太保集团数智研究院院长王磊：中国太保在大模型方面的一些思考和实践

　　

　　太保集团数智研究院院长王磊：

　　各位领导、各位嘉宾，大家上午好，非常高兴有机会在这里分享中国太保在大模型方面的一些思考和实践。

　　首先我们看一下太保为什么建设数字劳动力。我们认为大模型会带来一个新的范式，它和传统AI的差别主要体现在思考模式、行动力、通用性、编辑成本方面。传统AI主要解决我们在业务流程中的环节问题，而大模型的出现实现了对人、对岗位进行建模的可能性，它同时具备系统一、系统二这样的思考模式，在通用领域和专业领域都能够解决不确定的问题，具备理解、思考和解决问题的能力，并且可以通过行动来完成任务。

　　而大模型要真正发挥作用，是需要具备两个方面的能力。第一是它需要具备专业深度，包括具备对于人来说需要多年完成的一种学习和能力的积累，才能解决具有学习壁垒的问题。同时还需要对知识进行掌握，能够结合具体问题进行推理和演绎，它的服务效果必须能够帮助员工独立完成专业化工作，我们把这种能力叫做增强员工的复合型专家能力。第二个能力需要大模型实现服务闭环，完整的完成任务，包括对于特定的任务进行理解、规划、推理，并且能够通过和环境的交互获得信息，通过生成代码来执行任务，从而提供更多真正的等效劳动力。大模型需要在保险领域需要具备的专家能力就包括法律专家、医疗专家以及财险涉及的各类行业专家、数学专家、会计专家、精算专家、车辆专家和经济专家等，这些都是大模型能够提供的专家能力的支持。

　　太保选择在审计领域做了一些数字劳动力的探索，因为审计缺人同时还覆盖了保险领域的很多方面，所以我们首先在审计领域进行了探索。在专业深度上，需要大模型针对审计需求进行理解，形成审计思路，包括列出相关的疑点，针对每个疑点能够采集审计证据，来获得相关数据，同时分析核查这些证据，来做出结论性的判断。为此，我们对审计专家能力进行了拆解，包括形成审计思路、处理24个领域的风险、构建采集审计证据的能力，包括通过SQL语句、API调用、网页操作和抓取来获得数据，最终将专家能力积累到模型里面，针对每个问题进行相应判断。通过上述专业能力的方法覆盖场景，我们还需要逐步沉淀一些固化的审计方法，来提升整体效率和精准度。太保在审计数字劳动力的建设方面，也经历过几个阶段，第一个阶段是在今年6月，我们完成了具备调用的固化审计方法的能力，能够对于一些常见的场景实现帮助员工提升审计效率；第二个阶段在今年10月底，我们完成了数字员工所具备的本科数学能力的打造，在今年年底，我们也希望能够让数字员工灵活运用数学能力去解决审计里面的专业问题。

　　最后简单分享下我们在数字劳动力生态方面的建设。我们觉得数字劳动力的落地是一个非常困难、非常有挑战性的工作，首先需要具备一些基础条件，包括要具有算力基础和非常强大的大模型底座及支撑平台；在岗位场景方面也需要输入专业领域知识和数据，以及构建相应岗位的数字工作环境，包括制定整体的解决方案来进行岗位体系工作流程的优化；同时要配合高效的变革转型和管理。在真正落地的情况下还可能碰到新的问题，比如说技术可行性的问题：技术方案能否满足业务的专业深度需求，能否满足知识广度的需求，和传统AI比较能否有显著提升，以及能否保证使用的安全性。同时也要考虑商业可行性的问题，比如投产比在这个场景下是否合理，商业价值如何衡量，如何平衡短期投入和长期价值的关系。综合来看，使大模型最终落地保险公司要在四个方面取得突破：第一个是算力保障，第二个是有足够强大的模型能力，第三个是领域数据，第四个是解决如何和场景做结合。太保认为解决上述四个问题光靠自己是不行的，我们希望和行业优秀的技术型企业打造联合实验室，共同进行技术攻坚和应用探索，实现优势互补、风险共担和成果共享。

　　两周前，我们在金博会上和华为、科大讯飞签署了联合实验室协议，我们抱着一个非常开放的态度，欢迎更多的科技企业一起来探索，我们认为双方联合起来要做以下几个方面的攻坚：第一个是大模型平台建设，希望构建稳定高效可扩展的算力平台以及实现自主掌控。第二个是未来的平台要支持更多的领域模型和基础模型的使用，支持更多的主流模型高效训练和推理来提升效率。在领域模型的建设方面思考领域数据如何高效的、低成本的、高质量的采集和建设，同时思考如何去构建可复用的领域专家能力，这也需要行业一起用力。第三个是需要在模型的推理性能方面持续优化，主要集中在解决场景落地问题，包括如何构建标准化的数字工作环境让大模型和工作环境互动起来以及形成与现有业务的整合和集成，同时形成一种闭环反馈和衡量标准，能够加速模型在业务场景应用中的不断迭代。最后一个就是保证业务输出方面的安全可控。以上四点就是我们希望通过打造联合实验室去解决的一些技术挑战。

　　以上就是我分享，谢谢大家。