2 总顾问： 刘 勤 专家顾问：赵燕锡 韩向东 陈 虎 付建华 魏代森 沈雁冰 曾 超
发起人： 杨 寅 吕晓雷
执笔人： 杨 寅 宛 涛 李 彤 孙彦丛 方高林 孔 冰 刘 峰 史瑞超 陈 昊 吕晓雷
研究团队：上海国家会计学院 金蝶集团 元年科技 中兴新云 用友公司 浪潮通软
汉得信息 久其软件
主办中心：智能财务关键技术（会计科技 AccTech）与系统平台研究室（中心）
学术支持：上海国家会计学院
基金支持：国家社会科学基金项目“人工智能对会计工作影响与会计职能转变研究”（20BGL083）
撰写团队：杨 寅 吕晓雷 宛 涛 刘丹彤 肖远明 李 彤 张亚东 鲁 湘 孙彦丛
宁 燕 张 蓓 方高林 张 伟 付立波 孔 冰 莫小娟 杨 智 刘 峰
赵 鹤 贾晓蕊 史瑞超 王 站 姜文杰 陈 昊
内容审定：刘 勤 杨 寅
发布日期：2024 年 9 月
联系交流：yangyin@snai.edu
研究院公众号二维码
3
人工智能大模型技术财务应用蓝皮书
前言
1. 人工智能大模型技术概述
1.1 人工智能大模型技术概念解析
1.2 人工智能大模型技术典型特征
1.2.1 突出的“涌现”能力
1.2.2 统一的 Prompt 交互
1.2.3 高扩展性的应用框架
1.2.4 高成本的训练和推理过程
1.3 人工智能大模型技术发展历程及现状
1.3.1 预训练语言模型
1.3.2 大模型家谱
1.3.3 国产大模型
1.3.4 财务领域大模型
1.4 人工智能大模型技术发展趋势
1.4.1 模型架构演进
1.4.2 训练方法创新
1.4.3 应用场景拓展
1.4.4 伦理和安全风险规避
1.4.5 大模型发展趋势展望
2. 人工智能大模型技术体系架构概述
2.1 人工智能大模型技术整体体系架构
2.2 人工智能大模型技术分类
3. 人工智能大模型技术赋能财务概述
3.1 人工智能大模型技术赋能财务总体情况
（1）人工智能大模型赋能财务发展前景
（2）人工智能大模型在财务领域的应用分析
3.2 人工智能大模型技术赋能财务基本框架
3.3 人工智能大模型技术赋能财务实现路径
3.4 人工智能大模型技术赋能财务核心价值
7889999
10
11
11
12
12
13
14
15
15
15
16
16
17
17
19
22
22
22
23
25
28
29
目 录
4 4. 人工智能大模型技术赋能财务应用
4.1 人工智能大模型技术赋能家用电器制造行业 A 集团财务应用
4.1.1 总体情况
（1）需求背景
（2）发展现状
4.1.2 典型案例
（1）案例背景
（2）财务中台智能客服项目定位
（3）财务中台 GPT 平台框架
（4）财务大模型在智能客服场景的落地
（5）智能客服建设成果
4.1.3 应用场景
（1）生成式智能客服
（2）非结构化附件的智能审核
（3）生成式财务分析
（4）生成式管报
4.2 人工智能大模型技术赋能 B 公司财务应用
4.2.1 总体情况
（1）需求背景
（2）发展现状
4.2.2 典型案例
（1）智能财务平台业务架构
（2）企业大模型应用架构
（3）企业智能助手
4.2.3 应用场景
（1）智能审单机器人
（2）智能交单
（3）智能财务制度助手
（4）智能财务数据分析助手
4.3 人工智能大模型技术赋能 C 银行财务应用
4.3.1 总体情况
（1）需求背景
31
31
31
31
32
33
33
33
34
36
37
38
38
38
39
40
40
40
40
41
42
42
43
45
47
47
49
49
51
53
53
53
5
人工智能大模型技术财务应用蓝皮书
（2）发展现状
4.3.2 典型案例
（1）建设思路
（2）建设框架
（3）技术突破
4.3.3 应用场景
（1）风险评估防控
（2）投资组合推荐
（3）欺诈行为检测
4.4 人工智能大模型技术赋能 D 汽车企业财务应用
4.4.1 总体情况
（1）需求背景
（2）发展现状
4.4.2 典型案例
4.4.3 应用场景
（1）智能采集
（2）智能审核
（3）智能月结
（4）智能风控
（5）经营分析
4.5 人工智能大模型技术赋能 E 大型基础设施综合服务商财务应用
4.5.1 总体情况
（1）需求背景
（2）发展现状
4.5.2 典型案例
4.5.3 应用场景
（1）智能差旅
（2）智能审核
（3）智能融资决策
4.6 人工智能大模型技术赋能 F 医药行业财务应用
4.6.1 总体情况
（1）需求背景
54
54
54
55
56
57
57
59
60
61
61
61
62
62
64
64
69
72
79
85
89
89
89
89
90
92
92
93
95
96
96
96
6 （2）发展现状
4.6.2 典型案例 4.6.3 应用场景
（1）合规性监控应用
（2）智能财务客服的应用
4.7 人工智能大模型技术赋能 G 大学财务应用
4.7.1 总体情况
（1）需求背景
（2）发展现状
4.7.2 典型案例
（1）模型与知识服务
（2）智能财务能力组件
（3）财务智能体（AI Agents/ 数字会计 / 智能助理）
（4）用户场景与应用衔接
（5）案例应用效果与前景
4.7.3 应用场景
（1）智能财务助理
（2）智能填报
（3）智能稽核
4.8 人工智能大模型技术赋能 H 投资集团财务应用
4.8.1 总体情况
（1）需求背景
（2）发展现状
4.8.2 典型案例
4.8.3 应用场景
（1）共享服务与智能问答
（2）管理报告与智能分析
（3）司库管理与虚假贸易识别
（4）决算分析与填报助手
（5）工程风险评价与合规管理
5. 人工智能大模型财务应用局限性和关注问题
5.1 人工智能大模型技术财务应用局限性
5.2 人工智能大模型技术财务应用关注问题
97
97
99
99
101
103
103
103
103
104
105
106
107
108
108
109
109
111
116
118
118
118
119
119
122
122
123
124
124
125
127
127
127
7
人工智能大模型技术财务应用蓝皮书
2023 年 9 月，习近平总书记在黑龙江考察东北全面振兴期间首次提出“新质生产力”这一
重要性的概念，并要求“积极培育新能源、新材料、先进制造、电子信息等战略性新兴产业，
积极培育未来产业，加快形成新质生产力，增强发展新动能”。人工智能是适应全球经济创新
发展的新质态生产力，习近平总书记强调指出：“加快发展新一代人工智能是我们赢得全球科
技竞争主动权的重要战略抓手，是推动我国科技跨越发展、产业优化升级、生产力整体跃升的
重要战略资源” 。财政部、国资委等部委也相继明确指出人工智能等新技术推动财务（会计）
数字化转型的重要作用，实现财务管理工作的高质量发展。
2022 年横空出世的 ChatGPT 是一个里程碑式的人工智能深度学习系统。人工智能大模型的
发展可以追溯到以传统神经网络模型为代表的萌芽阶段，而随着 Google 提出基于 Transformer
架构的神经网络模型，奠定了大模型预训练算法架构的基础。2022 年 OpenAI 公司发布的
ChatGPT 是通用人机对话系统，是一个大型的语言模型和一款具有较高智能的多语言聊天机器
人，在 Transformer 架构基础上，以 GPT（Generative Pre-trained Transformer，生成式预训练
语言模型）模型及人类反馈的强化学习（RLHF）进行精调的策略下取得了巨大的成功。
虽然真正意义上的人工智能大模型发展历史并不长，但对人类社会的影响产生了积极作用。
财务作为服务经济发展的重要组成部分，也将受到人工智能大模型的影响。目前，我国企事业
单位已将光学字符识别、自然语言处理、语音识别、机器人流程自动化、专家系统、规则引擎、
知识图谱、机器学习、深度学习等人工智能技术应用在会计核算、费用报销、财务报告、战略管理、
预算管理、成本管理、营运管理、投融资管理、绩效管理、风险管理、管理会计报告、资金管理、
司库管理、税务管理、审计管理等大财务领域。随着人工智能技术创新迭代，大模型将在大财务
领域的应用开花结果。基于此，我们编写了《人工智能大模型技术财务应用蓝皮书》，通过大
模型的技术概念、典型特征、技术架构、财务应用基本框架、财务典型案例、财务应用场景等
内容，旨在帮助与引领企事业单位财务部门及广大财务人员认识大模型的技术类型与发展趋势，
并了解大模型在大财务领域的应用场景，希望能够为需要的人提供启发。
前 言
1 人工智能大模型技术概述
8 1.1 人工智能大模型技术概念解析
人工智能（Artificial Intelligence，简称 AI）是约翰·麦卡锡等人在 1956 年达特茅斯会议上首次提出的概念，主要研究
和开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。人工智能领域的研究包括机器人、语音识别、计
算机视觉、自然语言处理、专家系统和机器学习等，旨在通过一定的学习和训练，使计算机能够模拟人类感知、认知智能
行为，从而完成一定的任务。
深度学习（Deep Learning）作为机器学习（Machine Learning）的一个重要分支，基于人工神经网络（ANN）进行建
模，通过模拟人脑神经元的连接和工作方式，使计算机能够像人一样学习和理解数据。深度学习技术的核心在于其深度神
经网络结构，这些网络通常由多个层次组成，每一层都能够从输入数据中提取出更高级别的特征。随着层次的加深，网络
能够学习到越来越复杂和抽象的特征，随着层数加深以及维度加大，逐渐形成大规模参数的模型（广义的大模型），从而
实现对数据的更深入理解。
机器为了深入理解和有效掌握语言，采用构建语言模型的方法来进行语言的表征和建模。早期的语言模型是通过手工
编写的规则和语法结构来解析和生成语言，随着统计学的发展，统计语言模型（Statistical Language Models）开始兴起，
基本思想是基于马尔可夫假设构建单词预测模型，例如，基于最近上下文预测下一个单词，为了减少计算，通常上下文取
前 n 个词，也被称为 n-gram 语言模型。
为了提升语言模型的上下文理解能力，深度学习技术与语言模型进行结合产生了神经网络语言模型（Neural Network
Language Models）。早期的神经网络语言模型如循环神经网络（RNN）能够处理序列数据，但存在梯度消失和梯度爆炸问题。
长短期记忆网络（LSTM）和门控循环单元（GRU）等变种 RNN 模型通过引入门控机制，解决了 RNN 的梯度问题，能够更
好地处理长序列数据。Transformer 模型则采用了自注意力机制，进一步提高了模型对序列中不同位置信息的处理能力，
成为了目前最流行的语言模型架构之一。
预训练语言模型（Pretrained Language Models, PLMs）是一种通过在大规模语料库上进行无监督预训练的语言建模
方法，旨在学习语言的通用表示。模型通过捕捉语言的统计规律和结构信息，为自然语言处理（NLP）任务提供了强大的
基础。在预训练完成后，PLMs 可以通过微调（fine-tuning）的方式，针对特定任务如机器翻译、文本分类、情感分析等进
行适应性调整，典型代表如 Bert 模型。
近年来，随着计算能力的飞速增强和大规模数据训练模型技术的崛起，生成式大语言模型（Large Language Models,
LLMs）以 ChatGPT 为代表，开始崭露头角。这些模型通过扩大预训练语言模型的规模和训练数据的范围，能够学习到更
加复杂和精细的语言表示，进而展现出令人瞩目的语言生成和理解能力。LLMs 通过海量的文本数据进行训练，深入学习了
语言的结构、语义和上下文关系。这使得能够以统一模型处理各种自然语言任务，同时也展现出了强大的泛化能力和涌现
出新的深度理解、逻辑推理、遵循指令、代码生成等能力，为解决一系列复杂任务提供了可能。
1. 人工智能大模型技术概述
人工智能大模型技术财务应用蓝皮书
9
1.2 人工智能大模型技术典型特征
大模型达到一定规模后，会涌现出传统语言模型以及中小规模预训练语言模型所不具备的特殊能力，使大模型在使用
界面、应用开发方式、模型构建过程和工程要求上也有深刻的变化。
1.2.1 突出的“涌现”能力
“涌现”能力是大模型在达到 10 亿参数以上规模后出现的特殊能力，它们在解决复杂任务时表现出显著的优势，使得
大模型在自然语言处理（NLP）领域取得了突破性进展，例如数学问题解答、逻辑推理和多步推理等任务，主要体现在：
上下文学习（In-context learning）：大模型能够通过提供的自然语言指令或者提示语（prompt）中的个别任务示
例引导，在没有额外训练和参数更新的情况下，生成与指令或示例相符的期望输出。例如，13B 的 GPT-3 模型在算术计算
以及一般任务上都能表现出不错的上下文学习能力，但 GPT-1 和 GPT-2 模型则没有。
指令遵循（Instruction following）：通过使用自然语言描述的多任务数据集进行指令微调（instruction tuning），
大模型能够在未见过的、以指令形式描述的任务上表现出色，有更好的泛化能力。例如，LaMDA-PT 模型在大小达到 68B 时，
在未见过的多任务评估基准测试中显著优于未调整的模型，8B 以下模型则不会。
逐步推理（Step-by-step reasoning）：小型语言模型在解决涉及多步推理的复杂任务（如数学问题）时通常很困难。
相比之下，大模型可以使用包含中间推理步骤的思维链（chain-of-thought，CoT）提示机制来得出最终答案。这种能力通
过在代码上进行训练而获得，尽管这一点还需进一步研究来验证，而逐步推理能力是使用大模型进行复杂任务规划、流程
拆解的基础。
1.2.2 统一的 Prompt 交互
大模型深刻改变了人们使用 AI 算法的方式，与以往 AI 算法的输入输出形态各异相比，大模型提供了统一的提示语
（Prompt）交互方式，使得应用调用更为简单，只要掌握了提示语技巧，用户也可以在各种任务中直接使用。统一的
Prompt 交互使得基于大模型的应用能够形成统一的“Copilot”型交互界面，便于标准化和形成用户习惯。
提示语设计需要考虑任务需求、期望输出以及对模型能力的激发，除了角色、任务和指令定义说明之外，在复杂任务
求解中，为了引导大模型进行上下文学习和逐步推理、多路径推理、多答案评估、自我评估、流程拆解和串接等，还有各
种更高级的提示语方法，如思维链（Chain of Thought）、思维树（Tree of Thought）、自我一致性（Self-Consistency）、
反思（Reflection）、专家提示（Expert Prompting）、链（Chains）、轨道（Rails）等，此外，自动提示工程（APE）还
可以通过大模型自身来生成提示语、评分和迭代，递归的使用大模型来创建高质量的提示语，提升模型输出质量。
1.2.3 高扩展性的应用框架
大模型除了自身的知识和推理能力外，与外部知识库、信息检索、各种工具 API 等结合，还可以构建具备感知、理解、
规划和执行能力的自主智能体（Agent），能够完成更加复杂的任务。大模型在 Agent 中提供理解、规划和生成能力，处
于大脑核心位置，外部知识库、检索引擎、工具 API 等构成可定制化的外围组件。
1 人工智能大模型技术概述
10 检索增强生成（Retrieval-Augmented Generation，RAG）：RAG 系统结合了信息检索和大模型生成的能力，通
过从外部知识源（如搜索引擎或知识图谱）检索相关信息，并将这些信息与输入提示结合，以生成更准确和丰富的回答。
RAG 能够扩展大模型的已有知识，并使大模型获得对外部长信息的处理能力。为了更好地利用 RAG，研究者们还开发了
RAG-aware 提示技术，如 FLARE（Forward-looking Active Retrieval Augmented Generation）。FLARE 通过迭代的结合预
测结果和信息检索，动态地在生成过程中引入最新信息，从而提高回答的准确性和相关性。
规划和执行（Plan and Execute，P&E）：P&E 是复杂任务多步执行的基本方案，以机器人流程自动化（Robotic
process automation，RPA）场景为例，P&E 使用大模型将原任务自动拆解成 RPA 代理可以执行的流程单元，以完成文件
报表处理、自动化测试等包含大量重复性步骤的任务。如果规划中有未知步骤依赖于前导步骤的执行结果，那么需要一边
执行一边调整规划，这需要大模型和 RPA 代理之间的持续多次交互机制。
大模型智能体（LLM-Agent）：大模型 Agent 是基于大模型构建的自主实体，可以认为是 RAG、P&E 和外部工具（如
APIs）的能力综合，能够感知环境、做出决策并执行任务。大模型通过外部工具来扩展其功能，这些工具可以是信息检
索、数据分析、计算等各种类型的服务，例如，通过天气 API，大模型 Agent 可以回答与特定地点的天气相关的问题。大
模型可以根据输入、上下文和可用工具做出决策，通常涉及复杂的推理过程，如何用外部知识和已知 API 的能力来解决问
题。为了更有效地使用工具，研究者们研发了 Toolformer 训练方法和 Tool-aware 提示技术如 ART（Automatic Multi-step
Reasoning and Tool-use），能够教会大模型何时使用工具以及如何设置 API 参数，如何结合思维链来使用工具。ReWOO
（Reasoning without Observation）、ReAct（Reason and Act）和 DERA（Dialog-Enabled Resolving Agents）等提示技术，
使大模型能够在没有直接观察的情况下推理，生成可执行的步骤，以及在对话中解决问题。
综上所述，大模型应用框架涉及提示设计、外部知识整合、工具使用和智能体构建等多个层面，这是一个具有广泛适
用性和高度可扩展性的应用框架，不同层面的优化和整合，共同提升了大模型的实用性和智能化水平。
1.2.4 高成本的训练和推理过程
相比小规模的语言模型，大模型巨大的参数量对训练语料的数量和质量都有更高的要求，训练流程更为复杂，训练周
期更长，对算力的要求也远高出小规模语言模型。大模型的训练过程包括语料收集和预处理、模型预训练、微调等阶段。
语料处理：大模型的能力很大程度上依赖于预训练语料库的规模、质量和预处理方式。预训练语料库包括通用语料和
专业语料，前者包括网页、书籍、对话文本等，后者如多语言文本、代码、专业领域的数据和文本等，赋予大模型通用的
语言能力和泛化能力，以及专业知识。语料预处理需要去除语料中的噪声（错误、冗余、无关内容如广告、重复内容、格
式错误、异常值等）以及隐私、敏感、有害内容，并平衡各类语料的分布以增强模型的多样性，最后是切词处理，将语料
转换成可训练的格式。
预训练（Pre-Training）：预训练之前要确定模型的架构（包括模型基本单元 Transformer 的类型，模型的结构配置
如正则化、位置编码、激活函数、注意力和偏置等，模型的规模配置如层数和各层单元数等）、预训练的具体任务（如语
言建模、去噪自编码或者混合专家 (MOE) 等）、训练过程中的优化参数配置（如优化器选择、批量数 (Batch)、学习率、
训练精度等）、并行训练（如数据并行、流水线并行、张量并行）与加速、稳定性控制等（如定期检查点）。预训练过程
可以分成多个阶段，每个阶段在已有检查点的基础上，调整优化参数的配置、预训练语料的构成乃至预训练任务之后进行
继续训练。
人工智能大模型技术财务应用蓝皮书
11
微调（Fine-Tuning）：微调将预训练后的大模型（基础模型，具备通用的语言能力）适配到目标任务上，这通常需
要在有标注的语料集上进行训练。微调包括指令微调和对齐，前者使用针对目标任务所构建的指令格式的语料集（典型
的如问答对）来继续训练基础模型，旨在增强（或解锁）基础模型在目标任务上的能力，如监督微调（Supervised FineTuning）、多任务微调等；后者旨在使用经过人类反馈校准的语料将模型的行为与人的价值观、偏好对齐，如基于人类
反 馈 强 化 学 习（Reinforcement Learning from Human Feedback，RLHF） 和 DPO（ 直 接 偏 序 优 化，Direct Preference
Optimization）等。此外，在具体应用场景下还可以针对特定目标进行高效微调，如适配器微调（Adapter Tuning）、前
缀微调（Prefix Tuning）、提示微调（Prompt Tuning）和低秩适配（LoRA）等，它们通过在大模型中新增一些额外参数
进行训练，并不改动大模型原有参数来将大模型适配到特定目标上。
大模型的推理过程（主要是解码过程，即把用户输入从大模型中的内部表示逐字生成出最终的文本输出的过程）同样
是成本较高的。在不同任务中为了平衡准确性、多样性和生成速度，在解码策略上也有多种考虑，如贪心搜索（Greedy
Search，速度较快但可能损失连贯性）、束搜索（Beam Search，连贯性好但速度慢）以及 Top-k Sampling、Top-p
Sampling（引入随机采样，多样性更好但牺牲精确性）等，在不同应用场景中的选择根据任务对创造性和精确性的要求而定。
综上所示，大模型的构建（训练）到推理是工程复杂、成本很高的过程，包括巨大规模训练语料的准备、模型架构设计、
预训练、微调以及解码策略等多个层面。巨大的算力消耗和对数据质量、训练技巧的敏感性，使得预训练功能强大的大模
型非常困难，为了研究大模型的各种训练策略的效果而进行重复消融实验的成本极高，使得相关的实验和研究几乎不能进行。
在将大模型与人类的价值观和偏好对齐、减少幻觉和安全风险的问题上也存在很大的挑战，这也加大了在实际应用中二次
微调大模型的风险，使得提示词（Prompt）成为当前大模型使用的主要途径。
1.3 人工智能大模型技术发展历程及现状
大模型本质上是对人类语言系统的一种人工智能建模技术，通过学习和融合巨量的自然语言、图像、代码等多种模态
数据，已呈现出接近甚至超越人类的认知、计算和推理能力，摘得了人工智能领域的圣杯—能够顺利通过由计算机科学的
先驱艾伦·麦席森·图灵于 1950 提出的图灵测试。因此，大模型被部分专家和学者视为通用人工智能（General Artificial
Intelligence, GAI）的早期形态。
大模型技术的发展历程是自然语言处理、神经网络模型与加速计算技术深度融合和发展的产物。早期的自然语言处理
分为规则学派和统计学派，前者试图通过建构系统的形式语言理论体系对自然语言建模，典型的代表是乔姆斯基范式；后
者则尝试使用概率模型对自然语言建模。规则学派兴起于 20 世纪中期，式微于 20 世纪末；统计学派始于 20 世纪中后期，
其中神经网络学习理论最早由图灵奖得主 Geoff Hinton 在 1986 年提出，也是大模型技术最早的萌芽。如果将神经网络学
习理论的提出视为大模型技术的发轫，根据神经网络语言模型的里程碑进展，可以将大模型的发展历程分为四个阶段：统
计语言模型（Statistical Language Model，SLM）、神经网络语言模型（Neural Language Model，NLM）、预训练语言模
型（Pretrain Language Model，PLM）和大模型（Large Language Model，LLM）。
大模型四个阶段的语言模型都属于概率语言模型，将自然语言视为有先后顺序的序列数据，其主要区别在于文本特征
的表示方法以及语言序列概率的计算方法。统计语言模型以字符或词组为基本语言要素，主要使用最大似然估计方法基于
共现频次计算语言基本要素共同出现的条件概率；神经网络语言模型、预训练语言模型及大模型则使用稠密向量表示文本
语义，并使用深度神经网络结构学习自然语言的内在语义表达逻辑。因此，神经网络语言模型、预训练语言模型以及大模
型可以认为是同一技术路线的不同发展阶段，三者之间有着更加紧密和连续的关系，主要体现在从预训练语言模型相比神
经网络语言模型的进展、大模型相比预训练模型的进展、国内大模型以及财务领域大模型应用发展现状四个方面。
1 人工智能大模型技术概述
12 1.3.1 预训练语言模型
在 Geoff Hinton 提出神经网络学习理论十多年之后，其学生 Yoshua Bengio 提出神经概率语言模型，并成功应用于机
器翻译等文本处理任务。Mikolov 于 2013 年提出了里程碑式技术 word2vec， 揭开了使用低维稠密向量（词嵌入）表示文
本语义特征的表示学习研究的大幕。之后，循环神经网络、卷积神经网络以及自编码器等神经网络结构被广泛应用于神经
网络语言模型。值得注意的是，OpenAI 最早的通用人工智能研发选择的就是以循环神经网络为核心结构。
促使神经网络语言模型向预训练模型演进的另外一个里程碑式成果是 2017 年由谷歌学者 Vaswani 等人提出的
Transformer，其中多头自注意力和自编码网络结构使得在 GPU 上高效预训练具备数亿参数的语言模型成为可能，从而触
发了 2018 年 BERT 及 GPT 预训练语言模型技术的诞生。预训练语言模型技术的掩码遮蔽无监督训练策略允许模型从海量
的无标注文本中学习参数，推动了自然语言处理技术向“预训练 + 微调”范式的转变。
根据编码器和解码器的组合策略，预训练语言模型可分为三个类别：编码器模型、解码器模型和编码器——解码器模型。
编码器模型只包含编码器网络。模型最初是为语言理解任务开发的，如文本分类，其中模型需要为输入文本预测一个
类别标签。代表性的编码器模型包括 BERT 及其变体，如 RoBERTa、XLNet 等。BERT 由三个模块组成：嵌入模块，将输
入文本转换为嵌入向量序列；编码器模块，将嵌入向量转换为上下文表示向量；全连接模块，将表示向量（在最后一层）
转换为独热向量。BERT 使用两个目标进行预训练：掩蔽语言建模（MLM）和下一句预测。预训练的 BERT 模型可以通过
添加分类器层进行微调，适用于许多语言理解任务，从文本分类、问答到语言推理，取得了当时最领先的水平。
解码器模型的经典代表即是 OpenAI 的 GPT 系列模型，也是当前大模型的直系祖先。GPT 系列模型将语言序列建模视
为生成任务。GPT-1 通过在多样化的未标记文本语料库上进行自回归预训练，然后对每个特定下游任务进行少量样本的判
别性微调，在多种自然语言任务上获得领先表现。GPT-2 进一步扩充了训练数据、改进了注意力机制以及上下文长度，除
了取得了在自然语言处理任务上的效果提升之外，其最大的收获是经验性的证明通过同时扩大模型参数和提升训练数据的
规模可以大幅提升模型的学习能力，为 ChatGPT 的推出提供了技术路线的方向性验证。
编码器——解码器模型旨在训练统一的模型用于各类自然语言理解和生成任务，典型代表 T5 和 BART 等。这类方法的
基本思想是序列到序列的建模，实验数据证明和前两类预训练模型项目，但编码器——解码器模型并没有十分显著的优势。
1.3.2 大模型家谱
在全球范围内主流大模型按其技术开放度可以分为两类：GPT 系列模型代表的闭源大模型和 LLaMa 系列模型代表的开
源大模型，如图 1-1 所示。
人工智能大模型技术财务应用蓝皮书
13
图 1-1 主流大模型家谱
从 GPT-1 和 GPT-2 到 GPT-3 真正意义上实现了从预训练模型到大模型的转变。其主要特征是模型参数和训练数据增加
引发的涌现能力，以及在训练数据中加入代码语料后的推理能力显著提升。典型的代表是 OpenAI 于 2022 年 11 月推出的
GPT-3，具备 1750 亿个参数的自回归大语言模型，首次展现出在没有微调情况下，通过文本交互指令或少量示例进行文本
理解和推理的上下文学习能力。2023 年 3 月发布 CODEX 专门用于解析自然语言并生成代码响应反映了大语言模型在令人
惊叹的代码生成、理解以及推理能力，为 GPT-3 增加外部信息或知识的 WebGPT 能够基于互联网数据回答开放式问题。
2023 年推出的 GPT-4 则将视觉信息融入大模型，能够接受图像和文本输入并产生文本输出，表现出接近人类的图文双模态
理解和生成能力。
LLaMA 系列模型由 Meta 发布，为大模型开源社区的发展提供了基石性的支撑。从 LLaMa 到 LLaMa-2，参数规模从
70 亿到 650 亿，LLaMa 系列模型保持对 GPT 系列模型的跟随，成为大模型相关技术研究的重要参考，显著推动大模型开
源社区相关技术研发的快速发展。
1.3.3 国产大模型
国内大模型的研发处于快速跟随 OpenAI 的 GPT 系列模型的状态。国内大模型最早由百度于 2023 年 2 月推出，随后
不断有新的国产大模型面世。根据《生成式人工智能服务管理暂行办法》，国内大模型的提供商业服务前需要完成备案。
根据公开信息统计，从 2023 年 8 月第一批国产大模型通过备案到 2023 年底，已有 4 批次共计超过 40 款大模型先后通过
备案。
WebGPT
InstructGPT
CODEX
code-davinci
GPT3
GPT 家族 LLaMA 家族
GPT2 GPT4
GPT1
text-davinci
GPT3.5 Turbo
WizardLM
Long LLaMA
Gorilla
Vigogne
Koala
Tulu
Vicuna
GPT4 Vision
GPT4 Turbo
Giraffe
Guanaco
Mistral
Stable Beluga2
Code LLaMA
Baize
Alpaca
1 人工智能大模型技术概述
14 国产大模型的核心方向是垂直行业的落地和应用，也即应用导向，注重产业生态建设。国产大模型的闭源代表是百度
的文心系列大模型，其研发紧密跟随 OpenAI 关键大模型的技术进展。国产大模型的开源代表主要有百川、智谱、通义等。
在产业应用方面，除了智能客服、智能写作等场景，国产大模型还在财务、医疗、金融、教育等垂直领域持续发力，大模
型的产业生态处于逐渐构建的过程中。
1.3.4 财务领域大模型
财务作为企业运营的核心环节，对于数据处理、分析、预测等方面的需求尤为迫切，国产企业服务大模型的兴起，为
财务领域的智能化转型提供了新的契机。财务领域对大模型的需求包括数据处理、智能分析与预测、自然语言交互和合规
风险控制等多个方面。
• 数据处理能力的提升
随着企业规模的扩大和业务的多元化，财务数据量呈指数级增长。传统的数据处理方式已难以满足高效、准确的要求。
大模型具备强大的数据处理能力，能够快速、准确地处理海量数据，为财务决策提供有力支持。
• 智能化分析与预测
财务决策需要基于对历史数据的深入分析和对未来趋势的准确预测。大模型通过深度学习等技术，能够挖掘数据中的
潜在规律，为企业提供智能化的分析和预测服务，帮助企业在复杂多变的市场环境中把握机遇、规避风险。
• 自然语言处理与交互
财务工作涉及大量的文档处理和信息交流。大模型具备自然语言处理能力，能够理解并解析财务文档中的信息，同时
与企业财务人员进行自然流畅的交互，提高工作效率和准确性。
• 合规性与风险控制
财务工作对合规性和风险控制的要求极高。大模型通过内置合规规则和风险控制模型，能够帮助企业在遵循相关法律
法规的前提下，有效识别和控制财务风险。
目前，国内外众多科技企业纷纷布局财务领域的大模型市场，国内财务服务领域的科技企业也相继发布了企业服务大
模型，在其产品中深度赋能财务领域相关智能业务，主要特性体现在以下几个方面：
（1）基于事项会计理论研发了新一代的智能会计产品，提供的精细、实时、多维的数据洞察能力，依托大模型技术，
形成体系化的管理模型，为企业提供管理决策及价值创造服务。
（2）将大模型能力嵌入业财融合的整体框架，重塑业财流程，洞察业务，优化业务，并在此基础上进行价值创造。
（3）大模型扮演财务业务生产力。如智能分析助手：利用大模型的生成能力和自然语言交互能力，用户只需要利用自
然语言进行提问，即可自动生成可视化图表和报告文字；智能经营分析可以整合不同领域的知识，通过深度数据挖掘，提
供更全面的信息，为企业经营提供深度的诊断性分析；智能预测基于大模型的推理能力，智能感知企业生产、销售、库存
等各领域的数据关联和归因，进行推理式经营洞察，精准预测未来企业效益；智能订单盈利分析以订单、品种、客户、组
织等多维度为分析对象，支撑企业从订单入手挖掘利润提升点。
人工智能大模型技术财务应用蓝皮书
15
1.4 人工智能大模型技术发展趋势
大模型被视为是通往通用人工智能的技术路线， OpenAI 初步计划于 2024 年夏季发布的 GPT-5 已具备通用人工智能能
力的若干特性。在国际范围内，从产业界到学术界，从政界到民进，大模型技术被广泛认为是推动第四次工业革命的关键技术。
从技术发展、产业应用和社会影响三个层面出发，大模型技术发展主要考虑的问题是：如何实现通用人工智能，如何深入
产业应用，如何确保社会安全稳定。这三个问题决定了大模型技术的发展趋势，也即实现通用人工智能、产业中的可靠应
用以及从技术层面考虑社会伦理和安全。更进一步，大模型的智能原理需要理论性的解释，大模型向通用人工智能的发展
需要模型架构和工程技术的进步和完善；大模型在产业应用中存在的幻想问题和参数遗忘问题需要得到有效解决；大模型
生成内容的有害内容风险问题需要从技术层面上给出根本的解决方案。因此，大模型技术的发展趋势主要有模型架构演进、
训练方法创新、应用场景拓展以及伦理安全风险规避四个方向。
1.4.1 模型架构演进
为了实现通用人工智能以及更好的产业应用，大型语言模型（LLMs）的架构将继续朝着模块化和可扩展方向发展。未
来的模型将更加注重能效，采用先进的算法和硬件协同设计，以减少能源消耗。自适应学习机制有望帮助大模型能够根据
实时数据反馈进行自主调整，提升适应性。这个方面的发展趋势主要体现在以下三个方面：（1）模型规模的增长，规模效
应将进一步提升大模型的智能水平；（2）架构优化，可能包括更高效的注意力机制以及模型压缩技术，以减少计算和存储
需求；（3）多模态学习，大模型将越来越多地整合视觉、听觉等多模态信息，具备完整立体的信息理解和整合能力。
1.4.2 训练方法创新
在训练方法方面，LLMs 将越来越多地采用自监督学习，减少对大量标注数据的依赖，通过利用无标注数据进行预训练，
提高模型的泛化能力。元学习技术的发展有望使模型能够快速适应新任务，通过学习如何学习，实现在短时间内掌握新技能。
此外，隐私保护训练方法，如差分隐私，可能被广泛应用于确保数据安全和用户隐私，同时满足日益严格的数据保护法规要求。
具体的技术可能有：（1）数据增强，为了解决数据稀疏性问题，采用更先进的数据增强技术，如生成对抗网络生成的文本，
以及通过模拟对话生成更多样化的训练数据。（2）强化学习与人类反馈，大模型的训练将更加依赖于强化学习和人类反馈，
以确保模型输出与人类价值观和偏好保持一致。（3）计算资源的优化，随着模型规模的增长，对计算资源的需求也将增加。
1.4.3 应用场景拓展
大模型的应用场景已经在医疗、法律、教育等多个跨学科领域发挥重要作用，未来可能在更加广泛的领域和社会生活
场景中发挥作用。大模型有望通过深度融合知识和技术，提供更加精准和个性化的服务。实时交互能力的提升将使大模型
能够提供即时反馈，增强用户体验。随着边缘计算技术的发展，大模型将更多地部署在端侧设备上，实现本地化智能处理，
降低延迟，提高响应速度。场景应用的潜在方向可能包括：（1）通用任务解决器，大模型将继续作为通用任务解决器，应
用于各种 NLP 任务；（2）垂直领域应用，大模型将在特定垂直领域（如财务、金融、医疗等）发挥更大作用。（3）AI 代
理与自动化，大模型有望推动 AI 智能体的发展，实现更智能的办公、客户服务和内容创作。
1 人工智能大模型技术概述
16 1.4.4 伦理和安全风险规避
大模型有望对人类的生存方式产生巨大变革，其引发的社会变化和伦理风险有动摇社会根基的可能性。因此，在社会
伦理和安全方面，大模型的发展需要有更加严格的伦理框架约束，以确保技术进步与社会责任相协调。大模型的可解释性
和透明度必须得到显著提升，使得用户和监管机构能够更好地理解模型的决策过程。模型偏见问题也需显著改善，确保所
有群体都能公平地受益于人工智能技术。概况而言，在伦理和安全风险规避方面，大模型要重点发展的方向主要体现在：（1）
透明度和可解释性；（2）偏见和公平性；（3）安全性和隐私保护。
1.4.5 大模型发展趋势展望
大模型是目前最有希望通向通用人工智能的关键技术，通过加强国际合作，共同制定标准和规范，促进技术的健康发展，
将大模型与人类的生产和生活形成更紧密的协作关系，通过增强人类能力，实现人机共生的未来，这些趋势是大模型在人
类社会中发挥积极作用的必要考量。为了实现以上目标，大模型的发展趋势展望可以归到以下三个方面：
（1）通用人工智能，大模型的发展将为实现人工通用智能提供基础。研究者将探索如何将大模型的学习能力与人类的
认知过程相结合；
（2）跨学科融合，大模型的研究将与认知科学、心理学、社会学等学科融合，以更全面地理解语言和智能；
（3）国际合作与标准化，随着大模型在全球范围内的应用，国际合作和标准化将成为推动人工智能技术健康发展的重
要力量。
人工智能大模型技术财务应用蓝皮书
17
2.1 人工智能大模型技术整体体系架构
人工智能大语言模型体系主要包含了数据处理、模型训练、模型部署、效果评估等核心内容。
（1）数据处理
预训练数据处理包括数据获取和清洗、预标注。数据获取追求全面性和代表性，通过多样化的渠道如互联网、书籍、
研究报告、代码库等获取信息。数据清洗则注重提升数据质量，去除重复、错误和低质量样本。预标注是根据任务需求采
取不同的标注策略，如文本分类任务，则需人工为样本打类别标签，并采用策略来降低标注成本，如偏采样、主动学习等。
有监督微调训练数据处理侧重于提升模型对特定任务的适应性。首先，通过标注者对数据进行“有帮助”或“无害”
的标注。其次，采用交叉验证法检验数据质量，即将数据集分割成多个子集，轮流使用不同的子集进行训练和验证。最后，
通过多次迭代，评估模型在不同数据子集上的性能，从而判断标注数据的准确性和质量。这一过程有助于优化模型性能，
确保其在实际应用中的有效性和可靠性。
（2）模型训练
① 训练框架
模型越大，在训练时越需提升总训练速度、缩短训练时间。大模型训练过程中影响模型训练速度的 3 个重要因素如公
式 2-1 所示：
总训练速度 ∝ 单卡速度 * 加速芯片数量 * 多卡加速比（公式 2-1）
其中单卡速度主要由运算速度和数据读取的快慢决定；加速芯片数量。理论上加速芯片的数量越多，模型训练越快；
多卡加速比主要由计算、通讯效率决定，需要依赖算法和集群中的网络拓扑进行优化。通过多卡优化的技术手段，大规模
的集成训练算力，提升训练速度。
② 模型预训练
大模型预训练是深度学习领域的创新技术，尤其在自然语言处理中具有重要意义。预训练基于自监督学习，利用大量
未标注的文本数据训练模型，使模型掌握语言的通用表示和深刻理解。预训练的核心在于设计有效的自监督目标，让模型
自我学习语言规律，减少对人工标注的依赖。预训练过程中，由于模型参数众多，通常采用分布式并行技术来优化计算效率。
数据的质量和多样性对模型性能有显著影响，数据越丰富，模型泛化能力越强。然而，这也增加了数据清洗和预处理的重
要性，以避免噪音和偏差。预训练完成后，模型具备广泛的知识基础，但要适应特定任务，还需在有监督的数据上进行微调，
以实现最佳性能。
预训练阶段是语言模型掌握知识的起始时期，训练过程投入高、算力消耗大，需要海量的语料支撑和大规模的分布式
计算设施。
2. 人工智能大模型技术体系架构概述
2 人工智能大模型技术体系架构概述
18 ③ 模型微调训练
微调（Fine-tuning）是自然语言处理（NLP）领域中一种常见的技术，通过在特定任务的少量数据上继续训练预训练模型，
使模型学习到任务相关的知识，从而提升性能。微调时，首先选择与目标任务紧密相关的高质量数据集，并确保数据集的
覆盖度，同时避免过拟合，保持模型泛化能力。其次，根据任务特性设定微调目标和评估指标，如将财务报告生成视为序
列生成问题，使用负对数似然作为优化目标。微调中还需调整超参数，如学习率、批量大小和训练轮数，以优化模型表现。
网格搜索、随机搜索和贝叶斯优化等方法有助于找到最佳超参数组合。此外，采用学习率 warmup、梯度裁剪和权重衰减
等技术可以进一步提高微调效果，稳定训练过程，防止梯度爆炸，并减少过拟合。
微调的类型主要分为二次预训练 / 全量微调和高效微调。全量微调（Full Fine-Tuning，FFT）调整预训练模型的所
有参数以适应下游任务，适用于任务与预训练模型差异较大的情形，但需要大量算力。而高效微调（Parameter-Efficient
Fine-Tuning，PEFT）技术如 LoRA 和 Prefix-tuning 减少参数数量，降低算力需求，使得在资源有限的情况下也能进行有
效的微调。这些方法的选择取决于特定任务的需求和可用的计算资源。
（3）模型部署
企业在决定部署财务大模型时，需要综合考虑多个关键因素，以确保所选方案能够满足其业务需求和长期战略。企业
在选择公有部署还是私有化部署财务大模型时，需要权衡相关优缺点因素，如表 2-1 所示。
表 2-1 财务大模型部署方案优缺点分析
部署方案 优点 缺点
公有云部署
• 按需付费，减少初始投资
• 可弹性伸缩，快速响应业务变化
• 云服务商维护更新，企业减轻 IT 负担
• 可能存在数据泄露的风险
• 无法完全根据企业特定需求定制模型
• 依赖云服务商的网络和计算资源，或引致延迟与性能
波动
私有化部署
• 本地存储数据，便于访问控制和隐私保护
• 可以根据企业的具体业务需求定制模型
• 完全控制计算资源，优化性能满足实时需求
• 需投资硬件和基础设施，及承担维护、运营成本
• 需要专业的 IT 团队来维护和更新系统
• 虽然可以定制，但扩展性可能不如云服务灵活
① 公有部署对算力的要求：
公有部署通常依赖云服务商的基础设施，这意味着企业可以按需调整计算资源。例如，对于 GPT-3 或 OPT-175B 这样
的大型模型，可能需要至少两台配备 8 个 V100 GPU（每个 GPU 有 32GB 内存）的服务器才能以合理的速度运行。
② 私有化部署对算力的要求：
私有化部署要求企业在本地或专用的云环境中部署大模型，这通常涉及到对硬件的前期投资。对于 7B（70 亿参数）
大模型，推理的显存需求大约为 14GB，而微调则至少需要 140GB 的显存。对于 13B（130 亿参数）大模型，推理的显存
需求大约为 26GB，保守估计需要 32GB，微调的话，则至少需要 260GB 的显存。
人工智能大模型技术财务应用蓝皮书
19
（4）效果评估
① 常见的评测维度
大模型评测涉及多个维度，首先是计算量评估，包括参数量、FLOPS（每秒实际做的浮点运算数）、训练与推理时间，
这些直接影响硬件需求。其次是泛化能力，通过 SuperGLUE（General Language Understanding Evaluation）、RACE 等
测试集判断模型对新数据的适应性。准确率和精度评估通过准确率、召回率、F1 分数等指标衡量模型在各任务上的表现。
健壮性评估关注模型对噪声和对抗样本的抵抗力。公平性评估检查模型预测是否存在群体偏见，影响其社会接受度。效率
评估考量训练时间和数据量，反映成本效益。最后，可解释性评估关注用户对模型决策的理解程度，增强信任感。
② 常用的评测方法
大模型评测通常包含以下几个方法 : 一是基准测试 (Benchmark Testing) 使用标准化数据集和指标，如 GLUE，衡量任
务表现。二是压力测试 (Stress Testing) 检验模型在大量自动生成数据下的稳定性和计算极限。三是 A/B 测试比较两个模型
版本，评估改进效果。四是错误分析识别场景局限和改进方向。五是对比学习 (Comparative Testing) 评估新旧 SOTA 模型
的效益增加。六是元评测 (Meta-Assessments) 横向分析多个模型评测报告；模型诊断评估训练健康和结果一致性。七是模
型诊断 (Model Diagnosis) 评估训练健康和结果一致性。八是人机协同评测结合专家反馈，提供深入全面评价。
③ 技术挑战与解决方案
复杂计算准确性：GPT 模型是基于 Transformer 的生成式预训练模型，擅长文本预测与生成。面对数学问题如“2+2
等于多少？”，GPT 将其作为文本生成任务处理，通过识别输入模式生成答案，而非直接进行数学计算。GPT 的回答依赖
于训练数据中的数学知识，模型大小和参数拟合程度影响其数学问题解答能力。
结果不确定性：大模型不确定性源自随机性和泛化性，导致相同问题可能产生不同回复。这种不确定性可产生多样化
文本，也导致结果的解释性、可靠性和准确性不足，影响可信度。
交互长度限制：为了保证用户交互过程中的性能，各大模型限制了单次交互中处理的 Token 数量，Token 是模型理解
文本的基本单位，可能代表字符到整个单词。超出限制时，模型可能丢失对话内容，影响上下文完整性和连续性。大模型
如 GPT-3 Turbo、GPT-4-8K 和 GPT-4-32K 分别限制 Token 处理量为 4096、8000 和 32000。
2.2 人工智能大模型技术分类
二十一世纪的科技浪潮中，人工智能将是推动着人类科技进步的重要源泉。人工智能大模型的技术特点、模型规模、
模型架构等多个维度将会揭示这一领域的内在逻辑和未来潜力。
（1）技术特点
大模型根据技术特点可分为生成式、理解式、自监督学习、强化学习等类型。
生成式模型（Generative Models）的目标是学习数据联合概率分布，并生成新的数据样本。这类模型通常基于概率分
布，创建与训练数据类似的新内容。生成式模型旨在学习现有数据分布，据此生成新数据实例。它们一般采用概率图模型
或深度学习架构，如生成对抗网络 (GANs) 和变分自编码器 (VAEs)。这些模型擅于捕捉数据复杂结构，并在所学分布上采样，
生成新数据点。
2 人工智能大模型技术体系架构概述
20 理解式模型（Understanding Models）支持推理从数据中提取出来的信息。这类模型能够对输入的数据进行解释。理
解式模型，如分类器和回归器，是根据学习输入数据与输出标签之间的映射关系来进行预测的，需要大量的标注数据来训练。
自监督学习模型（Self-Supervised Learning Models）通过从数据本身生成监督信号来训练，无需人工标注。这类模
型通过预测数据的某些部分或属性来学习数据的内在结构。自监督学习模型通过设计预测任务，使模型在没有显式标注的
情况下学习数据的内在结构。例如，模型可能被训练来预测数据的一部分，或者重建数据的缺失部分。这种方法利用了数
据本身的结构信息，减少了对标注数据的依赖。
强化学习模型（Reinforcement Learning Models）通过与环境不断互动，学习能最大化累积奖赏的策略。这种模型在
决策过程中会持续学习并自我调整。强化学习模型的本质是通过与环境进行交互，不断学习获取最优决策策略。在这一过
程中，模型执行动作后会收到环境的反馈，并根据这些反馈动态调整自身行为，以期最大化长期累积获得的奖赏。
（2）模型规模
人工智能大模型的分类可依据其规模，即模型包含的参数数量，并且参数数量越多的模型，越能完成复杂的数据处理。
不同规模的人工智能模型在实际应用中具备不同的优势和局限性。大型人工智能模型（如 GPT-3、BERT 等）性能优异，
泛化能力强，能够捕捉到更多的数据模式。大型模型特征提取能力强，能够从数据中提取深层特征，处理复杂的数据集。
但大型模型的训练和运行往往需要海量的计算资源作为支撑，部署可能受到硬件限制，训练过程可能非常耗时，需要长时
间的数据迭代和优化，它通常被视为“黑箱”，决策过程难以理解和解释。
小型人工智能模型的优势集中在资源效率高、部署灵活、训练快速和可解释性好上。小型模型需要较少的计算资源，
更容易部署到各种平台上，训练和推理速度通常更快，适合需要实时反馈的应用场景，由于模型结构简单，小型模型的决
策过程相对更容易理解和解释。但在数据模式复杂或数据量大的情况下，小型模型可能在处理复杂任务时性能不足，在新
数据上的泛化能力也不如大型模型，小型模型可能需要精心设计的数据处理和特征工程来弥补其在复杂度上的不足。
（3）模型架构
人工智能的大型模型是根据其构建结构进行分类的。这些模型架构，定义了模型解析数据和执行学习任务的方法。
卷积神经网络（CNN）：卷积神经网络在图像处理及视觉识别任务中颇具效力，卷积层提取图像局部特征，池化层降
低特征空间维度，全连接层实现分类或回归。该模型对图像数据中的局部模式及空间层次结构敏锐，但非图像数据 ( 如文
本或序列 ) 表现不佳，且参数量较多，存在过拟合风险。
循环神经网络（RNN）：循环神经网络常用于自然语言处理（如语言模型、机器翻译）、时间序列预测、语音识别等
场景。它通过循环连接处理序列数据，能够记住之前的状态信息，适用于处理序列数据，如时间序列分析和自然语言处理。
它能够处理任意长度的序列数据，捕捉时间依赖性，但难以处理长序列数据（梯度消失或爆炸问题），且计算效率较低。
变换器（Transformer）：变换器模型基于自注意力机制，能够同时处理序列中的所有元素，捕捉全局依赖性，特别
适用于大规模语言模型（如 BERT、GPT）、机器翻译和文本生成任务。它并行化能力强，适合处理长序列数据，能够捕捉
长距离依赖。但模型训练过程需要大量计算资源，对数据量要求高。
人工智能大模型技术财务应用蓝皮书
21
生成对抗网络（GAN）：生成对抗网络由生成器与判别器两部分构建，生成器创建数据样本，判别器评判数据真伪，
两者相互对抗、相互提升，不断优化生成数据质量。此种模型架构常用于图像、音频生成、风格迁移、数据增强、超分辨
率等任务。它能生成高质量逼真数据实例，但训练过程或存在不稳定性，需要精心设计架构与训练策略。
自编码器（Autoencoders）：自编码器架构包含编码器与解码器两部分，前者将输入数据压缩为低维表征，后者则
重构原始输入数据。自编码器常应用于数据去噪、特征提取、降维、生成模型等领域，展现出优秀的数据处理能力。这种
架构方式能够学习数据的压缩表示，有助于数据可视化和去噪，但对于非线性数据的表示能力有限，可能难以捕捉复杂数
据结构。
3 人工智能大模型技术赋能财务概述
22 数字经济的创新迭代和数字化转型的快速发展，促进人工智能技术在财务领域的应用日趋深入，而大模型将扩大人工
智能在财务领域应用的深度与范围，并将从多个维度重构企业财务管理。首先，大模型技术的应用，将结构化的财务数据
处理过程延伸到非结构化的业务数据处理，扩大了财务人员对于数据管理的范围，并且从交互层面重构用户体验；其次，
财务流程的自动化和智能化提升，提高财务工作的效率和准确性，在政策应用、审单及风险管理方面重构财务人员作业方式；
最后，在大数据时代对海量财务数据的深度挖掘和分析的基础上，大模型为管理者提供更全面更客观的分析框架，对财务
决策提供有力支持。随着人工智能大模型技术的不断发展，将会在越来越多的财务管理工作中发挥作用。
3.1 人工智能大模型技术赋能财务总体情况
（1）人工智能大模型赋能财务发展前景
2024 年，政府工作报告首次明确提出“开展‘人工智能 +’行动”。工信部提出开展“人工智能 +”行动，促进人工
智能与实体经济深度融合，推动人工智能赋能新型工业化。投资机构预计“人工智能 +”行动或将成为未来 AI 赋能千行百
业的重要一步。财务管理一直是人工智能技术应用的重要领域，大模型技术如何赋能财务管理，也成为了当前企业数字化
转型的热门话题。
根据上海国家会计学院于 2023 年 7 月发起的“ChatGPT 为代表的大模型对会计人员职能转型的影响与应对”主题调
查显示，调查对象对大模型的看法较为积极：一方面，大模型的应用可以应对自动化流程型工作，从而提高财务日常工作
的效率；另一方面，大模型可以通过加载数据挖掘算法，实现数据驱动的分析和决策体系的输出。调查对象认为大模型对
会计核算、财务分析、税务管理、内外部审计、成本管理、预算管理、财务报告、资金管理、财务 BP、投融资管理、风控
合规、财务战略等“大会计”职能的均有一定程度的影响，如图 3-1 所示。
图 3-1 大模型对各会计职能的影响程度
3. 人工智能大模型技术赋能财务概述 财务分析
会计核算
成本管理
预算管理
财务报告
税务管理
内部审计
风控合规
资金管理
财务 BP
外部审计
投融资管理
财务战略
4.14
4.09
2.72
2.60
2.65
2.58
2.48
2.14
2.11
1.90
1.65
1.54
1.44
人工智能大模型技术财务应用蓝皮书
23
随着数字化转型的深入，企业对财务管理的需求日益增长，特别是在数据驱动决策、业务与财务融合、风险管理以及
成本控制等方面。人工智能大模型技术以其强大的数据处理能力和智能化分析优势，成为财务管理创新的关键驱动力。财
务领域对于人工智能需求非常广泛，重点包括以下几个方向：
• 数据驱动决策的需求
在当前的商业环境中，数据已成为企业最宝贵的资产之一。企业需要从海量的财务和业务数据中提取有价值的洞察，
以支持战略规划和日常运营决策。AI 大模型技术能够处理和分析大规模数据集，提供实时的数据分析结果，帮助企业做出
更加精准的决策。
• 业务与财务的深度融合
传统的财务管理往往与业务运营相对独立，导致信息孤岛和效率低下。随着企业对一体化管理的追求，人工智能大模
型技术可以帮助实现业务流程与财务管理的无缝对接，通过自动化工具和智能分析，提升财务数据的透明度和业务决策的
效率。
• 风险管理和合规性要求
在全球化经营和监管环境日益严格的背景下，企业面临着复杂的风险管理和合规挑战。人工智能大模型技术可以用于
构建风险评估模型，实时监控财务活动，预测潜在风险，并提供合规性建议，从而降低企业运营风险。
• 成本控制和效率提升
成本控制是企业财务管理的核心任务之一。人工智能大模型技术可以通过自动化处理财务流程，减少人工错误和提高
工作效率，同时通过智能分析帮助企业发现成本节约的潜在领域，实现成本优化。
人工智能大模型技术在财务管理中的应用正在迅速发展。从智能会计核算到风险管理，从预算控制到财务报告自动化，
人工智能技术正在改变财务管理的面貌。随着技术的不断进步，预计未来人工智能将在财务管理中扮演更加重要的角色，
帮助企业实现更高效、更智能的财务管理。人工智能大模型技术为财务管理带来了革命性的变化，满足了企业在数据驱动
决策、业务与财务融合、风险管理以及成本控制等方面的需求。随着技术的不断发展，企业应积极拥抱人工智能，以提升
财务管理的智能化水平，增强竞争力。
（2）人工智能大模型在财务领域的应用分析
人工智能技术普及之前，企业投入一定比例的资源进行 IT 建设，从底层构建完整的 IT 应用系统，支撑业务运营。随
着人工智能技术的发展，企业构建完整的、先进的数字化系统门槛越来越高。大模型相比于过去的人工智能技术，具有更
大规模的神经网络，用更多的数据进行训练，具备更强的适应性和多模态的生成能力及交互能力，实现了从感知智能到认
知智能的跨越式进步。然而，大模型技术复杂度之高，耗费算力之大、投入资源之多，导致普通企业难以介入底层技术开发。
通用 IT 技术厂商和企业管理类 SaaS 服务提供商，以及其他非 IT 类政企单位等大模型应用主体之间，形成了较为固化的专
业技术壁垒。
同时，人工智能大模型封装更为完整，对普通用户几乎屏蔽了底层代码的特性，使其应用门槛更低，交付成本更低，
应用范围更广。大模型能极好地理解和把握用户意图，具备多轮沟通对话、记忆、归纳和演绎能力，给财务智能化升级提
供了更大的应用空间。
3 人工智能大模型技术赋能财务概述
24 企业管理类 SaaS 服务提供商已经开始探索大模型在财务领域的应用实践，如图 3-2 所示，主要有两个方向：‘
一是构建大模型应用平台，提供大模型接入、任务编排、提示开发等功能，将成熟的第三方通用大模型与财务数字化
系统建立紧密的连接，在财务管理流程中充分发挥大模型的价值。接入第三方大模型，可以借助通用 IT 技术厂商的即有成果，
减少底层开发及训练成本，加速大模型应用落地。大模型应用平台可以在生成报告、财务分析、预算预测等场景下发挥作用，
例如整合系统取数计算能力与大模型交互能力，在复杂的外部环境下完成财务管理的工作任务。
二是构建专注于财务管理的垂域大模型，利用上市公司公开披露的海量财报数据及解读文章进行训练，然后在企业应
用过程中通过微调或提示词工程进一步优化，让大模型具备更精准的财务理解能力。构建财务垂域大模型，主要基于两方
面考虑，一是通用大模型过于庞大又不支持本地部署，或部署成本极高，军工、央国企及部分大型民企出于防控风险的原因，
需要解决模型本地化的问题，垂域大模型可以较低成本实现本地化部署的需求；二是财务精准度的问题，企业有自己内部
的语言环境，比如对一些固定的业务对象形成约定俗成的简称，并且高频使用，这些简称在企业外部可能无明确的含义，
通用大模型对含有这些简称的句子就无法准确理解。如果用企业内部对话的大数据来训练或微调模型，则能够让大模型在
企业内部场景下更精准地理解用户意图。在业务咨询、单据附件理解等方面，经过本地微调过的大模型可能是更优的解决
方案。
图 3-2 财务大模型框架
在数字化转型浪潮的推动下，人工智能技术在财务管理领域的应用已经成为企业提升效率、优化决策的重要手段。人
工智能技术在财务管理众多场景已经有了一定程度的推进和落地。
• 智能化会计核算
人工智能技术的应用使得会计核算过程更加自动化和智能化。财务人员通过机器学习和自然语言处理（NLP），系统
能够自动识别和分类会计凭证，实现自动化的账目处理和实时的财务报告生成。这不仅提高了核算的准确性，还显著提升
了财务团队的工作效率。
• 预算管理与预测
在预算管理方面，人工智能技术通过分析历史数据和市场趋势，为企业提供更加精准的预算编制和滚动预测。人工智
能大模型能够识别潜在的财务风险，帮助管理层做出更加合理的资源分配决策。
智能审核 智能报告生成 智能问询 智能预测
财务知识库 继续预训练 模型微调 提示语工程
财务指标分析 虚假贸易筛查
财务 AI 助手
财务大模型
通用大模型 + 开源大模型
……
人工智能大模型技术财务应用蓝皮书
25
• 合并报表与财务报告
人工智能技术在合并报表的自动化处理中发挥着重要作用。财务人员通过智能算法，系统能够自动执行复杂的抵消和
调整操作，快速生成符合监管要求的合并财务报表。同时，人工智能技术也支持财务报告的多维度分析，为决策提供支持。
• 风险管理与合规监控
人工智能技术在风险管理和合规监控方面展现出巨大潜力。财务人员通过构建风险评估模型，人工智能能够实时监控
财务活动，预测潜在的财务风险，并提供合规性建议。这有助于企业提前采取行动，降低运营风险。
• 成本控制与优化
在成本控制方面，人工智能技术通过分析成本数据，帮助企业识别成本节约的机会。智能成本分析工具能够提供深入
的成本驱动因素分析，支持企业在成本管理上做出更加精细化的决策。
• 电子凭证与档案管理
人工智能技术在电子凭证和档案管理中的应用，提高了数据的安全性和可追溯性。财务人员通过自动化的凭证识别和
归档流程，能够更有效地管理财务文档，同时确保符合相关法规要求。
• 财务共享服务中心
人工智能技术在财务共享服务中心的应用，实现了财务流程的自动化和智能化。财务共享服务中心通过智能客服、自
动化审批流程和智能分析工具，能够提供更加高效和标准化的服务。
3.2 人工智能大模型技术赋能财务基本框架
人工智能大模型技术在财务管理中的应用框架，通过结合其分析、推理和生成能力，可以按照以下维度构建：
• 数据处理与分析能力
数据整合与清洗：人工智能大模型能够整合来自不同来源的财务数据，进行自动化的数据清洗和预处理，确保数据质量。
深度学习与模式识别：利用深度学习算法，人工智能大模型可以识别财务数据中的模式和趋势，为进一步分析提供基础。
多维数据分析：人工智能大模型支持多维度数据的分析，如时间序列分析、关联分析等，帮助企业理解复杂的财务状况。
• 推理与决策支持
风险评估与预测：通过推理能力，人工智能大模型可以预测财务风险，如信用风险、市场风险等，并为风险管理提供
决策支持。
预算与资源优化：人工智能大模型能够基于历史数据和市场变化，推理出最优的预算分配和资源配置策略。
合规性检查：人工智能大模型可以自动检查财务活动是否符合相关法规和内部政策，确保企业运营的合规性。
• 生成与自动化
自动化报告生成：人工智能大模型可以自动生成财务报告，如利润表、资产负债表等，提高报告生成的效率和准确性。
智能决策建议：基于分析和推理结果，人工智能大模型能够生成具体的财务决策建议，辅助管理层做出决策。
自动化流程执行：人工智能大模型可以自动化执行财务流程，如自动对账、自动付款等，减少人工干预，提高工作效率。
3 人工智能大模型技术赋能财务概述
26 • 场景应用
智能会计：在会计核算中，人工智能大模型可以自动化处理会计分录，提高核算的准确性和效率。
预算管理：在预算编制和控制中，人工智能大模型可以提供基于数据的预算建议，实现预算的动态调整。
财务分析：在财务分析中，人工智能大模型可以生成多维度的分析报告，支持管理层的战略规划。
风险管理：在风险管理中，人工智能大模型可以实时监控财务风险，提供预警和应对策略。
合规监控：在合规监控中，人工智能大模型可以自动检查财务活动的合规性，确保企业遵守相关法规。
• 技术集成与平台支持
智能中台：构建以人工智能大模型为核心的智能中台，提供数据处理、分析、推理和生成的一体化服务。
API 与系统集成：通过 API 和微服务架构，人工智能大模型可以与现有的财务系统和业务流程无缝集成。
用户界面与交互：提供直观的用户界面，使非技术用户也能轻松利用人工智能大模型技术进行财务管理。
企业可以充分利用人工智能大模型技术的分析、推理和生成能力，实现财务管理的智能化，提升决策质量，优化资源配置，
降低运营成本，提高整体财务透明度和合规性，人工智能大模型赋能财务框架如图 3-3 所示。
人工智能大模型技术赋能财务，应当采用多种人工智能技术，判别式人工智能更擅长精准计算以及一些特定场景；生
成式 AI 更擅长理解、推理和生成，需结合场景综合应用。例如，企业发生一笔合同付款业务，财务人员判断付款申请是否
合规，能否审批通过时，需要查询合同相关条款，核对付款申请信息，可能还要追溯上游单据进行综合分析。这类财务场
景很难通过单一的技术实现，诸如：附件信息的识别，需要用到 OCR 技术，还要使用自然语言理解（NLP）技术；辅助预判，
则需要利用规则引擎或者大数据技术、人工智能算法进行特征识别；提取并理解附件摘要等长文本信息及相关问答，则需
要人工智能大模型提供支撑。人工智能赋能财务场景，需要将各类人工智能技术综合应用于财务全域业务当中。
图 3-3 大模型赋能财务框架
财务领域场景AI财务助手智能技术
财务核算、财务共享、企业绩效、司库管理、税务管理、管理会计、……
报销助手 发票助手
单据智能审核 共享运营分析
财务指标分析 风险分析
对账助手
财务政策问答
对标分析
记账助手
制度问答
探索分析
结账助手
税务政策问答
预算预测
风险建模 智能收款认领 查询助手
共享客服 档案助手 报告生成
投融资建议 税优识别 ……
全员助手
面向全体员工、提升体验
大模型
（理解、推理、生成、创意、……）
专有小模型
（预测、决策、风控、……） 视觉识别 RPA ……
专员助手
面向专业岗位员工、提升效率和专业度
决策助手
面向管理者，提升决策质量
人工智能大模型技术财务应用蓝皮书
27
人工智能赋能财务框架应当构建整合各类人工智能的技术能力中心，如图 3-4 所示。财务人工智能能力中心应提供各
类人工智能能力、利用大模型生成式 AI 的理解力，创造力，来解决非结构化数据、业务理解、创意、生成相关财务场景。
应用判别式 AI，包括以 RPA 为代表的规则自动化，以及机器学习的专有小模型，来解决计算、判断以及专业预测与决策相
关场景。
图 3-4 财务人工智能能力地图
1.1 语音差标 &
单据查询（自
然语言）
1.2 语音出差申
请（自然语言）
1.3 语音差旅报
销（自然语言、
规则引擎、OCR）
1.4 智能发票报
销（规则引擎、
OCR）
1.5 语音费用报
销（自然语言、
规则引擎、OCR）
1.6 语音报账机
器人（实体机
器人）
1.7 报销提醒
（规则引擎）
1.8 单据关闭
（规则引擎）
5.1 国资报表
填写（RPA）
5.2 预算智能
预警（机器学
习）
5.3 报表查询
语音助手（语
音识别）
5.4 预算智能
分析（机器学
习）
5.5 数据分析
语音助手（自
然语言）
5.6 模拟预测
（机器学习）
3.1 租赁报账
（规则引擎）
3.2 语音输入
财务卡片（自
然语言）
3.3 资产卡片
识别（OCR、
规则引擎）
3.4 扫描二维码生
成食物卡片（机器
学习、数据挖掘）
3.5 租赁的决策
和预测（机器学
习、数据挖掘）
3.6 智能盘点机
器人（实体机
器人）
3.7 资产到期 /
超期服役预警
（自然语言）
7.1 智能审核
（机器学习、
OCR、数据挖掘）
7.2 审单助手
（机器学习、
数据挖掘）
7.3 智能数据洞
察（OCR、规则
引擎、机器学习）
7.4 智能质检
（机器学习、
数据挖掘）
7.5 智能共享客服
（自然语言、机
器学习、数据挖掘）
7.6 智能派单
（规则引擎）
7.7 智能运营助
手（知识图谱）
2.1 发票采集
（OCR、规则
引擎）
2.2 应付智能
结算（规则引
擎）
2.3 应收智能
结算（规则引
擎）
2.4 自动开票尾
差调整（规则
引擎）
2.5 智能三单匹
配（规则引擎）
2.6 定时下发票
（RPA）
2.9 自动对账
（RPA）
2.7 发票匹配
（RPA）
2.10 应收数据
导入（RPA）
2.8 内部交易
自动收票（规
则引擎）
2.11 收入确认
自动化（规则
引擎）
6.1 网银智能直
连（RPA、OCR、
规则引擎）
6.2 自动收付
款（规则引擎）
6.3 转账支付
排程（规则引
擎）
6.4 票据支付
排程（规则引
擎）
6.5 智能支付防
重（规则引擎、
机器学习）
6.6 回单智能识
别（OCR）
6.7 付款流水智
能匹配（规则引
擎、机器学习）
9.11 关联交易利
润率检测（机器
学习、数据挖掘）
9.12 纳税调整智
能推荐（机器
学习、数据挖掘）
6.8 收款流水智
能匹配（规则引
擎、机器学习）
6.9 智能对账
（规则引擎、
机器学习）
6.10 智能投融
资（规则引擎）
6.11 资金调度
（规则引擎）
6.12 票据调拨
（规则引擎）
4.1 智能记账
（规则引擎、
RPA）
4.2 智能对账
（规则引擎、
RPA）
4.3 智能月结
（RPA）
4.4 报表编制
（RPA）
4.5 报表编制
（RPA）
4.6 实体归档
机器人（实体
机器人）
4.7 电子归档
（RPA）
4.8 指标语音
查询（语音识
别）
4.9 国资报表
填报（RPA）
8.1 分摊执行
（规则引擎）
8.2 推导执行
（规则引擎）
8.3 风险预警
（规则引擎）
9.1 增值税自
动申报（规则
引擎、RPA）
9.2 企业所得税
自动申报（规则
引擎、RPA）
9.3 财产行为税
自动申报（规则
引擎、RPA）
9.4 直连保税
（规则引擎、
RPA）
9.5 风险监控
（规则引擎）
9.6 统计分析
（规则引擎）
9.7 数据采集
自动化（规则
引擎）
9.9 报表编制
（规则引擎）
9.8 交易计税
（规则引擎）
9.10 凭证生成
自动化（规则
引擎）
费用管理① 往来管理② 资产管理③ 核算报告④ 预算管理⑤ 资金管理⑥ 共享中心⑦ 管理会计⑧ 税务管理⑨
3 人工智能大模型技术赋能财务概述
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个新的生成式 AI 的阶段，这些人工智能技术融入到财
务核算、财务共享、全球司库、绩效管理、税务管理、管理会计、资产管理等领域的财务流程中，从财务服务体验、流程效率、
决策质量全方位赋能财务。财务服务体验方面，微软认为人工智能大模型可以理解为新一代的操作系统，对话式交互的方式，
让非专业人员获取财务信息更加的便捷，从而提高财务服务体验；在流程效率方面，人工智能大模型和原来的 AI 相比，最
大的强项在于理解和生成，以前的作业流程智能化更多的是自动化按规则去执行，并没有能真正的理解业务。而现在的人
工智能完全可以理解复杂的业务，原来作业流程中一些难以智能化的痛点，现在有了解决的可能性，人工智能大模型能力
使得实现作业流程的全面智能化，使最终无人化成为了可能。在决策支持方面，将由以前的经验主导变成数据驱动。人工
智能将通过决策增强来提升分析内容的价值，例如通过人工智能分析挖掘财务人员所不易发现的问题；在预算管理中的预
测增强、最佳实践与模型优化建议，在风险控制中的大数据分析等等。
人工智能大模型也必将为财务管理带来更大的变革，未来人人都将有一个 AI 财务助手。面向员工的 AI 全员助手，每
个员工通过自然语言交互的方式来获取财务服务；面向专业岗位的专员助手，通过智能化的手段提升财务效率和专业度；
面向管理者的决策助手，以数据驱动、智能驱动的方式来增强决策能力。
3.3 人工智能大模型技术赋能财务实现路径
人工智能大模型技术赋能财务的路径规划是一个系统化的过程，旨在通过集成先进的人工智能技术，全面提升财务管
理的智能化水平。人工智能大模型技术赋能财务的路径从深入分析企业财务管理的具体需求开始，包括对会计核算、财务
报告、成本控制、预算管理、风险评估和合规性监控等方面的细致考量，再到通过整合和预处理大量的财务和业务数据，
为大模型的训练和开发提供坚实的数据基础。
在模型开发阶段，企业需要选择合适的大模型架构，并利用历史数据进行训练和验证，确保模型的准确性和可靠性。
然后将训练好的模型集成到现有的财务系统中，实现流程自动化和决策优化，如自动生成财务报告、动态调整预算和实时
监控风险。
为了确保人工智能大模型技术的持续有效性，企业需要实施严格的监控和维护机制，同时对财务人员进行必要的技术
培训，确保他们能够充分利用这些智能工具。最后，企业应持续收集用户反馈，探索新技术应用，不断创新和优化大模型
技术在财务管理中的应用，以适应不断变化的业务环境和市场需求。通过人工智能大模型技术赋能财务实现路径，企业将
能够实现财务管理的数字化转型，提升决策质量，降低运营成本，并增强整体财务透明度和合规性。
以财务风险管理为例，人工智能大模型应用分析和赋能路径可以按照以下思路进行推进。
• 人工智能大模型的能力应用方向：
分析能力：人工智能大模型首先需要整合企业内部的财务数据（如交易记录、资产负债表）和外部数据（如市场指数、
宏观经济指标）。然后利用机器学习和数据挖掘技术，人工智能大模型能够分析历史数据，识别潜在的风险因素和风险事
件的模式。最后通过时间序列分析，人工智能大模型可以预测未来的风险趋势，如汇率波动、利率变化等。
判断能力：人工智能大模型可以对识别出的风险进行量化评估，判断其对企业财务的影响程度。基于风险评估的结果，
人工智能大模型能够提供风险应对策略的建议，帮助管理层做出是否对冲、转移或接受风险的决策。
人工智能大模型技术财务应用蓝皮书
29
生成能力：人工智能大模型能够自动生成风险管理报告，包括风险概况、影响分析和建议措施。人工智能大模型可以
构建实时的风险预警系统，一旦检测到异常或风险水平超过预设阈值，立即生成预警信号。
• 人工智能大模型赋能路线：
准备阶段：收集和整理财务数据，包括历史交易数据、市场数据、信用评级数据等。建立适合人工智能大模型运行的
计算环境，包括硬件资源、软件平台等。
实施阶段：使用历史数据训练风险管理模型，包括风险识别模型、风险评估模型等。将训练好的模型集成到财务风险
管理系统中，实现与现有财务流程的无缝对接。
应用阶段：利用人工智能大模型对实时数据进行监控，及时发现风险信号。定期或按需生成风险管理报告，为管理层
提供决策支持。
优化阶段：根据风险管理的实际效果，不断优化模型参数，提高风险预测的准确性。根据人工智能大模型的输出结果，
持续改进风险管理流程，提升风险应对效率。
基于此，人工智能大模型技术能够在财务风险管理中发挥其强大的分析、判断和生成能力，帮助企业提前识别和应对
财务风险，从而保护企业资产，确保财务稳定。
3.4 人工智能大模型技术赋能财务核心价值
人工智能大模型技术对经济社会的高质量发展起到了积极地推动作用，赋能财务的核心价值主要体现在以下几个方面：
（1）提升决策质量：人工智能大模型通过强大的学习能力和数据分析能力，能够从复杂的财务数据中提取关键信息，
提供更准确的预测和洞察，帮助管理层做出更明智的战略决策。
（2）优化资源配置：人工智能大模型能够分析历史和实时数据，预测未来的财务趋势，帮助企业更有效地分配资源，
实现成本控制、预算管理等管理会计职能的优化。
（3）增强风险管理：利用人工智能大模型进行风险评估和预警，企业能够提前识别潜在的财务风险，如信用风险、市
场风险等，并采取相应的风险缓解措施。
（4）提高运营效率：人工智能大模型的自动化和智能化能力使财务流程减少了人工操作的需求，提高了财务处理的速
度和准确性，降低了运营成本。
（5）强化合规性和透明度：人工智能大模型可以帮助企业更好地遵守财务法规和内部政策，通过自动化的合规检查和
报告生成，提高了财务活动的透明度。
（6）支持业务增长：通过提供实时的财务分析和预测，人工智能大模型支持企业快速响应市场变化，抓住新的商业机
会，促进业务增长。
3 人工智能大模型技术赋能财务概述
30 （7）促进业财融合：人工智能大模型能够实现业务数据与财务数据的深度融合，使财务部门能够更好地理解业务动态，
为业务决策提供支持。
（8）创新财务管理模式：人工智能大模型的应用推动了财务管理模式的创新，如智能会计、自动化管理报告生成等，
这些创新提高了财务管理的现代化水平。
综上所述，人工智能大模型技术在财务管理中的核心价值在于其能够提供深入的数据分析、精准的风险管理、高效的
流程自动化以及战略决策支持，帮助企业在激烈的市场商业竞争中保持领先地位。
人工智能大模型技术财务应用蓝皮书
31
4.1 人工智能大模型技术赋能家用电器制造行业 A 集团财务应用
4.1.1 总体情况
（1）需求背景
2023 年，我国家电市场面临的外部环境不断改善，经济运行持续向好，内需稳步扩大，供给侧结构优化提升，但不同
家电品类之间发展走向不断分化。刚需类家电产品例如白电和厨房大家电由于家庭普及率相对较高，更新换代需求主导下
普遍呈现出产品结构升级的态势。而以洗碗机、嵌入式微蒸烤、清洁电器、净水器等为代表的品类则还处于不断扩大用户
普及渗透过程中。
当前家电行业消费侧的发展趋势呈现智能化、交互体验增强、场景融合、健康化、一体化和单品发展并举五大特征。
尤其在智能化方面，消费者更加追求智能功能覆盖多品类及多种生活场景，相应带动家电制造企业本身的智能化升级，龙
头企业的数字化转型意愿强烈，目前我国数字化转型的灯塔工厂中有 22% 为家电行业项目，海尔、美的等头部企业成效明
显，并先后涌现出海尔卡奥斯、美云智数美擎国家级“双跨”平台。
随着智能化升级，家电行业巨头紧抓 5G 大风口，加紧布局智能家居生态，大小家电、3C 设备联动融合，迎接新的爆发点。
例如九阳产品搭载华为系统 HarmonyOS，手机碰一碰就能连接破壁机，线上随时随地操作，解锁更多网红食谱，且不用手洗。
海信新风空调针对不同人群的睡眠特点设计了科学的睡眠温度曲线，可通过遥控器选择所需的睡眠曲线来调控睡眠期间的
空调温度，定制自己的好睡眠。科沃斯扫地机器人可以手机远程控制，智能规划无需人工干预，有 AI 智能语音功能，一句
话指挥扫拖、播放新闻音乐、提醒天气等，还能趣味语音实时互动。
在家电行业全面迈向智能家电产业化的过程中，人工智能技术将进一步推进智能家电产业走向无感化，人工智能与物
联网技术全面融入家电产品的使用场景，并赋能智能家电产品革新，实现居家生活和智能家电的智慧实时互联。目前，智
能家居的入口和控制主要依赖于中控屏和音箱等设备。然而，随着 ChatGPT 等概念应用于智慧家居生活场景领域，家电制
造企业对算法的自然语言处理能力有了新的认知，也为智能家电和智能家居未来的发展提供了更多想象空间。未来以大模
型技术为代表的生成式人工智能（AIGC）将赋能智能家居场景从命令式交互转变为理解式交互，实现人机共创，形成数字
管家，实现智能家居由“智能”向“智慧”转化。
智能家电产业化已成为当前家电企业发展的必然选择，并正在帮助中国的家电制造巨头以一流的用户体验和服务体系
强势出海，不断取得世界领先的品牌影响力和产品竞争力，也驱动这些企业加快建设世界一流财务管理体系，在普遍构建
的以敏捷服务和数据整合为核心的财务中台建设之上，大力探索大模型技术尤其是财务领域大模型与财务数字化的深度融
合和应用，以更强大的算法赋能业务和管理，构建以用户体验为核心的家电制造企业增长新模式。
4. 人工智能大模型技术赋能财务应用
4 人工智能大模型技术赋能财务应用
32 （2）发展现状
根据观研报告网发布的《中国智能家电行业现状深度研究与末来前景分析报告 (2023-2030 年 )》，我国智能家电行业
已从单品智能化发展阶段步入家电系统智能化阶段，智能家电的智能水平持续提升。
当 2016 年深度学习概念出圈时，家电行业就冲在了前面，智能音箱的出现实现了家电智能初体验。此后，伴随云计算、
大数据等新一代信息技术的成熟，在传统 IoT 设备开始向 AIoT 设备进阶的过程中，家电产品也从单品智能向全品智能延伸。
例如，除智能音箱外，加载 AI 模块的扫地机器人、内嵌操作系统的智能冰箱、可交互的语音智能电视等产品纷纷出现。然
而，这些智能家电仍时常被吐槽“智商低”和“不懂我”，主要是由于这些智能家电更多的还是响应式的被动服务，并无
真正能够做出决策的“中枢大脑”。
直到 2022 年底人工智能大模型技术开始盛行后，其在多轮语言分析与逻辑推演方面的能力，恰好击中当下智能家电
不够智能的痛点。因此 2023 年后，家电制造巨头纷纷迅速向人工智能大模型靠拢，例如美的在 2023 年 10 月发布了用于
家居产品的语言大模型——美言并计划在 2024 年上半年上线；长虹在 2023 年 11 月正式发布了基于大模型的智慧家电 AI
平台——云帆；海尔在布局 HOME GPT；小米已经开启了小爱同学的人工智能大模型版本测试，如 TCL、海信等家电品牌
也相继宣布接入百度、微软等厂商的通用大模型。在人工智能大模型的赋能下，智能家电不仅具备数据分析、行为习惯理
解和自主深度学习等多种能力，还在将价值延伸到更大的领域。大部分家电企业布局人工智能大模型的目的基本一致，都
是希望通过人工智能大模型提升产品的实用性，优化使用场景，人工智能大模型也将成为家电智能中枢的能力底座。
尽管人工智能大模型具有许多优势，但目前在家电行业的应用仍存在一些局限性。首先，人工智能大模型的应用需要
庞大的计算资源和存储空间，导致成本较高，限制了其在实际应用中的广泛性。其次，人工智能大模型对数据的需求量较大，
并且需要大量的标注数据进行训练，这在某些领域存在困难。同时，人工智能大模型的训练过程也面临一些挑战。人工智
能大模型的训练需要花费大量的时间和资源，而且需要高度专业化的团队进行有效的训练和调优。此外，人工智能大模型
需要海量的数据进行训练，而数据收集和处理可能受到隐私、安全和合规等方面的限制。
因此，家电制造企业对于人工智能大模型的应用总体上还处于导入阶段，更多还停留在体系框架搭建和数据治理等前
期工作中，在应用场景上也主要聚焦智能客服、基于家居生活的用户互动以及部分智慧工厂的探索中。在企业管理领域，
人工智能大模型的应用只是刚起步，目前侧重在采购领域的合同匹配场景，人力资源领域的招聘和干部选拔环节的人岗匹
配场景，以及财务管理领域的基于财务共享或财务中台的智能客服场景，这些场景的共同特点是大模型训练用的数据和知
识库可以基于企业已有的积累快速构建，并能通过企业自身的可信控制管理充分保证分领域管理角度提出的安全、合规性
要求。
对于家电制造巨头来说，财务数字化转型起步较早，财务共享中心的建设和运营都比较成熟，有些企业如海信等还以
财务中台的模式建设了新一代财务共享平台。因此，尽管家电制造企业的战略周期不断缩短、组织迭代不断加快、业务板
块和产品线的更替频率也在加速，这些企业的财务部门也在积极引入人工智能大模型技术，搭建大模型管理和控制平台（4.1
节中统一简称为 GPT 平台）以尽量消除大模型技术的缺陷，将现有以专家知识和流程驱动结合为主的管控服务型财务管理
升级到以数据驱动和赋能业务为主的价值创造型财务管理。
人工智能大模型技术财务应用蓝皮书
33
4.1.2 典型案例
（1）案例背景
A 集团成立于二十世纪中后期，旗下多家上市公司，及多个世界知名品牌。A 集团的产业方向涵盖多媒体家电、现代
服务业等领域。其中，以智能家电为核心的 B2C 产业，始终处在全球行业前列。经过多年的稳健发展，A 集团目前拥有近
10 万名员工，在全球拥有数十家工业园区和研发中心，海外分支机构覆盖美洲、欧洲、非洲、中东、澳洲及东南亚等全球
市场，产品远销 160 多个国家和地区，连续多年入选中国 500 强企业。
随着集团的产业发展、业务增长以及全球化战略，A 集团在 2022 年前后将运行十几年的全球财务共享中心升级为全球
财务中台，但在中国家电产业智能化升级和全球化浪潮的冲击下，A 集团财务管理的难度与日俱增，希望通过积极探索并
创新性引入人工智能大模型技术，尽快完成现有的财务服务从以流程驱动为主向数据驱动为主转型，真正实现财务赋能人
人的管理目标，为企业发展创造更大价值。
考虑到现有的财务中台已经能够全面支撑集团战略转型和业务发展的需要，以及集团正在整体布局通过大模型技术建
设统一的智能客服平台，并通过与已建成的人工客服系统无缝衔接，以全面提升用户体验，A 集团的财务部门和 IT 部门经
过多次讨论，最终决定先在财务中台的共享运营环节引入人工智能大模型技术，实施基于 GPT 平台和财务大模型的智能客
服应用。不同于财务中台、全球司库、预算管理乃至整个智能财务的建设策略，在应用人工智能大模型技术赋能财务应用时，
企业实际更加关注大模型技术导入财务领域过程，并强调关键环节的实现框架和实践方法。
（2）财务中台智能客服项目定位
A 集团财务中台部门成立了一支近 30 的人工客服团队，为国内 3 大业务板块近 450 个分子公司提供在线咨询服务，服
务内容主要有两方面：一是用户服务，即面向分子公司每一位同事提供政策咨询、流程指引、问题受理与解答等全员、全
场景服务；二是专业运维，即面向财务中台专业财务人员提供基础资料维护、单据故障或流程中断等系统异常问题的运维
服务。
目前 A 集团三大业务板块的国内公司范围内，人工客服用户服务方面涉及的费用类型和场景高达 3000 多个，常见的
费用包括修理费、业务招待费、技术开发费、低值易耗品、职工教育经费 / 培训费、广告费、办公费、车辆运营费、物业
管理费、网络通讯费、信息服务费等，由于 A 集团各业务板块的管控模式和政策导向有明显差异，不同组织下不同费用类
型对应的审批流程、报销规则、适用范围和前提、附件要求、额度标准等都有一些差异，加上 A 集团近年进行战略转型，
业务板块和业务人员的迭代频率非常高，人工客服团队不得不通过 A 集团内部的办公协同平台组建了数十个面向组织的沟
通群，以更好服务超过 2 万名新员工的提单和咨询诉求。这也使得长期以来人工客服团队更多忙于用户服务、专业运维的
能力不足、人工客服的职业成就感不足、内部客户的满意度不高。
因此 A 集团希望通过引入人工智能大模型技术赋能财务中台的人工客服团队，将人工客服员工从繁杂的用户服务中解
放出来，更加专注于对流程改善和业务赋能的提升上。因此，基于大模型的智能客服项目定位于在 2024 年首先实现 A 集
团国内业务的全员全场景智能客服，大模型与用户的互动完全嵌入到财务中台各类费用的提单和用户咨询界面，并能在用
户提出诉求后，自动完成智能客服和人工客服的无缝切换，包括用户问题和相关单据的自动接手。A 集团的目标是在 80%
以上的场景中能够完全替代人工客服。在此基础上，A 集团计划在 2025 年完成第二阶段的目标：一方面继续将用户服务方
面的人工客服替代率提高到 95%，并推广应用到集团的所有业务板块和海外公司，另一方面基于大模型的生成式智能能力，
4 人工智能大模型技术赋能财务应用
34 逐渐成为人工客服团队进行专业运维的专业助手，通过大幅提升运维效率和质量实现云服务模型下的线上运维闭环，真正
通过服务赋能财务中台的运营和业务人员报销的合规遵从度。
（3）财务中台 GPT 平台框架
A 集团为了消除人工智能大模型技术的缺陷，有效管理和控制大模型的输出，并将大模型和集团已建的相关信息系统，
如知识库、财务中台、人工客服系统等进行深度融合，并考虑到领域大模型的应用约束，首先构建了财务中台的 GPT 平台
如图 4-1-1 所示。
图 4-1-1 A 集团财务中台 GPT 平台架构
A 集团的 GPT 平台分为基础管理、运营中心、模型层、数据和工具中心、可信控制中心、开发中心、能力中心和应用
中心组成。
基础管理负责管理财务大模型以及后续将接入的通用大模型的运算调度和算力均衡，并按集团统一的隐私保护和合规
要求配置大模型输出的语义防火墙，以及输入输出环节的流量日志。
运营中心采用可视大屏方式对大模型的调度、输出以及场景应用从质量（主要是鲁棒性、准确度、用户满意度等指标）、
安全和流量异常三个方面进行实时监控和随时的人工干预。
财务中台 人工客服 信数平台 活水平台 办公协同 培训学堂 管理驾驶舱 司库管理 预算管理
应用中心 运营中心
监控报表
智能客服
API 页面嵌入
智能审单 付款审核 模拟预测 智能分析 报告生成
应用中心 向量引擎 业务实体 业务操作 企业知识库
应用中心 财务大模型 通用大模型
应用中心 模型动态调度 语义防火墙 重试 / 负载均衡 流量日志
能力中心 内容生成 总结归纳 逻辑推理 角色扮演 知识问答 多轮对话
开发中心 提示开发 技能编排 知识维护 助手配置 监控优化 模型微调
可信控制
中心
检索增强
提示防御
智能代理
毒性检测
上下文安全
模型网关
数据遮蔽
合规审计
质量运营 安全运营 流量运营
人工智能大模型技术财务应用蓝皮书
35
模型层目前部署了财务领域大模型和微软的通用大模型（ChatGPT3.5），并实现了按场景需要自动切换。
数据和工具中心部署了向量数据库、集团已建知识库，并融合了财务中台各类应用及以数十类单据为载体的业务数据，
为大模型提供上下文数据。
可信控制中心是 A 集团财务中台 GPT 平台的核心，驱动数据、工具和模型协同运作，确保全过程的安全可控，保障客
户数据隐私。该中心中的 RAG（检索增强生成）是一种将大型语料库的知识与生成式语言模型相结合的技术方法，包括一
个检索组件，用于从知识库中检索相关的文本段落，利用大模型生成能力，对检索到的上下文进行理解和生成连贯自然的
输出。这种混合方法旨在弥补纯生成模型在事实性和一致性方面的缺陷，同时利用大规模预训练模型的泛化能力生成流畅
的响应。为了实现智能客服尽快全面接管用户服务并有效成为专业运维客服人员的助手，A 集团也部署了 Agent，这是一
种将大型语言模型 (LLM) 与外部组件 ( 如知识库、API、任务规划器等 ) 相结合的智能代理系统，能够理解和执行各种复杂
的语言指令，并与外部世界进行交互来完成任务。为了确保大模型输出内容满足隐私合规要求，A 集团在可信控制中心应
用了数据掩蔽技术，该技术在用户请求被发送给大型语言模型之前，会自动识别并替换请求文本中的敏感个人隐私信息，
如姓名、地址、身份证号等，以防止隐私泄露，替换后的文本将传递给大模型进行处理和生成响应。一旦模型生成了输出
内容 , 数据掩蔽系统会将之前被替换的隐私信息还原回原始状态，确保响应内容的完整性和正确性。这种技术有效遏制了
个人隐私数据被意外泄露的风险，使得 A 集团的用户能够更加安全地使用基于大模型的智能服务。
另外一项关键部件是大模型网关，负责无缝接入各种大型语言模型，支持一种大模型拥有多个实例同时运行，能够根
据实时负载情况，自动分配请求至空闲实例，确保系统的高响应性和可扩展性。除此之外，大模型网关还具备调用审计、
访问控制等重要功能，可追踪和审计每一次模型调用请求。同时，大模型网关还支持模型版本管理、在线扩缩容等运维能力，
保证系统的高稳定性。
A 集团在开发中心全面使用了低代码开发工具，支持 GPT 助手的轻松构建、运营和持续优化。例如，通过提示语开发
赋予用户自主编写提示语的能力，灵活选择适合的大型语言模型，并根据实际需求对提示语进行调优优化。用户无需深耕
算法和模型细节，通过可视化的界面或模板，以自然语言的形式编写提示语，指导模型按需生成所需的输出。同时，用户
可以方便地切换不同的模型，或对模型的超参数、训练数据等进行微调，使模型输出符合特定场景和偏好。A 集团通过流
程图的方式完成任务编排，将大型语言模型的强大能力与业务逻辑无缝结合，动态编排出一个个复杂的业务场景解决方案。
这种编排方式彻底颠覆了传统的单一模型或规则引擎的局限性，赋予了语言模型以更广阔的应用空间。通过灵活组合不同
的模型能力和业务能力，可以轻松应对多样化、复杂化的业务需求，实现高度智能化的端到端自动化流程。
在能力中心，A 集团目前考虑智能客服的各种应用场景，重点部署了相关的 GPT 助手能力如多轮对话、知识问答、角
色扮演、逻辑推理、总结归纳、内容生成等，并支持智能门户、侧边栏、嵌入式等多种大模型和用户的交互方式。
应用中心主要围绕智能客服完成了相关 API 的开发，未来会陆续扩展到财务大模型应用的其他场景。所有应用统一明
确以 API 的方式和 A 集团在用的财务中台、人工客服、办公协同、培训平台、司库、预算等信息系统对接，并以侧边栏为
主的方式实现用户和智能客服、人工客服交互界面嵌入到 A 集团在用信息系统中的相关应用界面中。
4 人工智能大模型技术赋能财务应用
36 （4）财务大模型在智能客服场景的落地
基于信创可控的考虑，A 集团财务大模型的部署全面适配了华为昇腾 910B 架构，以及国产操作系统，并全面完成了
接口进行鉴权开发，构建了对应的框架版本容器。A 集团信创适配的主要内容如图 4-1-2 所示：
图 4-1-2 A 集团财务大模型部署的信创适配示意
在数据准备方面，A 集团财务大模型选取了集团范围内的通用数据，如流程术语、管理规章等和报销制度、费用单据
等财务领域数据的数据量比例约为 7:3，前者占比较大的目的是防止财务大模型对通用交流能力的遗忘，采用的算法以
基于规则为主，计算成本较低。后者则采用计算成本较高的 LLM 算法，以提高输出的准确性和相关性，并按数据颗粒度，
综合采用文件级、块级和字节级方法进行全面的数据去重。A 集团借助数据清洗、数据验证和数据整合工具，采用数据审核、
数据清洗、数据验证、数据整合和数据监控五步法，从准确性、完整性、一致性、可靠性和时效性等五个维度进行数据提质。
最后使用了数据掩码、数据伪装、数据切分、数据加密、数据混淆等方法进行数据脱敏，从而完成了通过财务大模型进行
多次预训练和微调所需的数据源准备。
在此基础上，A 集团通过指令对齐训练、继续预训练和模型精调，完成了财务大模型的构建，其过程如图 4-1-3 所示：
模型训练
模型训练
Ascend 驱动 Cann 固件
Mindformers
权重转化
MindSpore
模型推理
Modelart 平台
财务大模型 模型部署
昇腾处理器 NPU
国产操作系统（arm 架构）
昇腾 AI 应用
人工智能大模型技术财务应用蓝皮书
37
图 4-1-3 A 集团财务大模型构建过程
在完成财务大模型构建后，A 集团对财务大模型从多阶段性能、鲁棒性和泛化能力、公平性和偏见可能、安全性和隐
私四个方面进行了严格的评测，完全通过评测后才将调优后的财务大模型部署到正式环境中，通过财务中台 GPT 平台和相
关应用融合，完成了基于财务大模型的智能客服应用的上线工作。
为进一步提升财务大模型在与用户互动过程中应答的相关性和准确度，A 集团借助 GPT 平台开发中心，针对所有的费
用类型开发了近 10000 条提示语并先后经过了四次版本迭代，将智能客服应答准确度从一开始的 80% 左右提高到 92%。
A 集团在财务大模型中预置了人工客服咨询任务技能、与人工客服平台集成的 API 接口，用户点击人工客服按钮时触
发任务技能。人工客服咨询任务技能中设置了技能访问、客服排队、客服接通、会话超时 / 会话关闭四个自定义操作，通
过任务技能中的自定义操作和 API 接口，与人工客服平台的获取 token 信息、访客转技能、在线客服状态通知、访客放弃
排队、访客发送消息、坐席发送信息给机器人六个接口集成，从而实现用户在智能客服和人工客服之间问询交流的自由切换。
（5）智能客服建设成果
截止 2024 年 4 月，A 集团基于财务大模型的智能客服已为近 400 个分子公司约 15000 名员工提供了用户服务，涉及
费用类型和场景近 3000 个，用户满意度近 70%（用户主动关闭问题且不转交给人工客服），现有人工客服在用户服务方
面的月度工作时长减少了 50% 左右。A 集团财务中台运营主管评价道：“基于财务大模型的智能客服尽管上线不到 2 个月，
1. 数据集准备 1.5 指令对齐训练 2 继续预训练 3. 模型微调
领域相关的基础知识和数据
• 包含文本信息、领域知识
• 与预训练预料差异越大，带来
的性能提升越大，可以按领域
（财务、HR、供应链等）划分
通用领域对话
数据对齐训练
领域（财务）无标注
数据继续预训练
（子）领域相关人工标注样本集
• 包含用户问题、上下文信息、
人工标注响应结果
• 万级高质量人工标注样本集
• 各细分领域不少于千级样本
数据处理
• PDF 格式数据转换为纯文本格
式，简单数据清洗
• 讲文本内容按照模型最大输入
长度进行分块处理
通用的对话样本
• 用户问题、人工标注的响应结果
• 目标已具备千万条对话样本
评价等级
财务分析及通用对话数据微调
根据
根据
……
提供
提供
请
的
的
分析
<s>
手续费
净收入
……
……
经营
</s>
<s>
情况
开源可商 <s>
用模型
继续预
训练后
模型
人工标注响应结果用户问题
占比
</s>
4 人工智能大模型技术赋能财务应用
38 但无论从服务范围还是在服务满意度上，都给我们留下了深刻影响，我们也有信心在今年三季度就提前完成第一阶段的目标。
更重要的是，通过财务中台的 GPT 平台，我们实现了财务大模型和众多的财务应用场景、人工客服之间的无缝衔接，真正
地让财务中台的线上运维成为可能，让财务赋能人人的梦想照进现实。”
4.1.3 应用场景
家电制造企业对于人工智能大模型技术的应用一般是和规则引擎、知识图谱、数据智能、视觉识别等其他人工智能技
术结合在一起使用，并且借助财务领域大模型和 GPT 平台应用，将用户与大模型的交互过程以页面嵌入的方式与企业在用
的财务信息系统进行深度融合，实现基于用户和业务场景的交互式应用。在现阶段，家电制造企业的大模型应用场景主要
有财务共享或财务中台领域的生成式智能客服和非结构化数据的智能审核、财务报告领域的探索生成财务分析和生成式管
理报告等。
（1）生成式智能客服
目前大多数家电制造企业财务共享中心也为业务部门提供智能客服服务，但这类服务采用的技术更多是预置问答式的，
即共享运营人员梳理多年累积的知识文档，花费大量时间形成预置问答题库。用户提问时，智能客服匹配最接近的几条知
识问答，进行模糊性答复。使用了人工智能大模型技术后的智能客服是一种生成式智能客服，共享运营人员直接上传知识
文档，无需预置问答。用户提问时，智能客服首先理解用户意图，然后从学习、理解过的多个文档中找寻相关知识并得出结论，
组合成一段完整回答，实现从“预置问题、匹配答案”到“可以学习、理解”的升级，如图 4-1-4 所示。
图 4-1-4 大模型技术赋能财务共享智能客服
（2）非结构化附件的智能审核
随着财政部等部委联合推动电子凭证会计数据标准专项工作的不断深入，发票、银行回单等原始凭证已经实现数据结
构化。但家电制造企业所处的产业链协同现状仍然使得财务共享人员每天需要审核大量的非结构化附件，如合同扫描件、
市内交通行程单等，现有的信息技术通常是先通过视觉识别或者台账的方式将这些非结构化附件信息转换为结构化数据，
并基于预设结构化数据模板，帮助财务人员获取附件信息进行审核，也会通过 AI 算法 + 规则引擎等工具辅助审批。同时，
人工查阅合同、验收单、会议签到记录、远程会议录屏等非结构化附件信息完成审单，但是审核效率低，审核结果的可靠
性也不高。在引入人工智能大模型技术后，系统可直接理解非结构化附件内容并给出重点提示，自动辅助人工分析单据附
预置问答
GPT 学习理解
VS
知识库
知识库
相似度
关键词
学习、理解
知识问答 1
知识问答 2
……
文档 1
文档 2
……
智能客服
智能客服
用户提问
用户提问
人工智能大模型技术财务应用蓝皮书
39
件中财务审核的关键点和识别风险，同时支持对合同内容进行提问等，最终大幅提升共享审核人员的作业效率，如图 4-1-5
所示。
图 4-1-5 大模型技术赋能财务共享智能审核非结构化附件
（3）生成式财务分析
对于家电制造企业的财务报告部门来说，随着家电产品更新换代的频率加快和创新性产品的不断涌现，为战略管理、
经营管理和业务决策人员提供的财务分析服务也需要升级。传统财务分析模式下，企业人员按照财务分析需求，花费大量
时间构建可视化分析应用。每次分析根据当前可视化呈现的数据 / 指标结果，依靠财务分析人员的经验进行判断，提供决
策建议。这种方式适用于定期进行的结构化分析场景，但对于临时发起的简单分析场景不够灵活。而基于财务大模型并融
合专业分析模型能力的分析助手，可以根据企业经营数据，结合内外部信息，综合运用趋势分析、变动分析、杜邦分析等
财务分析方法，以对话方式随时洞察问题并给出专业建议，为相关部门提供探索式分析服务。生成式指标分析尤其适合日
常临时发起的各类分析、查询场景，如图 4-1-6 所示。
图 4-1-6 大模型技术赋能业务探索生成财务分析
固定路径查找
基于结构化数据审核
探索生成
可理解非结构化信息
VS
结构化业务数据 结构化业务数据
非结构化附件 非结构化附件
数据 / 指标
可视化应用
探索式生成分析、
预警、建议
数据抽取
规则匹配
数据抽取
规则匹配
人工查阅分析
…… ……
学习、理解
AI+ 规则引擎 GPT + AI+ 规则引擎
GTP 助手
共享审单 共享审单
实时问询
AI
VS
数据 / 指标
固化看板、报表
反映当前指标结果
可视化应用 人工分析、
判断、决策
文件 图片 表格 视频 文件 图片 表格 视频
4 人工智能大模型技术赋能财务应用
40 （4）生成式管报
家电制造企业财务报告部门目前对外输出的报告主要以对外披露的报告为主，这类报告由于准则和外部相关单位的规
范性要求，往往可以采用先预置模板然后根据模板设置取数、绑定图表的规则，模板化的进行文本编辑与分析，这是一种
技术角度的填空模式。但面向企业内部的各业务板块、业务单元输出的报告因为产品服务、业务模式、商业模式、发展阶段、
报告使用者诉求的巨大差异而很难提前设置模板，人工智能大模型技术的引入使财务报告人员得以通过 GPT 助手根据与报
告使用人的提纲挈领性要求就可以自主生成报告的目录结构、数字、图表、文字分析，并根据与报告使用人的不断互动进
行实时修改补充，快速生成让报告使用人满意、分析更为精准的报告，大幅提升各类管理报告的可用性，如图 4-1-7 所示。
图 4-1-7 大模型技术赋能生成式管报
4.2 人工智能大模型技术赋能 B 公司财务应用
4.2.1 总体情况
（1）需求背景
数字化转型的快速发展，使以大模型为代表的人工智能技术加速推动企业的数智化转型升级，通过大数据、人工智能、
移动互联网、云计算、物联网等新一代信息技术，将为建设一流财务管理体系，推动企业高质量发展，构建新质生产力提
供保障。
数据不但是企业的生产资料，更是资产，未来企业的核心竞争力是运用数据创造增量商业价值的能力，数字化的过程
就是把企业的业务从物理世界投影到数字世界，实现数字孪生。人工智能在数字世界里可以发挥更大的价值，传统分析式
AI，可以对数据进行深入的洞察分析，企业可以监视财务和业务运营结果，分析趋势，预测未来，行动反馈，以此帮助整
个组织改善业务绩效。以大语言模型为代表的生成式 AI 强势崛起，借助大语言模型的能力，用户可以与系统进行基于自然
语言的无障碍交互，实现更便捷的数据查询、自动生成更深入的数据解读报告。人工智能大模型技术可以将行业知识与企
业私有知识装载到大模型，实现企业的辅助决策。同时在大模型的加持下，RPA 不再是简单的自动化，更是可以进行自行
判断的智能体。
填空题 命题作文
VS
预置模板
业务数据
业务数据
报告模版
抽取
数据
绑定
图表
图表
数据抽取
人工编辑 生成报告 GPT 助手 生成报告
目录
图表
数据
文本
自主生成
整合报告
123
Aa
人工智能大模型技术财务应用蓝皮书
41
在业财融合的大趋势下，企业财务工作不但要进一步提高自身效率，更要发挥财务对业务的监督与指导作用。企业一
方面要把财务共享中心升级为“智能无人”财务共享中心，从合同要素识别自动归档，到企业的智能自动化审核，通过 AI
助手实现对财务制度、流程、合同的智能回答，构建基于 LLM 的智能体，实现具有一定自主决策的智能 RPA，降低财务共
享中心对基础“操作人员”的依赖，把财务工作者的从劳动密集的繁琐重复工作中释放，投入高附加值的价值创造工作。
另一方面，财务人员要发挥财务对企业战略的价值，以管理会计理念为核心，增强财务对企业运营的指导作用，能够让财
务人员及时、准确、便捷的查询到财务、业务数据，进行大数据多维分析，并基于人工智能算法模型对数据异常进行自动
归因解释和数据洞察分析。同时，智能财务平台的建设要引入 LLM 大模型的能力，满足数字化转型的长期需求。
企业基于大模型的需求主要体现在三个方面：
第一，大语言模型的基座。搭建面向公司整体的大语言模型平台，具备语言理解、逻辑推理、内容生成、通识问答等
基本能力，可以对大模型进行精调和对 prompt 进行配置与管理，并可以对外提供大模型访问接口。因此，需要具备一些
功能予以支持：
✓ 算力调度：支持对 GPU 底层算力资源的灵活调度；
✓ 模型微调：支持对大模型进行微调，包括：P-Tuning、LoRA 等；
✓ 模型服务：支持对外发布大模型的调用接口，供业务系统对接。
第二、企业智能助手。搭建企业级智能助手，前期应用在财务领域，后期需要扩展到其他业务领域。支持对智能助手
的能力通过无代码的配置进行持续扩展：
✓ 知识问答：对企业各项文档，规章制度，产品说明书，行业报告等内容融会贯通，灵活应对用户的提问。
✓ 数据问答：可理解数据，支持以对话的形式进行数据查询。同时内置数理统计、财务分析、机器学习等模型，可对
数据深入分析，并将结果整理成图文并茂的报告。
✓ 内容生成：具有文字、代码、图片的通用生成能力，并在数据解释领域进行了强化，可以自动生成对指标的业务解
释说明，以及主题分析报告。
✓ 智能执行：可对复杂指令进行逻辑推理，进行子任务拆分，编排 IT 系统间的调用，实现智能自动化。
第三，智能无人财务共享。利用人工智能技术实现财务共享中心全流程高度智能化、自动化、价值化的目标。改变传
统的财务工作模式，大幅提高财务工作效率，降低财务成本，并极大提升财务管理水平：
✓ 智能审单：实现在对财务日常工作（报销、立项、付款等）流程中的自动审核，要支持业务用户灵活的进行业务规
则的定义，同时还需要将合同、发票、附件等文件中的关键信息进行识别，自动完成系统录入。
✓ 智能收单：通过智能收单机，实现单据投递后的自动扫描，并形成电子影像，智能设备会调用智能审单助手的能力
对提交的发票进行验真、查重以及附件审核等。
✓ 智能分析：用对话的形式查询财务数据，覆盖法人报告、管理报告、财务域的指标，并实现基于人工智能算法的归因、
预测分析，可以应用大模型自动生成分析报告。
✓ 财务客服：通过机器人解答公司业务用户对财务制度相关的问题，如：报销制度、差旅标准、财务系统的应用等。
（2）发展现状
B 公司的财务信息化水平较高，已经完成预算、合并、成本、绩效、管理报告等管理会计系统的建设，同时完成税务
系统、财务共享系统、商旅系统的建设。从目前应用效果看，基础设施较好，但是面临三个痛点，一个待提升点。其中痛
点主要体现在：
4 人工智能大模型技术赋能财务应用
42 第一，数据的困境。
✓ 数据孤岛：烟囱式建设的信息系统互为孤岛，财务人员多系统取数，手工整数。
✓ 数据离线：数据线下手工采集，错误频出，返工情况常有发生，费时费力。
✓ 数据口径不统一：数据统计口径不一致，同指标名称多种不同定义与计算方法，无法追溯与核对。
✓ 主数据不规范：客户、供应商、产品等主数据维度没有统一维护，业务系统与财务系统各自为政。
第二，分析的困境。
✓ 分析需求灵活多变：领导与业务用户需求多变，财务加班加点整理数据，疲于应对。
✓ 分析行为滞后：数据获取效率低，数据统计整理耗时久，好不容易做出报告后，已经错失最佳决策时机。
✓ 分析体系僵化：数据分析多停留在出报表和可视化程度，缺乏对数据深入的解读与分析，无法指导业务决策。
✓ 分析工具难以使用：有丰富的报表工具，自助 BI 系统，但是操作复杂，业务用户和基础财务用户不会使用。
第三，人效的困境：
✓ 回答业务用户重复的问题：每日应对大量业务用户重复的问题，如报销制度、付款进度、报销进度、差旅标准、合
同要求等已有明确制度文档的问题，耽误大量工作时间。
✓ 财务审核依赖人工：财务审批环节需要大量人工审核员，审核效率低，且容易出错。
✓ 财务信息录入依赖人工：合同、附件、非标票据等内容需要人工核验后进行系统录入与归档，费时费力。
另外，待提升点主要体现在智能化程度低：AI 技术蓬勃发展，2023 年 ChatGPT 火爆全球，但在 B 公司实际财务系统
中并未有效应用。
4.2.2 典型案例
B 公司首先进行了建设智能财务平台的整体咨询与规划，以数智驱动为核心，紧密结合财务共享业务与财务分析业务，
构建了面向未来的智能财务平台业务架构、企业大模型应用落地的技术架构、企业级智能助手的应用架构，并最终实现财
务业务效率的大幅提升、用户体验的全面升级、充分发挥了财务对业务的辅助决策作用。
（1）智能财务平台业务架构
B 公司基于数智驱动的无人财务共享“147”模型，对企业智能财务业务架构进行了整理，如图 4-2-1 所示。“无人财务共享”
是以数据和人工智能技术为驱动，以高效财务组织和智慧管理平台为载体，以精益运营和无人化为特征的新一代共享服务
中心及业务赋能中心。“无人财务共享”包括业财事务处理中心、数据赋能中心、多维报告中心、控制策略管控中心四大
核心能力，是实现管理会计和财务共享深度融合、业务和财务深度融合的人工智能深度应用、数据中心赋能业务的共享平台。
人工智能大模型技术财务应用蓝皮书
43
图 4-2-1 智能财务平台业务架构图
（2）企业大模型应用架构
智能财务平台的大模型应用包含 4 层架构：基础设施层、基础能力层、企业 AI 能力层，企业级智能助手层，如图 4-2-2
所示。B 公司已经建设了基础财务系统，需要上层应用在建设时与其已有系统、引擎对接，最大化已有 IT 资产的利用率。
业财事务
处理中心
控制策略
管控中心 数据赋能中心 多维报告中心
7 个
重要特征
4 大
核心能力
1 个
方向 数智驱动下的“无人”财务共享
组织分散化
能力复合
虚拟化
国际化
多元化
组织柔性化
商旅商城
线上消费
自动结算
银行税局全线
拉通
生态互联化
管理会计共
享深度融合
多维核算
智能预警
数据驱动
管财融合化
数电票
电子凭证
电子影像
电子合同
电子档案
全面电子化
智能填单
智能收单
智能审单
智能客服
AI 赋能
深度智能化
一流制度
复合人才
科学评价
合规高效
动态优化
管理精益化
业务财务
流程拉通
应付应收
协同结算
资产
全生命周期
业财协同化
4 人工智能大模型技术赋能财务应用
44 图 4-2-2 企业大模型应用架构图
基础设施层是企业内部的私有云，与常规 IT 应用系统建设不同的是，大语言模型相关应用的建设底层有 GPU 的支持。
不同于 CPU 在序列化任务的执行，GPU 更适合大规模并行处理。同时由于上层应用的稳定性与性能的要求，需要在基础
设施层构建 GPU 集群来实现高可用部署，以及动态调度算力资源。
基础能力层是企业内部的基础 IT 系统。为上层应用提供了底层能力支持，如：DevOps，微服务监控与管理，多租户，
消息队列，任务调度，缓存加速，系统日志管理，安全机制等。
企业 AI 能力层汇集了生成式 AI 能力、分析式 AI 能力、多模态识别能力，以及企业级知识库。
✓ 生成式 AI 能力模块：帮助企业更好处理文本信息，让业务用户可以更好进行检索与创作，实现对模型进行一定程度
的开发与调整，对数据进行标注，对模型以微调进行训练，并以提示词 prompt 方式进行干预。
✓ 分析式 AI 能力模块：帮助企业更好处理数字信息，让业务用户可以从数据中快速洞察业务问题。支持开箱即用的算
通用大模型中台 私有化大模型微调 AI 中台 ( 科学计算 ) 多模态识别能力
应用层
基础层 公有云 | 私有云 | 混合云
能力层
对象建模 流程引擎 规则引擎 数据智能 任务协同
智能助手
数据中台
基础技术平台
AI 能力
企业知识库
智能问答 | 分析决策 | 智能执行 | 内容生成 | 角色扮演
数据标准 | 数据开发 | 数据质量 | 数据资产
DevOps| 微服务 | 多租户 | 消息队列 | 调度 | 日志 | 缓存 | 安全 | 内存多维数据库
智能财务平台应用大模型的架构
页面对象
业务对象
数据对象
元对象
流程自动化
流程优化
流程分析
审批 / 业务流
规则中心
规则执行
规则解析
规则编辑
OA 集成
消息中心
待办中心
社交化
智芯
智管
智策
监控 智答 智图 智眸
决策
指挥
沉淀
供应链 商旅 / 费控 财务共享 税务 全面预算 合并报表 管理报告 运营监控 场景化应用
人工智能大模型技术财务应用蓝皮书
45
法调用，如归因、预测、数据自动化洞察。通过数据科学计算平台，实现基于机器学习、深度学习、自动化机器学习的数
据挖掘，从企业数据中台导出的数据集进行场景化建模，评估模型效果，发布成 API 供外部系统调用。
✓ 多模态识别能力模块：通过 OCR 技术实现财务票据、凭证、影像信息的识别，并从中提取对应的图片与文字信息。
该模块通过 ASR 技术实现对语音的指令的识别。
✓ 企业知识库模块：对企业文档类非结构化数据进行存储，可以支持 word、pdf、txt 等文档内容的存储，并支持在线
的富文本在线编辑，用来创建新的知识。该模块可以创建文件夹，并对文件夹与文档本身创建丰富的标签，实现对企业文
档的多级分类管理。该模块支持通过向量知识库，来实现知识的分段存储与语义检索，配合大模型实现智能知识检索与知
识推理。该模块支持人工对知识进行标注，以使得知识检索更为精准。
（3）企业智能助手
企业级助手层通常由企业智能助手基础管理模块，专项技能管理模块构成。企业可以根据场景需要，制作多个机器人
助手，服务日常需要，如图 4-2-3 所示。
图 4-2-3 机器人助手管理
智能助手基础管理模块主要对智能助手的基本信息等元素进行定义与编辑，查看日常使用日志与情况。维护的基本信
息包括：机器人的头像、名称、欢迎语、水印配置、语音管理等。该模块可以对用户的使用情况进行查看，包括使用人数，
以及问答量的统计，并且可以查看每个用户的使用日志信息，查看用户的提问，以及助手的回答。
4 人工智能大模型技术赋能财务应用
46 图 4-2-4 财务数据问答 - 移动端
财务数据应用能力覆盖数据接入、数据问答、数据分析，可堆积企业内部已有的财务数据，进行标准化描述，让 AI 理
解企业中的数据表结构，业务实体、指标实体等，并建立数据权限管理体系。数据问答让用户可以通过自然语言对话的形
式进行数据获取与查询，查询的结果可智能推荐最适合的可视化图表进行展示。数据分析能力增强企业用户基于数据进行
决策的判断力，对财务指标的表现进行解读，辅助财务人员分析，并对支持对指标进行预测，与变化的归因分析。移动端
的财务数据问答如图 4-2-4 所示，PC 端的财务数据问答如图 4-2-5 所示。
图 4-2-5 财务知识问答 -PC 端
人工智能大模型技术财务应用蓝皮书
47
财务知识问答的能力聚焦在非结构化数据的问答，可以接入企业知识平台中保存的知识文档，对接入的文档实现自动
化训练与标注，实现对财务报销制度、付款制度、员工差旅标准等财务规范制度的回答。
4.2.3 应用场景
（1）智能审单机器人
B 公司过去人工审核面临的问题主要体现在：
✓ 人工审核耗时长，容易出现疏漏；
✓ 涉河标准受到人员个人经验、水平差异的影响，存在主观性；
✓ 无法进行大规模、高效率的审核、难以满足企业快速发展的需求。
现在智能审核的改善：
✓ 规则引擎，基于自然语言的规则引擎，提供便捷的规则编辑；
✓ 智能识别，通过 OCR+LLM 提供的实体识别，可大幅提升非标附件、合同、单据、凭证的识别效率；
✓ 行为分析，对历史信息进行分析，多维度校验员工行为的一致性、合理性。
B 公司基于智能财务平台，通过智能审单助手将发票、附件、合同等相关业财信息结构化（非标附件可以通过 AI 大模
型进行智能识别要素提取），利用规则引擎来搭建集团级的审核规则库，业务及财务审核人员可以将规则库中的规则根据
业务情况和管理需求灵活定义和调整，形成面向不同角色、不同审核需求的审核事项，这些审核事项可以嵌入到流程引擎中，
自动完成流程审批，智能审核一旦发现不符合规则审核的内容，将自动转换为人工审核，提醒并对错误事项进行锚点定位，
大幅提升审核效率以及审核体验。智能审单的业务流程如图 4-2-5 所示。
4 人工智能大模型技术赋能财务应用
48 图 4-2-5 智能审单的业务流程
智能审单助手不仅能够结合机器学习算法完成自动化的流程审核，还能够根据业务需求自定义信息展示卡片，显示预
算的占用情况、关联的单据、影像的对比结果、员工的行为风险等信息，如图 4-2-6 所示。
图 4-2-6 智能审单的风险评估
战略执行类 ( 预算和计划执行 )
行为及对象风险管理类
日常监控类 ( 基于业务场景监控 )
审核规则分类
风险处理方式
智能审单助手
风险分析方法
收入预算执行分析
投资和资产类 融资类 应收类 应付类 费用场景类
费用预算控制
员工类 客商类
资金计划控制
发票类
投资计划控制
合同类 附件类
关键业务指标分析与控制 禁止提单
风险提示
风险推送
规则引擎
附件识别
行为分析
AI 预测
数据监控
提单审核
业务人员 审核人员
辅助审核
风控人员
风险画像
稽核人员
稽核辅助
投资决议审核 融资授信审核 收款自动认领校核
利息扣款复核
手续费审核
三单匹配审核
自动对账结果审核
供应商资信审核
费用标准审核
附件一致性审核
投资付款审核 自动对账结果审核 前置审批审核
…… …… …… …… ……
投资可行性评
估报告审核
回单自动下载
及其匹配校核
风险
人工智能大模型技术财务应用蓝皮书
49
（2）智能交单
财务共享中心为了保证财务原始凭证的真实完整，一般都会设立收单 & 扫描岗进行单据的收取以及影像的扫描，一方
面完成实物单据的交接，同时以此来保证电子影像流与实物流的匹配，但此部分工作简单、重复、枯燥，大幅的占用了财
务人员的精力。智能交单机与智能收单机进行无缝链接，为智能收单机赋能。在员工交单环节，通过扫码、刷卡、人脸识
别等方式登录，全程视频监控下完成单据投递、补单、退回等操作，如图 4-2-7 所示。
图 4-2-7 智能交单的业务流程
单据通过扫描口投递成功后，智能收单机即自动完成扫描，并形成电子影像，智能设备会调用智能审单助手的能力对
提交的发票进行验真、查重以及附件审核等。至此不仅完成了交单初审工作，同时也通过机器能力替代财务人员影像文件
扫描岗，释放财务审核人员的精力以投入更有价值的工作中。
智能设备的应用大幅提升了用户体验，能够 7*24 小时全自动服务，完成全程无接触式报销，自动对比，杜绝丢单、少单，
自动分拣和归档，提升档案管理效率。这种软硬结合的智能化解决方案也是财务全面智能化的一个重要环节。
智能收单完全改变了财务扫描以及稽核人员繁琐的日常工作，彻底解放了扫描岗，自动分类归档，提升档案管理效率。
费用初审效率提升 90%，退单效率提升 80%，账务处理效率提升 90%，内审工作效率提升 60%。
（3）智能财务制度助手
智能知识快速查询。通过 AI 大模型学习企业知识库文档，用户输入自然语言即可自动查询和询问知识，企业可植入费
用报销制度相关问题、操作文档等，便于用户高效获取信息，如图 4-2-8 所示。
智能交单机核心流程
一投即扫 快速分拣 自动签收 智能初审 *
1
自动归档 * 全程监控
根据报销单快速将纸质票据
及增值专票抵扣联进行分拣，
报销单纸质票据自动整理
一次投递多张 / 逐张投递，
设备自动进行扫描
投递后自动扫描签收，确保
影像和实物一致
设置定时任务和归档规则，
单据审批后自动按需归档
通过对第三方影像的切分
和 OCR，与消费记录匹配
后进行审核
智能柜容量不足自动预
警，纸 质单 据 流 转 全 程
可控
4 人工智能大模型技术赋能财务应用
50 图 4-2-8 智能财务制度助手
智能问题快速答复。B 公司提供在线客服助手，用户可通过机器客服进行线上对话，客服助手可反问用户其他问题，
经过多轮问答后给出精准匹配的答案。财务共享服务系统填单报销过程中的报销问题询问，可开启共享客服助手大幅减少
了用户的线下询问，降低了企业内部的沟通成本、管理成本。智能财务制度助手场景示意如图 4-2-9。
图 4-2-9 智能财务制度助手场景
功能 语音 反馈 特点
商旅预定
筛选查询
外部信息
信息查询
外部 APP
订明天北京到上
海的机票
只查看上午的
( 航班）
明天上午天气怎
么样？
查看我的行程
打车到虹桥
火车站
为您找到 12 家合标
准航班，请选择
为您找到 4 架合标
航班，请选择
明天上海天气阴，
12-18 度
为您找到 3 条行程
发起打车
自动打开商旅预订
自动查询符合标准
的商旅信息
可调用外部的信息，
比如天气、股票、供
应商信息
系统间或模块间实现快速跳转，节省人工操作成本 ( 如预订机票人工需要 40 秒，语音查询仅需 3-4 秒，
效率提升至少 10 倍 )
大幅度提升用户体验和效率，尤其是提升新用户的系统操作效率
1
2
3
4
5
基于交互的内容，自
动筛选需要的数据
行程查询、台账查询、
借款查询、报销查询
自动调用外部 APP
发起打车
