的盈利情況不及年初預期，大模型經過歸因分析推理出公司華北區人工成本過高和某車型電動車銷量下滑，導致了公司整體盈利不佳。大模型基于產銷計劃數據預測下個月的利潤，同時自動總結推理出測算后的總體利潤同比增長率以及和年初目標的對比情況，結果顯示下個月的利潤總額仍比年初有較大差距。提出方案財務管理者輸入新的營銷策略，調整銷量、管理費用、營銷費用等多個測算因子。大模型基于新的測算條件，再次進行分析測算，并生成測算數據，使利潤符合預期。更新預算財務管理者將預測結果更新到預算中，大模型將預算后的經營數據同步到最新的預算中，用以指導下個月的產銷排程。行業對標在明確集團內部的經營分

246、析預測后，財務管理者可以進一步了解行業對標情況。大模型基于汽車行業數據推理生成行業相關分析，如行業的利潤收入規模等，可以看到集團在行業內的各類指標的具體排名和占比水平，實時掌控經營情況，快速洞察問題所在，有效預見應對變化，精準預測企業效益。圖 4-4-28 基于企業服務大模型的經營分析應用架構D 汽車企業基于企業服務大模型的經營分析應用架構如圖 4-4-28 所示，具體的經營分析場景如問題洞察、動因挖掘、模擬測算、預算更新等。收入利潤圖表多維模型查詢 API多維數據查詢 API多維圖表查詢 API模擬測算 API歸因分析利潤測算行業對標交互層調度層智能中臺智能中臺企業績效執行層智 友語義解析&

247、意圖匹配&技能 API 調用YonGPT任務響應：圖表/文字自然語義維度切片及數值生成式文字分析企業績效YonMDbase多維數據庫人工智能大模型技術財務應用藍皮書87 問題洞察：大模型查看集團 2023 年利潤情況的應用流程如圖 4-4-29 所示。圖 4-4-29 問題洞察應用流程 動因挖掘：大模型分析利潤不及預期原因的應用流程如圖 4-4-30 所示。圖 4-4-30 動因挖掘應用流程分析主題模板分析主題模板返回圖表智友解析:模型信息維度信息圖表類型坐標軸信息沒有感知到分析主題模板查看集團 2023 年利潤情況1問題洞察分析利潤不及預期下滑的原因2動因挖掘壓縮人工成本30%3模擬測算更新

248、預算4預算更新多輪對話多輪對話智 友企業經營分析主題模板配置調用EPM 圖表接口的意圖利潤年/月趨勢利潤同比/環比產品間利潤對比區域間對利潤比產品/區域占比多維圖表自動生成接口Json 格式的多維切片數據微調數據:集團以及各個分公司 5 年收入利潤數據Prompt 提示語fine-turning 微調生成動因分析結果智友解析:模型信息維度信息上下文信息查看 5 月份電動汽車利潤1問題洞察分析利潤不及預期原因2動因挖掘壓縮人工成本30%3模擬測算更新預算4預算更新智 友多維查詢配置動因分析意圖YonGPTChatGLM/LLaMa/Vicuna.4 人工智能大模型技術賦能財務應用88 模擬測算：

249、大模型基于問題及動因分析，模擬壓縮華北地區人工成本 15%的場景，其應用流程如圖 4-4-31 所示。圖 4-4-31 模擬測算應用流程 預算更新：大模型基于提出的方案更新人工成本預算，其應用流程如圖 4-4-32 所示。圖 4-4-32 預算更新應用流程返回圖表智友解析:調整策略(調整類型:調增、調減.)(調整規則:比例、絕對值.)模型信息維度信息查看 5 月份電動汽車利潤1問題洞察分析華北區利潤下滑的原因2動因挖掘壓縮華北地區人工成本 15%3模擬測算調整人工成本預算4預算更新預算調整相關語料訓練數據智 友智友語義分析理解配置模擬測算意圖計劃預算沙箱模擬調整接口調用分析模板或者自動生成圖表

250、返回調整完畢的話術大模型解析:調整動作模型信息維度信息查看 5 月份電動汽車利潤1問題洞察分析華北區利潤下滑的原因2動因挖掘壓縮華北地區人工成本 30%3提出方案更新人工成本預算4預算更新智 友配置更新預算意圖計劃預算沙箱落庫接口預算更新相關語料訓練數據智友語義分析理解多輪對話多輪對話人工智能大模型技術財務應用藍皮書89基于人工智能大模型的經營分析，充分利用大模型生成式能力，D 汽車企業進行可視化圖表、報告式文字生成，提供更為“靈動”的經營分析，并將大模型的推理能力充分應用于企業經營測算和預測，智能感知企業產銷存各領域數據的關聯和歸因，進行推理式經營洞察；面向企業的中高層管理人員，自然語言交互

251、，PC 端、移動端跨端聯動，隨時隨地進行分析決策，助力該汽車企業快速實現經營目標，把握行業制勝關鍵點。4.5 人工智能大模型技術賦能 E 大型基礎設施綜合服務商財務應用4.5.1 總體情況（1）需求背景E 集團是全球領先的大型基礎設施綜合服務商，由于項目業態多、類型多、管理主體多，項目分布地域廣、規模大、交付周期長等特點，企業財務管理工作日益復雜化、困難化。為謀求公司的長遠發展，E 集團圍繞其戰略目標，結合財務業務現狀和管控要求，從戰略協同、創新發展、完善和提升發展體系、提高風險把控能力等方面，提出了建立透明化、合規化、高效化、智能化的財務管控模式，支撐各板塊業務運營，提升集團整體財務管控能力

252、，為戰略決策提供支撐，助力集團高質量發展。（2）發展現狀為提升集團資源的整體價值，提高集團化運作的效率和效益，作為國內最早一批引入財務共享的企業，E 集團不斷在財務管理模式上積極探索，打造了全球一體化“智慧運營”體系，通過建設集中、統一的業財一體化數智財務平臺，顯著提高了共享運營的標準化、精細化水平，以數據為紐帶打通業務和財務，提供覆蓋“業財資稅融”一站式財務數字化服務，包含事項申請、審批、商旅服務、差旅報銷、全面預算、財務共享、資金管理、稅務管理、會計核算、財務報表、電子檔案等主要應用，并與商旅、銀行、稅局、社交等平臺實現互聯互通，注重財務管控與服務并重，通過內聚外聯，為業務、財務提供高效、

253、一體化的數字協同服務，推動管理會計落地。4 人工智能大模型技術賦能財務應用90圖 4-5-1 E 集團業財一體化數智財務平臺經過多年的運營發展，E 集團業財一體化數智財務平臺依托數字技術驅動財務轉型（如圖 4-5-1 所示），建立了全價值鏈的數字化、智能化財務管理體系，實現了集中管控、降本增效、流程標準化和跨區域多元化等價值，然而隨著人工智能等新一代信息技術持續迭代升級以及企業需求不斷擴展，在智能化建設方面依然具備提升空間，還需在加大人工智能技術應用程度、建立數據資產平臺、構建智能財務等方面進行優化升級。4.5.2 典型案例E 集團瞄準財務智能化轉型目標，創新提出財務數智化轉型框架，全面構建以

254、價值創造為導向的戰略適配型財務管理體系，錨定建立智慧智能、動態高效、深入前瞻的智能化財務，實現財務管控向價值型、數智型轉型愿景。E集團依托大型企業ERP，打造涵蓋“數據資產、智能技術、超級自動化、大模型”四大子平臺的財務智能化平臺（如圖4-5-2所示），通過獨立部署或嵌入式方式，以數據驅動管理全面提升財務智能能力，充分發揮智能財務支撐戰略、支持決策、服務業務、創造價值、防范風險五大功能作用，以財務數智化賦能，將財務管理視角和管理內容向不同的廣度、深度、厚度延伸，為建設世界一流企業建設提供強大支撐。統一門戶ESB(企業服務總線)核心業務系統財務核算報表管理電子檔案共享報賬合同微服務數據中臺主數據

255、管理資金管理稅務管理預算管理海外業務上市公司電子影像統一數據分析平臺業務前臺財務后臺財務中臺物資管理總賬管理業務報賬收入類合同數據集市組織機構科目體系往來客商銀行賬戶員工信息項目信息合同信息數據計算報表組裝數據清洗支出類合同其他類合同報表指標池合同統計及查詢指標取數邏輯指標運行存儲合同信息完善及變更業務核算往來對賬資金結算資金計劃業務稽核預算控制融資管理票據管理任務管理審批流程資金分析風險預警費用報銷現金管理發票管理納稅申報納稅申報稅收籌劃稅務分析稅務分析會計準則轉換信息保密管理銀行賬戶管理駕駛艙人力資源債權管理指標預警項目管理往來管理決算報表績效監控商旅平臺債務管理對賬平臺統計報表審計管理期

256、末結轉管理報表生產經營固定資產合并抵消設備管理核算組織監管報表云電商成本管理報表指標人工智能大模型技術財務應用藍皮書91圖 4-5-2 E 集團財務智能化平臺數據資產平臺：E 集團借助數字標簽技術，針對于集團的資產形成資產動態數據庫，更好的管理、運用資產數據，實現海量數據的清晰化、明確化，實用性、易用性更強，為業務管理提供支撐，實現對集團資產總量、運營情況的動態監管，建立完整的資產分析報告體系。E 集團通過加工基礎數據信息為高質量的數據，與具體業務場景融合，使數據資源轉化為數據資產。E 集團根據業務需要，將數字技術廣泛應用于報表編制和分析、質量檢查、風險監督、運營監控等業務場景，服務于內部管理

257、并為企業創造價值。智能技術平臺：E 集團融合機器學習、深度學習等人工智能技術，內置認知服務，支撐企業應用實現智能交互、流程自動化、決策預測等智能化場景。E 集團基于深度學習框架，提供基于業務累計沉淀形成的自定義訓練平臺，支撐認知服務所需的日常訓練。E 集團自定義訓練平臺主要面向計算機視覺與自然語言理解方向，提供通用神經網絡算法，用戶只需提供標注后的數據即可訓練生成個性化的智能服務模型。E 集團基于 DevOps（Development 和 Operations 的組合詞，開發運維一體化工具）理念，訓練形成的智能服務自動發布上線，以 Restful API（是一種基于 REST（Represen

258、tational State Transfer）原則設計的應用程序編程接口，用于不同系統之間的通信）的形式提供服務，保證服務的實時性與靈活性。超級自動化平臺：E 集團在傳統的 RPA 機器人基礎上進行了全方位的升級，在執行流程的同時進行智能判斷、糾錯，能按照業務規則處理較為復雜的業務，從而提高業務處理的準確性，提升工作效率。E 集團將智能流程自動化技術應用費用報銷、智能審核、資金結算、會計核算、會計期末結轉、財務云日常運維等業務場景。大模型平臺：E 集團搭建企業大模型，提供數據管理、模型訓練、評估優化、插件擴展等工具集，涵蓋多模型接入、多任務編排、低門檻使用、知識庫管理、全場景覆蓋、安全可信等

259、核心特性，具備語言理解、邏輯推理、代碼生成、內容創作等大模型能力。智能場景智能技術平臺大模型平臺超級自動化平臺智能差旅智能審核智能預測智慧稅務智慧資產智能融資決策智能報告計算機視覺智能交互RPA 機器人語音交互智能預測機器人設計器自然語言處理多模態生成管理控制中心知識圖譜知識管理流程智能挖掘機器學習模型訓練業務引擎數據資產平臺數據采集財務共享合同系統資金管理采購系統稅務管理項目管理預算管理人力管理行業數據財務核算市場趨勢報表管理數據存儲數據治理數據挖掘數據分析多終端展示業財一體化數智財務平臺外部數據 4 人工智能大模型技術賦能財務應用924.5.3 應用場景（1）智能差旅E 集團項目遍布全國，

260、員工數量超十萬，為提高差旅報銷體驗，E 集團積極引入基于大模型的智能商旅系統，通過自動化和智能化的技術，大大簡化報銷流程，提高處理效率，降低出錯率，并借助大模型通過對企業差旅數據的分析和管理，幫助企業更好地管理和規劃差旅支出，提高差旅管理的效率和透明度。員工可以通過 AI 智能交互發起差旅申請、差旅訂票、差旅報銷等流程。在差旅訂票階段，AI 助手基于大模型將通過分析員工的出行習慣和需求，結合企業差旅管控要求，為用戶提供更加個性化、精準的出行建議和規劃；在差旅報銷階段，員工下達報銷指令，AI助手會自動從云票夾檢索員工差旅發票，根據提示詞自動匹配行程信息及住宿發票形成報賬單初稿（如圖 4-5-3

261、所示），AI 助手會以提問形式獲取項目及具體分攤信息，進一步完成單據明細，員工自檢后即可提交，AI 助手還可以根據共享中心單據池情況及平均處理效率測算并反饋預計處理時間。圖 4-5-3 差旅報銷單智能生成報銷完成后，E 集團可以基于大模型進行差旅綜合分析，為企業提供全面、準確的差旅費用分析和優化建議。E 集團通過對費用構成、出行時間、出行地點、員工部門等多維度的分析，實現了差旅費用預測，幫助企業提前做好預算規劃；并基于歷史數據和業務規則，大模型可以為企業提供差旅費用優化建議，如推薦性價比高的酒店和機票、優化出差路線等。同時E集團利用機器學習算法識別差旅數據中的異常值，如過高的住宿費用、頻繁的短

262、途出差等，便于發現和識別差旅風險，最終可以自動生成差旅分析報告，幫助企業管理者和決策者快速了解差旅費用的整體情況和問題所在。人工智能大模型技術財務應用藍皮書93（2）智能審核伴隨著公司業務規模的擴大，E 集團財務共享中心財務審核的工作量與工作壓力與日俱增，傳統以人工為主的審核模式逐漸難以適應公司財務業務高質量發展的需求，為此 E 集團借助財務智能化平臺實現了合同、報賬單等單據的智能審核。單據智能審核E 集團通過審核規則庫、智能審核、審核報告和審核風險等功能實現單據智能審核，如圖 4-5-4 所示，主要針對費用、采購、工程等報賬類業務，通過梳理審核規則，并借助 RPA 等技術實現將人工審核向自動

263、化審核轉移，同時融入大模型，通過對報銷行為中的異常點進行風險預警。E 集團通過建立審核規則庫，內置報銷規范性、票據真實性、賬實一致性、審批規范性、金額正確性等多種審核規則，為智能審核提供基礎。并且，智能審核平臺根據審核規則將審核后的違規單據標記為“審核異?！?，通過系統預警的方式提醒財務審核人員和提單人員，系統根據規則庫自動標記顯示該單據的審核異常點，作為提單人員修改單據的參考。E 集團引入 RPA 機器人實現報銷審核全流程自動化：在員工發起報賬并提交單據時，機器人實時監控并啟動下發審核任務，根據單據類型從財務系統中抽取關鍵的業務數據，同時利用 OCR 識別報賬提交的各種附件如發票等，然后 RP

264、A 機器人模擬人工操作從業務系統抽取系統源頭數據。E集團解析機器人解析抽取出來的各類數據，如合同正文中的供應商名稱、發票中的發票號碼等，并依據預置的審核檢查規則比對、校驗數據。E 集團按照定制流程，如果數據檢查通過，則機器人操作審核通過，如果出現異常結果，則轉為人工審核，最后機器人自動出具審核報告。同時，智能審核機器人自動抓取數據并遵循規定的規則和流程，從下發審核任務至編制審核報告全過程自動化處理，能夠借助機器學習吸收融合業財規則，不斷修正操作以提高審核準確度，推動系統的自動化和智能化演變。在審核監控風險模塊中，E 集團利用大模型通過對歷史數據和實時數據的分析，能夠識別出審核規則之外可能存在的

265、財務風險，如業務招待費報銷中的欺詐行為、合規問題等，輔助財務共享服務中心管理人員整體把控審核效率與質量。4 人工智能大模型技術賦能財務應用94圖 4-5-4 報銷單智能審核合同智能審核E 集團智能合同審核平臺基于支撐層的系列資料庫以及業務層的 NLP 技術與合同審核規則庫，得以在應用層實現多種核心功能，如圖 4-5-5 所示。首先，E 集團借助 NLP 技術通過對合同文本進行合同關鍵信息的提取、標記和注釋，并生成結構化數據寫入平臺，實現了合同信息采集線上化、自動化、智能化，為后續合同風險控制提供數據準備。在合同內容比對功能中，對于提取出的合同關鍵信息，智能合同審核平臺會檢索相似合同單據，并對兩

266、個合同的合同主體名稱、合同標的、合同價款、履行方式等信息，高效識別內容變動、合同缺頁、順序錯亂等問題，幫助財務部門安全防控潛在法律風險。在智能合同審核過程中，E 集團根據預設的審核規則和風險模型，對提取的合同信息進行智能審核，能夠自動檢測合同中的潛在風險點，如不公平條款、模糊表述、法律漏洞等，對于違反審核規則的文本予以警示及標注，并給出相應的風險預警提示，精準地定位問題并給出修改建議，同時，系統還可以根據歷史審核數據和外部法律數據庫，提供合同條款的合規性建議和修改意見。人工智能大模型技術財務應用藍皮書95圖 4-5-5 合同智能審核（3）智能融資決策面對多種融資方式和復雜的金融市場環境，傳統的

267、融資方法往往受到數據局限性、模型復雜度和計算能力等多種因素的制約，難以滿足集團的高要求，需要借助人工智能技術實現更科學、合理的融資決策。為此 E 集團借助財務智能化平臺實現了智能融資決策場景，為全面、準確的融資決策提供支持。E 集團通過內外部數據結合，一方面引入企業內部系統的歷史財務數據，包括收入、支出、成本、利潤等關鍵指標；另一方面從外部數據源獲取市場趨勢、行業政策、客戶信用等相關信息，并對收集到的數據進行清洗、整合和預處理，形成可供模型訓練的數據集，并利用深度學習等算法，對預處理后的數據集進行訓練，構建了精準的資金預測模型，根據企業的投資計劃和現有資金狀況，對未來一段時間內的資金流入、流出

268、與頭寸進行精準預測，如圖 4-5-6 所示。4 人工智能大模型技術賦能財務應用96圖 4-5-6 智能資金預測若資金出現缺口，E 集團根據業務所需的投資規模、預期收益、資金缺口等因素，確定所需的融資金額和融資期限，并對各種可能的融資方式進行建模和評估，包括銀行貸款、發行債券、股權融資等多種方式。E 集團綜合考慮融資成本、融資風險、資金到位時間等因素，對各種融資方式進行量化比較和排序，給出合理化的建議實現融資方案的對比，選定最適合企業所需的融資渠道和方式。在確定融資方式后，E 集團通過綜合計算企業的資本結構、償債能力、未來現金流等因素，大模型可以給出企業在不同融資方式之間的配比和優先級，以實現最

269、佳的融資效果，同時可以對申請授信的主體、項目等進行快速的風險識別，從而為企業的決策層提供數據支持。4.6 人工智能大模型技術賦能 F 醫藥行業財務應用4.6.1 總體情況（1）需求背景我國醫藥行業面臨著空前的機遇與挑戰，各醫藥企業也在積極通過數字化轉型，應對機遇與挑戰。挑戰醫藥行業將迎來大規模的、持續的“穿透式”監管2023 年 7 月，國家衛健委會同九部門發布關于開展全國醫藥領域腐敗問題集中整治工作的指導意見，啟動“為期一年的全國醫藥領域腐敗問題集中整治”。2024 年 1 月 8 日舉行的二十屆中央紀委三次全會指出，深化整治醫藥等權力集中、資金密集、資源富集領域的腐敗，清理風險隱患。醫藥行

270、業將迎來大規模的、持續的“穿透式”監管。人工智能大模型技術財務應用藍皮書97醫藥企業紛紛加大資源投入進行反腐自查。財務部作為醫藥企業風險和合規性控制最后一道防線，開始借助人工智能大模型技術，進行風險管理和預測、欺詐檢測和合規性監控。機遇我國正由醫藥生產大國向醫藥強國轉變2024 年政府工作報告明確加快發展創新藥，標志著我國正由醫藥生產大國向醫藥強國轉變。醫藥行業將創新重塑，培育新質生產力。同時，我國人口老齡化趨勢發展明顯，也讓行業迎來紅利期。為了抓住這一機遇，醫藥行業也開始站在數字化轉型的風口，以加速支撐更高效的生產、更精準的市場定位和更優質的服務。業務的快速發展，需要醫藥企業后援部門高效地提

271、供支持，財務部作為后援服務部門，承擔著付款支出、收款核算等業務重要兩條線的末級環節，并主導建立了費用控制、財務共享、營銷費用控制等面向業務部門的數字化平臺，業務部門在流程出現的中斷、卡點，直接影響業務的處理效率，財務基于人工智能大模型技術，建立智能客服平臺，7*24h 數字客服，面向用戶提供系統操作智能指導、用戶業務自助辦理、對話式信息導航等服務。因此，人工智能大模型在醫藥行業的加速應用，為行業高質量發展注入了活力。（2）發展現狀隨著醫藥行業數字化轉型的深入，人工智能大模型技術在醫藥行業的財務方面應用正在逐漸展開。大模型在風險管理和預測、欺詐檢測和合規性監控、智能財務客服等方面的應用逐漸增多。

272、一些醫藥企業的率先嘗試，也讓整個行業更關注人工智能大模型在財務領域的應用。人工智能大模型技術財務應用也會如同雨后春筍般飛速成長，為推動醫藥行業的高質量發展起到重要作用。4.6.2 典型案例大模型技術類型較多，且各有能力特色，如何能在成本可控范圍內，快速了解不同大模型的能力？如何能在企業復雜的業務流程中，快速探索和落地業務場景？均是 F 醫藥企業在人工智能大模型應用中需要考慮解決的問題。F 醫藥企業經過詳細論證和研討，確定了大模型企業應用的指導思想“先上車后買票，通過探索使用 AI 過程中，去了解 AI，認知 AI，從而深化 AI 場景”，從而確定了 AI 推進三步走策略：第一步：快速接入 AI

273、 能力。F 醫藥企業通過選擇成熟的 AIGC 平臺，以較低的成本，快速部署 AI 能力，預置接入多種大模型，開箱即用，且具備更好的擴展性。第二步：F 醫藥企業培養 AI 土壤，快速落地常規 AI 場景，取得 AI 成效。比如智能知識庫、智能導師、智能交互助手等。第三步：F 醫藥企業持續場景創新，伴隨對 AI 能力更深入的了解，不斷擴展 AIGC 的應用場景。F 醫藥企業的 AIGC 平臺總體架構如圖 4-6-1 所示。4 人工智能大模型技術賦能財務應用98圖 4-6-1 F 醫藥集團 AIGC 平臺總體架構該平臺具備如下能力特點：（1）預置應用：預置豐富的通用需求應用功能組件，開箱即用。（2）

274、連接百模：與主流模型均完成連接，并在應用中實現靈活切換。（3）快速編排：內置 AIGC 應用編排工具，實現零代碼/低代碼應用搭建。（4）簡單管控：內置豐富管理工具，實現企業對 AIGC 的高效管理和約束。F 醫藥企業人工智能大模型技術在財務管理中的典型應用主要體現以下三個方面：（1）風險管理和預測人工智能大模型幫助企業進行風險管理和預測，通過分析大量的財務數據和公開的市場數據，識別潛在的財務風險和機會，幫助企業做出更準確、高效的財務決策。（2）欺詐檢測和合規性監控人工智能大模型幫助企業進行欺詐檢測和合規性監控，通過對業務交易數據的實時檢測和關聯分析，及時發現潛在的欺詐行為和違規操作。（3）智能

275、財務客服人工智能大模型接入智能客服系統，7*24h 面向用戶提供自助服務，能夠自動回答客戶的常見問題，提供實時的幫助和支持。AIGC 編排系統公用大模型向量庫私有模型基礎應用組件高級應用組件公用模型集成向量庫管理私有模型管理智能風控應用管理企業級chatprompt 管理代碼助手AI 知識庫數字人接口管理限額中心監控中心連接管理集合管理向量管理數據管理資源管理模型訓練預測服務AIGC 節點API 節點編排設計器語言工具數據展現工具合規檢測智能決策智能客服交互助手智能交互助手(查詢|預警|執行|輔助決策)Azure OpenAl|文心一言|星火|盤古|MiniMax|商湯 Milvus 向量處理

276、 Text2vec|問答和對話 ChatGLM|語音識別 whisper 人工智能大模型技術財務應用藍皮書994.6.3 應用場景（1）合規性監控應用內控管理是確保企業穩健經營和可持續發展的關鍵。費用支出的合規性監控是內控管理重點和難點。企業需要確保費用支出符合法律法規和內部規定，避免出現違規行為和浪費現象。醫藥企業在醫療反腐的大背景下，費用支出的合規性監控顯得尤為重要。合規性監控涉及到費用支出的申請、審批、報銷等環節，除了建立完善的內部控制制度和流程外，還需要借助信息技術手段的力量，加強對費用支出的審查和監督，防范各種風險。針對這一難題，F 醫藥企業建立了智能合規稽查平臺，通過人工智能技術手

277、段，模擬人工審核過程：提前熟悉制度：將合規性檢查點梳理成規則提前定義在系統內，后期借助機器自動學習、自動添加規則；看：對于制式發票采用“成熟的 OCR 識別能力+稅局底賬庫發票全票面信息”進行信息采集；對于格式不統一的非標準附件（包括照片）借助 Prompt 人工智能大模型交互的提示詞能力，將其轉換成結構化信息；審核：通過對業務單據信息、發票信息及附件采集的信息，借助智能比對技術，共同判斷費用支出是否違反合規性要求；給出結果：針對 AI 數字員工判斷符合合規性要求的單據，予以自動審核通過；對于 AI 數字員工判斷違反合規性要求的單據轉人工審核。同時針對違反合規性要求的單據，會逐條列出風險等級，

278、中高風險的單據由風控專員處理，中低風險的由財務審核處理。同時，借助自然語言處理 NLP 進行自然語義分析及轉換，提示出用戶易懂的審核意見信息。F 醫藥企業借助大模型智能合規稽查平臺實現了事中和事后的費用支出合規性稽查，同時結合智能費用標準、預算控制等能力，完成了費用支出合規性事前、事中和事后的全過程稽查，如圖 4-6-2 所示。圖 4-6-2 事中控制-大模型智能合規稽查平臺報銷流程報銷單提交各級業務審批支付自動審核轉人工審核Al 數字員工審核大模型智能合規稽查平臺是否智能通過 4 人工智能大模型技術賦能財務應用100例如員工李四提交了一張發票時間為 3 月 5 日的廣州學術會議費報銷單，簽到

279、表和會議照片中有員工張三的信息，該單據審核通過并付款。次月，員工張三提交了一張發生時間為 3 月 5 日的交通費報銷單，行程為上海家至機場的網約車發票及行程單，這種情況，在員工張三提交報銷單時，AI 數字員工就會發現異常并反饋。除了在業務執行中進行智能合規稽查外，在業務發生后，AI 數字員工也會對已經發生的歷史業務進行巡查，如圖 4-6-3所示。例如代報銷的單據中出現了收款人為審批領導；員工在外出的交通費發票時間范圍內卻有職場的打卡考勤記錄；某些員工近幾個月突然出現規律性報銷；供應商出現經營或稅務風險，且有已結算的單據需要做進項稅轉出，未結算的單據要關注履約風險等。圖 4-6-3 事后稽查-大

280、模型智能合規稽查平臺的日常巡檢F 醫藥企業的學術推廣費是醫藥行業用于推廣新藥、醫療器械和醫療技術的費用，通常包括醫學會議、學術講座、學術論文發表等活動的費用。監管部門對醫藥行業的學術推廣費進行嚴格監管，以防止腐敗行為的發生。F醫藥企業學術推廣會的具體費用包括會議場地費、交通費、住宿費、餐飲費、茶歇費、服務費、宣傳材料費、會議用品等。內部管理流程為：會議申請會議邀請會議執行費用支付會議結報資料備案。F 醫藥企業通過建立人工智能大模型欺詐檢測和合規性監控機制，對學術推廣費的發生過程進行了實時監測確保學術會議符合企業標準，并追蹤參與者、確保簽到數據及現場照片的真實性。會議執行中，利用簽到碼小程序功能

281、、GPS 定位技術，跟蹤參會人員的真實到場情況，如圖 4-6-4 所示。圖 4-6-4 學術推廣會的參會人員真實到場情況消費時空異常員工交叉報銷審批供應商風險檢查員工規律性報銷考勤與消費時間比對風控崗人工稽查企業內部合規風險處理流程大模型智能合規稽查平臺是否智能通過自動審核Al 數字員工審核人工智能大模型技術財務應用藍皮書101會議執行中的照片記錄，通過人工智能大模型進行照片的智能識別人數、姓名及照片是否為翻拍的校驗，將圖片識別的姓名與簽到人姓名比對，以確保學術推廣的每一個細節都合規。圖 4-6-5 學術推廣會的會議過程異常檢測基于照片的識別結果在會議結報流程中進行異常檢測，如發現照片人數與實

282、際簽到人數差異較大，或姓名匹配差異較大，則會智能化提示用終端用戶及業務審批者，起到合規性預警的作用，如圖 4-6-5 所示。大模型智能合規稽查平臺的管理收益：F 醫藥企業融入了人工智能大模型技術的智能合規稽查，大大提高了內部稽查的時效，避免存在合規風險的業務發生及蔓延。大模型能力應用在非標附件識別效果非常出色，以住宿費中的酒店水單附件為例，其有電子版也有紙質版，不同酒店開出來的均存在差異，其樣式紛繁復雜，利用大模型技術提取其關鍵信息并在后續進行時間、金額、入住人及違規消費的檢查，節省財務人員在差旅費審核上的人力。在 2023 年全年，F 醫藥企業 AI 數字員工 7*24 的事中智能審核，縮減

283、了財務共享中心 30%的審核人力；同時由于 AI數字員工前置于單據提交環節進行實時檢查，退單率也從過去的 20.9%退至 5%以下，報銷周期縮短 30%。AI 數字員工的事后智能稽查發現超過 200 筆業務的中高風險異常，避免了潛在的損失和風險。（2）智能財務客服的應用企業財務信息化建設高速發展，財務系統越建越復雜，加之企業制度政策每年都有調整、員工流動頻繁，導致員工對流程不熟、對流程卡頓原因不理解，使得財務部承擔著大量的問題咨詢解答的工作量，不僅占用財務精力和同時，也影響到了業務流程的效率。因此，越來越多的企業開始重視智能財務客服平臺的建設和應用，以滿足用戶需求，提升企業競爭力。F 醫藥企業

284、財務共享中心員工共 55 人，服務近 5000 名員工，其中 20%的工作精力在于解答用戶制度咨詢、系統流程操作。同時，因員工流程不熟悉導致的財務退單率高達 25%，用戶抱怨聲很大。因此，F 醫藥企業建立了一套智能客服體系，基于 LLM 大語言模型搭建的更高效的知識生產、更優質的回復內容及對 4 人工智能大模型技術賦能財務應用102話能力（如圖 4-6-6 所示），相較通過 QA 標準答案庫建立的智能客服“問題自動回復率”更高，且擬人化體驗更強。智能客服對接企業內部文檔，能夠快速學習企業知識，同時為其注入公共行業知識，擴大知識邊界，即可在企業私域+公域知識背景下為用戶解答問題。圖 4-6-6

285、大模型智能客服平臺的工作原理員工需要了解企業的各項財務制度、流程及系統操作，均可與智能客服對話。智能財務客服可以提供詳細的制度說明、流程指導，幫助員工順利解決流程中遇到的問題，如圖 4-6-7 所示。圖 4-6-7 大模型智能助理實例大模型智能客服平臺的管理收益：F 醫藥企業建立智能客服后，企業財務投入到解答用戶的精力下降 80%，同時還能夠自動統計智能客服的提問分類，為后續精準培訓、優化流程及制度提供的數據支撐。用戶提問智能客服回復向量檢索無檢索 結果返回檢索結果企業多格式文檔導入LLM 語言模型會話專家提示詞工程服務 APILLM上下文理解LLM對話生成LLM問題理解+對話生成知識快向量庫

286、DOCPDFTXTAAAAAA人工智能大模型技術財務應用藍皮書1034.7 人工智能大模型技術賦能 G 大學財務應用4.7.1 總體情況（1）需求背景以大模型為典型代表的人工智能技術以其專業化、體系化、工程化的特征應用于高等院校的財務信息系統建設之中，已經成為推動高等院校財務服務品質提升、財務管理數智化轉型升級的關鍵力量。當前，高等院校在財務服務、管理方面，普遍存在以下不足和困難：報賬服務體驗差、效率低：由于監管要求以及信息化的局限，報賬工作需要教職員工花費大量的時間，而且極易出現錯漏，報賬流程耗時長，直接影響了相關人員教學與科研工作的開展。對財務的要求越來越高：國家對高校監管力度不斷提升，對

287、高校財務管理也提出了新的要求，從政府會計、預算績效管理到高校成本核算等需要投入大量的高端財務人才，但財務人員的時間和精力普遍被報賬、核算等基礎工作消耗，導致難有足夠的人員投入。傳統信息化手段難以支撐現在高校財務運行管理的要求：傳統信息化財務軟件系統，對于財務原始信息與數據缺乏有效的數字化采集、處理手段，數據的豐富性、顆粒度、覆蓋度均不能滿足當前精細化、可分析的管理需求，難以支撐當前的財務管理要求。高等院校普遍存在的實際需求，其本質是財務作業模式對于當前需求及業務發展的支持能力有限。因此，如何向以大模型為代表新質生產力要效率，是高等院校財務數智化轉型的核心命題。（2）發展現狀G 大學是國家 21

288、1、雙一流工程建設單位，年預算經費超 30 億元人民幣，年報賬筆數超過 5 萬筆，學校財務處在支出報賬與核算方面長期投入的工作人員超過 10 人，但仍然難以滿足廣大師生在報賬環節的服務支持需求；另一方面，G 大學傳統報賬系統在面對審計、巡視等合規、監察工作方面支持有限，大量的稽核、核算工作仍然有賴于有經驗人員的實際工作?？傮w而言，報賬受理難、審核慢，報賬填單要求多、規范不明確，審核復雜性大、不合規問題頻出等是長期難以解決的問題。G 大學在 2021 年采購了智能網報平臺，以期解決上述問題。但經過 2 年多的建設和試運行，智能網報平臺仍然基于傳統信息化設計思維，僅在部分有限的領域引入了一些人工智

289、能的技術手段，存在諸如：智能化能力孱弱（雖然引入了 OCR 識別技術，但受限于技術能力，僅能識別發票等標準化、常見票證）、智能化覆蓋不足（缺少對緩解師生報賬難中最重要的減少報賬單填寫信息的支持，財務稽核和核算等工作仍然依賴于有經驗的財務人員）等缺陷和不足。難以滿足 G 大學對于財務系統智能化發展的訴求，未能對 G 大學財務數智化轉型升級和數字校園建設起到助力，未達到預期的效果。經過多方調研、評估，G 大學決定啟動財務智能化提升建設，在保留原有財務核算系統的基礎上，引進大模型、專業領域小模型、知識圖譜等一系列人工智能技術，通過完善的 AI 算法模型及相應的工程化應用體系，以報賬為切入點，建設智能

290、財務平臺，通過智能財務助理、智能科研預算助理、智能審核數字會計、智能核算數字會計的全鏈條智能化，以徹底 4 人工智能大模型技術賦能財務應用104解決廣大師生積怨已久的報賬難，緩解財務處審核和核算費力繁瑣、易出錯的工作壓力，提升財務部門的工作效能。4.7.2 典型案例G 大學構建了體系化、完善的智能財務平臺建設方案，同時考慮到智能財務應用實踐的持續建設和未來發展，平臺對業務支撐的廣泛性、可擴展性和可復用性至關重要。以大模型為代表的人工智能技術有著顯著的先進性，但其在財務領域的應用，往往存在特定技術應用領域單一、可支撐的業務范圍小、缺乏有效人機閉環等突出的問題，導致當下智能財務系統僅是對傳統軟件片

291、段式的改良。傳統軟件提倡“+人工智能”路線，屬于有限的改良模式，在部分領域、業務環節上片段性使用人工智能技術，而非政策所引導開展的“人工智能+”的創新模式，并且也缺少既懂財務業務、也懂人工智能技術應用的復合型人才，從而難以建立有效的、體系化的、完整的工程化落地應用體系。因此，為確保人工智能大模型技術在 G 大學財務報賬領域的落地及未來的持續建設，一套完善的智能財務工程化支撐與應用體系作為基礎至關重要，如圖 4-7-1 所示。圖 4-7-1 智能財務工程化應用體系框架圖智能財務工程化應用體系是一個典型的知識+技術融合體。從用戶、場景與應用到提供最底層支撐的模型訓練環節，提供了多層次、可復用、可擴

292、展的完善工程化支撐，為智能財務的建設和應用提供了基礎保障。用戶、場景與應用模型訓練與知識積累語言對話終端財務相關信息系統RPA/低代碼等應用財務智能體費用報賬智能助理采購付款智能助理科研預算智能助理費用稽核數字會計對公采購稽核會計財務核算數字會計管理核算數字會計經營分析數字助理更多數字會計/助理.財務智能體數字會計/數字助理Accounting AI Agents智能體應用融合運行平臺智能財務能力組件及服務單據填報類AACsAACsAACsAACsAACs合規審核類AACsAACsAACsAACsAACs會計核算類AACsAACsAACsAACsAACs數據分析類AACsAACsAACsAAC

293、sAACs更多財務智能組件.模型與知識服務財務大模型財務知識圖譜財務領域專用小模型集合業務場景分類微調模型文檔抽取微調模型更多主題任務微調模型.行業知識圖譜領域知識圖譜更多主題知識圖譜.數據資產定價模型票據文檔理解模型更多領域專用模型.大模型訓練與微調領域專用模型訓練財務知識圖譜構建人工智能大模型技術財務應用藍皮書105（1）模型與知識服務模型與知識服務層是整個智能財務最基礎的能力支撐，涵蓋了基礎大模型、財務專業大模型、特定任務微調模型、特定領域專用小模型、特定領域/行業知識圖譜等一系列算法模型與知識?；A大模型通用大模型通常用于提供語言交互、基于常識（源于大模型的海量參數）理解等不同的任務，

294、因通用大模型在訓練時所采用的語料基礎并未針對財務領域進行強化，其理解能力通常限于常識和通識領域，除基礎對話外，一般難以直接用于處理專業性的財務作業任務。表 4-7-1 通用大模型語料數據集數據集樣本比例Epochs磁盤大小CommonCrawl67.0%1.103.3TBC415.0%1.06783GBGithub4.5%0.64328GBWikipedia4.5%2.4583GBBooks4.5%2.2385GBArXiv2.5%1.0692GBStackExchange2.0%1.0378GB如表 4-7-1 數據所示，通用大模型的語料樣本并不針對某個具體的領域或行業，其訓練數據集更偏向均

295、衡、廣泛、普遍性的社會數據。財務專業大模型財務專業大模型是在通用大模型基礎上，通過海量財務專業語料對基礎大模型在財務領域知識上進行增強訓練，在保持通用性的基礎上，強化財務專業領域的知識、邏輯和推理能力，從而獲得在財務專業領域及通用領域下各類任務處理能力上綜合最優的大模型。特定任務微調模型特定任務微調模型是在通用大模型或財務專業大模型的基礎上，通過 LoRA（Long Range 是一種基于擴頻技術的無線通信技術）等技術，結合針對特定任務的訓練數據集，在原有模型參數基礎上建立參數權重的旁路，從而獲得針對特定任務的最優支持。4 人工智能大模型技術賦能財務應用106表 4-7-2 通用大模型數據訓練

296、字段分類字段標識字段個數（正確值有值）GPT4XX-6BXX-13BXX-14B訓練前訓練前訓練后訓練前訓練后訓練前訓練后基本信息類會議名稱21379.81%32.86%69.01%86.38%88.26%87.79%85.92%舉辦時間20076.50%29.00%74.50%76.00%95.00%91.00%92.50%舉辦方19177.49%25.13%61.78%75.92%85.34%83.25%87.96%承辦方7479.73%14.86%62.16%64.86%85.14%77.03%82.43%會議地點17374.57%28.32%72.83%61.27%89.60%89.0

297、2%88.44%小計85177.44%27.73%68.86%74.62%89.19%86.84%88.13%性能提升41.13%14.57%1.29%如表 4-7-2 的數據所示，以高校等行政事業單位在報賬業務中常見的會議通知書的要素信息抽取任務進行初步訓練后的數據為例，不同的基礎模型針對同樣的任務具有不同的性能；同一基礎大模型在針對性微調訓練后，相較于基礎大模型均產生了較大幅度的性能提升。因此一系列針對不同任務的微調訓練模型是大模型技術落地智能財務不同應用場景的一個關鍵環節。特定領域專用小模型當前，大模型更多優先考慮任務處理的泛化能力，往往在一些具體任務的處理上精度不如專業領域的小模型，尤

298、其是當前多模態大模型的性能還處于較為初級的階段，典型的如票據識別，基于多模態大模型進行票據識別所獲得的性能仍然遠不如專業的票據識別小模型（雖然可能都是基于 Transformer 算法架構，但僅處理票據識別任務的小模型在模型體量、計算資源耗費和模型精準度等方面仍然領先于大模型）。此外，一些風險預測、資產定價等領域的算法，并非當前大語言大模型或多模態模型架構適用的范圍。因此在有了大模型之后，智能財務要在應用環節落地，仍然需要建立一系列的專業領域小模型。財務知識圖譜財務是一個典型的對精確性、可解釋性要求極高的領域，而算法模型則是以統計為基礎的預測（本質上無法做到精準），且機器學習（深度學習、大模型

299、等都是神經網絡、機器學習的領域）經由網絡參數和連接獲得的“智能”（實際上是隱含于參數的知識）不具備可解釋性。因此為保證智能財務的落地可用，必須通過知識圖譜等顯性的、明確的、可解釋的知識體系與模型算法進行融合應用。因此針對不同的財務應用領域構建不同的事理圖譜是智能財務極為重要的基礎工作。（2）智能財務能力組件財務是一個典型的“知識密集型”業務，且專業知識的應用往往貫穿在不同的應用場景之中。以常見的教職員工報賬為例，報賬人在業務發生前，可能需要了解到所在單位的具體財務制度、政策，以便在業務開展過程中遵循。會計人員在對報賬業務進行審核的過程中，也需要遵循同樣的財務制度、政策。針對這兩個場景，可能分別

300、有智能制度問答應用和智能審核應用進行支撐，但往往因為兩者應用環境、場景的不同，其所用的實現方式也截然不同，最典型的做法通常是：為了解決問答應用的需求建立了一個“知識庫”；另一方面，為解決審核應用的需求建立了一套“規則庫”。兩者雖然源自相同的知識，人工智能大模型技術財務應用藍皮書107但兩者之間的知識表達形式完全不同、對知識本身的覆蓋程度也有差異，這兩者之間到底“誰”完整、清晰的體現了知識的本原，無法界定（到底知識庫是對的，還是規則庫是對的？），因此兩者在應用時也往往給出不一致的結果。類似這種各自建設、各自解讀，各自應用，從而導致業務實際執行和財務要求出現偏差的情況并不少見。因此，一個系統性規劃

301、的智能財務工程體系，在面對此類問題時須建立更科學的層次結構，即將應用與知識/能力進行分離。場景應用可以多樣，但最終調用的 AI 能力保持一致，從而實現業務處理的一致性。借鑒 OpenAI 的 GTPs 體系，智能財務工程化應用體系設計面向財務的智能組件體系 AACs（Accounting AI Components 會計智能組件），通過一系列會計智能組件將 AI 能力面向應用場景進行抽象封裝。不同業務場景存在本源一致的處理環節時，通過引用預先封裝的會計智能組件，實現知識適用、處理能力的一致性。（3）財務智能體（AI Agents/數字會計/智能助理）財務智能體是針對不同的業務場景、應用環境創造

302、的，基于不同會計智能組件的編排和調用，實現對具體業務場景下的智能處理。不同于 AACs 更偏向于某一個業務片段或通用基礎環節的處理，財務智能體更偏重于針對某一個特定業務的完整處理能力。參考圖靈獎得主 Yoshua Bengio 在 NeulPS 2019 發表的From System 1 Deep Learning To System 2 Deep Learning（中文名從快思考到慢思考）報告的觀點，與人類認知模式相似，人工智能也存在所謂的 System1“快思考”和 System2“慢思考”，“快思考”通?；谥庇X、感知、簡單語言給出反饋（比如與財務智能相關的票據識別、通過報賬附言判斷業務

303、場景等），這一層次的思考往往簡單、直接、通用，是一個無狀態的思考過程，不具有場景復雜性。但“慢思考”則更類似人類在完成一個較為復雜任務時進行的一系列步驟化、邏輯性的推理、判斷和處理的過程，將一個復雜的問題拆分為若干較為簡單的問題，其中每一個步驟可能是一個“快思考”，也可能是一個較原有問題簡單的子問題?；诖死碚撛O計的智能財務工程支撐體系中，AACs 對應于快思考，而 AI Agents 更偏向于“慢思考”能力的建設。因此，基于豐富的 AACs（智能財務能力組件），通過流程編排、邏輯推理融合調用的方式（如圖 4-7-2 所示），可以構建一系列面對不同財務業務、財務場景應用的 AI 智能體，這些

304、AI 智能體具備了與人類會計相似的基于專業知識和經驗的問題求解、處理能力，得以替代人類會計接管（或者輔助）相應的財務處理過程。4 人工智能大模型技術賦能財務應用108圖 4-7-2 基于對話的助理類財務智能體創作開發（4）用戶場景與應用銜接雖然 AI 原生（AI Native）應用不斷涌現，但聚焦于財務業務領域，大量的基礎財務軟件（如：總賬、核算、預算、支付等）仍然起著不可或缺的作用，且不可能隨時任意進行替換。因此，如何將智能化的處理能力與傳統的軟件系統進行銜接、融合，充分發揮 AI 與財務軟件（會計工具）各自的優勢，也是智能化應用落地的重要環節。G 大學智能財務建設項目中所構建的智能財務助理

305、、智能預算助理、智能審核會計、智能核算會計等一系列 AI Agents，通過非侵入式的智能體應用融合運行平臺與原有的財務軟件（核算系統、預算系統、財政一體化平臺等）進行銜接、融合，為原有非智能化的財務軟件，裝上了智能財務大腦。（5）案例應用效果與前景以智能財務工程化應用體系為基礎，G 大學通過智能財務平臺的建設，實現了對各類原始憑證（包括業務佐證材料）等進行精準的結構化處理，將財務導入全數字化環境，提升了財務數據的準確性和可用性。同時，基于財務大模型、財務專業知識圖譜等認知智能技術的應用，通過算法幫助報賬人智能填寫報賬單，實現了極簡的報賬體驗。另一方面，通過算法仿真專業財務人員的推理判斷能力，

306、幫助財務人員智能完成費用支出的審核和核算工作，將財務人員從繁瑣的審核、核算等基礎工作中解放出來，使之能夠專注于更高價值的成本分析、預算績效管理等工作，從而提升整個財務部門的價值貢獻和工作效率。從應用效果的量化指標上來看，原先報賬的周期在 10 個工作日左右，經過智能化建設后，報賬通常在一個工作日內即可就能完成（最快只需要 5 分鐘）；報賬師生填寫報賬單從原先的最少 15-30 分鐘轉變為與 AI 對話式溝通的模式，最多只人工智能大模型技術財務應用藍皮書109需要 1-2 分鐘，復雜度大大降低，師生滿意度大幅提高。財務處長年投入報賬相關工作的人員，從 10 人減少到不到 2 人（僅需對部分重點、

307、重大業務進行復核，周期性抽審部分業務），人員壓力大幅度降低，效率大幅提升。另一方面，經由智能報賬所獲得的多維數據對于 G 大學在費用支出方面的精細化管控起到了顯著的基礎性作用，例如：日常辦公相關的采購支出，以往在核算環節上僅能依靠人員自行選擇的方式歸集到數據的第 2-3 級（如：辦公用品），要么數據的顆粒度太粗無法有效進行針對性的管控，要么要耗費財務人員的經驗人為進行判斷，消耗大量的人力投入。智能報賬平臺上線后，可以清晰的做到辦公-紙制品-筆記本、辦公-紙制品-復印紙-80 克等數據顆粒度，甚至不同品牌、不同規格、不同供應商供應的產品名類等更精細的粒度，對于費用、采購、科研支出的目的、用途建立

308、了更精細的管控能力。4.7.3 應用場景（1）智能財務助理對一般教職員工（業務人員）而言，財務是一個復雜的專業領域，如何幫助教職員工以最便捷的方式開展與財務相關的工作，以通曉財務專業知識的財務大模型和財務知識圖譜為基礎，通過自然語言對話模式，很好的實現了財務政策、制度的清晰解答和財務相關業務的快速辦理，為業務人員開展財務相關工作提供了極大的便利，實現了財務管控的前置化和隱形化，如圖 4-7-3 所示。圖 4-7-3 基于對話的智能財務助理（示例）4 人工智能大模型技術賦能財務應用110智能財務助理的主要能力：政策、制度的解答智能財務助理通過“學習”學校的相關政策、制度，針對用戶提出的問題給出“

309、最貼切”、“有援引”、“有溫度”的答復和指引。大量減少了業務人員與財務人員之間因為知識領域的區別差異而產生的大量低效率、低質量溝通，釋放了財務人員的工作產能，如圖 4-7-4 所示。圖 4-7-4 智能財務助理解答財務制度與要求 事前申請代辦智能財務助理通過自然的對話方式，幫助用戶建立差旅行程計劃，提交事前申請和其他相關操作，簡化了用戶操作軟件提報申請的繁瑣，如圖 4-7-5 所示。圖 4-7-5 智能財務助理處理差旅事前申請人工智能大模型技術財務應用藍皮書111智能財務助理圍繞財務管理的前期工作（業務發生前），通過財務大模型自然語言理解、生成能力和專業的財務知識（包括模型參數知識、圖譜知識、

310、客戶自有知識），擔當業務用戶的財務助理。大模型應用于智能財務助理的關鍵技術：意圖識別一個較為復雜的智能助理通常具備多項不同的能力（如：政策的問答、任務的辦理等），如何識別用戶文字中的意圖并將其與多種潛在任務的執行處理相關聯，是智能助理的關鍵能力。為實現該能力，基于智能助理潛在可能面對的各類提問、對話句式、內容、常用語，微調訓練了一個對話意圖識別的微調模型，基于該模型的能力對對話中的任務處理意圖進行識別，控制對話和任務處理的流程。RAG 檢索增強生成RAG（Retrieval-Augmented Generation，檢索增強生成）本質上是將模型之外獲得的特定領域專業知識，通過檢索（向量檢索、圖

311、譜檢索等）、篩選（權重排序）后，將相關的內容注入大模型推理過程中，從而在特定領域提升大模型生成輸出內容、推理判斷的準確率。在財務領域，在適用的法律、法規、制度、準則之外，各單位還有自己內部的會計政策、制度要求等，這部分內容一方面個性化顯著，另一方面通常存在一定的私有保密要求，并不合適通過參數訓練的方式讓大模型容易學習，因此，在大模型的通用知識基礎上，通過 RAG 技術，將用戶私有的知識與模型通識進行融合，可以讓大模型產生的輸出更加符合用戶的實際（避免因大模型產生的低質量、錯誤內容）。（2）智能填報填報是財務業務的發起點，填報的質量與數據詳盡程度，直接影響整個業務的處理。傳統模式下，填報質量的高

312、低取決于業務發起人對財務知識掌握的程度，以及個人的認真、細致程度，是一個典型的耗時、費力、價值感知度低的工作。G 大學長期以來的報賬難，填報占據了其中大部分時間。該環節的低效、低質，也同樣牽扯了大量財務人員的精力，成為業財間矛盾的焦點?；贕大學智能財務平臺的工程化應用體系，以大模型驅動的NUI（自然用戶交互）模式為核心，融合GUI（圖形用戶交互）模式內容展示清晰的優點，創作開發了智能填報助理。如圖 4-7-6 所示，智能填報助理根據用戶通過自然語言輸入的信息對用戶所需報賬的業務場景進行理解，判斷用戶所要提交的報賬業務屬于何種場景。4 人工智能大模型技術賦能財務應用112圖 4-7-6 智能填

313、報助理接受任務在明確用戶的業務場景后，如圖 4-7-7 所示，智能填報助理對招待費用的政策進行解讀，將必須要提供的原始憑證信息提示給用戶，引導用戶進行相應的操作。如圖 4-7-8 所示例，用戶依照引導從智能票夾中選擇相應的票據。圖 4-7-7 智能填報助理按步驟引導用戶進行操作人工智能大模型技術財務應用藍皮書113圖 4-7-8 用戶根據引導從智能票夾中選擇票據、單據接收到用戶選擇的單據后，智能填報助理對單據的完整性進行檢查，判斷用戶少提交了關鍵的佐證材料，助理提示用戶對該材料進行補全，用戶補全后，助理進一步進行業務要素的完備性檢查，如圖 4-7-9 所示。圖 4-7-9 智能填報助理提示用戶

314、補全必要的佐證材料（示例）智能填報助理經過推理，判斷用戶所提供的信息（語言、票據、單據）中，缺少必要的關鍵要素，于是通過對話彈框提示用戶補全關鍵信息，如圖 4-7-10 所示。4 人工智能大模型技術賦能財務應用114圖 4-7-10 智能填報助理提示用戶補全必要的信息用戶補全關鍵信息后，智能填報助理對業務進行預審，發現業務信息不正確，導致超出了費用標準，提示用戶對信息進行更正，如圖 4-7-11 所示。圖 4-7-11 智能填報助理提示業務存在疑問用戶更正相關信息后，智能助理判斷業務符合填報要求，調用算法構建報銷單數據實體，并代用戶提交到報賬系統中，如圖 4-7-12 所示。人工智能大模型技術

315、財務應用藍皮書115圖 4-7-12 智能填報助理提交報賬單報賬系統接收到智能填報助理提交的報賬單，可以看到報賬單內相關信息完整、細致，業務單據中的相關數據已經按照財務規范口徑進行了整理和統計，極大的減少了報賬人在填報端的消耗，同時也為后續的財務處理進行了充分、細致的前置工作，如圖 4-7-13 所示。圖 4-7-13 報賬單（示例）4 人工智能大模型技術賦能財務應用116大模型應用于智能填報助理的關鍵技術 業務場景識別智能填報助理需要面對的業務場景眾多，不同場景下對應的操作要求、數據要素、業務標準、制度規范可能存在很大的不同。因此，如何識別用戶文字中所指向的業務場景，并將其與多種潛在任務的執

316、行處理相關聯，是智能填報助理的首要關鍵能力。為實現該能力，基于智能填報助理潛在可能面對的各類業務場景表述、對話句式、內容、常用語等微調訓練了一個業務場景識別模型，基于該模型的能力對場景進行甄別。場景要素補全在與用戶交互的多輪對話中，要素信息不斷得到補全，通過大模型對對話內容中的潛在要素信息進行抽取和結構化，并在任務過程中形成長期記憶?；谥悄茇攧展こ袒瘧皿w系框架所提供的智能體開發平臺和財務大模型，要素信息在對話中不斷被探查搜集、結構化、標準化并記憶下來，為智能填報助理的快速上線提供了底層框架支持。（3）智能稽核財務人員對費用支出進行稽核、核算是投入精力大但價值感不高的基礎性工作。對于財務處室

317、部門而言，大量的財務專業人員的時間、精力被消耗在此類基礎工作中，又進一步限制了更高價值工作的開展。因此，通過大模型進行智能稽核工作，從而把有經驗的財務專業人員從基礎工作中置換出來，是當前技術條件下破解財務工作壓力的最優解。智能稽核的核心能力是對財務專業知識、制度規范的理解能力，在面對不同業務時能自主的調用相關知識、規則、算法對業務中的要素數據、信息、潛在問題進行推理和判斷。如圖 4-7-14 到 4-7-16 展示的部分業務審核示例，智能稽核在絕大多數業務領域具備了類似人類會計的處理能力，其精準性、細致性和高效性已經超越了人類會計。同時，基于人機協同的工作模式，對于需要會計人員進行自由裁量、靈

318、活處理的業務片段，復核會計人員可以隨時介入并接手智能稽核處理的業務，從而將機器智能與人類的智能有機的銜接起來，實現了業務處理的高效率、高質量。人工智能大模型技術財務應用藍皮書117圖 4-7-14 智能稽核審核差旅費用支出圖 4-7-15 智能稽核審核業務接待費用支出 4 人工智能大模型技術賦能財務應用118圖 4-7-16 智能稽核審核科研項目費用支出大模型應用于智能稽核的關鍵技術智能稽核是一個復雜的處理過程，綜合性的應用了 RAG（檢索增強生成）、文本要素抽取、業務場景識別、知識圖譜檢索增強等一系列技術、算法和模型，其核心是確保大模型在推理判斷（處理過程）中的指令遵循能力。因此，平臺基于針

319、對業務明確定義的知識圖譜，通過知識圖譜檢索增強（Graph-RAG）技術，將明確的處理邏輯注入大模型推理過程中，確保各環節的處理（調用）得以執行。4.8 人工智能大模型技術賦能 H 投資集團財務應用4.8.1 總體情況（1）需求背景H 集團為中央直接管理的國有重要骨干企業，系中國最早設立的綜合性國有資本投資公司之一。H 集團擁有全資及控股子公司 18 家，全資及控股投資企業近 500 家，其中包括多家控股上市公司，涉及能源產業、數字科技、民生健康、產業金融等多個業務板塊。H 集團作為國有資本的專業投資平臺，引領產業變革、提升資本回報、規避資本風險是其區別于其他企業集團的管控特征。多元管控模式為

320、財務管理帶來了更復雜的挑戰。伴隨著集團的快速發展，傳統的財務管理體制已無法支撐集團控股投資與基金投資“雙輪聯動”的發展要求，各企業之間財務人員業務能力和綜合素質不均衡的結構性矛盾日益突出，對于產業多元化發展，也給集團帶來管理成本增加、管控邊界沖突、會計信息相關性降低等管理難題。相關管理挑戰在影響財務管理的同時，也給集團管理決策與投資單位運營創新帶來管理桎梏，為了應對挑戰，把管理集約化、信息平臺化、服務智能化、經營數字化定位為集團數智化轉型的基本原則。人工智能大模型技術財務應用藍皮書119（2）發展現狀集團公司在 2016 年總部職能重塑優化改革方案中，提出適時設立母子財務共享中心的思路，通過建

321、立財務三分管理架構，結合集團實際情況，分層、分步建立集團財務共享中心，優化戰略財務、共享財務、業務財務能力?；跀抵腔D型原則，H 集團率先通過建設財務共享中心方式實現財務管理的集約化與財務管理工具的平臺化。同時，結合國務院國資委對于司庫管理建設的要求，在穩步推進財務共享中心建設過程中，同步推動“1+3”的司庫體系建設，實現總部、財務公司、財務共享中心與海外資金業務的整體統籌規劃與分步建設。H 集團通過管理體系優化與信息化體系的建設，初步實現了財務制度標準化、業務流程合規化、會計憑證自動化、財務基礎工作集約化。財務共享中心大幅提升財務工作效率和財務服務質量，以不到百人的財務團隊服務集團五百余家

322、企業上千家核算單位，先后覆蓋集團 19 個板塊 60%以上的企業，在將財務人員從基礎財務工作中釋放出來，向高附加值工作轉型的同時，也為業財融合創新探索了新的邊界。在“十四五”期間，H 集團提出“3341”的財務戰略目標，把財務共享定位于落實“三化理念”、構建“三個體系”的有效抓手。H 集團通過共享和司庫體系建設，基本達成了管理集約化的目標，實現了信息平臺化整合，為服務智能化、經營數字化奠定了管理制度、組織保障和管理平臺的前提保障。對此，H 集團財務部門在進一步擴大財務共享全板塊、全業務覆蓋外，希望借助智能化的技術手段，進一步提升交易處理工作效率、提升集團風險和合規管控力度、以價值視角整合業務財

323、務數據，實現財務管理數字化轉型與價值創造，在建設世界一流財務管理體系過程中發揮作用。4.8.2 典型案例根據內外部建設背景與數智化轉型路徑規劃，H 集團結合政策導向，基于自身數智化現狀，圍繞財務數智化轉型探索通用人工智能的系統化應用。在政策環境層面，大模型在全球范圍內受到廣泛關注和研究，被視為新一代人工智能應用的基礎設施。2023 年以來，國資委不斷加快推動央企發展人工智能應用，充分發揮應用場景及數據優勢，加快推動人工智能在工業場景應用，推動工業企業數字化、智能化轉型升級，攜手上下游企業共同打造產業生態。2024 年 2 月 19 日，國資委專門召開“AI 賦能產業煥新”中央企業人工智能專題推

324、進會。會議要求，中央企業要把發展人工智能放在全局工作中統籌謀劃，要加快布局和發展智能產業，加快建設一批智能算力中心，并開展 AI+專項行動，強化需求牽引，加快重點行業賦能，構建一批產業多模態優質數據集，打造從基礎設施、算法工具、智能平臺到解決方案的大模型賦能產業生態。國資委加快推動人工智能發展，是央國企發揮功能使命，搶抓戰略機遇，培育新質生產力，推進高質量發展的必然要求。在企業數智化發展層面，H 集團財務十四五規劃中明確提出財務數字化與智能化轉型要求，強調結合實際應用場景深度探索人工智能技術應用，做到實用、管用，推動實現提質增效。在財務信息系統建設中，H 集團已積極嘗試智能識別、智能報賬、智能

325、審核等應用場景，但受限于缺乏統一規劃和集中管理，存在資源和技術重復投入現象。同時，現有智能應用多數還停留在初級階段，缺乏模型算法、機器學習、大模型等高階的人工智能技術應用。在外部政策指導、人工智能技術迅猛發展和自身智能化轉型的共同推動下，H 集團正逐步借助人工智能、大數據等先進能力，結合財務應用場景，構建基于大模型的智能化應用框架，旨在推動集團財務信息化工作邁向智能化、精細化，為 4 人工智能大模型技術賦能財務應用120集團的持續健康發展提供有力支撐?；趦韧獠恳蛩?，H 集團針對人工智能應用探索進行了整體的智能化框架規劃，在集團業務中臺和數據中臺建設的基礎上，以通用大模型和結合財務領域知識形成

326、垂直大模型為依托，以應用場景為切入點，深度集成機器學習、深度學習、自然語言處理、語音圖像識別等技術，與知識庫、業務系統、數據分析系統等集成，形成面向業務場景的智能助手。智能化應用框架具備堅實的底座和良好的擴展能力，可以根據業務場景驅動，不斷豐富和拓寬 H 集團智能化場景。H 集團財務智能化整體方案思路如圖 4-8-1 所示。圖 4-8-1 集團財務智能化整體方案思路在明確人工智能應用架構之后，將相關人工智能技術結合 H 集團 IT 現狀進行智能應用融合。整體技術架構分為基礎設施層、模型層、AI 平臺層和展現層四個層次，如圖 4-8-2 所示。H 集團財務智能化應用框架(場景、數據、技術多重驅動

327、)國資委監管引領集團十四五規劃業務運營數據運營安全合規智能助手智能中臺業務中臺數字化基礎設施數據中臺 共享服務問答助手 管理報告與分析助手 虛假貿易助手 財務 人力 資產 數據建模 數據加工 數據標簽 數據集市 數據展現 數據資產 銷售 采購 工程 通用大模型 垂直大模型 模型訓練 決算填報與分析助手 工程風險評價助手 模型推理 模型評估 機器學習 深度學習 自然語言理 語音圖像別 智能問答 角色扮演 內容生成 分析決策人工智能大模型技術財務應用藍皮書121圖 4-8-2 集團財務智能化技術框架基礎設施層：底層的基礎設施層通過算力、數據和算法三個方面的有機結合，為大語言模型層提供了穩定且高效的

328、技術支撐，確保模型能夠在大規模數據上進行強化訓練和精確推理。模型層：可根據實際應用場景選擇通用大模型或私有大模型。H 集團采用了公私雙輪迭代的形式，保持技術先進性的同時，確保安全性、隱私性。AI 平臺層：模型預訓練是 AIGC 技術應用于實踐不可或缺的關鍵基礎。通過預訓練，模型能夠在大規模數據集上學習并積累豐富的知識和經驗，為后續的任務提供強有力的支撐。與此同時，各種先進的算法框架和組件的融入與完善，使得AIGC 技術得以真正落地到實際應用中。其中關鍵功能概述：模型訓練，通過深度學習對標注數據進行訓練，模型訓練完成后，可以評估模型的性能并進行調整。數據標注和模型訓練是一個迭代的過程，通過不斷優

329、化數據標注和調整訓練參數，可以獲得更好的模型性能和更高的準確性。算法框架，通過 RAG 檢索增強生成技術，可以引導模型生成更準確、更具信息量的內容。同時，結合提示詞工程與微調技術，大模型能夠在不同任務上展現出更加精準、更加相關的輸出結果。此外，多模態 Agents 的協同合作能夠高效地完成復雜任務的分解與執行。組件服務，對具體應用場景提供的一系列組件抽象封裝，包括 OCR 識別、規則引擎、分析引擎等組件。通用智能能力，AI 平臺層提供了角色扮演、智能問答、智能執行、邏輯推理、內容生成、分析決策等通用的智能能力，可以供應用層調用和封裝，形成場景級的智能助手。通用智能能力模型訓練算法框架組件服務標

330、注CRFBi-LSTM文本挖掘機器學習深度學習NLP|角色扮演|智能問答|智能執行|邏輯推理|內容生成|分析決策|展現層基礎設施層模型層AI 平臺層Web算力基礎通用大模型私有大模型檢索增強RAG規則引擎分析引擎報告組件流程編排OCR識別注冊調度提示詞工程微調Fin-tuning多模態AgentsAPP數據基礎API算法基礎安全合規框架監控日志框架公私雙輪迭代 4 人工智能大模型技術賦能財務應用122展現層：是直接面向最終用戶的交互操作層，涵蓋了 Web 端、移動端 App 等各種形態的產品和服務入口。展現層面充分利用 AI 平臺所提供的強大功能和人工智能技術，按照不同業務場景的具體需求，設計

331、和構建出各具特色的智能助手以及智能應用程序。除提供更加便捷、高效和個性化的自助式服務體驗外，還能為用戶提供富有洞察力的決策支持和預測性建議，顯著提升用戶體驗和滿意度。4.8.3 應用場景（1）共享服務與智能問答伴隨集團財務信息化建設逐漸成熟，信息系統數量也同步增加，如財務共享系統、司庫系統、核算系統等。同時由于財務共享造成的財務服務異地化響應，給非財部門的服務體驗帶來一定影響。而對于財務人員而言，日常工作中會面臨在不同系統中處理不同業務的情況，當財務人員對于系統操作不熟悉或接觸新業務時，會造成較大的學習成本，也會降低工作效率。此外對于近年頒布的財會政策與屬地制度要求，也給集約化管理帶來較大挑戰

332、。H 集團借助人工智能大模型建設了智能問答機器人，通過一問一答的形式，識別用戶意圖，給出相應的答案，幫助用戶快速解決問題。區別于傳統基于 NLP、知識圖譜等技術構建的智能問答機器人來說，利用人工智能大模型能夠處理復雜的語言能力，不僅可以提高問答的準確性和效率，還能夠面向不同用戶生成個性化的回答，更加符合用戶日常語言習慣，幫助財務人員提高工作效率、降低學習成本、改善用戶體驗。對于滿意度較低的問答結果，集團進行專題治理，按場景提升服務效能。在智能問答機器人建設初期，為了保證答案的準確性，系統可以預先將基礎知識、常見回答等信息內置到系統中，形成知識庫，問答機器人優先從知識庫中搜索相關內容并進行回答。

333、等到問答機器人運行穩定后，即可擴展全域信息進行檢索。如圖 4-8-3 所示，當用戶提出中國人民共和國環境保護稅法等近年新的財稅制度問題時候，智能問答機器人就能根據對相關財稅政策的統一學習自動給出相關答案，為用戶帶來更快速、更便捷的信息查詢和問題解決服務。圖 4-8-3 通用人工智能在智能客服中的應用人工智能大模型技術財務應用藍皮書123（2）管理報告與智能分析在共享流程驅動的支撐下，H 集團沉淀了更為豐富多元的業財數據要素。結合近年國務院國資委對于發揮財務部門數據中心的要求，以及相關部門對經營支撐的分析需求，數據驅動與數據服務愈發成為財務部門服務的核心能力之一。在常規模式下，需要實現通過需求提煉、業務建模、實施配置等線下線上協作，才能獲取到分析結果，便利性、時效性、準確性等方面的體驗都不夠友好，無法滿足集團實時經營分析的要求。對此，H集團通過大模型的應用，智能分析機器人可以結合語音識別和自