2023大模型技术深度赋能保险行业白皮书

前 言 以ChatGPT为代表的大模型技术，正以前所未有的速度深刻改变整个人类社会。比尔盖茨提出：“ChatGPT历史意义不亚于PC或者互联网诞生”。马斯克认为：“ChatGPT将颠覆世界”。马化腾在2023年腾讯股东大会上回应有关ChatGPT和AI相关的提问时说：“我们最开始以为是互联网十年不遇的机会，但是越想越觉得，这是几百年不遇的、类似发明电的工业革命一样的机遇”。2023年7月13日，国家网信办联合国家发展改革委、教育部、科技部、工业和信息化部、公安部、广电总局七部门共同制定《生成式人工智能服务管理暂行办法》，为国内大模型技术研发及应用提供了政策支持和合规指导。作为中国保险行业的深耕者，阳光保险集团立足全球视野，从大模型技术与保险底层逻辑出发，认为大模型技术将从根本上改变和赋能保险，保险业需要与时俱进，把握战略机遇。 事实上，人保、平安、太保、泰康、众安、Zurich Insurance、Paladin Group等国内外保险公司和保险科技公司已经迅速行动，围绕大模型研发及应用进行布局，启动大模型在保险应用的主题创新。阳光保险集团于2023年初即启动“阳光正言GPT大模型战略工程”，积极探索和实践如何应用大模型技术重构保险业务模式。我们认为，联合产学研各方单位，深入研究大模型的技术原理，分析各保险公司和保险科技公司的大模型应用案例，将对大模型技术在保险行业落地提供实用的理论和方法。因此，阳光保险集团联合清华大学五道 口金融学院、中国保险学会、北京百度网讯科技有限公司、中国科学院计算技术研究所智能信息处理重点实验室共同研究编写了《大模型技术深度赋能保险行业白皮书》。 白皮书聚焦大模型关键技术与核心能力，结合政策环境，深入剖析大模型在保险行业的多维应用场景与价值，为保险行业如何应用大模型技术、实现价值创造，提供实用参考建议。 白皮书系统阐释了大模型技术与保险在底层逻辑上存在的天然契合性。一方面，大模型技术充分利用互联网上的一切数据，从而具备更高的准确性、更强的泛化能力、更低的应用门槛，实现了在传统深度学习基础上的性能飞跃，满足了各行各业在多元场景中的应用需求；另一方面，保险天然就与数据紧密相连，丰富的应用场景使得保险成为大模型技术的绝佳应用领域。这种天然契合性，使得大模型和保险的结合将从“能力涌现”逐步走向“价值涌现”，其价值创造也将向从量变到质变、从改变到变革、从变革到颠覆逐步演进。大模型的深度认知能力，将改变行业对风险认知与管理的能力，推动保险行业的精算模式从“粗放预测”向“精准预知”升级，推动风险管理从相对被动的“等量管理”向相对主动的“减量管理”转变。这一转变将重塑保险行业的商业模式，引领一场颠覆性的变革，开启保险业新的发展篇章。 面对当今世界百年未有之大变局，我国在党的二十大精神指引下，以全面建成中国式现代化为主要目标进行了全方位战略布局。2023年10月30日召开的中央金融工作会议指 出：“金融是国民经济的血脉，是国家核心竞争力的重要组成部分”、“做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”。保险业需要提高认识和站位，系统分析面临的形势、问题和挑战，坚定不移地推动保险改革与创新。我们认为，本次《大模型技术深度赋能保险行业白皮书》的发布恰逢其时，为保险业做好科技金融和数字金融两篇大文章提供了有力支撑。我们将坚定地走在创新前沿，将大模型技术与保险业务深度融合，为保险行业从科技赋能向科技引领的转变探索更多可能性。同时，我们也将与各界合作伙伴携手共进，共同推动科技保险和数字保险的发展，共创保险行业的美好未来！ 编委会 目录 CONTENTS 2.1.1投研：分析市场趋势、优化资产组合···················212.1.2产品设计及定价：挖掘客户需求、定价精准化··············212.1.3营销：赋能代理人、优化销售流程·····················222.1.4承保：更精准的风险评估··························232.1.5理赔：定损智能化、助力欺诈识别·····················232.1.6服务：赋能坐席 优化客户体验······················24 通用领域：提升内容生成与分析效率····················252.2 2.2.1办公：辅助内容生成，降本提效·······················252.2.2HR：提升招聘效率、优化员工服务·····················252.2.3财务：分析和决策更准确高效·······················262.2.4法务：分析历史案例、快速合同审查···················272.2.5经营决策及管理：辅助战略规划及策略优化··············272.2.6风控：识别风险，提升安全性························28 2.3.1数字人·····································292.3.2数字员工····································30 3.1大模型开放平台架构·································32 3.2垂直领域大模型：更懂保险的大模型·······················35 3.2.1训练方法····································353.2.2基座模型选择··································373.2.3数据来源······································373.2.4挑战及应对···································38 3.3插件集市 实现大模型与外部系统链接····················39 3.4大模型研发工具 提升模型研发效率·······················40 3.5智能路由和审核 实现大模型动态调度和内容安全··············41 3.7大模型应用安全与合规································42保险业大模型评测体系······························443.6 积极探索落地 大模型价值全面初现·······················464 4.1国内险企躬身入局，初步探索AIGC应用落地·················47 4.1.1阳光保险：正言大模型开放平台赋能保险及办公全业务流程···474.1.2中国人保：打造并发布人保大模型，多场景应用落地·········534.1.3平安：推出数字人产品、建立精准信用评级体系············554.1.4太保集团：数字员工助力审计监督提升·················564.1.5泰康：积极构建生态，打造大模型原生应用··············584.1.6众安保险：将AIGC置入科技产品，打造系统应用全新体验· · · · · ·59 4.2.6Helvetia：利用Clara推进客户服务·····················634.2.1Paladin Group：承保工具UnderwriteGPT··············604.2.2Corvus Insurance：利用Corvus Risk Navigator平台实现核保·614.2.3Simplifai：Insurance GPT助力自动化索赔管理··········614.2.4苏黎世保险：使用ChatGPT辅助理赔及承保············624.2.5印度Plum：PolicyGPT聊天机器人，进行客户联系服务·······63 4.2.7Tokio Marine &Nichido Fire Insurance：撰写答案草稿·······634.3互联网公司妥善布局，提供一体化解决方案················644.3.14.3.25.15.25.35.45.5强化治理，推动大模型可持续发展························68多方协同，构建大模型发展新生态······················69面临的挑战····································72应对措施建议·····································73挑战与机遇并存 积极布局加速赋能·······················665国内互联网公司布局办公领域及数字人················64大模型能力持续升级，应用前景可期·····················66微软Office打造办公“全家桶”·······················64Google将生成式AI应用于Workspace··················644.3.3 图目录CONTENTS 大模型的内涵与特征·································13图1“十四五”期间人工智能相关重要政策·····················17图2近年保险行业人工智能相关政策·························18图3大模型赋能保险全业务流程····························20图4正言大模型开放平台系统架构图························34图5垂直领域大模型训练的三类主要方案·····················36图6车险全线上销售机器人产品架构·························48图7FAQ-DocQA-Chat问答链路····························49图8预制或自定义各类人设，支撑多类办公文案场景··············50图9端午节营销海报生成·································51图10基于自然语言，实现报表自动生成························52图11不同模型自助切换，提供更优质的答案····················52图12构建集成开发工具常青藤辅助编程插件，实现代码辅助·········53图13人保大模型产品规划································54图14商汤AI治理理念···································68图15 1.大模型发展迅速 加速AI价值升级 在人工智能的发展历程中，大模型技术的崛起无疑标志着一次历史性的突破。随着参数规模和数据规模的显著增长，大模型在各类任务中展现出更高的准确性、更出色的泛化能力以及更低的应用门槛，从而满足了各行各业日益多元化的需求。学术界、研究机构、产业界以及各级政府均对大模型给予了高度的重视，从算法模型、技术生态、落地应用和政策环境等多个层面，推动通用大模型和领域专用大模型的快速发展和应用。 1.1大模型技术创新，能力显著升级 大模型，包括广义的人工智能预训练大模型及狭义的大型语言模型（Large LanguageModel，LLM），是一种具有庞大参数规模和高度复杂性的机器学习模型。通常来说，这种模型的参数量能够达到数十亿，甚至扩展到数万亿的惊人规模。通过在广袤无垠、未加标注的海量数据中进行大规模的预训练，这些大模型能够深入挖掘并掌握众多微妙的模式、规律和知识。它们展现出了惊人的“涌现”现象，即模型性能的准确性、表达能力的强度以及泛化能力的广泛性都展现出了卓越的优势。这种“涌现”现象是大模型最引人注目的特征之一，也是它们在自然语言处理、计算机视觉等领域表现出色的原因之一。 大模型可