默拉智能AI系统
【建站扶持计划】 
企业基于大模型的需求主要体现在三个方面：
第一，大语言模型的基座。搭建面向公司整体的大语言模型平台，具备语言理解、逻辑推理、内容生成、通识问答等
基本能力，可以对大模型进行精调和对 prompt 进行配置与管理，并可以对外提供大模型访问接口。因此，需要具备一些
功能予以支持：
✓ 算力调度：支持对 GPU 底层算力资源的灵活调度；
✓ 模型微调：支持对大模型进行微调，包括：P-Tuning、LoRA 等；
✓ 模型服务：支持对外发布大模型的调用接口，供业务系统对接。
第二、企业智能助手。搭建企业级智能助手，前期应用在财务领域，后期需要扩展到其他业务领域。支持对智能助手
的能力通过无代码的配置进行持续扩展：
✓ 知识问答：对企业各项文档，规章制度，产品说明书，行业报告等内容融会贯通，灵活应对用户的提问。
✓ 数据问答：可理解数据，支持以对话的形式进行数据查询。同时内置数理统计、财务分析、机器学习等模型，可对
数据深入分析，并将结果整理成图文并茂的报告。
✓ 内容生成：具有文字、代码、图片的通用生成能力，并在数据解释领域进行了强化，可以自动生成对指标的业务解
释说明，以及主题分析报告。
✓ 智能执行：可对复杂指令进行逻辑推理，进行子任务拆分，编排 IT 系统间的调用，实现智能自动化。
第三，智能无人财务共享。利用人工智能技术实现财务共享中心全流程高度智能化、自动化、价值化的目标。改变传
统的财务工作模式，大幅提高财务工作效率，降低财务成本，并极大提升财务管理水平：
✓ 智能审单：实现在对财务日常工作（报销、立项、付款等）流程中的自动审核，要支持业务用户灵活的进行业务规
则的定义，同时还需要将合同、发票、附件等文件中的关键信息进行识别，自动完成系统录入。
✓ 智能收单：通过智能收单机，实现单据投递后的自动扫描，并形成电子影像，智能设备会调用智能审单助手的能力
对提交的发票进行验真、查重以及附件审核等。
✓ 智能分析：用对话的形式查询财务数据，覆盖法人报告、管理报告、财务域的指标，并实现基于人工智能算法的归因、
预测分析，可以应用大模型自动生成分析报告。
✓ 财务客服：通过机器人解答公司业务用户对财务制度相关的问题，如：报销制度、差旅标准、财务系统的
大模型应用于智能财务助理的关键技术：
• 意图识别
一个较为复杂的智能助理通常具备多项不同的能力（如：政策的问答、任务的办理等），如何识别用户文字中的意图
并将其与多种潜在任务的执行处理相关联，是智能助理的关键能力。
为实现该能力，基于智能助理潜在可能面对的各类提问、对话句式、内容、常用语，微调训练了一个对话意图识别的
微调模型，基于该模型的能力对对话中的任务处理意图进行识别，控制对话和任务处理的流程。
• RAG 检索增强生成
RAG（Retrieval-Augmented Generation，检索增强生成）本质上是将模型之外获得的特定领域专业知识，通过检索（向
量检索、图谱检索等）、筛选（权重排序）后，将相关的内容注入大模型推理过程中，从而在特定领域提升大模型生成输出内容、
推理判断的准确率。
在财务领域，在适用的法律、法规、制度、准则之外，各单位还有自己内部的会计政策、制度要求等，这部分内容一
方面个性化显著，另一方面通常存在一定的私有保密要求，并不合适通过参数训练的方式让大模型容易学习，因此，在大
模型的通用知识基础上，通过 RAG 技术，将用户私有的知识与模型通识进行融合，可以让大模型产生的输出更加符合用户
的实际（避免因大模型产生的低质量、错误内容）。
（2）智能填报
填报是财务业务的发起点，填报的质量与数据详尽程度，直接影响整个业务的处理。
传统模式下，填报质量的高低取决于业务发起人对财务知识掌握的程度，以及个人的认真、细致程度，是一个典型的耗时、
费力、价值感知度低的工作。G 大学长期以来的报账难，填报占据了其中大部分时间。该环节的低效、低质，也同样牵扯
了大量财务人员的精力，成为业财间矛盾的焦点。
基于 G 大学智能财务平台的工程化应用体系，以大模型驱动的 NUI（自然用户交互）模式为核心，融合 GUI（图形用户交互）
模式内容展示清晰的优点，创作开发了智能填报助理。
以 GPT 为代表的人工智能大模型技术的快速发展为财务数智化转型带来了无限生机，但是企业在建设落地和应用实践
过程中依然需要谨慎对待人工智能大模型技术与财务应用场景的融合，尤其是需要思考人工智能大模型技术在财务领域应
用的局限性和可能面临的问题。
5.1 人工智能大模型技术财务应用局限性
• 复杂计算的准确性
人工智能大模型技术需要进行复杂大规模的计算，其准确性是一个重要的并且难以保证的事项。以 GPT 模型为例，它
是一种基于 Transformer 模型的生成式预训练模型，其原理是在大规模语料库上进行预训练，然后在特定任务上进行微调，
以生成自然语言文本。虽然 GPT 有很强的预测和生成能力，但并不能直接解决数学计算问题，其优势在于处理文本数据并
学习其背后的模式，包括某些数学规则，但对于某些复杂的数学问题，依然需要依赖于专门的数学软件或程序库来解决。
• 结果的不确定性
人工智能大模型技术能够解决诸多问题，但其结果也存在着不确定性的可能，主要来自两个方面：随机性和泛化性。
随机性是人工智能大模型的生成结果具有一定的随机性，相同的输入可能会得到不同的输出。这是由于大模型中存在随机
性的 dropout（随机失活：对具有深度结构的人工神经网络进行优化的方法）和随机采样等操作。泛化性是人工智能大模
型在面对未知数据时的表现能力。虽然人工智能大模型经过了大规模的预训练，但是在实际应用中，可能会遇到与预训练
数据不同的数据分布，从而导致其表现下降，甚至出现所谓的大模型“幻觉”。
5.2 人工智能大模型技术财务应用关注问题
• 大小模型的协同应用
人工智能大模型的优势在于对自然语言的识别和意图理解，但是在财务领域，还有很多需要更加精准的场景，需要构
建细分场景的精细化小模型，并与大模型配合应用提供解决方案。企业财务应用场景主要体现在复杂文本分析处理和财务
决策与预测等方面，例如合同条款抽取和风险识别场景，我们可以通过整合知识图谱、命名实体识别（NER）、要素抽取、
风险分类等小模型与大语言模型协同，实现对复杂条款的准确理解和抽取，并辅助业务精准识别风险条款。在财务决策与
预测场景，例如预测分析、财务规划等，可以采用包括 M-Score、Z-Score、回归分析、信用评分、时间序列预测等财务分
析小模型与大模型的结合。这种多模型融合策略，可以优化模型的精确度，为企业提供更为稳健的决策支持。
• 使用成本
人工智能大模型技术应用在财务领域通常有两种方式：一是选择大模型厂商提供服务，一般大模型厂商按流量计费；
二是训练微调参数较少的垂直领域大模型，并私有化部署和应用。选择大模型厂商提供服务可以快速上手并享受专业支持，
但可能需要持续产生流量费用。而训练和部署垂直领域大模型可以实现高度定制化和数据掌控权，但需要支付一定的训练
和推理的算力成本，也同时面临更多技术挑战。具体选择哪种方式取决于项目需求、团队实力和预算等因素。
