胡诗云，易君健∗ 2025 年 6 月 摘要： 以 ChatGPT 和 DeepSeek 为代表的人工智能大语言模型（简称大模型），正在对知识工作者的生产方 式产生革命性的影响。本文面向经济管理学科的研究者，介绍大模型的技术原理、应用方式以及在科学研究全 流程中的应用。本文首先从社会科学和大语言模型的本质出发，分析了认知自动化的边界，指出围绕理论工作 的能力是人类科学家在人工智能时代的核心能力。 建议。大模型全面融入学术工作流程，不仅能通过自动化重复劳动提高研究效率，更能通过人机合作扩展人类 思维的广度和深度，经济管理研究即将走向人机协作的新时代。 关键词: 人工智能；经济学方法论；人机协同；大语言模型 JEL Codes: A11；B41；C45；D83 ∗胡诗云，北京大学国家发展研究院，博士研究生，电子邮箱：hushiyun@pku.edu.cn。易君健，北京大学国家发展研究院，教授，（联系方式）。作者 . . . . . . . . . . 9 3 祛魅 AI：大模型的基本原理 10 3.1 大语言模型的定义和历史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.2 大语言模型的数学结构 . . . . . . . . . . . . . . . . . . . . .

）：以模型为核心，是对真实世界的模拟和解释 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 人类智能 • 抽象（语言）：概念，数字，理 念 • 逻辑（理性）：归纳，演绎，类 专用任务模型： NLP 、 CV 、 Gaming…… 2. 通用任务模型： AIGC • Diffusion 、 transformer ◼ 从 NLU+NLG 到 LLM （大语言模型） 1. 语言逻辑和数据集蕴含了人类的认知智能 2. LLM 是人类的认知智能的实现方式之一 3. LLM 的原理很简单；工程很复杂；效果很神奇 3. 推理能力（涌现）：一般需要 10B 以上， 时刻）：表现是慢思考；本质是合成数 据 有些是产品能力，不是模型本身的能力： RAG Function Call 1. 语言能力： 一本正经地说话，语言顺畅， GPT 时达 到 • NLG+NLU ：语言理解、语言表达（包括温度和情商） • 人类语言、代码语言、 XX 语言 2. 知识能力：海量公开知识，言之有物， GPT-2 时达 到 • 顺带学习（基座模型）：文字中蕴含了知识

更连贯的回答 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用 。 这 意味着一次训练就可以将模 型应 用于多种任务，无需重新 训练 语言生成能力 大模型可以生成更自然 、更流 利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 1.1 大模型的概 念 1.2 大模型的发展历 程 大模型发展历经三个阶段 ，分别是萌芽期、 沉淀期和爆发 期 1 练模型包含了预训练大模型（可以简称为“大模型”） ，预训练大模型包含了预训练大语言模型（可以简称为“大语言模 型”） ，预训练大语言模型的典型代表包括 OpenAI 的 GPT 和百度的文心 ERNIE ， ChatGPT 是基于 GPT 开发的大模型产 品， 预训练大模型 预训练 大语言模型 预训练大语言模型 GPT 文 心 ERNIE 1.3 人工智能与大模型的关 系 深度学习模型 文心一言是基于文心 ERNIE 开发的大模型产 品 语言大模型 是 指 在 自 然 语 言 处 理 （ Nat u ral La ng uage Processing ， NLP ）领域中的一类大 模型， 通常 用于处理文本数据和理解自然语言 。 这类大模型 的主要特点是它们在大规模语料库上 进行了训练， 以学习自然语言的各种语法 、语义 和语境规则 。 代表性产品包括

Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 2 Few-shot (Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 提出 Transformer 框架在机器翻译中取得显著进步 ，其分布式学习和强大编码能力受到广泛关注。 2018 年 Google 和 OpenAI 基于 Transformer 提出了预训练语言模型 BERT 和 GPT ，显著提高了 NLP 任务的性能 ，并展示出广泛的通 用性。 众多预训练模型相继涌现， OpenAI 以 GPT2 、 GPT-3 、 ChatGPT 等系列模型为代表，持续引领大模型时代的浪潮

机器人编程，就是针对机器人为完成某项作业进行程序设计。 工业机器人编程是机器人技术的一个重要方面，它是与机器人所采 用的控制系统相一致的。为了用简单的方法描述作业、操控机器人， 机器人的语言应运而生。在本节中，主要详细介绍示教编程。 本 节 导 入 1 、示教编程 图 6-1 示教再现式机器人控制系统工作原理 示教盒 记忆装置 伺服放大 示教部分 再现部分 公共部分 工作装置 难以与其他操作同步 很难规划复杂的运动轨迹 以及准确的直线运动 难以与传感信息相配合 机器人语言编程是指采用专用的机器人语言来描述机器人的动作 轨迹。机器人语言编程实现了计算机编程，它具有良好的通用性，同 一种机器人语言可用于不同类型的机器人。此外，机器人编程语言可 解决多台机器人之间协调工作的问题。 2 、机器人语言编程 离线编程是在专门的软件环境支持下，用专用或通用程序在离线 情况下进行机器 两种情况 机器人语言提供一种通用的人与机器人之间的通信手段。它是一 种专用语言，用符号述机器人的运动，与常用的计算机编程语言相似。 1 、工业机器人语言的发展概况 1975 年 IBM 公司研制出 ML 语言 随后又研制出 AUTOPASS 语言 1974 年 在 WAVE 语言的基础上开 发了 AL 语言 1973 年 美国斯坦福大学开发了第一种 机器人语言—— WAVE

提出“智能”的行为主义定义，即通过外在表现而非内在机制判 断 智能。 2. 技术目标： 1. 为早期人工智能研究提供了明确方向，例如自然语言处理和对话 系统的开发。 2. 启发了后来的聊天机器人 ( 如 ELIZA,ChatGPT) 和语言模型的 发 展。 一、人工智能发展简史了解 CDC 疾控 人 1.2 人工智能的诞生 人工智能的诞生可以追溯到 20 世纪 50 年代 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 二、大模型：人工智能的前沿 语言生成能力 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 2.2 大模型的发展历程 萌芽期：模型小 ( 参数 <1 亿 ) 、任务单一、依赖人工设计规则。 突破期：标志事件是 可以更准确地解决难题，具有更广泛的常识和解决问题的能力。 2023 年 12 月，谷歌发布大模型 Gemini, 它可以同时识别文本、图像、音频、视频和代码五种类型信息，还可以 理解 并生成主流编程语言 ( 如 Python 、 Java 、 C++) 的高质量代码，并拥有全面的安全性评估。 2024 年 12 月， DeepSeek 迅速崛起，震撼全球，使得人工智能进入“普惠”时代

应链攻击风险，保障整体系统可信性。 6.4 应用服务组装 6.4.1 应用管理 a) 应支持整合与处理来自不同领域、不同层面的知识，从而更好地满足来自多样化场景的需求。 将专业领域的知识与通用语言建模能力相结合，为用户提供高质量的内容和服务； b) 应预置政务场景大模型应用模板，如政策文件、政务问答、政务要素等，模板中需预置行业大 模型，大模型需具备政务行业属性，以实现快速构建政务大模型应用能力，同时支持用户自定 识别服务。 a) 应具备理解用户目的能力，意图识别服务能够通过对用户输入的文本进行分析，理解用户的意 图，从而为后续的对话处理提供明确的方向； b) 应具备自然语言交互的能力，意图识别服务可以支持自然语言交互，用户可以使用自然语言进 行提问和查询，无需特定格式或关键词，使得对话更加自然和便捷； c) 应具备多轮对话支持的能力，意图识别服务可以支持多轮对话，可以在对话过程中动态地调整 意图识别结果，从而更好地引导对话过程； 意图识别结果，从而更好地引导对话过程； d) 应具备强大的后端知识库，意图识别服务通常与强大的后端知识库相结合，可以提供更加全面 和准确的信息和服务； e) 宜具备自我学习和优化的能力，意图识别服务可以通过机器学习和自然语言处理技术进行自我 学习和优化，不断提高对话系统的效率和准确性。 6.4.2.2 检索组件 检索组件允许用户高效地查询和获取文档中的关键信息，提升信息获取的效率，进而提升工作和决 策的效能。 a)

预训练大模型 （学习共性） 大数据（低成本无标注） 少量特定领域标注数据 （成本高） 微调小模型 （学习特性） ⑤ 数 基 生 命 1.模型角度：模型参数不再是随机初始化，而是通过一些任务（如语言模型）进行预训练； 2.数据角度：将训练任务拆解成共性学习和特性学习两个步骤。 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练  两类典型的大语言模型  BERT ： Bidirectional Encoder Representations from Transformers  双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence lvhairong@tsinghua.edu.cn BERT 训 练 ③ 精 准 可 解 释 ④ 医 疗 应 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练 BERT 主要采用掩码语言模型（ masked language model ，对应图 Mask LM ）和下一句预测任务（ next sentence prediction ，对应图 NSP ）进行预训练，使得模型能够学习到上下文关系和词汇语义。预训练好的

先，在风险评估与定价方面，AI 大模型能够通过海量数据的分析与 建模，提升精算的准确性和效率，从而制定更加科学合理的保险产 品定价策略。其次，在客户服务与营销领域，AI 大模型可以通过自 然语言处理（NLP）技术实现智能客服、个性化推荐以及精准营 销，显著提升客户满意度与转化率。此外，在理赔处理与反欺诈方 面，AI 大模型能够快速识别异常行为，提高理赔效率并降低欺诈风 险。 根据麦肯锡的研究数据，AI 潜力尤为显著。首先，AI 大模型具备强大的数据处理能力，能够高 效处理海量的结构化与非结构化数据，这为保险公司在风险评估、 客户画像、理赔审核等核心业务环节提供了前所未有的精准度与效 率。其次，AI 大模型通过自然语言处理（NLP）技术，能够实现与 客户的自然交互，大幅提升客户服务体验。例如，智能客服可以通 过上下文理解客户需求，提供个性化建议，从而降低人工客服的工 作负担。此外，AI 大模型在预测分析方面表现卓越，通过对历史数 大模型在保险行业的定 义可以理解为一种基于海量数据训练的强大算法模型，能够处理复 杂的保险业务场景，包括风险评估、客户服务、理赔处理、产品设 计等。其核心功能主要集中于以下几个方面： 首先，AI 大模型通过自然语言处理（NLP）技术，能够实现智 能客服和自动化沟通。例如，客户可以通过语音或文本与 AI 进行 交互，快速获取保单信息、理赔进度或产品推荐。这种技术不仅减 少了人工客服的工作负担，还能够提供 24/7

不同任务训练不同的模型，泛化 能力差 生成式 AI 2020- 硬件、算法、大数据全面突破 对话机器人 算法框架： Transformer 大规模无 监督预训练 多任务、多模态统一处理 自然语言理解、世界知识记忆、 逻辑推理 人工智能时代推动检验技术的发展 大数据 人工智能 物联网 云计算 自动化图像识别 高通量数据处理 检测智能化与自动化 个性化医疗 多指标联合分析 / 模型优化：性能最优模型进行指标优化  外部验证：独立数据进行模型验证 AI 生物标志物研究举例之自身免疫 病 AI 生物标志物科研成果的临床应 用 AI 生物标志物从 IDEA 到 APPLY 大语言模型的发展历程 Deepseek 横空出世 2023 年 7 月 DeepSeek 成立 2024 年 5 月 宣布开源第二代 MoE 大 模型 DeepSeekV2 2024 年 11 系统已接入，免输入一键结 果解读；  Deepseek 、 QWQ 多模型选择。 报告单解读 标准化操作流程查询  大语言模型专业化 （ LLMSpecialization ）；  标准化、流程化、数字 化、 AI 化。  忠于原文语义与结构；  注重语言的美学表达。 文献翻译 / 解 读  为医护打造的检验科 RAG ；  降低不合格标本比例；  医检沟通的好伙伴。