大模型席卷保险业，算力、技术投入是挑战

伴随着“百模大战”的“硝烟”，大模型在保险垂直领域的落地也泛起了层层涟漪。

第一财经记者从行业内了解到，大模型“风起”后，已有多家险企通过自研或合作的方式推进了在大模型方面的应用落地。

综合业内人士观点，保险行业作为数据密集型行业，具备数据优势，且应用场景丰富，是大模型的最佳应用领域之一。但目前大模型在保险业的落地仍面临落地成本、金融数据标准化、金融业务所涉及的合规性及数据安全以及大模型核心技术底座优化等挑战。

保险业争相布局大模型

2023年，以ChatGPT为代表的大模型技术引发了全球的关注和热议，掀起了通用人工智能爆发式发展的浪潮。

“大模型的更新不是按年来进行的，也不是按季度来的，现在每个月我们都能看到各种全新进展，包括多模态、全自然交互等，这些都会为金融保险行业的新生产力带来加速。”科大讯飞金融科技事业部副总经理、AI研究院副院长梅林海在2024世界人工智能大会上表示。

保险业也正在积极拥抱这股浪潮，争相布局大模型相关应用。

在前不久举行的2024世界人工智能大会上，中国太保官宣了其大模型的三阶段建设计划，并“一口气”发布了大模型在内部审计和多个业务线上的落地应用。而就在近几日，国民养老、君龙人寿等险企也纷纷宣布与科技公司进行战略合作，探索大模型等AI技术在保险垂直领域的应用。

如果将时间线拉长至2023年，中国人保、阳光保险、信美人寿、众安保险等多家险企均推出了自己的保险业垂类大模型及基于大模型的应用，涵盖代理人赋能、智能客服、理赔、办公等各个业务链条环节。

由阳光保险集团联合清华大学五道口金融学院等单位共同在2023年底发布的《大模型技术深度赋能保险行业白皮书（2023）》（下称《白皮书》）认为，保险行业作为数据密集型行业，具备数据优势，且应用场景丰富，是大模型的最佳应用领域之一。“大模型与保险的底层逻辑不谋而合，它们共同依赖于数据和模型这一基石。大模型的底层架构以数据和模型为核心，而保险业则秉承大数法则，同样以数据和模型为基础。保险与大模型之间存在着天然的契合点，使得大模型在保险行业的应用前景愈加广阔。”《白皮书》称。

从应用层面来说，业内人士认为，大模型可以应用到保险领域的全业务流程，帮助保险企业更好地分析市场趋势、理解客户需求、精准化产品定价、提升营销效率、提高风险管理能力、提升理赔便捷性、改善服务质量，从而降低运营成本、提升营销和服务效能、提升客户体验。

科大讯飞对于大模型在金融场景中的需求统计数据显示，前五大应用场景分别为知识问答（36%）、文字客服（19%）、开发助手（13%）、智能营销以及办公助手。

在目前的落地应用中，大模型能达到的效果是怎样的？太保寿险信息技术总监吴敏辰举例称，太保寿险将大模型应用在代理人培训方面，利用大模型技术结合心理学认知模型，模拟真实的客户反馈，提升代理人销售技巧。双盲测试显示，使用该产品的中低水平代理人销售水平提高7.9%。

“目前来看，国内保险行业还处于摸索AIGC落地的初级阶段，海外一些保险公司已经开始探索将AIGC嵌入承保、理赔、审核等多个保险业务流程中。”《白皮书》表示。

据信息技术研究分析公司Gartner预测，到2025年，AIGC的全球市场规模将超过1350亿美元，其中银行、金融服务和保险将占该市场的25%。此外AI RPA（RPA指机器人流程自动化）的技术融合已经使数字人具备数据决策能力，这意味着虚拟数字人在未来有为保险业重构行业价值链的能力。

显然，国内险企对于大模型的探索也将继续加速。以中国太保为例，根据其最新发布的大模型三阶段建设计划，目前开启的第二阶段目标即为：到2025年推进11个岗位的数字劳动力建设，覆盖10000名员工，提升30%的劳动生产率。

仍将面临这些挑战

尽管大模型正在为保险业带来体验方面的变革，但综合业内人士的观点，以大模型为代表的AI技术在保险业的应用也仍将面临多项挑战。

首先就是落地成本问题。“烧钱”，是险企在布局大模型中始终绕不开的两个字。信美相互人寿相关负责人在接受媒体采访时表示，大模型的投入主要来自两个部分，一个是算力的投入，另一个是技术团队的投入。

据第一财经了解，从目前行业内险企布局大模型的情况来看，“财大气粗”的大型险企更多采用自建团队并在外部助力下自研行业大模型的方式投入。例如中国人保就表示，通过自建人工智能算法团队，积极推进内外部生态合作，深入大模型技术研发，打造了自主可控的人保大模型。该模型的结构是以深度理解保险行业的专属通用大模型为底座，面向垂直业务领域的自研场景大模型为主体，而外部大模型能力则起到辅助作用。另外，阳光保险也在2023年将自研AI大模型列为公司战略工程。

而部分中小险企则采用租用刚需算力，并基于外部基础大模型，配合插件及Agent能力建设来实现保险垂直应用。

“借助AI、大模型等技术，我认为中小险企是有机会通过提高运营效率缩小与大型险企之间的差距的，但前提是找到合适自己的大模型落地方式。我们不仅要关注大模型落地场景的效果，还需要关注规模化应用带来的算力成本以及安全自主可控的要求。当然，希望随着技术进步，算力成本会逐渐下降。”一名中小险企技术负责人表示。

其次则是数据标准。梅林海认为，技术人员知道大模型应该怎么去优化，但是并不知道在金融场景里面这些场景的结果是好还是坏，但业务专家又不知道技术怎么优化，所以需要让更多的一线业务专家和技术专家打破知识的屏障，将高质量数据的标准共同制定出来，为场景落地的高效运转提供帮助。

同时，在部分复杂业务中，大模型的核心技术底座（指构建和训练庞大、复杂的人工智能模型所需的计算资源和基础设施）还需要持续迭代来满足场景需求。“金融行业对于业务精确度的要求是非常高的。AI在部分场景的精确度尽管可以超过80%甚至90%，但是要全自动化的话业务层面的要求可能就需要达到100%，这其实对技术优化是提出了较为极致的要求。”上述技术负责人表示。

另外，对于数据合规及伦理方面一直是业内在AI技术应用挑战中讨论较多的话题。在6月召开的陆家嘴论坛上，中国人保总裁赵鹏就表示，尽管进入数字化时代，保险公司实现“千人千面、千人千险”不再遥远，但个性化保险定价可能导致如老年人、残疾人等部分弱势群体的保费过高，造成新的金融排斥。这就要求我们要更好把握数字金融创新与治理关系，既要充分运用数字技术提升服务效率，又要防范技术不当应用影响社会公平，尤其要避免大数据及算法歧视。

“从监管角度而言，技术是中性的，归根结底还是需要管住运用技术的人。”上述技术负责人说。