纪要涉及的行业或者公司 行业：保险和保险科技行业 公司：中国平安保险公司、阿里巴巴、腾讯、百度、华为智富、科大讯飞、美国某公司 纪要提到的核心观点和论据 AI技术在保险行业的应用场景及成效 - 风险评估：AI通过分析历史和实时数据，利用机器学习算法分析客户健康数据、驾驶行为等，提高风险预测准确性，优化保费定价策略[2] - 理赔处理：AI可自动化处理简单理赔案件，图像识别技术加速车险理赔，自然语言处理技术简化医疗保险审核，降低运营成本，提升客户满意度[2] - 客户服务：AI驱动的聊天机器人提供24/7服务，解答常见问题，引导投保和理赔，提升客户体验，还可通过分析客户行为数据实现个性化产品推荐和营销策略，提高转化率[2] - 市场营销：AI通过分析客户行为数据和偏好，为客户提供个性化产品推荐和营销策略，识别潜在高价值客户，制定针对性营销计划，提高转化率[3] 人工智能在保险业的演变阶段 - 弱人工智能（Narrow AI）：依靠预测模型和数据分析，应用集中在自动化数据处理、决策引擎和交互式流程等方面，如核保中利用文本识别模型处理体检报告并初步筛选[4] - 大模型（Large Models）应用：能处理更复杂问题，灵活性和准确性更高，可通过自然语言处理技术精准识别和分析PDF文件信息，提高核保效率[4] - 深度学习技术（Deep Learning）：如DeepMind等公司的技术突破，能实现更高效数据处理，通过学习优化自身算法，提升保险业务各环节自动化水平[4] 当前AI技术对保险行业的影响及未来趋势 - 影响：大规模语言模型提升数据处理效率，实现环节自动化；增强与客户互动体验，提供人性化、精准信息服务；促进内部流程优化，提高整体运营效率[6] - 趋势：深化大规模语言模型在核保、理赔及客户服务等业务环节的应用；深度学习技术发展将带来更多创新解决方案，开拓新业务模式[7] 保险公司在AI大模型的应用情况 - 60%的保险公司已上线大模型，11%正在开发中，30%处于计划阶段，主要用于理赔、核保和销售辅助等领域[8] - DeepSeek使用率接近90%，其他常见模型有千问和Meta的Llama，但Llama使用较少[8] AI技术在保险行业的具体应用 - 内部辅助功能：集中于问答系统、素材生成、辅助编程、办公助手、培训和数据分析等，问答系统几乎被所有公司采用[10] - 客户服务：人机对话和聊天机器人在深夜服务广泛应用[10] - 理赔环节：车险理赔通过RPA技术降低诈骗率，实现流程自动化[10] - 核保环节：因信任问题，目前仍需人工复核[10] 当前AI技术驱动的新趋势 - DeepSeek推理模型成为主流，推理结果显著优于非推理模型[11] - RAG（索引增强生成）技术受关注，用于解决大模型信息准确性问题，通过建立知识库提高回答准确性[11] - 多语言支持是重要趋势，通过将原始文档转化为列化表示实现多语言处理[11] 中小型企业对AI应用前景的看法 - 领导层普遍对AI持积极态度，希望提升各领域效率[12] - 以前因隐私保护需求、GPU资源成本高和开源模型版权限制等因素限制采用，新技术发展使障碍逐步消除[12] DeepSeek与其他AI解决方案的区别 - DeepSeek采用MIT许可证，用户可自由使用和修改代码，商业化需批准[13] - DMC对硬件要求低，可在单个大型服务器本地化部署，无需额外费用；基于GPT - 3的解决方案需使用API，成本约是DeepSeek的100倍[13] - DeepSeek部署后成本降低35%，理赔效率提高50%[13] 保险公司应用AI技术的进展及挑战 - 多数保险公司处于探索阶段，部分公司将AI应用于内部服务和业务流程自动化，如中国平安结合精算模型和DeepSeek OE进行模型合并[14] - 准确性和成本是主要挑战[14] 数据隐私和安全方面的考虑 - 保险公司首要关注数据隐私和安全，机密数据通常保存在内部服务器，国内外皆如此，部分国外公司禁止使用外部AI软件，只允许内部网络访问[15] AI生成内容的问题及应对 - AI生成内容可能出现“幻觉”，导致错误决策或误导用户，实际应用中需严格审查确保准确性和可靠性[16] 法律法规对AI技术发展的影响 - AI技术发展迅速，缺乏相关法律法规支持，给企业带来风险管理挑战，加强法律监管和伦理规范对保障AI技术健康发展至关重要[17] 大模型在中国的发展情况 - 中国对大模型的探索深入各领域，包括保险业，发展速度比国外快，DeepSeek为中国赢得一定优势，硅谷从事大模型创业的华人赞赏中国进步[18] 大模型在各方面的应用表现 - 编程辅助：表现出色，代码结构化程度高，附有详细注释，能根据功能需求生成代码，但回答问题可能有不一致性，提问需拆解问题[20] - 文档管理和测试管理：可自动生成详细文档，国外公司将其嵌入系统用于解释和生成documentation，提高效率，减少人工错误[21] - 数据分析：能自动识别数据并按要求输出统计结果，但需仔细检查数据和统计方法确保准确性[22] 提示词对大模型输出结果的影响及操作方式 - 提示词对输出结果有显著影响，操作方式有零样本提示、少量样本提示、思维链提示和提示系列，均可增强输出结果质量[23] 微调大模型的发展情况及关键点 - 微调大模型越来越普遍，涉及任务微调和知识库扩展，保险领域可通过调整关键词等获取信息由微调后的大模型处理[24] - 拥有更好数据和更清晰业务流程的人在微调中占优势[24] 在保险行业利用AI技术提升业务流程和效率的方法 - 构建专有的RAG系统，结合公司业务流程，深度定制以满足专业需求，如第三方科技公司开发的生成理财计划书或产品介绍视频的解决方案[25] - GPU在精算领域应用带来显著性能提升，缩短大数据量计算时间，如计算500万保单仅需7秒，使保险公司能更频繁进行产品测试和优化[25] AI技术在保险行业的具体应用领域 - 内容生产：自动化工具广泛用于生成文章、报告等内容[26] - 核保核赔：AI助手快速处理大量数据，提高工作效率[26] - 数据分析：建立智能代理自动完成初步分析工作[26] - 招聘：面试者和被面试者可利用AI进行公司背景调查、简历筛选和问题准备[26] - 研究：OpenAI的Deep Research功能为研究提供最新数据支持[26] 使用AI技术的注意事项 - 批判性看待AI结果，人为提供框架并指导填充内容[27] - 专业领域如精算师使用AI需注意职业操守，披露相关信息，确保结果符合专业标准[27] 中国保险业未来发展方向 - 指数年金产品发展，需借助GPU等先进计算平台实时处理大量数据，GPU性能提升将推动其发展[28] - 人工智能与业务流程深度融合，降低成本，提高效率，实现更多创新型产品[28] 生成式人工智能与传统模型的比较 - 生成式人工智能在文本处理和解释方面远超传统确定性模型，但在保险理赔和风险定价等领域只能提供建议，无法完全替代人类决策，可作为研究助手[31] 海外和国内在AI应用于保险行业的情况 - 海外在风险定价方面无完全成熟实践，大模型只能作研究助手；国内公司尝试将AI应用于理赔和核保等环节，底层模型需完善，GPU计算技术使风险计算速度加快，可进行更多情景分析[32] - 海外一家美国公司尝试在各业务环节用AI赋能；国内倾向于保险公司内部自行开发AI应用[38] 保险行业技术应用的变化及相关影响 - 以前开发核保平台等系统需IT部门花费半年，现在开源技术普及，各模块流式实现，完成前端部分即可，提升效率[35] - 某些阶段外包服务需求可能下降，但目前机器人流程自动化（RPA）领域需求旺盛，大厂通用解决方案不适用于保险公司，未来可能出现理解行业的第三方公司优化流程[36] - 第三方公司更多提供咨询类服务，落地实施外包型服务由编程能力团队实现，高级IT人员仍需，但执行工程人员数量可能减少，模块化开发改变传统流程[37] 其他重要但是可能被忽略的内容 - 国际精算师协会正在建立关于AI对精算和保险影响的知识库并计划公开发布，已创建网站，资源在GitHub上免费开放，北美精算师协会撰写相关文章说明[30] - 在计算机考试中使用AI答题是对职业操守的考验，国外学校老师要求学生作业中不能使用AI，但学习掌握AI工具必要，使用场景需谨慎[29] - 未来保险公司硬件可能依赖外部供应商，软件方面更多公司自主研发，专业人员与业务理解深刻的人将在让大模型得出预期结果过程中扮演更重要角色[33]