大模型技术 深度赋能保险行业白皮书 （2024） 阳光保险集团股份有限公司 清华大学五道口金融学院 中国保险学会 科大讯飞股份有限公司 2024年10月 PREFACE 前 言 � 在人类科技发展的历史洪流中，2023年无疑是大模型技术取得突破性进展的元年。 ChatGPT的问世，如同一颗石子投入平静的湖面，激起了全球科技领域的滔天巨浪。它不 仅深刻改变了人机交互的方式，更预 用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了 为国民经济的重 要支柱和风险管理的重要力量，必须紧跟时代步伐，把握科技革命的历史机遇。我们希望通 过本白皮书的发布，为保险业做好科技金融和数字金融两篇大文章提供有力支持，推动保 险行业从科技赋能向科技引领的转变。同时，我们也呼吁行业同仁和合作伙伴加强交流与 合作，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！ 最后，我们要诚挚感谢所有参与白皮书编写的专家学者、行业同仁和技术伙伴。正是大

1 埃森哲报告：AI 赋能保险，三大应用场 景如何重构价值链？ 人工智能(AI)使机器能够模拟和增强人类智能，它的出现正值保险和其他行业 数字化转型之际。尽管人工智能技术仍处于发展阶段，但在现实世界中，它 已应用于不同行业。人工智能正被用来解决各种各样的挑战，它使机器和系 统之间的交互更智能、更简单。 保险公司也逐渐进入这一领域，新一代人工智能技术有望帮助保险公司重新 定义其工作 •保险公司应该改变现有工作方式，包括采用 RPA(机器人流程自动化)以及智 能决策支持系统； 2 •保险公司要允许人工智能在整个价值链中创造性地利用数据，挖掘所有数据 集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 够感知、理解、行动和学习的计算机系统。换句话说，一个系统可以感知它 保险科技初创企业也意识到了这些技术的重要性，许多公司都将人工智能作 为战略核心，他们的员工都能熟练使用人工智能工具。埃森哲分析了全球 450 多起保险科技公司的投融资情况，结果显示，2014 至 2016 年间，与人工智 能或智能自动化相关的投资数量增长了大约两倍。 只有通过智能框架来提高员工的工作效率，利用智能自动化和数据分析实现 产品创新，保险公司才可以借助人工智能实现效益最大化。 5

次： 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储银行、浦发银行、江苏银行等也有较为领先布局应用。 性能： DeepSeek 推理架构优化，可适配银行高并行、高响应的业务场 景 n 以 DeepSeek R1 为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源 80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 OpenAIo1 ，开源使各行业机构能够轻松获取前沿模型能力， 且可直接进行私有化部署或商业化开发。 开源易获得： DeepSeek 模型表现 资料来源：阿里，中泰证券研究所 8 性能：开源 QwQ-32B 性能比肩满血 R1 ，再次降低部署成 本 n 通过将 DeepSeek-R1 的推理能力蒸馏到更小的模型中，较小的模型也能具备强大的推理能力。 DeepSeek 开源了从 15 亿 到 700 亿参数的 R1 蒸馏版本。这些模型基于 Qwen 和 Llama 等架构蒸馏， 表明复杂的推理能力可以被封装在更小、 更高效

推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 于算力、存力、运力以及发展环境本身，模型能力也成为决定人工智能深度赋 能的关键。因此，中国信通院研究团队持续优化综合算力指标体系，在往年基 础上，增加模型能力的呈现，从算力、存力、运力、模力、环境多个维度，更 加准确剖析我国算力产业发展态势。 给能力，一是稳步推动优化算力布局，实现算力中心“单点提质”； 二是着力强化技术协同创新，促进算力产业“串珠成链”；三是适度 超前建设网络设施，加快网络升级“连算成网”；四是持续丰富算力 应用场景，引导模式创新“全面赋能”。 然而，在算力产业高速发展过程中，也暴露出一系列亟待解决 的问题。一是跨区域资源协同机制亟待进一步完善。目前，我国跨 综合算力指数 3 区域算力资源协同还处于初级阶段，缺乏统一的调度平台和协同机 另一方面，算力技术创新推动算力水平提升。芯片技术方面， 我国自主研发的高性能处理器、加速器等产品不断涌现，为算力设 备性能提升奠定坚实基础。计算架构方面，异构计算架构成为主流 模式，多样化、跨体系处理器协同成为提升计算并行度和能效的重 要手段。绿色节能方面，一是我国积极推进绿色节能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工

拥挤和不 便；车辆调度管理复杂，需实时响应动态变化的乘客需求；安全隐 患在高密度运营下也日益增多。因此，引入 AI 大模型以实现智能 化、高效化的运营管理显得尤为重要。基于 AI 的大数据分析能 力，能够帮助运营方获取更为精准的客流预测，优化车辆调度方 案，提高整体运营效率。 在这一背景下，AI 大模型在城市轨道交通行业的应用方案应围 绕以下几个核心方面展开： 1. 客流预测与分析：利用 障的 发生，也能提高维护工作的针对性和效率。 在维护过程中，AI 可以辅助维护人员进行故障分析，结合故障 历史记录和当前设备状态，以快速找出问题根源。例如，对某项设 备的故障进行数据驱动的根本原因分析（RCA），能够帮助维护团 队明确修复方向，避免无效的维修行动，进而节省成本和时间。 此外，利用 AI 模型可进行预测性维护策略的实施。在设备即 将进入故障状态时，系统能自动生成维护通知，维护团队可以根据 出预警显得尤为重要。AI 大模型可以通过海量数据分析与深度学 习，准确识别出设备运行中的潜在故障模式，并实现即时预警，从 而有效减少停运时间及维护成本。 首先，故障模式识别的关键在于对传感器数据的实时监控和智 能分析。轨道交通设备如列车、信号系统、供电设备等，通常配备 了多种传感器，这些传感器能够监测运行状态，包括温度、振动、 压力等多种参数。通过采用 AI 大模型技术，可以构建一个综合数 据分析平台，将传感器获取的数据进行实时处理和学习。

设计多维度的考评指标体系，包括准确 性、召回率、F1 值等，结合可视化工具，全面评估模型性 能，确保考评结果的科学性和客观性。 3. 支持多场景应用: 构建灵活的考评框架，使其能够适应不同领 域（如自然语言处理、计算机视觉等）和不同规模的数据集， 满足多样化的业务需求。 4. 提高系统可扩展性: 采用模块化设计，支持随业务增长进行功 能扩展和性能优化，确保系统能够长期稳定运行。 5. 降低运维成本: 通过自动化部署和监控机制，减少人工干预， 部门协作问题。通过这种方式，项目能够有效地控制风险，确保按 时按质完成。 2. 系统需求分析 在人工智能数据训练考评系统的建设过程中，需求分析是系统 设计的基础和关键。首先，系统需要支持多维度数据采集与处理功 能，确保能够覆盖各类人工智能模型的训练数据需求。数据采集范 围包括但不限于图像、文本、语音等多种数据类型，且系统需具备 高效的数据清洗、标注和预处理能力，以满足不同训练任务的需 求。数据处理过程中 Redis、Memcached 等内存数据库构建缓存层，加 速热点数据访问。 数据安全性是存储设计的重要考量。系统实施多级安全防护措 施，包括： - 加密存储：对敏感数据采用 AES-256 算法进行加密存 储。 - 访问控制：基于 RBAC 模型实施细粒度的权限管理。 - 数据 备份：部署定时备份策略，确保数据可恢复性。 为便于理解数据存储架构，使用 mermaid 图示如下： 此数据采集与存储方案充分考虑了人工智能训练场景下的实际

等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 首先，实现知识库数据的高效清洗与整合。针对多源异构数 持。 算法工程师负责设计和优化算法，解决数据处理和模型训练中的技 术难题，确保算法的高效性和可扩展性。AI 模型训练师负责模型的 训练、调优和验证，选择合适的模型架构和超参数，确保模型在性 能、准确性和泛化能力上达到最优。质量保证专家负责对项目各个 环节进行质量监控和测试，确保数据处理和模型训练的准确性和稳 定性，制定并执行测试计划，及时发现并解决潜在问题。产品经理 负责与业务方沟通 为高效管理多源数据，可构建数据采集管道，使用 ETL（Extract, Transform, Load）工具或分布式计算框架（如 Apache NiFi、Apache Kafka）实现数据的自动化采集、清洗和存 储。最终，采集的数据应存储于结构化数据库（如 MySQL、PostgreSQL）或非结构化数据库（如 MongoDB、Elasticsearch）中，以便后续处理和分析。 通过上述方案，可确保数据来源的多样性和采集过程的规范

megatron 等 通用训练框架 u triton, vllm, sg lang, sd, pmml 等 通 用 推 理框架 分布式文件存储 u 公 有 云 分布 式 文 件 存 储 CFS/Turbofs/Goosefsx u 私有化 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 更专业，支持 复杂图文混排文档解析 > 目标客户和场景 : • 面向具备简单开发能力的初级开发者、企 业运营人员。 • 可通过模型选择、提示词模版、 RAG 配 置能 力等加速大模型应用构建，实现与自 身业 务系统的无缝对接。 接入搜狗搜索增强 API ，一键开关，即可让 DeepSeek 实时 获取 互联网最新资讯，提升时效性和回答准确度 腾讯云大模型应用开发平台“知识引擎”