前 言
1
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
大模型技术深度赋能保险行业白皮书（2023）
大模型技术深度赋能保险行业白皮书（2023）
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
2
大模型技术深度赋能保险行业白皮书（2023）
3
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
大模型技术深度赋能保险行业白皮书（2023）
目录
CONTENTS
大模型发展迅速 加速AI价值升级· · · · · · · · · · · · · · · · · · · · · · · · · 11
大模型技术创新，能力显著升级· · · · · · · · · · · · · · · · · · · · · · · · 11
生态日益完善，推动大模型落地应用· · · · · · · · · · · · · · · · · · · 14
政策持续出台，助力大模型产业快速发展· · · · · · · · · · · · · · · · · 16
投研：分析市场趋势、优化资产组合· · · · · · · · · · · · · · · · · · · 21
产品设计及定价：挖掘客户需求、定价精准化· · · · · · · · · · · · · · 21
营销：赋能代理人、优化销售流程· · · · · · · · · · · · · · · · · · · · · 22
承保：更精准的风险评估· · · · · · · · · · · · · · · · · · · · · · · · · · 23
理赔：定损智能化、助力欺诈识别· · · · · · · · · · · · · · · · · · · · · 23
服务：赋能坐席 优化客户体验· · · · · · · · · · · · · · · · · · · · · · 24
办公：辅助内容生成，降本提效· · · · · · · · · · · · · · · · · · · · · · · 25
HR：提升招聘效率、优化员工服务· · · · · · · · · · · · · · · · · · · · · 25
财务：分析和决策更准确高效· · · · · · · · · · · · · · · · · · · · · · · 26
法务：分析历史案例、快速合同审查· · · · · · · · · · · · · · · · · · · 27
经营决策及管理：辅助战略规划及策略优化· · · · · · · · · · · · · · 27
风控：识别风险，提升安全性· · · · · · · · · · · · · · · · · · · · · · · · 28
数字人· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 29
数字员工· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 30
1
大模型开放平台建设 打造可信大模型底座· · · · · · · · · · · · · · · · · · 323
应用场景丰富 大模型助保险业增效提质· · · · · · · · · · · · · · · · · · · · 20
保险领域：全业务流程赋能· · · · · · · · · · · · · · · · · · · · · · · · · · 20
2
通用领域：提升内容生成与分析效率· · · · · · · · · · · · · · · · · · · ·
数字人与数字员工：智能化程度提升· · · · · · · · · · · · · · · · · · · ·
5
Helvetia：利用Clara推进客户服务· · · · · · · · · · · · · · · · · · · · · 63
大模型技术深度赋能保险行业白皮书（2023）
6
大模型开放平台架构· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 32
垂直领域大模型：更懂保险的大模型· · · · · · · · · · · · · · · · · · · · · · · 35
训练方法· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 35
基座模型选择· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 37
数据来源· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 37
挑战及应对· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 38
插件集市 实现大模型与外部系统链接· · · · · · · · · · · · · · · · · · · · 39
国外险企积极转型，营销承保服务业务全覆盖· · · · · · · · · · · · · · · · · 60
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· · · 47
中国人保：打造并发布人保大模型，多场景应用落地· · · · · · · · · 53
平安：推出数字人产品、建立精准信用评级体系· · · · · · · · · · · · 55
太保集团：数字员工助力审计监督提升· · · · · · · · · · · · · · · · · 56
泰康：积极构建生态，打造大模型原生应用· · · · · · · · · · · · · · 58
众安保险：将AIGC置入科技产品，打造系统应用全新体验· · · · · · 59
Paladin Group：承保工具UnderwriteGPT· · · · · · · · · · · · · · 60
Corvus Insurance：利用Corvus Risk Navigator平台实现核保· 61
Simplifai：Insurance GPT助力自动化索赔管理· · · · · · · · · · 61
苏黎世保险：使用ChatGPT辅助理赔及承保· · · · · · · · · · · · 62
印度Plum：PolicyGPT聊天机器人，进行客户联系服务· · · · · · · 63
积极探索落地 大模型价值全面初现· · · · · · · · · · · · · · · · · · · · · · · 464
大模型应用安全与合规· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 42
保险业大模型评测体系· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 44
国内险企躬身入局，初步探索AIGC应用落地· · · · · · · · · · · · · · · · · 47
大模型研发工具 提升模型研发效率· · · · · · · · · · · · · · · · · · · · · · · 40
智能路由和审核 实现大模型动态调度和内容安全· · · · · · · · · · · · · · 41
Tokio Marine &Nichido Fire Insurance：撰写答案草稿· · · · · · · 63
互联网公司妥善布局，提供一体化解决方案· · · · · · · · · · · · · · · · 64
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”· · · · · · · · · · · · · · · · · · · · · · · 64
Google将生成式AI应用于Workspace· · · · · · · · · · · · · · · · · · 64
大模型技术深度赋能保险行业白皮书（2023）
7
大模型技术深度赋能保险行业白皮书（2023）
9
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7
FAQ-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
大模型技术深度赋能保险行业白皮书（2023）
1.大模型发展迅速 加速AI价值升级
大模型技术创新，能力显著升级
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。
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 Language
Model，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。
大模型可分为通用大模型和专用大模型两类，它们在设计、训练与应用上均有所区别。
通用大模型的目标是处理广泛的任务和领域，具备强大的泛化能力。通常，它们基于
大量的无标注数据进行预训练，然后在特定任务上实施微调。这种“预训练-微调”的方法使
通用大模型能够获取丰富的语义知识，因此在各种任务中表现卓越。例如，ChatGPT就是
通用大模型的典型代表，可回答各类问题、生成文本、完成编程任务等。
11
大模型技术深度赋能保险行业白皮书（2023）
12
而专用大模型是针对特定任务或领域进行优化，具有很强的专业性。它们通常以领域
数据或有限的有标注领域数据为基础，在通用大模型底座的基础上重新预训练或者微调，
以更好地适应特定任务的需求。专用大模型在某些任务上的表现要优于通用大模型，因为
它们能更准确地捕获到与任务相关的特征和模式。例如，彭博社发布的专门为金融领域打
造的大语言模型BloombergGPT能更好地处理金融领域的数据和任务。
大模型在传统深度学习基础上实现了性能的飞跃性提升，其主要特点包括：
（1）庞大的规模：这些模型通常具有数十亿甚至数万亿个参数，这使得它们能够捕捉
到数据中的复杂模式和关系。这种规模的模型在处理自然语言处理、图像识别和语音识别
等任务时表现出了优越的性能。
（2）高效的通用能力：由于其庞大的规模和强大的学习能力，大模型可以应用于多种
不用的任务，展现出强大的性能。这使得大模型在实际应用中具有很高的价值，如在智能
问答、语言理解、内容生成等领域。
（3）强大的泛化能力：通过使用大量的训练数据，大模型可以学习到数据中的深层次
结构和规律，这使得它们能够在面对新的、未见过的任务时，快速地找到合适的解决方案。
（4）便捷的实用性：大模型能以合理的时间和资源，快速处理输入数据并做出响应，性
能和效率能满足大部分应用场景的需求。
大模型技术深度赋能保险行业白皮书（2023）
与传统深度学习比较，大模型在处理复杂任务时具有显著的优势，从自然语言处理、
搜索引擎到计算机视觉等领域，大模型技术都在不断地突破自身的能力边界，为人类带来
了前所未有的便捷和智能体验。
首先，在自然语言处理领域，大模型技术取得了重要的突破。目前，无论是智能语音助
手还是聊天机器人，都在利用大模型技术实现更加自然、流畅的人机交互。通过对大量文
本数据的学习，大模型技术可以理解用户的意图，生成符合语法和语义的自然语言回复。
这不仅提高了人机交互的效率，还降低了开发成本，使得越来越多的企业和个人能够享受
到智能问答带来的便利。
其次，大模型技术在搜索与推荐领域的应用已经深入人心。谷歌、Bing、百度等主流搜
索引擎都在利用大模型技术为用户提供更加精准、高效的搜索结果。通过对海量数据的学
来源：AI大模型市场研究报告（2023）⸺迈向通用人工智能，大模型拉开新时代序幕，A Frost &
Sullivan White Paper.（经整理）
13
图1 大模型的内涵与特征
大模型技术深度赋能保险行业白皮书（2023）
14
习和分析，大模型技术能够理解用户的需求，快速返回相关的信息，极大地提高了用户的
搜索体验。针对推荐系统，大模型技术通过分析用户的兴趣和行为，为用户推荐最符合其
需求的内容，从而实现个性化推荐。
在计算机视觉领域，大模型技术同样展现出了强大的潜力。通过对大量图像和视频数
据的学习，大模型技术可以实现对图像内容的理解和分析，从而实现目标检测、人脸识别、
图像分割等功能。这些功能在医疗、无人驾驶、安防等领域都有着广泛的应用前景。例如，
在医疗领域，大模型技术可以辅助医生进行疾病诊断，提高诊断的准确性和效率；在无人
驾驶领域，大模型技术可以实现对道路环境的感知和分析，为自动驾驶提供安全保障。
当然，大模型技术的发展也带来了一些挑战。如何保证数据安全和隐私保护成为了亟
待解决的问题。此外，大模型技术可能产生歧视性、偏见性或不道德的输出，还有可能出现
大模型“幻觉”，需要制定相应的政策和技术措施来确保模型的公平性、道德性。同时，随着
大模型技术的不断升级，硬件设备的投入和维护成本也在不断增加。为了应对这些挑战，
我们需要不断探索、研究和创新。同时，我们也需要加强合作和交流，共同推动大模型技术
的进步和发展。
大模型生态的发展日益完善，从底层基础设施到大模型研发平台、大模型能力扩充、
大模型服务平台、基于大模型的AI Agent等不同层次，各项技术及平台均在不断进步和创
新。
首先，在基础设施支撑上，GPU技术在近年来取得了显著的进步。随着计算能力的提
升，GPU已经成为了训练大型模型的重要工具。相比于传统的CPU，GPU能够提供更高效
的并行计算能力，大大提高了训练速度。同时，GPU厂商也不断推出新的产品和技术，使得
生态日益完善，推动大模型落地应用
大模型技术深度赋能保险行业白皮书（2023）
15
GPU能够更好地支持大规模模型的训练。例如，NVIDIA的Ampere架构和Google的Tensor
Processing Unit (TPU)等新型GPU产品，为大模型训练提供了更强大的计算能力和更低
的能耗。
其次，大模型研发平台也在不断发展和完善。这些平台提供了一整套的工具和服务，
帮助研究人员和开发者更方便地开发和部署大模型。这些平台还提供了可视化界面和编
程接口，使得开发者可以更加直观地进行模型的训练和调整。例如，Google的TensorFlow、
Facebook的PyTorch及百度的PaddlePaddle等深度学习框架都提供了丰富的预训练模
型和API接口，使得用户可以轻松地使用这些模型进行迁移学习和微调。此外，一些开源项
目，如Hugging Face Transformers、阿里ModelScope等，也在推动大模型生态的建设，为
用户提供了丰富的预训练模型和API接口。百度于今年3月推出的百度智能云千帆大模型
平台是全球首个一站式的企业级大模型生产平台，不仅提供基于文心一言或者第三方开
源大模型的大模型服务，还提供全套工具链和开发环境，帮助企业开发自己的专属大模型。
这些平台的出现，大大降低了大模型研发的门槛，使得更多的研究者和开发者能够参与到
这个领域。
然后，在大模型能力扩充方面，插件技术的发展为大模型生态的完善提供了重要支持。
通过插件技术，用户可以方便地将不同领域的知识和数据集成到大模型中，从而提高模型
的泛化能力和性能、丰富大模型应用的功能和场景。例如，一些研究团队已经开发出了针
对自然语言处理、计算机视觉等领域的插件，这些插件可以帮助用户快速地构建出具有特
定任务能力的大模型。此外，一些公司也在积极探索插件技术的应用，例如通过插件实现
与内部业务系统的链接，实现大模型与业务流程的衔接。较具代表性的大模型应用开发框
架包括LangChain、LlamaIndex以及Deepset Haystack等。
大模型服务平台也争相涌现，为用户提供了众多获取大模型能力的途径。OpenAI API
大模型技术深度赋能保险行业白皮书（2023）
16
作为较早向公众开放的大模型服务平台，通过提供不同的API来满足用户对不同GPT模型
的需求。百度文心一言不甘示弱，提供了APP、API接口、网页版等多种形式的开放服务，更
集成了插件机制，有效拓展了大模型的能力边界。此外，还有微软Azure OpenAI、Midjour-
ney、讯飞星火认知大模型、百川大模型等国内外大模型服务平台，如同群星闪耀，为用户
提供了丰富、便捷的大模型能力访问途径。
最后，基于大模型的AI Agent技术崭露头角，这个具备自主思考和执行能力的智能体，
被视为通往AGI的主要途径，并将为各行各业的数字化转型提供有力的支持。据统计，
目前已有近10万名开发人员正在构建自主Agent，有上百项目正致力于将AI Agent商业化。
AutoGPT、MetaGPT、谷歌DeepMind的robotic agent、阿里云ModelScopeGPT等国内外
AI Agent实例已经展现出了令人瞩目的强大性能，并正在迅速发展。
大模型生态的演进日新月异，其发展势头正以前所未有的速度推动着人工智能领域的
进步。我们翘首以待，期待这个生态系统持续繁荣，为大模型的广泛应用和价值创造开启更
多的崭新篇章。
在政策层面，国家和行业都陆续出台相关支持政策及监管政策，助力大模型技术及产
业的快速、规范发展。在2021-2025的“十四五”规划期间，国家从宏观政策层面，强调了人
工智能作为战略前沿领域的重要性，对人工智能新技术、新产业给予了巨大的支持。地方
政府也积极呼应国家战略，出台大模型支持政策，推动大模型产业快速发展。
政策持续出台，助力大模型产业快速发展
大模型技术深度赋能保险行业白皮书（2023）
同时，我国工信部、央行、银保监会以及中保协等相关部门或协会相继推出了一系列
推动保险公司和金融机构数字化转型的措施与政策，以促进保险科技的迅速发展。2023年
2月，中共中央和国务院联合发布《数字中国建设整体布局规划》，强调在金融等关键领域
加快数字技术创新应用的重要性。人工智能作为数字技术的核心之一，在金融机构的应用
前景可期。在AIGC大发展背景下，保险行业大模型的场景化应用正享有良好的政策环境。
17
图2 “十四五”期间人工智能相关重要政策
大模型技术深度赋能保险行业白皮书（2023）
18
在国际上，早在2021年，美国白宫科技政策办公室便专门成立国家人工智能计划办公
室，负责监督、实施人工智能战略计划。白宫于2023年5月23日更新发布了《国家人工智能
研发战略计划》，该计划是对2016、2019年版《国家人工智能研发战略计划》的补充更新，
重申了之前的8项战略目标并对各战略的具体优先事项进行了调整和完善，同时增加了新
的第9项战略以强调国际合作。欧洲议会和欧盟理事会于今年6月制定了《人工智能法案（
AI Act）》，法案将人工智能系统的风险等级分为四级；对于不同风险等级，法案采取了不同
程度的监管措施；并要求在欧盟范围内设计、开发和使用人工智能驱动的产品、服务和系
统，需要遵循全流程风险管理措施。
各国政策密集出台的背后，实质上反映出各国政府希望将人工智能技术安全深度地
图3 近年保险行业人工智能相关政策
大模型技术深度赋能保险行业白皮书（2023）
融合到国家的主要经济和社会部门中，以激发实质性的经济及社会价值。以大模型技术为
代表的新一代智能技术，在各国政府的战略规划和重大投资中占据着举足轻重的地位。我
们有理由相信，这一技术的快速、稳健发展将为未来的社会经济发展开辟新的广阔空间。
19
大模型技术深度赋能保险行业白皮书（2023）
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。
保险领域：全业务流程赋能
随着大模型技术的迅速发展，各行各业正在经历前所未有的变革。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。正
因如此，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发
广阔。
2. 应用场景丰富 大模型助保险业增效提质
20
图4 大模型赋能保险全业务流程
大模型技术深度赋能保险行业白皮书（2023）
21
大模型在投研领域的应用可以包括以下几个方面:
通过分析金融市场的风险和波动性，为投资者制定风险管理策略和投资组
合提供参考建议。
通过分析大量的金融和经济数据，利用大模型预测市场的趋势和价格波动，
帮助投资者制定投资策略。
通过分析资产间的相关性及风险收益特征，帮助投资者进行资产配置和组
合优化，以实现最大化收益和降低风险的目标。
通过分析市场数据，结合交易策略，大模型自动生成交易决策，进行高频交
易。
通过分析大量的新闻和社交媒体数据，大模型可以识别与金融市场相关的
事件，并预测其对市场的影响程度，从而为投资者提供更准确的投资建议。
大模型可以自动识别和理解财务报表中的关键指标和数据，辅助投资者分
析公司的财务状况和盈利能力。
大模型在保险产品设计与定价环节有丰富的应用场景。
产品设计及定价：挖掘客户需求、定价精准化
投研：分析市场趋势、优化资产组合
金融风险管理
市场趋势和
价格波动分析
量化交易
舆情分析
财务报表分析
资产配置和
组合优化
基于大模型对客户的个人信息、消费行为、健康状况等多方面进行分析，以
了解客户的需求和风险偏好。这有助于保险公司为客户提供更加个性化的
保险产品，提高客户满意度和忠诚度。
大模型可以帮助保险公司更好地了解市场需求，从而设计出更具竞争力的
产品。例如，通过对市场趋势的分析，大模型可以为保险公司提供关于投资
型保险、健康险等险种的创新建议。
帮助产品精算人员更精准地识别潜在的风险因素、评估各因素的影响程度，
支持千人千面的个性化定价，实现定价精准化。此外，大模型还可以根据市
场变化和竞争对手的策略动态调整保费，以保持竞争力。
为保险精算人员提供强大的数据处理及分析工具，为保险产品设计和定价
提供支持。
客户需求分析
产品定价
数据处理及分析
产品设计支持
大模型技术深度赋能保险行业白皮书（2023）
22
在保险营销环节，大模型在售前、售中和售后的方方面面有诸多落地场景：
营销：赋能代理人、优化销售流程
基于大模型技术，险企可以通过知识挂载或知识注入，打造智能化保险产
品咨询机器人，为客户提供便捷的、全天候在线的保险产品咨询服务。保险
产品咨询机器人可以回答客户关于保险产品的各种问题，包括保险种类、
保险责任、保险期限、投保条件、保险条款、保费等等。
基于大模型技术构建智能保险产品推荐机器人，通过分析客户的背景、需
求、偏好、风险承受能力等信息，结合保险领域大模型丰富的保险产品知识，
通过自然语言交互，为客户提供个性化的保险产品推荐和配置方案建议，
提高保险销售效率和客户体验。
根据客户自身及家庭的特点，基于大模型具备的各类保险的功能、保障责
任、特点等专业知识，针对复杂、多样的客户需求，给出专业、科学的保险配
置方案建议。
保险产品咨询
保险产品
个性化推荐
保险智能配置
基于大模型技术构建的智能保险销售辅助机器人，它具备更深入的客户洞
察能力、更专业的领域知识、更精准的客户意图及情绪识别能力、更丰富的
营销经验，可在销售过程中为代理人提供个性化的保险销售支持和建议，
提高销售效率和客户满意度。
代理人销售辅助
综上，大模型技术在保险销售领域各方面的应用，可以提升代理人技能、提高保险销
售效率，同时也为客户提供更加便捷的服务，提升客户体验。
构建针对代理人的智能陪练机器人，将营销序列话术的训练升级为自动化、
智能化、场景化的体验式培训，在模拟的业务场景中循序渐进、持续练习，
真正帮助营销人员强化开口能力、规范话术要点、提升沟通技巧，助力销售
人员向专业顾问升级。
基于大模型技术可快速生成文案，包括营销口号、朋友圈文案、短信、微信
公众号文章等等。也可以与Midjourney等文生图工具结合，智能生成宣传
海报、宣传视频等视觉内容，大幅提升营销素材的生成效率。
在产品咨询、产品个性化推荐等功能基础上，增加智能化风险评估、保费计
算及在线核保等功能，打通保险销售线上化全流程，节省人力成本，提升效
率。
代理人智能陪练
营销素材设计
全线上销售支持
大模型技术深度赋能保险行业白皮书（2023）
基于大模型的多模态能力，对车险现场照片的风险点、车损照片细节等进
行处理和分析，有效识别车辆损失程度，并判断是否存在蓄意制造交通事
故、车辆套牌等欺诈方式，提升定损效率。
通过自动化的理赔申请处理、索赔处理、理赔评估、理赔审核、理赔结算，大
模型可以帮助保险公司实现更快速、更准确的理赔处理。
将大模型技术与地球科学、大数据技术等结合，建立针对常见灾害种类的
灾害风险管理及预警体系，为客户提供气象灾害、台风路径等预警信息，提
醒客户及时采取防灾减损措施。
基于大模型对理赔案件的欺诈风险进行评估，实现对欺诈风险由点及面的
识别，为案件稽核人员提供线索，实现理赔风险排查智能化全覆盖。
智能定损
风险预警
风险反欺诈
智能理赔
23
大模型技术能够帮助保险公司更全面、精准地评估风险；同时能够智能辅助人工核保。
承保：更精准的风险评估
大模型可以在理赔处理的各个节点提供自动化服务，从而提高理赔效率、降低成本、
提升客户体验。
理赔：定损智能化、助力欺诈识别
基于客户提交的保单信息，结合外部数据源的数据，大模型对保单的风险
进行全面、准确的评估，帮助核保人员更准确地判断承保条件（承保责任、
保额及保费等）。
通过学习核保规则、承保及理赔历史数据、外部数据源数据，实现基于大模
型的自动核保，基于客户提交的保单数据，自动给出核保决策，提升核保效
率和准确率。
利用大模型发现保单中的异常信息，包括保单录入信息与客户实际信息不
符、重复投保、超额投保等，提醒业务员进行进一步调查及审核，降低公司
风险。
风险评估
自动核保
异常识别
大模型技术深度赋能保险行业白皮书（2023）
基于大模型的上下文分析理解能力，对通话录音进行全量质检，包括语速、
语调、抢插话、情绪等方面，提升质检效率。
智能质检
大模型可以作为培训和教育工具，帮助坐席提高业务能力和专业知识。通
过对保险行业知识的学习，大模型可以为员工提供实时的答疑解惑服务，
提高员工的工作效率和服务质量。
培训与教育
利用大模型对坐席与客户的通话录音进行总结，包括客户意图、关键信息
等，方便公司了解客户对产品和服务的评价，同时为坐席的服务质量评估
提供参考。
通话总结与注记
利用大模型技术实现智能客服系统，实现与客户的7*24高质高效沟通，提升用户体验。
服务：赋能坐席，优化客户体验
24
基于大模型强大的智能对话能力，和客户进行7*24的高质高效沟通，提升用
户体验及留存，缓解客服人力不足问题。
通过对大量客户数据的分析，大模型可以帮助保险公司更好地了解客户需
求，从而制定更有效的客户关系管理策略。例如，大模型可以分析客户的购
买历史、服务使用情况等数据，为客户提供更加精准的服务建议。
通过分析客户的个人资料和生活习惯等数据，大模型可以帮助保险公司对
客户的健康状况进行更精确的评估；为客户提供个性化的预防保健方案，
如疫苗接种提醒等；对于已经患有疾病的客户，大模型可以提供定制化的
康复计划和心理咨询服务，以帮助他们尽快恢复健康。
自动问答
客户关系管理
客户健康管理
在坐席与客户对话过程中，大模型根据上下文对客户意图及需求进行识
别，为坐席推荐最优话术，提升服务质量及客户满意度。
话术推荐
25
大模型技术深度赋能保险行业白皮书（2023）
大模型在办公领域也有广泛的应用场景。
通用领域：提升内容生成与分析效率
办公：辅助内容生成，降本提效
综上，大模型在办公领域的应用可以提高企业的工作效率，降低成本，提升用户体验，
为企业带来更多的商业价值。随着技术的不断发展，大模型在办公领域的应用场景还将不
断拓展。
在人力资源领域，大型AI模型可以应用于多个场景，帮助企业提高招聘效率、优化员
工管理和提升员工满意度。以下是一些典型的应用场景：
HR：提升招聘效率、优化员工服务
基于大模型的向量化能力，对知识库进行文本向量化，存入本地向量库；对
用户输入进行向量化，并在向量数据库中检索最为相关的内容，再将检索
到的相关信息和预先设计的提示词一起输入给大模型，得到最终返回结果。
该方案可有效降低对知识库构建的要求，节省资源及人力。
知识库问答
基于用户提供的主题、要点或是草稿，大模型根据要求帮助用户生成相关
内容。如公文写作、邮件生成、会议摘要、文档审核等。文本生成及摘要
基于用户指定的主题及要点，大模型帮助用户生成培训课件；并能根据用
户给出的字体偏好、颜色搭配、布局优化等建议，提升课件的专业性和趣味
性。
培训课件生成
大模型可以将语音转换为文字，或将文字转换为语音，方便用户利用语音
与系统进行交互。语音识别与合成
基于大模型的多模态能力，智能生成宣传海报、宣传视频等视觉内容，大幅
提升视觉素材的生成效率。视觉内容生成
大模型可以实现多种语言之间的自动翻译，帮助企业跨越语言障碍，更好
地与全球客户和合作伙伴沟通。机器翻译
在系统开发场景中，基于大模型进行开发代码自动补全、开发代码自动优
化、测试用例自动生成等，帮助开发者更高效地编写及调试代码。
编程辅助
大模型技术深度赋能保险行业白皮书（2023）
这些应用场景可能会给人力资源带来许多具体的变革，例如：提高招聘效率和准确性，
减少招聘成本和时间；提高员工绩效和发展计划的个性化程度和准确性；提高绩效评估的
客观性和准确性，减少主观因素的影响；提高人力资源数据的分析能力，为决策提供更准
确的支持。
在财务领域,大模型的运用可以为企业提供更准确、更高效的财务决策和预测,帮助企
业降低风险、提高效益。
财务：分析和决策更准确高效
26
利用大模型对大量求职者的简历进行自动筛选和分析，企业可以快速找到
符合职位要求的候选人。同时，它还可以为候选人提供自动化的面试反馈，
提高面试效率。
通过分析历史招聘数据和行业趋势，大模型可以帮助企业更准确地预测未
来的人才需求。这有助于企业提前做好人才储备和招聘计划。
利用大模型对员工的技能和知识进行分析，企业可以为员工提供个性化的
培训和发展建议。同时，它还可以协助企业构建智能的学习平台，提高培训
效果。
简历筛选与
自动化面试
岗位需求分析
与人才预测
员工培训与发展
通过分析员工的工作数据和行为模式，大模型可以帮助企业更准确地评估
员工的绩效，并制定合适的激励方案。这有助于激发员工的工作积极性和
提高整体绩效。
绩效管理
与激励方案设计
人力资源数据分析
与决策支持
利用大模型对员工的反馈数据进行分析，企业可以了解员工的需求和期
望，及时调整管理策略和改进工作环境。这有助于提高员工的满意度和忠
诚度。
通过对人力资源数据的深入挖掘和分析，大模型可以为人力资源部门提供
有价值的洞察和决策支持。这有助于企业优化人力资源管理流程，提高管
理效率。
员工满意度调查
与改进
财务报表分析 利用大模型对大量财务数据进行深度挖掘，发现潜在的财务问题、
趋势和机会。这有助于企业更好地制定战略决策和优化财务管理。
27
大模型技术深度赋能保险行业白皮书（2023）
在法务领域，大型AI模型可以应用于多个场景，提高工作效率和准确性。以下是一些
典型的应用场景：
法务：分析历史案例、快速合同审查
经营决策及管理：辅助战略规划及策略优化
利用大模型对未来的市场趋势、经济环境和行业动态进行预测分析，为企
业的财务规划提供有力支持。财务预测与规划
大模型可以自动识别税收法规的变化，为企业提供合规建议。同时，它还可
以分析企业的税务结构，帮助企业找到合理的税收优化方案。税务合规与优化
通过分析历史市场数据、公司基本面和技术指标，大模型可以为投资者提
供个性化的投资建议和资产配置方案。
投资组合管理
大模型可以自动识别潜在的审计问题，提高审计工作的效率和质量。此外，
它还可以协助审计人员进行复杂的数据分析，减轻工作负担。审计自动化
大模型可以分析供应链上的各个环节，为企业提供融资建议和风险管理方
案。此外，它还可以协助企业优化库存管理，降低运营成本。供应链金融
通过分析历史案例、法规和判例，大模型可以为律师提供有关特定法律问
题的详细信息和指导意见。此外，它还可以协助律师进行法律研究，节省时
间并提高效率。
法律研究与
案例分析
利用大模型为企业提供合规咨询服务，帮助企业了解并遵守相关法律法规。
同时，它还可以为企业员工提供在线培训课程，提高员工的合规意识和知
识水平。
合规咨询与培训
利用大模型对案件背景、相关法规和判例进行深入分析，为律师提供有针
对性的诉讼策略建议。同时，它还可以预测案件的可能结果，帮助律师制定
更有效的诉讼计划。
诉讼策略与预测
利用大模型自动识别合同中的关键条款、风险提示和潜在的法律问题。这
有助于法务团队更快速地完成合同审查工作，并降低错误率。
合同审查与分析
通过分析专利、商标和著作权数据，大模型可以帮助企业更好地管理和保
护其知识产权。此外，它还可以协助企业发现潜在的侵权行为和维权途径。知识产权管理
大模型可以理解和处理自然语言，从而简化律师在撰写法律文件、起草合
同和其他法律文书时的工作流程。法律语言处理
舆情监控与
声誉风险管理
实时监测网络上的舆论动态，分析客户对企业和产品的态度和看法。
通过对舆情的监控，企业可以及时发现潜在的声誉风险，采取措施
进行危机公关和品牌维护。
操作风险管理
通过对企业内部流程和数据的监控，大模型可以识别潜在的操作风
险，帮助企业改进内部控制和合规管理。例如，模型可以检测到员工
违规操作、内部欺诈等风险事件，并提醒企业采取相应措施。
供应链
风险管理
帮助企业评估供应链中的潜在风险，例如供应商的信用风险、物流
延误等。通过对这些风险的预测和管理，企业可以确保供应链的稳
定运行，降低潜在的损失。
销售与营销
策略优化
通过分析市场数据和消费者行为，大模型可以帮助保险公司制定更
有效的销售和营销策略。同时，它还可以协助企业进行客户细分和
个性化推荐，提高客户转化率和市场份额。
市场分析与
趋势预测
利用大模型对大量市场数据进行深度挖掘和分析，发现潜在的市场
机会和趋势。这有助于企业制定更有针对性的市场营销策略和产品
战略。
合规与监管监控
利用大模型对企业的业务数据和合规要求进行实时监控，保险公司
可以确保业务的合规性并及时发现潜在的合规风险。同时，它还可
以协助企业应对监管变化，降低合规风险。
大模型技术深度赋能保险行业白皮书（2023）
在企业风控领域，大型AI模型可以应用于多个场景，帮助企业提高安全性、降低风险。
以下是一些典型的应用场景：
在经营决策及管理方面，大模型技术可以应用于以下多个场景，辅助战略规划及策略优化：
风控：识别风险，提升安全性
28
市场风险管理
帮助企业预测市场波动，评估投资组合的风险敞口，从而制定合适
的投资策略。此外，大模型还可以用于对冲策略的优化，降低市场风
险对企业的影响。
战略规划 通过对内外部环境的分析，大模型可以帮助企业制定长期战略规划，支持企业在不断变化的市场环境中保持竞争力。
29
大模型技术深度赋能保险行业白皮书（2023）
数字人是一种超越物理界限的虚拟人物，通过计算机手段创造和使用，具有人类的外
貌特征、表演能力和交互能力等。其核心价值在于提供拟人化的服务和体验，并呈现出超
写实、强交互和工具化的发展趋势。随着虚拟数字人理论和技术的迅速发展，其应用范围
不断扩大，在电商直播、短视频等传媒类场景，及医护、政务等服务类场景，还有文旅、教育
类场景中渗透速度较快。
大模型的加持，将从以下方面显著提升数字人的智能化程度，“让数字人更像人”：
（1）更强大的语言处理能力：大模型将使数字人能更好地理解和生成自然语言，使其
与人类进行更流畅、更真实的对话。这将有助于提高数字人在客户服务、培训、营销等场景
的应用价值。
（2）更丰富的情感表达：大模型可以使数字人更准确地识别和模拟人类的情感，从而
在与人互动时表现出更丰富的情感表达，提高逼真程度。
（3）更强的逻辑推理能力：大模型可以帮助数字人更好地理解复杂情境，进行逻辑推
数字人与数字员工：智能化程度提升
数字人
帮助企业识别潜在的法律和监管风险，例如违反法规的行为、政策变动等。
通过对这些风险的预测和管理，企业可以确保合规经营，降低潜在的法律
诉讼和处罚成本。
法律合规与
监管风险管理
通过分析传感器数据和历史行为模式，大模型可以帮助企业构建智能的入
侵检测和报警系统。这有助于企业及时发现并阻止潜在的入侵行为，保障
企业资产和人员安全。
入侵检测与报警
通过分析员工的安全行为数据和行业最佳实践，大模型可以为员工提供个
性化的安全培训和意识提升建议。这有助于提高员工的安全意识和技能水
平，降低安全事故发生的概率。
安全培训与
意识提升
利用大模型对视频数据进行实时分析，企业可以识别出异常行为和潜在的
安全隐患。这有助于企业及时发现并应对安全问题，提高安防效果。
视频监控分析
与异常检测
大模型技术深度赋能保险行业白皮书（2023）
理和决策。这将使数字人在解决问题、提供建议等方面更具优势。
（4）更高效的学习能力：大模型可以通过大量数据的学习，使数字人具备更强的知识
储备和学习能力。这将有助于数字人在各种领域不断进步，适应不断变化的环境。
（5）更好的个性化定制：大模型可以根据用户的需求和喜好，为数字人提供更个性化
的定制服务。这将使数字人在不同场景下更具吸引力和实用性。
（6）更强的跨领域应用能力：大模型可以帮助数字人在不同的领域实现知识和技能的
迁移，从而提高其在多个领域的应用价值。
总之，大模型将为数字人带来诸多改变和提升，使其在语言处理、情感表达、逻辑推
理、学习能力、个性化定制和跨领域应用等方面更加接近人类，提高其逼真度和应用价值。
数字员工，又称为数字化劳动力，是一种利用人工智能技术实现的虚拟员工，专注于
执行重复性和流程性的工作。麦肯锡在2022年9月发布的《数字化劳动力白皮书》中，将数
字员工定义为“打破人与机器边界，充分激活劳动力潜能的第四种企业用工模式”。通过结
合数字员工和传统劳动力，我们可以将人力资源从繁琐的流程性工作中解放出来，专注于
更具价值创造性的任务。数字员工的引入可以有效丰富并优化企业的劳动力结构。数字员
工可实现企业全景式降本增效：在前台销售端提供卓越的用户体验，提升获客能力；在中
后台则能优化运营流程，提高运营协作效率，从而推动业务发展。
将大模型技术与数字员工结合，可以实现更加精准、高效的任务处理和决策制定，具
体体现在以下几个方面：
（1）大模型能够提供更加全面的知识储备和信息分析能力。传统的数字员工往往只能
依靠预设的规则和算法进行工作，而大模型则可以通过对海量数据的学习和分析，获取更
数字员工
30
31
大模型技术深度赋能保险行业白皮书（2023）
加深入的领域知识和经验。这使得数字员工在面对复杂问题时能够更加准确地判断和解
决，提高工作效率和质量。
（2）大模型能够实现更加灵活的任务执行和协同合作。传统的数字员工往往只能按照
固定的流程和规则进行工作，而大模型则可以根据实时的需求和情况，自动调整任务执行
流程。同时，大模型还能够与其他数字员工进行协同合作，实现信息的共享和交流，提高团
队的整体效能。
（3）大模型还能够实现更加智能的决策制定和风险评估。传统的数字员工往往只能依
靠预设的规则和算法进行决策，而大模型则可以通过对历史数据和实时数据的分析和挖
掘，提供更加全面和准确的决策支持。这使得数字员工在面对复杂的决策问题时能够更加
明智地做出选择，降低风险和损失。
综上所述，大模型能力与数字员工结合，可以进一步提升数字员工的智能化程度。通
过提供全面的知识储备和信息分析能力、实现灵活的任务执行和协同合作，以及提供智能
的决策制定和风险评估，数字员工能够更好地适应复杂多变的工作环境和需求，为企业带
来更高的效益和竞争力。
目前已有保险公司进行基于大模型技术的数字员工能力试点，在包括产品定制化、定
价动态化、销售场景化、理赔自动化、客服人性化等场景内深度实践，进一步分担真实员工
的日常重复性工作。
当前行业大模型开放平台架构多以三层结构呈现。
（1）底层是“模型即服务”（MaaS：Model As A Service）封装层，这一层集成了多种模
型资源，如ChatGPT、文心一言、开放源代码模型，以及企业专有的垂直领域模型。这些模
型通过统一的接口和协议进行封装和集成，为上层应用提供强大的内容生成和分析处理
能力。
（2）中间层是大模型的“应用框架层”，这一层为大模型的应用和服务提供了一个全面
的支撑框架。该框架具备高度的安全性和合规性，提供了一系列的功能，如脱敏处理、审计
跟踪、计量计费、模型适配、API鉴权等。这些功能确保了大模型在各种场景下的可靠应用
和服务，同时为大模型的推广和应用提供了标准化的规范和指导。
（3）最上层是大模型的“应用场景层”，这一层通过底层模型的支撑，实现了多种实际
场景中的应用和落地。例如，智能核保、理赔处理、舆情分析、智能客服、智能化质检等多种
大模型开放平台架构
32
大模型技术深度赋能保险行业白皮书（2023）
3. 大模型开放平台建设 打造可信大模型底座
大模型开放平台负责构建企业的大模型生产力，为企业的各项业务应用提供支持，是
企业实现大模型技术全面落地应用的必备基础设施。大模型开放平台支持大模型应用的
快速开发，同时通过算法库、模型库、服务库、插件库、数据和模板库等模块不断沉淀、积累
和共享可复用的能力，并将能力集成应用到开发运维过程中。
大模型开放平台的建设，可以快速响应前端的业务需求，让用户更快、更高效地落地
大模型应用，为业务赋能；能避免烟囱式的系统建设模式，降低大模型应用系统建设以及
系统间交互成本；能实现数据共享、计算共享、模型共享，更好地降低应用成本；同时实现
持续的技术沉淀，形成企业的核心资产，推动企业业务创新。
大模型技术深度赋能保险行业白皮书（2023）
场景应用。这些应用不仅提高了企业运营效率和服务质量，也为广大用户提供了更高效、
精准、便捷的服务体验。
大模型开放平台可以允许机构用户，在大模型内嵌入行业专业领域知识库，实现在保
险垂直领域应用的快速适配；此外，也支持把企业内部应用工具包装成大模型插件，让大
模型更加贴近业务应用场景。无论是定价动态化、销售场景化、理赔自动化，还是客服人性
化等场景，大模型技术都能深度实践，并展现出强大的应用潜力。
阳光保险集团率先打造的正言大模型开放平台，旨在构筑保险行业大模型的坚实底
座，全面拓展科技赋能的边界，以引领保险业务应用的未来发展。该平台以阳光GPT模型
为核心，依托专有数据与计算平台，为整个集团提供统一、标准化、高效率的大模型能力支
持。通过专业大模型的构建，阳光保险对公司旗下的销售、服务、管理三大机器人产品进行
了全面的智能化升级。这一升级将引领阳光保险各业务部门深度挖掘和应用智能科技，帮
助业务人员真正理解智能、接纳智能，进而引领业务变革，实现从科技赋能到科技引领的
全新跨越。
正言大模型开放平台主要由平台工具层、阳光正言GPT层、业务应用层构成，在阳光
内部提供企业级的MaaS能力，如下图所示。
33
34
大模型技术深度赋能保险行业白皮书（2023）
平台工具层由大模型研发工具、Prompt工厂及插件统一集市构成。其中大模型研发
工具，实现大模型的自动训练、自动评测及模型管理；Prompt工厂实现prompt的管理及
优化，充分挖掘大模型在特定领域的能力；统一插件集市建设，实现插件的动态开发与管
理。
阳光正言GPT层通过智能路由，实现外部大模型及自研大模型的动态调度、大模型择
优与融合；再利用智能审核模型，对所有调用大模型的数据进行监控和检视，在确保数据
和模型的使用安全合规的基础上，提供保险专业能力、通用能力及个性化能力。
基于阳光正言GPT层提供的三大能力，支撑业务应用层实现“1+3+N”应用，其中：“1”
是指在办公场景赋能全员办公，支撑文本创作、文本摘要、图像生成等；“3”是指突破销售、
管理、服务三大机器人；“N”是指拓展更多的业务应用场景，例如实现精准产品设计及定价、
数据报表自动化生成等。
图5 正言大模型开放平台系统架构图
如何将垂直领域的行业专有知识，嫁接到具备强大通用能力的大模型上，同时不损失
大模型的通用能力，是训练垂直领域大模型要解决的核心技术问题。训练垂直领域的大模
型的方法多种多样，目前主要包括如下三类方案：
（1）从预训练开始定制模型：先基于海量通用数据+大量垂直领域数据进行预训练，得
到预训练模型；再利用少量高质量垂直领域数据对预训练模型进行指令微调；
（2）参数微调：在通用大模型基础上，基于少量高质量垂直领域数据进行参数微调，得
到微调后的垂直领域大模型；
（3）上下文学习：在通用大模型基础上，基于包含垂直领域知识的提示词prompt进行
上下文学习（In-Context Learning），但不对模型参数进行修改更新。
训练方法
大模型技术深度赋能保险行业白皮书（2023）
35
垂直领域大模型：更懂保险的大模型
通用大模型，如ChatGPT、文心一言、LLaMA、BLOOM、ChatGLM和通义千问等，已展
现出强大的通用能力，涵盖了自然语言生成、阅读理解、机器翻译和情感分析等。然而，尽
管这些通用模型具备强大的通用能力，但保险行业作为一个高度专业化的领域，通用模型
往往无法完全满足其专业需求。因此，针对保险行业专门研发垂直领域的大模型，可以弥
补通用大语言模型在保险领域应用中的不足，是大模型落地应用的关键环节。
以阳光GPT为例，其模型设计理念专注于解决保险领域的问题，因此相较于通用模型，
它在保险领域表现出更高的专业性和实用性，成为了一款更懂保险的大模型。此类专门针
对保险行业的大模型的研发和应用，将推动保险行业的创新与发展，提高服务质量和效率，
为客户提供更优质的保险产品和服务。
36
大模型技术深度赋能保险行业白皮书（2023）
总的来说，上述三类方案，从(1)到(3)的实现难度、算力需求、语料需求及训练时长依
次递减，而得到的模型泛化及推理能力也依次递减。具体采用哪类方案训练自身垂直领域
的大模型，企业可根据自己的需求及资源情况进行选择。
以阳光GPT为例，其训练主要运用了参数高效微调的方法，这也是许多已开源的垂直
领域大模型常用的训练手段。此种方法不仅训练周期短，而且对训练语料的数据量要求相
对较低，却在某些特定任务上呈现出优异的性能表现。阳光GPT通过采用P-Tuning和LoRA
这两种微调策略，对开源大模型的局部参数进行优化，使得在适配下游任务时只需训练少
量参数即可达到良好的效果。其他训练模型的方式，如全参微调、领域自适应预训练以及
从预训练开始定制等，虽然有其独特的优势，却也伴随着高昂的训练成本和相对较大的训
练语料需求。此外，这些方法还需考虑到模型的迭代优化，是相对耗时的训练方式。综合以
上因素考虑，阳光GPT最终选择了参数高效微调的方法进行训练。
来源：《财通证券：计算机行业深度分析报告-大语言模型的前世、今生与未来》
图6 垂直领域大模型训练的三类主要方案
目前市场上可供选择的开源大模型众多，在选择基座模型时，我们需要综合考虑实际
业务需求以及模型特性等多个因素，进行全面考察与比较，进而选择综合性能最优的模型
作为通用基座模型。阳光大模型研发团队在选择基座模型时，依据大模型的参数量、是否
自主研发、商业化可用性以及发布机构等因素，对比评测了国内外20余款开源大模型，基
于目前评测结果选择了三款效果较优且支持商业化的基座模型。
在上述三款基座模型的基础上，阳光进行了参数高效微调（PEFT）的优化过程，从中挑
选出微调效果最佳的模型作为阳光GPT。通过这种精选与优化，阳光GPT不仅继承了基座
模型的优秀特性，同时也充分考虑了实际业务场景的需求，从而实现了更为出色的性能表
现和实用性。这为我们在保险领域的业务应用提供了强有力的支持与保障。
基座模型选择
构建保险垂直领域的大模型，离不开大量高质量的保险领域数据作为训练基础。以阳
光GPT为例，为了将保险能力融入通用模型中，其训练过程中采用了以下几类数据：
（1）保险领域网站：通过爬取保险领域网站来获取保险百科类知识，保险类的网站有
保险查查、招商信诺、慧择、深蓝保、奶爸保等。
（2）保险领域书籍：保险领域书籍的资料相对较多，包含《投资理财概论》、《人身险销
售从业人员参考用书调整内容》、《人身保险新型产品基础知识及实务》等等。虽然书籍的
知识形式不适合做有监督的微调（SFT），但可以基于书籍内容生成问答对的方式来生成
SFT语料。具体做法是根据经验设计合适的prompt，再结合书籍的内容一起输入大模型中，
让大模型来生成问答对，这样就可以通过书籍生成大量的问答对。
数据来源
大模型技术深度赋能保险行业白皮书（2023）
37
38
大模型技术深度赋能保险行业白皮书（2023）
（3）考试数据：保险考试数据的公开数据相对较多，可以从保险考试数据中学习到保
险知识，保险考试包括代理人资格考试、保险机构董事监事和高级管理人员任职资格考试、
中国寿险管理师考试、中国个人寿险规划师考试、中国寿险核保师考试、中国寿险理赔师
考试、互联网保险产品经理考试、银行保险从业人员销售服务考试等。
（4）通用语料库：为了缓解通用领域灾难性知识遗忘的问题，还需要准备大量的通用
语料，如中文语料库WuDaoCorpora，并与专业语料形成一定的配比，来帮助模型学习通
用领域的知识。
训练保险领域的垂直大模型主要面临以下挑战：
（1）数据收集与处理：数据比模型重要，在业内已经达成共识。保险行业的数据往往比
较分散、质量参差不齐，而且涉及到敏感的个人和财务信息，如何有效、安全地收集和处理
这些数据是一个难题。
（2）灾难性遗忘问题：参数高效微调方法可能导致大模型面临灾难性遗忘的问题，其
特征为在适应保险领域时失去了先前获得的通用知识。在训练时需要慎重考虑保险领域
和通用领域的训练数据配比，让模型既能适应保险领域的场景，又能减轻通用领域知识的
遗忘问题。
（3）大模型幻觉：大模型在生成文本时，可能出现与事实不符、与预期不符或与用户意
图不符的情况。幻觉的产生主要与大模型的训练数据、模型架构、训练方法和上下文等因
素有关。
（4）模型的可解释性和可靠性：保险行业的决策往往需要高度的可解释性和可靠性，
如何训练出能够提供可解释、可靠的大模型是一个挑战。
挑战及应对
插件技术可以方便地将不同领域的知识和数据集成到大模型中，从而提高模型的泛
化能力和性能、丰富大模型应用的功能和场景。此外，也可以通过插件实现与公司内部业
务系统的链接，实现大模型与业务流程的衔接。
插件是一种可扩展的代码模块，可以与已有的代码系统进行交互，提供一些额外的功
能或服务。插件的运行方式通常是使用同一语言或API进行调用，从而实现特定功能的增
强。
以阳光正言大模型开放平台为例，业务方可以选择平台提供的公共插件工具，如邮件
发送插件、wiki百科咨询插件、地图信息检索插件等；可以向正言平台注册自己业务专属
的第三方插件（自己开发，平台注册）从而形成专属于自身业务的聊天代理服务agent。通
插件集市，实现大模型与外部系统链接
大模型技术深度赋能保险行业白皮书（2023）
39
（5）模型的实时性与性能：保险行业的业务往往需要快速的响应和高效的性能，如何
训练出能够实时处理、快速响应的大模型是一个需要考虑的问题。
（6）数据安全与隐私保护：保险行业的数据往往涉及到个人隐私和财务敏感信息，如
何在训练大模型的过程中保障数据的安全和隐私。
（7）模型的持续优化与迭代：保险行业的业务在不断发展和变化，如何持续优化和迭
代大模型以适应业务的变化也是一个挑战。
针对上述挑战，在垂直领域大模型训练过程中，可通过数据标注、数据筛选等方法保
证垂直领域数据的质量；根据实际应用场景确定通用数据和领域数据的配比，避免大模型
通用能力的损失；选择合适的模型微调技术，确保大模型的应用效果；引入人类反馈机制
以减少幻觉的产生；采用本地部署的大模型，并采取相应的安全措施，如数据加密和访问
控制等，避免泄露隐私及敏感信息。
大模型开放平台通常提供一系列应用工具和接口，为开发人员提供了一个集成环境，
可以大大简化大模型的构建和训练过程。大模型研发工具通常支持如下功能：
大模型研发工具，提升模型研发效率
40
大模型技术深度赋能保险行业白皮书（2023）
过代理agent与正言大模型交互，代理agent可根据聊天内容的意图判断是否需要调用插
件、调用哪些插件及调用顺序，最终将插件调用的结果返回给用户。
（1）定义本地插件
通过采用类方法对插件进行封装创建本地插件，填写准确的插件描述与名称，例如：
邮件插件-"当你需要发送邮件时。可以使用这个工具用来发送邮件"。同时在类方法中实现
创建的插件的功能。最后将代码存放到插件集市服务中。
（2）定义外部自定义插件
业务方在自己的业务系统中定义实现自己业务功能的http请求的api接口。向平台提
供接口信息、接口功能描述以及接口入参详情等信息。平台将对应信息格式化存入数据库。
插件集市运行时，将根据存入的接口信息，并通过rest请求调用业务方提供的api接口，来
实现插件的第三方业务功能。
（3）外部插件权限验证
业务方在自己的QA问答提问入口处提问时，在请求参数内添加插件所需的权限校验
信息，当插件集市服务通过rest请求调用插件api接口时，将此参数原封不动回传至业务方
服务，业务方通过此信息校验权限等信息。
（4）确定调用插件与调用顺序
通过前置提示词告诉大语言模型当前业务系统拥有哪些可用插件，以及插件描述、插
件名称等信息。大模型通过分析用户的问题，确定需要调用哪些插件以及调用顺序。
（1）模型快速开发：提供一系列的深度学习模型库和预训练模型，用户可以快速地构
建和训练模型，有效减少模型研发的时间。
（2）大模型微调：提供大模型全参微调和参数高效微调（PEFT）技术，其中PEFT技术包
括P-Tuning和LoRA方法等。
（3）分布式模型训练：提供单机单卡、单机多卡和多机多卡训练方式，实现了大规模的
并行计算，从而加速大模型的训练过程，提高训练效率与扩展性。
（4）超参数自动调整：提供高效的超参数自动调整技术，可以快速地找到最优的模型
超参数配置，提高模型的性能。
（5）自动模型选择：可以自动选择最优模型，大大提高了模型选择的效率。
（6）模型版本管理：提供模型版本管理的功能，可以对同一模型在不同时间和参数下
进行管理，从而提高了模型的可重复性和追溯性。
（7）智能调度：通过智能调度技术，可以自动化管理和监控不同的计算资源，如计算节
点、分布式任务等，提高计算资源的使用效率。
（8）自动化模型部署：提供模型自动化部署功能，可以快速地将模型部署到生产或测
试环境中，减少了手动部署所需要的时间和人力成本，提高了工作效率。
（9）数据流管道：提供大规模数据预处理和特征提取的流水线，可以将原始数据转化
为模型所需的特征，并进行自动化的数据清洗和增强。
大模型研发工具旨在帮助用户快速地完成复杂的深度学习任务、大幅提升模型研发
效率，从而更好地满足模型应用的需求。
大模型开放平台通常可提供多种大模型供按需选择，包括外部商业模型、本地部署的
智能路由和审核，实现大模型动态调度和内容安全
大模型技术深度赋能保险行业白皮书（2023）
41
42
大模型技术深度赋能保险行业白皮书（2023）
开源模型、基于领域数据训练得到的自研模型等。平台通过灵活的模型选择机制-智能路
由，实现不同大模型之间的无缝切换。智能路由能够对模型进行评估，以找到处理当前请
求最适合的模型，从而提供更优质的服务。利用智能路由技术，可以实现大模型的统一服
务和动态调度，从而提升服务效率和质量。
（1）路由分级
智能路由分为三个层级：接口级、系统级和全局级，并约定了优先级顺序。接口级具有
最高的优先级，系统级次之，全局级最低。
接口级允许用户自主选择模型以处理特定的业务需求。系统级主要负责处理多个模
型的选择和切换，结合路由规则和业务需求，灵活的切换模型。全局级与系统级的功能类
似，在没有设置接口级或系统级规则的情况下，模型的选择将由全局级来完成。
分层架构提供了灵活性和扩展性，方便对不同业务场景进行扩展。
（2）规则策略分类
智能路由提供了多种路由规则来进行模型的选择，主要分为规则类策略和智能策略
两大类。规则类策略包括优先策略、随机策略和轮询策略。而智能策略则需要根据第三方
系统的特定要求进行定制化开发。
（3）数据流审核
对用户的输入与大模型的输出数据流进行审核。对用户输入的每一项数据进行核实，
确认其来源的合法性，避免虚假或误导性的信息进入模型。对大模型的输出内容进行审
查，确保模型预测结果的合理性、公正性、符合法规和道德规范等。
随着大模型技术在保险业的广泛应用，数据安全、隐私保护、合规性以及网络安全等
大模型应用安全与合规
大模型技术深度赋能保险行业白皮书（2023）
43
议题逐渐浮现，这些因素已成为保险业数字化进程中的关键挑战。保障大模型应用过程中
的安全性需要从以下几个方面来考虑：
（1）数据安全：大模型的训练和应用都需要大量的数据支持。为了保障安全性，我们需
要采取一些措施，如数据匿名化、隐私保护、数据加密等来防止数据泄露和滥用。针对数据
隐私和合规性，应当遵循最小化数据原则，仅收集和处理执行特定任务所必需的数据。此
外，设立严格的数据访问和使用政策是必要的，只有经过特定授权的人员才能访问和使用
数据。为确保数据处理过程的合规性和透明性，还需定期对数据进行安全审计。另外，还需
要关注数据的质量和完整性，避免使用恶意数据或者"有毒"数据对模型产生误导。
（2）模型安全：大模型的训练和推理过程需要谨慎处理，尤其是在涉及到敏感信息和
关键业务时。我们应该设计稳健的模型架构和训练策略，提高模型的鲁棒性和容错性；建
立有效的监督和反馈机制，定期审查模型的性能，识别并解决潜在的问题，以确保其始终
符合道德和社会责任标准；积极收集用户和利益相关方的反馈，根据各方的期望和需求及
时调整模型。另外，针对可能存在的模型漏洞，我们需要定期进行模型体检和漏洞扫描，及
时修复潜在的安全隐患。
（3）应用安全：在大模型的实际应用中，我们需要密切关注其可能带来的风险和影响。
例如，大模型可能产生令人信服的虚假内容，对社会产生误导。因此，我们需要在应用端建
立相应的审核机制和监管措施，以避免产生不良影响。同时，针对可能出现的模型攻击，我
们需要采取防范措施，如设置模型防御策略、限制模型使用范围等。
（4）网络安全：需要构建一套全面的网络安全防护体系，这个体系涵盖多种安全防护
措施，包括但不限于防火墙、入侵检测系统、数据加密技术等。防火墙可以有效地阻止未经
授权的访问；入侵检测系统则可以实时监控网络活动，一旦发现异常行为，就会立即发出
模型评测在衡量保险行业大模型质量方面起着至关重要的作用。针对保险行业垂直
领域的大模型，我们不仅希望其融入保险领域的专业知识，同时也非常关注其通用能力。
阳光保险构建的评测集S-Eval，包含223个测试用例，用于评估通用领域和保险领域的两
部分能力。
为了评估模型的通用能力，可以采用业内普遍使用的C-Eval、CMMLU、GSM8K、
HumanEval、WMT22等评测集，它们在自然语言理解与生成、数学运算解题、代码生成等
方面对模型进行全方位评测。同时，我们还可以人工添加通用领域的评测集，包括事实问
答、信息抽取、文本分类、情绪识别、数值计算、文化常识等多个维度。
在保险领域能力评估方面，我们可以采用保险考试的方式进行评估。例如，代理人资
格考试作为一种知识覆盖面较广的考试形式，能够全面考察模型在保险领域的能力。此外，
保险业大模型评测体系
44
大模型技术深度赋能保险行业白皮书（2023）
警报；而数据加密技术则可以保护我们的敏感信息，防止数据在传输过程中被窃取或篡改。
（5）法律与合规：在大模型的应用过程中，我们需要关注相关的法律和合规要求。例如，
在处理个人隐私信息时需要遵守相关法律法规；在发布和使用大模型时需要遵循知识产
权和版权法等。
（6）风险评估与管理：我们需要定期进行风险评估，识别出大模型应用过程中可能存
在的安全风险，并采取相应的管理措施来降低风险。例如，建立风险管理制度、加强风险监
测与预警、制定应急预案等。
总之，保障大模型应用过程中的安全性需要我们在各个方面都保持谨慎和关注。通过
科学合理的管理和技术手段的运用，可以最大程度地保障大模型的安全性和可靠性。
大模型技术深度赋能保险行业白皮书（2023）
45
选择题无需人工打分，这为评估保险领域模型的高级能力提供了一种简单而又有效的方
式。另外，我们也可以手动添加保险百科类主观题，以评估模型的的问答能力。这样不仅能
够有效衡量模型在保险领域的表现，同时也能帮助我们更好地了解模型的优缺点并进行
相应的优化。
生成式AI大模型技术作为年度最大的热点，吸引并推动各大厂商推出大模型产品或
是服务，这些产品或服务主要包括四种类型，第一种是大模型平台服务，其中比较有代表
性的是百度和阿里。这类公司推出了一系列的云计算服务，使用户可以方便、低成本地创
建自己的大模型，部署成大模型云服务。第二种是数字人产品，其中比较有代表性的包括
百度、阿里及科大讯飞等。这类公司不仅推出了更逼真，更惟妙惟肖的数字人产品，还把单
个数字人的创建门槛降低到只需录制一段几分钟的视频和音频，创建成本也从一年前的
几十万元降低到了几千元。第三种是创新大模型产品，推出大模型问答式文库应用，采用
独特的“大模型+运营”的方案，为企业建立私有知识库，应用于内部和外部用户的信息检
索场景，满足企业用户对内容可信、预期可控、知错能改的高层次要求。第四种是在传统软
件上附加大模型技术，提供大模型驱动的Copilot。如微软在Windows 11中加入了名为
Copilot的AI助手，Copilot可以接受用户的自然语言指令并自动执行软件功能，提升用户
工作和学习的效率。
根据信息技术研究分析公司Gartner预测，到2025年，AIGC人工智能的全球市场规模
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%。目前来看，国内保险行
业还在处于摸索AIGC落地的初级阶段，海外一些保险公司已经开始探索将AIGC嵌入到承
保、理赔、审核等多个保险业务流程中。此外AI+RPA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，同时由AI+RPA技
术融合而成的”数字人“正逐渐被国内外的保险行业所接受。
4. 积极探索落地 大模型价值全面初现
46
大模型技术深度赋能保险行业白皮书（2023）
阳光保险集团于2023年初启动了“阳光正言GPT大模型战略工程”，积极布局大模型
建设、加强内外部交流，并参与行业标准制定。作为“核心编写单位”，阳光保险与百度、华
为、腾讯等公司共同参与金融大模型行业标准《面向行业的大规模预训练模型技术和应用
评估方法第1部分：金融大模型》的编制。该标准是金融领域的首个大模型标准，并于2023
年9月18日在以“大模型高质量发展”为主题的2023年可信AI大会暨人工智能产业发展大
会上正式发布。该标准从金融场景适配性、金融领域AI能力支持度以及应用成熟度三个维
度进行全面评估，同时考虑了合规安全性、可追溯性以及部署等多个方面。这一标准为科
学评价金融大模型技术能力和应用效能提供了有力的参考依据。
阳光保险大力建设了以GPT大模型为核心技术能力的阳光正言大模型开放平台，一
方面与多家外部大模型技术进行链接；另一方面在开源大模型私有化部署的基础上进行
二次开发，注入阳光的知识和数据，构建GPT技术底座，建立保险专业垂直领域能力，实现
集团、产寿各条线的全应用覆盖，引领公司智能化升级。通过阳光正言大模型开放平台，阳
光保险实现了阳光GPT技术关键能力输出，包括专业能力、通用能力和个性化能力。这一
平台为公司的智能化升级提供了强大的支持。
利用大模型技术，阳光保险构建了车险全线上销售机器人，通过官网、官微、APP、
95510四种渠道触达客户。机器人通过线上渠道与客户之间建立纽带，并实现了更深入的
客户洞察。同时，基于交互内容的过程分析，机器人全方位参与售前、售中和售后各个环节，
实现“对话即销售”的理念革新。目前，阳光保险利用大模型技术重构了信息抽取、意图识
别模块及部分改造智能问答的召回阶段，整理出400+常见问题、17个槽位及26个业务意
国内险企躬身入局，初步探索AIGC应用落地
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
大模型技术深度赋能保险行业白皮书（2023）
47
48
大模型技术深度赋能保险行业白皮书（2023）
大模型技术应用到智能客服机器人项目，大大改变了传统的客户服务模式，为客户提
供了更为便捷、高效、智能的服务体验。要实现与客户的真正开放式对话交流，单纯依赖传
统算法是远远不够的。阳光设计了基于大模型的人机交互方式，以实现更为准确的问题意
图识别和语言交互场景。这种结合上下文的交互方式允许机器人在与客户沟通时，能够理
解并回应客户的各种口语化表达和复杂意图，从而显著提高了回答的准确性。结合语音导
航、文本机器人、数字虚拟人等触客终端，形成了一套完整的智能化客服系统。在此基础上，
结合业务场景，项目组进一步发挥大语言模型能力特点，将现有客服团队历年积累的客服
知识和产寿业务资料进行深入整理，结合FAQ、知识图谱和大语言模型的语句、意图提炼能
力，形成了针对投保、保全、理赔、核保和条款等不同业务场景的意图识别和知识储备。这
图，共计标注2万余条数据。通过阳光GPT对信息抽取、意图识别和语义相似度识别三项语
义理解能力进行升级，相较于传统的预训练语言模型Bert，信息抽取任务准确率提升15%，
意图识别任务准确率提升5%。基于信息抽取与意图识别方面的改进，智能问答任务解答
率提升%。
图7 车险全线上销售机器人产品架构
种方法显著提高了回答的正确率，无论客户提出何种问题，客服机器人都能迅速地根据语
义分析在不同层级的知识中进行分类提取并组织话术，为客户提供最合适的答案。
大模型技术在人伤闪赔机器人的应用，提高了人伤案件快速结案率与理赔效率，进而
减少因伤者就诊、住院治疗或索赔周期延长导致索赔预期增加带来的赔付成本上升；通过
人伤闪赔机器人准确识别人伤伤情诊断，同时遵循赔偿标准，智能化出具标准赔偿建议，
减少查勘员因技能不足、伤情误判带来的赔付渗漏。目前行业尚无此类的科技产品，该产
品可以让客户享受有温度的保险服务，同时带来行业巨大变革，是所有保险人挤压理赔管
理和理赔技术水分的必然选择，也是未来保险数智化的必然趋势。
在个性化能力建设上，基于阳光GPT率先打造阳光文化金水杉讲师及“阳光升”金牌
销售员两个角色，支持两个具有阳光特色的场景问答能力。其中“阳光升”金牌销售员通过
打通常见问题解答、文档知识问答能力链路，形成了一套较成熟的问答解决方案。在文档
知识问答方面，采用“大模型+LangChain+向量数据库”三位一体的方式进行落地。首先根
据保险条款的数据格式，设计了专门的文本分词方法；然后利用自研大模型提供的文本向
量化能力，将分割好的文本段落进行向量化并存储到向量数据库中；最后，对用户的输入
进行向量化，并在向量数据库中检索最为相关的内容，再将检索到的相关信息和预先设计
的提示词一起输入给大模型，以得到最终返回结果。
大模型技术深度赋能保险行业白皮书（2023）
49
图8 FAQ-DocQA-Chat问答链路
50
大模型技术深度赋能保险行业白皮书（2023）
在通用办公领域，阳光正言大模型开放平台已上线文本对话、AI文生图、图生图、图生
文等多模态功能，初步实现了自然语言与应用系统的联动，为公司办公场景化应用提供支
撑。
（a）预制或自定义各类人设，实现智能交互咨询辅助
通用问答能力建设上，利用平台的智能路由，实现自研大模型与外部大模型的动态调
度，借助提示词工程建立各类专业领域对话人设，为用户提供问答咨询、文案撰写及润色
等多种办公文案类辅助功能。可根据应用场景选择不同的人设，也可以自定义专属人设。
例如选定心理咨询师的角色，可帮助员工识别解决情绪问题，分析员工情绪问题的起源和
根源，协调员工处理人际关系并使员工间密切合作 ，如下图所示。
图9 预制或自定义各类人设，支撑多类办公文案场景
大模型技术深度赋能保险行业白皮书（2023）
51
（b）多模态图文小能手，促进UI设计类工作提质增效
通过整合封装多模态大模型并在此基础上进行二次开发，构建文生图、图生图等能
力，提高公司内部的海报、宣传图等UI设计类工作的效率。基于多模态能力，支撑了公司端
午节营销海报的自动生成，如下图所示。在节日当天，寿险公司代理人超过万人次点击
查看，生成的海报转发和下载超过2500次。
（c）智能文本与数据分析，辅助经营管理与决策分析
通过将阳光正言大模型开放平台与阳光驾驶舱报表系统融合，在数据分析方面，可将
数据分析模型与建表服务进行串联，完成数据自动提取、数据间的关联分析并根据自然语
言的报表制作需求，快速生成报表，如下图所示。
图10 端午节营销海报生成
52
大模型技术深度赋能保险行业白皮书（2023）
（d）多种模型自助切换，支持答案对比与择优
基于外部大模型较强的通用能力，同时考虑到阳光自研大模型在特定场景的个性化
语言、语境、领域知识等方面的适应能力，平台为用户提供多种模型的切换功能，方便用户
快速找到更优质的答案，如下图所示。
图11 基于自然语言，实现报表自动生成
图12 不同模型自助切换，提供更优质的答案
中国人保高度重视大模型技术带来的机遇和挑战，积极布局大模型建设。通过自建人
工智能算法团队、积极推进内外部生态合作，中国人保充分利用人保海量语料、数据及行
业知识的优势，打造了自主可控的人保大模型，并在代理人赋能、智能客服等场景试点应
用，以MaaS方式为集团各公司提供基于大模型的智能产品和技术服务，并于2023年11月
6日在人保集团科技发布会上正式发布。
中国人保：打造并发布人保大模型，多场景应用落地
（e）通用代码能力生成，赋能企业研发运维
在通用代码生成方面，融入阳光编程规范，提高代码质量，同时通过构建VS Code插件，
扩大应用范围。此外，基于前期验证和测试多个应用场景，研发基于IDEA的常青藤辅助编
程插件，完成了代码生成模型及IDE插件初版建设并在多支开发团队进行试点，在代码补
全、代码解释、性能检查等场景助力研发团队生产效率的提升。全公司内部已有近半数开
发人员将平台提供的通用代码能力辅助研发。
大模型技术深度赋能保险行业白皮书（2023）
53
图13 构建集成开发工具常青藤辅助编程插件，实现代码辅助
中国人保与认知智能国家重点实验室及科大讯飞合作研发了人保首个专属问答大模
型，该模型在通用问答能力的基础上，提升了多轮口语化复杂意图理解能力、情感理解与
共情能力，新增了敏感问答拒识能力，并针对保险具体应用场景，实现了条款咨询问答能
力、业务逻辑推理能力和多文档多知识点融合能力的全面突破。人保专属问答大模型已通
过“人保智友”产品在代理人赋能、智能客服等场景试点应用，借助大模型的语义理解、搜
索增强等功能，提升知识获取效率，降低企业运营成本。
同时，中国人保还通过自研与合作双轨并行，构建了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、外部大模型能力为辅助的人
保大模型生态，配套建设了人保prompt工厂、博文智库、智选路由、信息安全助手等组件，
为自研的文曲星平台、AI智能陪练等多款智能化产品提供一站式MaaS服务，已在集团各
公司百余个场景中应用落地，全方面支持包括保险、投资、办公等领域的集团内各类工作
任务，带来更高效、更智能的业务处理能力，全面提升工作人员效率和客户体验。
54
大模型技术深度赋能保险行业白皮书（2023）
图14 人保大模型产品规划
大模型技术深度赋能保险行业白皮书（2023）
55
（1）智能营销：打造智能代理人助手，借助AI生成图文的能力，支持代理人针对特定节
日、特定产品、特定客户等生成个性化营销文案及海报，有效避免版权问题，大大提升制图
效率。
（2）智能投研：打造智能投研助手，针对投研市场上每天产生的海量研报，借助AI语义
理解能力，精准提炼研报，形成一句话观点+论据摘要，极大提升投研人员的工作效率。
（3）智能办公：打造智能办公助手，借助AI语义理解能力，一方面可实现日常办公问题
解答，避免人工重复问题重复回答，提升知识获取体验；另一方面可以自动生成会议纪要、
自动识别发言人、生成关键字及关键结论，同时支持内容搜索及定位，便于快速了解会议
内容及会议纪要的整理。
（4）智能客服：打造智能问答助手，提供智能问答服务，可以支持用户在投保前进行健
康咨询、过程中的保全服务、以及理赔服务等，陪伴用户的保险全生命周期。
（5）智能编程：打造智能编程助手，借助AI生成能力，在代码输入过程中预测并提供下
一段代码片段；同时能够识别代码中的潜在错误并提出适当的修复建议，从而显著提升编
程效率。
人保大模型的构建将重塑人工智能技术在中国人保现有的应用模式，进一步提升其
智能化水平，促进降本增效，为客户提供更加智能、便捷、可靠的金融服务，助力人保高质
量发展。
平安：推出数字人产品、建立精准信用评级体系
平安人寿推出了基于大模型的数字人产品，主要用途在于协助代理人更有效地与客
户沟通。这款产品对于新入行的代理人来说，无疑是一大福音。它不仅能在交流中给予指
导，帮助代理人更好地理解客户需求，同时还能收集并整理客户信息，根据客户需求提供
56
精准的产品推荐。
同时，平安银行也已经开始利用AIGC技术对客户的个人信息、历史借款记录以及消费
行为等数据进行深度分析。通过这种方式，平安银行成功建立了一套精细的信用评级体系。
有了这个体系作为基础，他们可以为不同信用等级、借款需求和偏好的客户，量身定制出
个性化的借款产品和服务。这种个性化的服务包括了贷款额度、借款期限、利率等方面的
差异化设置，旨在提高客户的满意度和忠诚度。
平安健康打造了专门为医生服务的“ChatGPT”⸺AskBob智能医生，基于4000万医
学文献、20万药品说明书、2万临床指南等中英文医疗知识图谱以及融合深度学习模型，可
为医生提供个体化精准诊疗推荐和辅助决策。截至2023年2月，AskBob服务于140多万名
医生，覆盖全国范围万家医疗机构， 每天提供的诊疗辅助决策次数达27万次，尤其在医
疗资源有限的地方帮助提升医疗服务。
平安不仅能够运用科技助力自身金融业务提质增效，并且具备了输出能力。平安旗下
金融壹账通作为国内金融科技领域的AI先行探索者，已率先布局大模型和生成式人工智
能（AIGC），并在银行、保险、投资等金融垂直领域落地应用。其打造的“加马智慧语音解决
方案”，基于平安集团30多年的金融业务经验，专注深耕金融行业，依托支持信创适配的机
器人平台，创新地将“产品”与“业务”相结合，针对智能风控、智能营销、智能客服多业务多
场景打造了300+语音机器人流程、3000+文本FAQ库、200+质检模型和60+智能辅助模板，
提供AI场景构建、AI运营团队建设及培养咨询和AI场景效果提升服务，实现金融壹账通提
前布局人工智能赛道的关键一步。
大模型技术深度赋能保险行业白皮书（2023）
太保集团：数字员工助力审计监督提升
太保集团积极推进基于大模型的数字员工建设，希望利用大模型的特点和优势，带来
大模型技术深度赋能保险行业白皮书（2023）
57
太保集团积极推进基于大模型的数字员工建设，希望利用大模型的特点和优势，带来
传统用工模式的变革。数字员工提供通用的自然语言交互入口，能根据用户指令，解析得
到用户意图，自主进行任务规划并完成任务执行，为用户提供多样化的服务。数字员工实
现了对专业工种的建模，赋予了数字员工思维能力、行动能力以及职业能力，并做到与真
实业务人员对齐，解决实际场景任务的同时，有效填补人力空缺，提升业务处理效率，优化
公司整体营运和决策效率，助力太保集团数字化转型。
目前太保数字员工已在集团审计中心进行能力试点，构建了审计检查、公文质检、咨
讯问答等多名审计数字员工，为集团审计带来以下价值：
一是实现精准化的审计监督，助力防范化解金融风险。“审计数字员工”将突破传统审
计局限，精准打击保险违规违法行为，帮助公司挽回经济损失，有效遏制虚假理赔恶意欺
诈风险，助力守住企业风险底线，构建诚信社会环境，促进行业健康稳定发展。根据国际保
险监管者协会测算，全球每年约有20%-30%的保险赔款涉嫌欺诈，2022年银保监会公布
中国保险业总赔付万亿元。近年来，太保审计应用数据分析方法，成功与一二道防线联
合查处虚假案件5000余件，实现追回或减损金额近3亿元。数字员工的建成将在此基础上，
进一步提升审计质效、减少企业经济损失，为净化保险市场环境发挥重要作用。
二是有效填补审计人力不足，满足行业监管要求。根据银保监会《保险公司内部审计
指引》，审计人员配置应不低于总员工数5‰。面对企业快速发展、规模不断扩大、审计人手
存在不足的情况，“审计数字员工”将有效填补审计人力缺口，改变传统人海战术式的队伍
发展模式，构建“人防+技防”、“人力技能+人工智能”相结合的数字化审计监督力量，预计
提升审计人力效能约35%。根据国家审计署不完全统计，全国内部审计从业人数约20余万
人，项目建成将对行业发展产生重要影响。
三是构建智慧审计模式，为行业数字化转型提供示范。“审计数字员工”将充分发挥技
术优势，推动审计方式从传统人工排查向机器自动核查、从抽样审计向全量式覆盖、从事
后审计向事中事前审计的转变，实现审计模式、流程和形态的革命性改变，大幅度提高审
计效能，为内审行业转型发展提供可借鉴的示范模式。
四是发挥智能技术引领，实现人工智能在审计领域全面化应用的率先突破。“审计数
字员工”的建成，将实现智能化技术在审计全业务流程以及主要风险领域的全面化应用突
破，改变以往智能化技术着重应用于业务前端的营销获客，而在审计监督领域应用仍然是
盲点的情况。
通过数字员工在审计场景的建设与落地，进一步明确了数字员工内涵。同时，通过保
险行业风险全面梳理，形成保险行业审计可借鉴的风险图谱；再有，通过对被审计单位提
供信息的标准化设计，拓展数字审计覆盖领域，形成行业可复制的数字审计方法体系；最
后，通过技能整合，形成数字员工建设的样板，形成审计领域可推广的经验。
此外，中国太保产险联合百度打造的“全智能、无人工”车辆定损工具“太·AI”，定损、
理赔判定依据复杂、专业性高，尤其是人身险在涉及劳动损失给付等方面的程序时，往往
涉及与被保险人的交涉沟通。截至2021年11月，已适用万个车型，覆盖97%的乘用车品
牌，部件识别准确率超过98%，损伤识别准确率超过90%。
未来，太保集团将围绕大模型数字员工，稳定持续地优化金融保险领域数值能力水平，
促进保险业务全流程智能优化和效率提升，搭建“保险业务+科技创新”的高质量运行模式，
为保险行业数字化转型提供新范式。
58
大模型技术深度赋能保险行业白皮书（2023）
泰康：积极构建生态，打造大模型原生应用
近年来，泰康创新保险支付+医养服务商业模式，积极拥抱数字化升级浪潮，探索行业
大模型技术深度赋能保险行业白皮书（2023）
59
"数智化"转型的经验和范本。在智慧保险领域，泰康搭建了行业内首个支持核保理赔场景
下全量数据采集的医疗影像解析平台。目前，该平台服务已覆盖泰康人寿全国36家分公
司，赋能理赔、核保相关作业人员千余人，促使“两核”作业效能极大提升。该平台的应用提
升了理赔服务的时效性和便利性，优化了客户体验。在智慧养康领域，泰康孵化了一系列
业内独创的科技产品，为泰康之家养老社区居民提供丰富的7*24小时安全照护，以及主动
干预式健康管理手段。
泰康积极探索生成式大模型的引入与应用，与国内外领先的大模型生态企业展开合
作，对接微软、百度、讯飞、智谱、阿里等厂商的通用大模型能力，同时展开开源大模型的训
练与应用尝试，探索大模型在智慧保险、智慧养康等领域的AI原生应用。
泰康将按照模型、平台、应用三个层次构建AI原生应用体系。模型侧依托头部企业的
通用大模型以及开源大模型，结合泰康在保险、医养行业的特有知识，利用大模型生态企
业在AI算法和大算力上的经验优势，联合建设面向保险行业、医养行业的行业大模型以及
细分领域的垂类模型。平台侧采用与头部企业合作和自研相结合的方式，建立大模型应用
开发平台，提供大模型能力至应用之间所需的管理控制、模型选择、提示工程、知识管理等
工具，为AI原生应用的高效开发与管理提供平台支持。应用侧聚焦核心场景，打造绩优代
理人数字助理产品及老年生命链大模型产品，深入代理人智能培训、代理人销售辅助、齿
科、康复医院、长寿社区等场景，利用新一代AI能力进一步降本增效，为客户、销售队伍、医
养队伍等提供更有温度、更规范、更智能、更实惠的服务。
众安保险：将AIGC置入科技产品，打造系统应用全新体验
众安科技自成立以来长期致力于自身科技能力的对外输出，形成了一系列极富竞争
力的产品：智能营销平台、保险核心业务系统、经代信息化系统、DevCube研发运维一体化
国外险企积极转型，营销承保服务业务全覆盖
Paladin Group：承保工具UnderwriteGPT
2023年2月1日，保险科技数字经纪公司Paladin Group推出了世界上第一个生成式
人工智能承保工具UnderwriteGPT，同时也是目前市场上较为先进和高效的核保解决方
案。简单来讲就是基于大语言模型生成的AI，帮助承保和风险管理变得更快、更高效、更准
确。UnderwriteGPT最大的优势是不断生成新的数据和见解，从而简化承保流程并改进风
60
大模型技术深度赋能保险行业白皮书（2023）
平台、数据产品等。针对科技产品项目实施过程长期存在内容的生成成本高、产品学习上
手困难、业务指导能力弱等问题，众安保险基于AIGC类大模型的能力，结合保险业务经验，
自主研发了AIGC中台 - 灵犀，并支持把企业内部应用工具包装成大模型插件，全面提升了
产品易用性，实现了内容运营平台、经营分析平台、智能坐席助手等多项工具的迭代升级。
其中众安科技智能营销平台包括营销活动创建、营销人群圈选、营销内容触达、自动
化运营策略配置、运营分析等模块，覆盖精细化运营全流程。在toC营销场景中，内容活动
往往作为营销触达的核心抓手。通过结合ChatGPT类生成式AI能力后，营销平台不仅仅可
以提供创作工具，还可以快速帮助客户完成内容创作，文章撰写、活动创作等，甚至可以在
自动化运营中自动地进行策略的理解和配置生成，从而更好、更快速地实现千人千面的营
销触达。
众安保险核心业务系统的新一代财险核心业务平台，覆盖财产险非车全险种业务流
程，并支持跨险种组合业务。过往在核心产品使用过程中，需要大量的专业人员进行各方
面的配置，如配置一款保险产品上架、配置多渠道的对接、配置各种风控策略的上线，过往
这些配置项，均需要业务运营人员熟悉系统后进行配置工作。生成式AI接入后，业务人员
只需要输入需求，系统即可自动化配置实现，提高效率。
大模型技术深度赋能保险行业白皮书（2023）
61
Corvus Insurance：利用Corvus Risk Navigator平台
实现核保
Corvus Insurance是一家人工智能驱动的网络风险平台。近日，Corvus Insurance推
出了人工智能Corvus Risk Navigator平台，以提高保险公司在工作流程中常规手动任务
的自动化程度，包括索赔、数据整理、实时核保等，这些功能进一步减少了保险公司的工作
量，同时提高了报价效率。具体来看，Corvus Risk Navigator平台使用了大模型和自然语
言处理技术，通过自动化加快了保险公司的各项决策。比如自动化行业验证和自动化应用
程序接收，由大模型取代保险公司的手动验证，自动接收应用程序中的数据，然后以核保
指导原则的相关信息为基础，从而回答核保人的问题。同时Corvus表示，将通过人工智能
为经纪人、风险资本合作伙伴、投保人创造价值，并为保险公司配备自动化日常任务的技
术，实现更快的业务增长。
险评估，最终为保单持有人带来更好的定价和覆盖范围。创造者Dais说到，相信Under-
writeGPT这一解决方案将彻底改变经纪公司和保险公司承保保单的方式。
Simplifai：Insurance GPT助力自动化索赔管理
2023年6月，AI解决方案公司Simplifai推出了专门为保险公司定制的人工智能Insur-
ance GPT，具备自动化索赔管理，同时维护了隐私和数据安全，其中的大模型是第一个专
门基于与保险行业直接相关的信息进行培训的产品。
借助Insurance GPT，保险公司可以增强其端到端的业务流程自动化能力，以更安全、
更快速、更简介的方式和客户进行沟通。具体来看，Insurance GPT主要有以下三大特点。
（1）适应现有的生态系统：Insurance GPT是基于平台的，可插入Salesforce等第三方
服务，以及用于索赔管理的行业平台，从保险公司自身的生态系统中提取信息，以便于实
苏黎世保险：使用ChatGPT辅助理赔及承保
苏黎世保险集团（Zurich Insurance）测试如何在理赔和承保等领域使用ChatGPT技
术，旨在应对初创企业和更大竞争对手带来的挑战。苏黎世保险正在研究该技术的应用，
从理赔说明和其他文件中提取数据。目前，该公司提供了最近六年的理赔数据，试图找出
整个理赔部分的具体损失原因，从而改善承保。在首席信息和数字官的领导下，这家保险
公司还创建了一个新的专利计划来保护其知识产权，重点关注自动风险检查和处理账单
的AI系统等领域。苏黎世保险CIO兼CDO陈立明表示，ChatGPT不会取代开发人员，而是承
担副驾驶的作用。同样，对于理赔和承保，它不会取代人，但会提高效率。事实上，苏黎世保
险的这一举措只是其在利用人工智能提升理赔效率方面的更进一步。此前，该公司于2021
年4月与保险科技公司达成合作，将解决财产险理赔所需的时间缩短至24小时
以下。
苏黎世与蓝棱镜自动化开发商进行了深度合作，如今55名蓝棱镜数字员工为苏黎世
管理着120多个流程。这些虚拟数字员工协助建立了一个快速通知门户，该门户是在疫情
会议期间建立的，允许客户快速报告索赔。作为电子支付计划的一部分，虚拟数字员工使
苏黎世能够更快、更高效地支付客户索赔、能够快速评估收到的文件，减轻一线员工的压
62
施和管理。
（2）隐私安全保障：insurance GPT涉及到了索赔处理、文档处理、债务催收和客户服
务解决方案，因此Simplifai致力于客户的隐私保护，维护对数据的严格控制和监管。
（3）无代码维护：insurance GPT的无代码模型允许保险公司无缝集成到平台，无需技
术专业知识，提高了使用效率。Simplifai也表明，insurance GPT平台在未来有可能从根本
上改变保险公司的数据处理和索赔流程。
大模型技术深度赋能保险行业白皮书（2023）
力。虚拟数字员工已经为苏黎世处理了300万笔交易，让苏黎世的一线人力资源员工得以
专注于提供卓越的客户服务。
大模型技术深度赋能保险行业白皮书（2023）
印度Plum：PolicyGPT聊天机器人，进行客户联系服务
印度的Plum公司采用OpenAI的GPT-3架构创建了一款名为PolicyGPT的聊天机器人，
可为用户提供他们从Plum购买的健康保险政策的信息。在PolicyGPT的帮助下，用户无需
翻阅保单文件即可找到答案。PolicyGPT将以用户习惯的简单对话形式，让用户更轻松地
了解保单涵盖的内容及未涵盖的内容。除了提供有关保单的信息外，PolicyGPT还可提供
定位最近的网络医院、获得支持等功能。
Helvetia：利用Clara推进客户服务
瑞士保险公司Helvetia正在测试利用ChatGPT推进客户服务。该公司声称是世界上
第一家推出基于ChatGPT技术直接进行客户联系服务的上市保险公司，该服务使用人工
智能来回答客户关于保险和养老金的问题。该保险公司目前正在通过其聊天机器人Clara
进行现场实验，用户可以通过它获得有关保险、养老金和房屋所有权的答案。该软件使用
来自Helvetia Switzerland的网页内容，例如产品页面和信息指南。当前，新的聊天机器人
可供任何人试用。
Tokio Marine &Nichido FireInsurance：撰写答案草稿
这家日本公司借助ChatGPT平台打造了人工智能系统，以公司内部累积的数据为基
础，帮助保单持有人和保险代理人解答关于保险范围和流程的问题。该系统能自动生成答
案草稿，但并不直接提供给保单持有人，而是为人类工作人员提供指引，帮助他们更好地
回答查询。这一系统的应用预计将能缩短30%至50%的响应时间，同时减少错误发生。
63
互联网公司妥善布局，提供一体化解决方案
微软Office打造办公“全家桶”
微软于3月16日推出了AI版Office“全家桶”：Microsoft 365 Copilot，一夜之间刷新打
工人对生产力工具的认知。Word中，AI能秒出草稿，并根据用户要求增删文字信息和配
图；PowerPoint中，AI能快速将文字转换成专业水准的PPT；Excel中，AI将数据分析变得
轻松高效，能快速提炼出关键趋势；Outlook中，AI能给邮件分类加精，并自动撰写回复内
容；协同办公时，AI能总结规划成员的工作进展、调取分析数据、做SWOT分析、整理会议核
心信息。
Google将生成式AI应用于Workspace
谷歌将生成式AI功能用于Google Workspace中的各种应用程序，包括谷歌邮箱
（Gmail）、谷歌文档（Google Docs）、表格（Sheets）和幻灯片（Slides）。谷歌还宣布允许云
平台客户使用谷歌语言模型PaLM将聊天机器人功能编程到自己的应用程序当中。生成式
AI工具接入谷歌文档后，不仅可以用来帮用户撰写博客、培训计划、电子邮件或任何其他
文本，还能根据用户反馈来修改它的表达语气。用户只需输入要撰写的主题，草稿就可自
动生成。
国内互联网公司布局办公领域及数字人
4月11日，钉钉接入阿里通义千问大模型，用户输入一个“/”就能调动10余种高能AI能
力，包括自动生成群聊摘要、辅助内容创作、总结会议纪要、草图变小程序等，为2300万企
业提供智能转型抓手；4月17日，百度官微宣布文心一言大模型在百度内部全面应用在智
大模型技术深度赋能保险行业白皮书（2023）
64
大模型技术深度赋能保险行业白皮书（2023）
65
能工作平台“如流”上，助员工在日常工作中的思路构建、协作沟通、方案策划、代码编写等
方面提升效率；同日，金山办公正式推出具备大语言模型能力的生成式AI应用“WPS AI”，
包括文本生成、多轮对话、润色改写等功能，计划嵌入金山办公全线产品。
在国内，智能数字人已成为众多上市公司和创企扎堆进入的领域。如国内AI股上市天
娱数科的虚拟数字人已经接入ChatGPT等模型；虚拟技术提供商世优科技目前已将
ChatGPT技术接入数字人产品当中；智能内容生成平台来画也在3月底正式接入ChatGPT，
短短几十秒就能生成一篇高质量视频文案，并推出数字IP+直播模式。
大模型技术深度赋能保险行业白皮书（2023）
5. 挑战与机遇并存 积极布局加速赋能
大模型能力持续升级，应用前景可期
随着人工智能技术的不断发展，大模型的应用前景越来越受到重视。海外、全球范围
内，越来越多的企业和机构开始加速升级和实践大模型技术，以期实现更高效、智能的处
理能力。国外谷歌的LaMDA大模型、OpenAI的GPT大模型等全球性大模型在语言理解和
生成方面取得了显著进展，推动了聊天机器人、语音助手等应用的普及。国内科技、互联网
巨头纷纷布局，百度的文心一言、阿里的通义千问大模型、腾讯的混元大模型、智谱AI的
ChatGLM、百川智能的Baichuan、科大讯飞的星火认知大模型、商汤科技的日日新大模型
等百花齐放。
随着计算能力的提升和数据量的增加，大模型的技术发展和应用前景非常广阔。
(1)更大的模型：随着硬件和软件技术的不断进步，我们可以预见到未来会出现更大、
更复杂的大模型。这些模型将能够处理更复杂的任务，如多模态学习、跨语言学习等。
随着大模型时代的到来，各行各业已经步入了全新的发展空间，商业机会和创新业务
模式也得到了极大的拓展。具体来说，这包括业务创新能力的提升、高效运营和智能化决
策的实现、产品及服务的升级、跨界合作与业务范围的拓展以及基于数据驱动的管理决策
等各个层面。
保险领域，作为科技创新的沃土，如何把握住这些发展机遇并充分释放大模型的潜
能，已成为保险科技团队面临的重要挑战。为了应对这一挑战，我们必须持续探索和实践，
以期在保险科技领域取得更为显著的成果。
66
大模型技术深度赋能保险行业白皮书（2023）
(2)更智能的AI Agent：大模型是AI Agent的核心大脑和智慧源泉。在指令理解、知识学
习、规划、推理和泛化等方面，它都表现出了强大的能力，且能与人类进行友好的自然语言
交互，是AI Agent“认知飞轮”中进行“认知”和“决策”过程的主体。日益强大的大模型，赋予
了AI Agent深度理解各种任务的能力，使得AI Agent更接近于实现通用人工智能（AGI）的
目标。有了大模型的加持，AI Agent能够更好地感知和理解环境、更有效地进行学习和决策、
更精准地满足人类的需求。
(3)模型压缩：大模型的训练和推理需要大量的计算资源，这限制了其在实际应用中的
普及。因此，模型压缩技术将成为大模型发展的重要方向。通过模型剪枝、量化、知识蒸馏
等方法，我们可以在保持模型性能的同时，大幅降低模型的计算资源需求。
(4)模型泛化：大模型在训练数据上的表现可能非常出色，但在实际应用中可能存在过
拟合的问题。为了解决这个问题，未来的大模型将更加注重泛化能力，即在新的、未见过的
数据上表现良好。这可能需要采用更多的数据增强方法、对抗训练技术等。
(5)边缘计算：随着物联网和5G技术的发展，大量的数据将在终端设备上进行处理。为
了满足这些设备的计算能力有限的特点，未来的大模型将更加注重边缘计算。这意味着我
们需要开发新的模型架构和算法，以便于在边缘设备上高效地运行大模型。
在未来，我们有望看到更大规模、更复杂、更具泛化能力的大模型出现，这将为人工智
人工智能领域带来更多的突破和创新。
在金融保险这一垂直领域中，随着技术的持续进步与应用场景的广泛延伸，大模型在
落地应用中的角色也逐步从“辅助”和“赋能”转变为更具主导性和引领性的角色。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，同时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，开启新
67
大模型技术深度赋能保险行业白皮书（2023）
的发展篇章。在这个过程中，大模型的应用将为企业带来更多的商业机会和价值，并对保
险行业的未来发展产生深远的影响。
以大模型为代表的生成式人工智能迎来爆发式发展的同时，其所衍生的隐私、安全问
题以及被滥用、恶意使用的情况也逐步显露。全球主要国家、国际组织、企业及研究机构纷
纷呼吁加强人工智能治理举措、强化人工智能风险管理、规范人工智能技术发展，从而实
现AI技术的可信、可靠及可持续发展。保险行业大模型的发展同样需要一个清晰的治理体
系框架，划定边界，保障保险业大模型是负责任、公平、可持续发展的大模型。
建立覆盖全生命周期、具有可操作性的AI治理体系需重点关注以下方面：
（1）保证数据质量及隐私：首先是保证数据质量，通过数据清洗、数据标注、数据筛选
等方式，确保训练数据的质量、全面和准确，避免数据噪声和数据偏见；在隐私数据保护方
面，可通过加密技术、访问控制、大模型部署本地化等方式，保护隐私数据，并建立流程制
度确保隐私数据的使用合规。
强化治理，推动大模型可持续发展
来源：AI大模型市场研究报告（2023）⸺迈向通用人工智能，大模型拉开新时代序幕，A Frost &
Sullivan White Paper.
图15 商汤AI治理理念
68
大模型技术深度赋能保险行业白皮书（2023）
多方协同，构建大模型发展新生态
（2）避免有害输出：建立大模型输出内容的质量评估体系及审核、过滤机制，确保其输
出符合事实或预期，避免误导公众或造成不良影响。
（3）尊重知识产权，加强版权保护：大模型生成类似人类创作的作品成本低廉，这可能
让优秀的人类创作者淹没在海量的AI创作之中，因此，人类社会需要制定方法和措施甄别
人类创造和机器创造，如利用数字水印等技术，为版权溯源提供支撑；需要确立准则明确
AI创作的使用场景和界限，并通过合理的激励机制同时激发人类和大模型的潜力，使其紧
密协同开展创作型工作。
（4）增强可解释性：通过采用易于解释的算法、可视化的模型结构等方式，使模型的决
策过程更易于理解；通过记录模型训练及推理过程中的日志等方式，让模型运行原理及过
程更透明、公开。
（5）确保公平、公正：通过数据集偏见评估、标注人员管理和培训、数据增强等方式，确
保AIGC算法和系统的公平和公正性，避免模型对某些群体的偏见和歧视。
（6）增强可问责性：首先是建立问责机制，通过数字水印等溯源技术，对模型生成的文
本、图片、代码、音频等数据责任方进行溯源；并对模型及系统设计、开发、测试、部署过程
中的责任主体进行管理。然后是建立版本管理体系，完整记录版本迭代信息，并持续进行
跟踪和监测。
大模型生态的协同发展需要政府、产业、学术界和研究机构等多方的共同参与和开放
合作，以推进AI大模型的研发与产业化进程，进而提升我国在人工智能领域的国际竞争力。
具体来说，大模型生态可以从以下几个方面进行协同发展：数据、GPU算力、算法模型、
研发平台、插件体系、应用落地、资本投入。
69
（1）数据
数据是AI大模型训练和优化的基石，大模型生态的发展离不开数据的丰富和多样化。
为了支持更优性能的模型，需要收集和整理更多的高质量数据，包括结构化数据（如表格、
数据库等）和非结构化数据（如文本、图像、音频、视频等）。同时，数据隐私和安全问题也需
要得到足够的重视和解决。
数据合作：鼓励企业、学术机构和政府部门之间的数据共享，打破数据孤岛，实现数据
的跨领域、跨平台的应用。
数据安全：建立完善的数据安全体系，保护用户隐私，防止数据泄露和滥用。
（2）GPU算力
GPU在大规模并行计算方面具有显著优势，对于支持大模型的训练和推理至关重要。
因此，高性能GPU的研发和部署是大模型生态发展的关键。
硬件升级：持续关注GPU技术的发展，及时更新硬件设备，提高计算效率。
软件优化：针对GPU进行算法和框架的优化，充分发挥其性能优势。
（3） 算法模型
大模型需要更先进的算法和模型来支持，这包括深度学习、自然语言处理、计算机视
觉等多个领域的研究。鼓励各方开放自己的算法库，共享技术成果，提升模型的创新能力
和实用性。
学术研究：鼓励学术界开展前沿技术研究，不断提出新的算法和模型。
产业应用：将研究成果应用于实际问题，推动产业发展，实现技术创新与市场需求的
有效对接。
大模型技术深度赋能保险行业白皮书（2023）
70
（4） 研发平台
为了支持大模型的开发和应用，需要建立一套完善的研发平台。这包括数据处理、模
型训练、推理验证、部署管理等各个环节。
协同创新：搭建跨部门、跨领域的协同创新平台，促进资源共享和技术交流。
开源社区：积极参与和推动开源社区的建设，分享经验和技术成果，共同推动大模型
生态的发展。
（5）插件体系
为了让开发者更方便地使用大模型，需要构建一个丰富的插件体系，提供额外的功能
和灵活性，满足各种应用场景的需求。鼓励各方开发插件库，丰富大模型的应用场景，提升
其实际应用价值。
易用性：提供简洁易用的API和SDK，降低开发者的使用门槛。
灵活性：支持多种场景和需求的定制化开发，满足不同用户的个性化需求。
（6） 应用落地
大模型在众多领域都有广泛的落地场景，如智能语音助手、自动文本生成、计算机视
觉识别等。我们需要不断挖掘和拓展大模型的应用场景，实现技术与市场的有机结合。
市场调研：深入了解各行业的需求和痛点，发掘大模型的潜在应用场景。
产品策划：基于市场需求，策划有针对性的大模型产品和服务。
（7）资本投入
大模型生态的发展需要充足的资金支持。政府、企业和社会资本应共同努力，为大模
型生态提供持续的资金保障。
政府支持：政府应加大对大模型生态的支持力度，提供优惠政策、资金扶持等措施。
企业投资：企业应积极投资大模型相关的研发和应用，推动技术创新和市场拓展。
大模型技术深度赋能保险行业白皮书（2023）
71
大模型技术深度赋能保险行业白皮书（2023）
企业的大模型落地应用也面临着多方面的挑战，这些挑战直接影响到企业是否能够
成功应用大模型、应用的效果以及收益。挑战主要来自以下几方面：
（1）数据挑战：大模型的训练和优化需要大量的数据支持，数据的质量、数量和多样性
都会影响模型的效果和性能。这些数据的获取、处理、清洗和标注等需要大量的时间和人
力资源，需要建立起完善的数据采集、处理、管理和安全等体系。如果企业的数据资源和数
据处理能力不足，就会限制大模型的应用效果和准确性。
（2）技术挑战：大模型的训练和优化、部署和维护均需要先进的技术支持和专业的研
发团队，例如深度学习框架、分布式计算、参数高效微调、模型加速等。而这些技术和知识
的掌握和应用需要长期的积累和实践，需要对技术发展趋势和市场应用有深刻的了解。如
果企业的技术能力和研发团队不足，就会限制大模型的应用效果和创新能力。
（3）合规性挑战：应用大模型进行技术场景落地时，应特别注重敏感数据和技术的合
规、合法性，确保在法律和政策监管范围内进行技术的研发。防止漏洞攻击和数据被窃取
而造成发的经济损失与合规成本，做到系统安全和隐私保护。
（4）隐私和安全：大模型的训练和应用过程中可能涉及到用户的隐私信息及企业的敏
感数据，需要采取措施保护用户隐私和企业数据安全。
（5）商业落地挑战：将大模型应用于商业场景需要考虑多个方面，如市场需求、商业模
式、投资回报等。大模型的应用需要长期的投入和实践，需要大量的资金、人力和技术支持。
而这些投入是否能够带来足够的商业价值和收益，需要进行深入的分析和评估。企业需要
综合考虑市场需求和商业目标来决定大模型的应用方向和实施方案。
面临的挑战
风险投资：鼓励风险投资机构投资大模型生态相关项目，为创新创业提供资金支持。
72
大模型技术深度赋能保险行业白皮书（2023）
（6）算力挑战：大模型的训练和推理需要大量的计算资源和算力支持，例如高性能计
算机、大规模集群等。而这些设备和资源的成本非常高昂，需要大量的资金投入和技术支
持。如果企业的计算资源和算力不足，就会限制大模型的应用效果和范围。
企业的大模型落地应用面临着诸多挑战与限制，这需要我们进行全面且系统的分析、
评估与实施。唯在我们成功应对这些挑战并充分发挥大模型的潜能之后，企业方能实现AI
价值创造和商业目标双达成的理想局面。
应对措施建议
面对大模型带来的机遇和挑战，企业可以从以下几方面着手，积极应对挑战，提升自
身竞争力；把握机遇，推动保险行业的高价值可持续发展。
（1）优化和调整业务策略：企业应根据大模型的发展趋势和市场需求，调整和优化自
身的业务策略，以便更好地适应新的市场环境。例如，企业可以基于大模型技术开发新的
产品和服务，以满足用户的需求和期望。
（2）金融保险行业数据积累：企业需要建立完善的数据采集、处理、管理和安全等体系，
确保数据资源的充足和多样性。另外，还需要加强数据的处理和分析能力，对数据进行清
洗、标注、预处理等操作，提高数据的质量和可用性。企业需要结合自身的业务场景和需求，
对具体应用领域的数据进行大量的积累和分析，为大模型的训练和优化提供有力的支持。
（3）积极跟踪技术演进，探索落地场景并按需进行技术选型：企业需要建立专业的技
术团队，时刻关注最新的技术趋势和研究成果，包括深度学习、强化学习、自然语言处理、
多模态等领域。企业需要积极参加相关的技术会议和研讨会，与行业内的专家和同行进行
交流和学习，了解最新的技术动态和应用场景。除此之外，企业需要结合自身的业务需求
和场景，不断探索和尝试新的大模型应用，明确大模型应用的具体的目标和指标，避免盲
73
目跟风或过度设计。企业需要选择适合自身业务需求和场景的大模型技术和工具，综合考
虑技术的性能、效果、可扩展性、稳定性等因素，进行具体的模型设计和优化，不断调整和
改进模型的参数和结构，提高模型的准确性和效率，将其转化为具体的业务价值和收益。
（4）数据和技术的合规性：全球的数据、技术合规性和隐私保护面临严峻的挑战，近两
年，中国在数据和生成式人工智能技术的合规性方面不断出台相关的法律法规。企业应严
格遵守和持续关注国家相关法律法规和监管政策，以确保企业在数据使用和技术研发方
面的合规性和稳健性。比如：AIGC自动生成的文案、图片和视频要对敏感词汇进行合规性
审查；企业的核心运营数据需得到客户的授权，并且在合规、安全的前提下进行模型研发
和技术落地。
（5）培养和引进人才：企业应加大对大模型相关人才的培养和引进力度，提高企业在
这一领域的技术水平和创新能力。
（6）加强合作与交流：企业可以与其他企业、研究机构和高校等开展合作与交流，共享
大模型技术的研发成果和应用经验，共同推动大模型技术的发展和应用。
（7）关注政策和法规变化：企业应密切关注政府和行业相关政策、法规的变化，及时调
整自身战略和技术发展方向，确保企业的合规性和可持续发展。
（8）注重客户体验和满意度：在利用大模型技术改进产品和服务的同时，企业应注重
提高客户体验和满意度，以便更好地满足客户需求、提升客户获得感。
行稳致远,进而有为。大模型为保险行业深度赋能的潜力已现，我们正站在这个巨大的
机遇之前，迎接着一个充满挑战和可能性的未来。作为保险科技领域的深耕者，我们深知
只有不断推动创新和技术的应用，才能在这个竞争激烈的市场中保持领先地位。我们将始
终保持敏锐的市场洞察力和创新思维，始终站在技术发展的前沿，为客户提供更有竞争力
的保险产品，以及更加高效、便捷、可靠的保险服务。我们期待，在全体保险科技从业人员
大模型技术深度赋能保险行业白皮书（2023）
74
致谢
的共同努力下，保险行业将迎来更加美好的未来。让我们携手共进，共同为保险行业的高
质量、可持续发展贡献力量！
编委会衷心感谢众多专家在白皮书编写过程中给予的宝贵指导，以及行业组织和公
司提供的支持和协助。我们在此向他们表达最诚挚的感谢。
大模型技术深度赋能保险行业白皮书（2023）
75
编委会：
李 科 王 和 谷 伟 魏晨阳 徐怀哲
冯 洋 石运福 王 睿 顾青山 杜新凯
刘 彦 韩权杰 吕 超 卢世成 张 晗
王俊海 蔡岩松 陈 述 石国平 郑立君
石权利 陈 浩 高 建 杨 波 孙雅琳
李晓明 刘蒸蒸 张泽佳 陈 旋 郑永涛
张立鹏 杨鹏升 张云皓 陆 昕 井溢启
王红豫 韩 佳 郑志敏 赵日新 王 军
