□刘新立

7月19日，美国Meta（原Facebook）公司发布了最新的人工智能（AI）大型语言模型Llama 2系列，包括70亿、130亿和700亿三种参数版本，模型信息和原始代码全部开源，并支持免费可商用，而且还包含针对会话聊天场景微调的Llama 2-Chat模型版本。相较于今年2月发布的Llama 1，这次推出的Llama 2训练所用的语言符号量翻了一倍至2万亿。Meta表示，在包括推理、编码、精通性和知识测试等多个外部基准评分测评中，Llama 2表现优于所有开源的Chat模型。同时，Meta还宣布与微软、高通公司合作，Llama 2将部署在微软云服务Azure上，将能在高通芯片上运行，打破市场上英伟达、AMD处理器对AI算力市场的垄断。

进步迅速

Llama 2的推出，堪称人工智能大模型格局再次发生巨变。早在2022年11月，美国初创公司OpenAI推出了基于GPT-3.5的通用聊天机器人ChatGPT，将生成式AI技术直接推向了公众的视野中，掀起了全球对生成式AI的讨论热潮。这款运用人工智能驱动的高级自然语言处理工具仅上线5天，用户数就突破100万，两个月后，月活跃用户数突破了1亿，成为有史以来用户数增长最快的消费级应用。今年3月15日，OpenAI又发布了多模态预训练大模型GPT-4，它使用了全新架构Prometheus，这是一个分布式、并行、异步、自适应的系统，可以在多个设备上同时运行多个模型，并且能够动态地调整资源分配和计算优先级。GPT-4比以往任何语言模型都更加强大和智能，可以说，之前的热度还来不及冷却，就被人工智能的迭代升级速度追上了，市场普遍认为生成式AI将开启人工智能的新纪元，并且给诸多行业带来无限可能。但这些大型语言模型一直没有开源，因此Llama 2可以免费开源商用立刻引起了市场的广泛关注，因为这意味着很多行业可以在此基础上构建自己的智能生态，而无须为底层的大型语言模型付费。

生成式AI指一种可以学习复杂数据结构和规律，并用这些规律来生成新数据或解决问题的算法，它是具有创造新内容和解决问题的AI技术，如生成对抗网络（GANs）或强化学习算法，与传统机器学习算法相比，生成式AI有更强大的创造能力。虽然AI早在20世纪五六十年代就已经出现，但最近的进步确实提高了这项技术的能力，这可能会对很多行业的经营规则产生影响，保险业也不能免受其潜在的变革影响。事实上，近年来保险行业已经在很多环节探索了AI的应用，包括客户服务、风险评估、欺诈检测等。生成式AI对保险业的潜在影响是深远的。若充分利用其优势特点，可以为保险公司在产品设计、营销、运营和客服等多个领域提供深度技术赋能，其与行业的深度融合并不是单一由自动化的方式替代人力，而是将可能在保险业的底层经营逻辑中产生突破性进展。同时，人工智能的应用也将使保险业面临很多从未有过的挑战，保险公司必须在人工智能的潜力与数据准确性、道德和人类专业知识之间寻找平衡点。

促进行业深耕

无论是从满足保险的理论基础，即大数定律的角度，还是从扩大市场覆盖率的角度，建立良好口碑、吸引更多客户都是重要的，这就涉及两个和客户有沟通的环节，营销和理赔。

在营销环节，无论是个险，还是银保以及互联网保险，传统模式下，潜在客户接触到的信息都较为单一。一方面，由于代理人和银行柜员很难在短时间内了解不同客户之间的差异，在面对不同潜在客户时往往都是采用千篇一律的话术，互联网保险也只有为数不多的固定选项；另一方面，当前大多数保险产品大都比较固定，即便消费者提出自己的需求，代理人能够搭配出适当产品组合的空间也较为有限，而且也存在因代理人水平不一而对客户需求匹配不到位的情况。因此，很多时候并不是消费者缺乏保险需求，而是其保险需求并未得到适当的解读，因而也就无法得到激发，仅仅简单由性别、年龄等客观条件给出产品推荐，远远达不到与需求匹配的程度。生成式AI真正独特的地方是，它们是经过预先训练的，这意味着它们有较高的专业能力对服务对象产生即时回应，而不需要大量的开发工作。利用生成式AI技术，保险公司可以构建智能化保险产品推荐机器人，通过自然语言交互，分析客户的需求、偏好、风险承受能力等信息，从而理解个人需求特征，创建更精细和个性化的保险产品，生成个性化的、满足客户需求的保险方案。

在理赔环节，通过机器学习和数据分析技术，接入了生成式AI的系统可以根据保险条款、索赔信息和历史数据等因素，自动计算理赔金额，从而提高理赔效率和准确性。当处理复杂的理赔时，生成式AI还能基于深度学习模型生成更高效的理赔流程，或者根据高级策略生成新的解决争议和问题的方式，减轻人工的工作负担并提升客户满意度。

降低道德风险

保险业中的道德风险是一个重要概念，它指的是投保人购买保险后，由于风险已经转移的原因，可能会改变其行为，以增加保险公司赔偿的可能性或金额。这种情况通常是由于保单持有者对风险的担心减少，以及对可能获得的保险赔偿的期待。例如，健康保险可能会导致保险持有人更加倾向于采取不必要的医疗服务，因为他们知道保险公司会为这部分费用进行赔付。又如，汽车保险的存在可能会使人们在驾车过程中没有那么小心翼翼，因为他们知道，即使发生意外，损失可以由保险公司来承担。这种情况会带来两方面的问题。一方面，这可能增加保险公司的风险负担和赔偿数量，超出之前的精算预期；另一方面，在某些情况下，保单持有者可能会故意制造风险事故以获取保险赔偿，例如当事故损失本来较小时，放任事故发展使得损失扩大，甚至故意引发事故以获取保险赔偿，这不仅是违法行为，也会对社会经济造成极大的伤害。

欺诈是道德风险的一种典型表现，传统情况下保险公司需要在很大程度上依赖市场情报和专业人士的技能进行判断，需要投入大量时间和资源来检测欺诈行为。生成式AI可以在欺诈检测中发挥重要作用，通过创建近似真实的欺诈案例，可以用于模拟不同种类的欺诈活动，帮助保险公司提前预防和了解可能遭遇的欺诈威胁，从而减少损失。机器学习方法还可以用来解释刚刚报告的索赔类型、应该如何处理以及需要什么水平的专业知识。此外，通过让模型学习大量过往欺诈案例，生成式AI将具有较高的检测能力，如果识别出索赔可能是欺诈性的，将对该案件进行自动标记，以便理赔人员优先对这些案件进行进一步调查。例如，英国Aioi Nissay Dowa保险公司就开发了一个可以不断进化提升的元学习系统，元学习是一种机器学习方法，通过训练模型在多个任务上学习，使其能够更快地适应新任务。这一系统可以检测机会主义和有组织的欺诈。据公司介绍，自从该系统推出以来，欺诈检出率提高了一倍多，提示率从2%提高到18%，同时，理赔人员处理的貌似欺诈但并非欺诈的案件数下降较多，索赔处理成本也有所削减。该系统使得公司可以更快地处理索赔，并更有效地处理真实索赔。索赔处理人员的主动性还得到增强，因为该系统给出的结果更为可信，他们希望自己的欺诈甄别工作也能作为素材来供给模型学习，为模型的不断改进作出贡献。人类和人工智能之间的这种合作，通过帮助降低反欺诈成本，为保险业和消费者带来益处。            （上）

（作者系北京大学经济学院风险管理与保险学系副教授）