大語言模型在會(huì)計(jì)行業(yè)應(yīng)用的思考和建議

0 引言

我國(guó)會(huì)計(jì)領(lǐng)域數(shù)字化始于20世紀(jì)90年代的會(huì)計(jì)電算化，當(dāng)時(shí)工作人員使用計(jì)算機(jī)替代手工記賬、算賬和報(bào)賬，通過財(cái)務(wù)軟件進(jìn)行簡(jiǎn)單的數(shù)據(jù)錄入和報(bào)表生成操作，提高了財(cái)務(wù)數(shù)據(jù)處理效率和準(zhǔn)確性[1]。近些年，在萬物互聯(lián)（IoE）時(shí)代背景下，隨著移動(dòng)技術(shù)、大數(shù)據(jù)、云計(jì)算特別是人工智能等新技術(shù)的發(fā)展，商業(yè)環(huán)境變得更加動(dòng)態(tài)化，進(jìn)一步推動(dòng)了會(huì)計(jì)行業(yè)向著更加靈活化、精準(zhǔn)化的方向發(fā)展[2]

2022年底，ChatGPT首次實(shí)現(xiàn)了語言智能的智慧涌現(xiàn)，不僅可以跟人互動(dòng)，還可以完成人類交辦的各類任務(wù)，拉開了AIGC（生成式人工智能）時(shí)代的序幕[3]。2023年，用友網(wǎng)絡(luò)科技股份有限公司、金蝶國(guó)際軟件集團(tuán)有限公司先后發(fā)布了基于涵蓋企業(yè)財(cái)務(wù)管理的大模型產(chǎn)品。國(guó)內(nèi)外各類大模型產(chǎn)品百花齊放。據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）披露的數(shù)據(jù)，截至2024年7月，成功通過國(guó)家級(jí)備案、上線且能為公眾提供服務(wù)的人工智能（Artificial Intelligence，AI）大模型達(dá)190多個(gè)，我國(guó)以大模型為代表的人工智能普及率達(dá) 。根據(jù)咨詢公司Gartner預(yù)測(cè)，到2026年，擁有3年以上AI投入的財(cái)務(wù)組織的生產(chǎn)力將比沒有使用AI的組織翻一番。在人工智能和自動(dòng)化技術(shù)的影響下，未來在業(yè)績(jī)表現(xiàn)最佳企業(yè)的財(cái)務(wù)部門中，50% 的新員工背景將不再是財(cái)務(wù)或會(huì)計(jì)。因此，人工智能技術(shù)將給會(huì)計(jì)行業(yè)及從業(yè)人員帶來極其深遠(yuǎn)的影響。

1技術(shù)背景

人工智能，即人制造出來的智慧機(jī)器或系統(tǒng)，最早于20世紀(jì)50年代被提出，受限于當(dāng)時(shí)的計(jì)算能力和技術(shù)架構(gòu)，主要局限在算法和邏輯推理方面，應(yīng)用范圍有限。2022年，OpenAI發(fā)布了ChatGPT，拉開了生成式人工智能技術(shù)革命的序幕[5]。2023 年，全球陸續(xù)發(fā)布的大語言模型（LLM）參數(shù)非常大，且在大量文本上進(jìn)行了訓(xùn)練[。因此，它們可以直接執(zhí)行大多數(shù)NLP（自然語言處理）任務(wù)，如文本分類、自動(dòng)翻譯、問題回答等，以大語言模型為代表的生成式人工智能在會(huì)計(jì)領(lǐng)域逐步得到應(yīng)用。

LLM始于N-Gram等簡(jiǎn)單的語言模型，N-Gram通過使用詞頻來根據(jù)前面的詞預(yù)測(cè)句子中的下一個(gè)詞，預(yù)測(cè)結(jié)果是在訓(xùn)練文本中緊隨前面的詞出現(xiàn)的頻率最高的詞，但受技術(shù)限制，有時(shí)會(huì)生成不連貫的文本[7]為了提高N-Gram模型的性能，人們引入了包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）和短期記憶（LongShort-TermMemory，LSTM）網(wǎng)絡(luò)等更先進(jìn)的學(xué)習(xí)算法，既能夠?qū)W習(xí)更多的序列，又能夠更好地分析上下文，在自動(dòng)翻譯等任務(wù)中被廣泛使用[8]。Trans-former架構(gòu)更好地解決了RNN在處理文本序列時(shí)容易忘記上下文的問題，具備高效處理和編碼上下文的能力，且具有易于并行化的優(yōu)勢(shì)，被廣泛應(yīng)用于LLM中。

NLP技術(shù)從N-Gram到LLM的演變見圖1。

針對(duì)通過大量文本訓(xùn)練的通用大模型，再使用少量的有標(biāo)注數(shù)據(jù)進(jìn)行微調(diào)，可以適應(yīng)特定的任務(wù)。這種預(yù)訓(xùn)練和微調(diào)的方法可以減少數(shù)據(jù)標(biāo)注的成本和時(shí)間，提升模型的泛化能力。

我國(guó)大模型應(yīng)用數(shù)量及比例排名前10位的行業(yè)見圖2。大模型本身的特性與金融、醫(yī)療等行業(yè)有著天然的契合性，使其在這些行業(yè)中的應(yīng)用比較廣泛

2大語言模型在會(huì)計(jì)行業(yè)的應(yīng)用場(chǎng)景

當(dāng)前大模型在智能會(huì)計(jì)核算及分析、合規(guī)與風(fēng)險(xiǎn)控制、財(cái)務(wù)知識(shí)庫(kù)構(gòu)建、自然語言交互等方面具有廣泛的應(yīng)用場(chǎng)景，可有效提高財(cái)務(wù)工作效率，促進(jìn)財(cái)務(wù)轉(zhuǎn)型和知識(shí)更新，幫助財(cái)務(wù)人員做出科學(xué)決策。

2.1 智能會(huì)計(jì)核算及分析

會(huì)計(jì)核算的本質(zhì)是記錄并整理經(jīng)營(yíng)數(shù)據(jù)，讓數(shù)據(jù)清晰地反映經(jīng)營(yíng)狀況，以支撐決策，是從憑證到賬簿，再到報(bào)表對(duì)數(shù)據(jù)不斷進(jìn)行分類統(tǒng)計(jì)的過程。會(huì)計(jì)核算對(duì)于精度要求較高，財(cái)務(wù)決策則更需要對(duì)歷史數(shù)據(jù)進(jìn)行深入分析，以及對(duì)未來趨勢(shì)進(jìn)行準(zhǔn)確預(yù)測(cè)。大模型除可以進(jìn)行常規(guī)的財(cái)務(wù)比率分析、趨勢(shì)分析外，還可以依據(jù)歷史數(shù)據(jù)進(jìn)行建模，挖掘數(shù)據(jù)背后的隱藏模式，更精準(zhǔn)地進(jìn)行收入、支出預(yù)測(cè)。另外，大模型可以自動(dòng)化處理和準(zhǔn)確核算，減少人工錯(cuò)誤，提高核算速度和準(zhǔn)確度。大模型的自動(dòng)摘要功能可大幅增強(qiáng)財(cái)務(wù)人員提取年報(bào)文本中關(guān)鍵信息的能力。通過對(duì)企業(yè)財(cái)務(wù)數(shù)據(jù)與市場(chǎng)信息的深度學(xué)習(xí)與分析，大模型還可以為企業(yè)優(yōu)化資金管理效率提供建議，幫助企業(yè)達(dá)成財(cái)務(wù)目標(biāo)與優(yōu)化財(cái)務(wù)績(jī)效。

2.2 合規(guī)與風(fēng)險(xiǎn)控制

財(cái)務(wù)工作對(duì)合規(guī)性和風(fēng)險(xiǎn)控制的要求極高。大模型通過內(nèi)置合規(guī)規(guī)則和風(fēng)險(xiǎn)控制模型，能夠幫助企業(yè)在遵循相關(guān)法律法規(guī)的前提下，有效識(shí)別和控制財(cái)務(wù)風(fēng)險(xiǎn)。通過深度學(xué)習(xí)等技術(shù)，大模型能夠挖掘數(shù)據(jù)中的潛在規(guī)律，幫助企業(yè)及時(shí)識(shí)別財(cái)務(wù)欺詐行為，包括對(duì)財(cái)務(wù)報(bào)表、交易記錄進(jìn)行分析。大模型可以及時(shí)發(fā)現(xiàn)異常模式與規(guī)律，識(shí)別出潛在的財(cái)務(wù)欺詐風(fēng)險(xiǎn)，并提供預(yù)警與防范建議，在復(fù)雜多變的市場(chǎng)環(huán)境中提供智能化的解決方案，幫助企業(yè)把握機(jī)遇、規(guī)避風(fēng)險(xiǎn)。

2.3 財(cái)務(wù)知識(shí)庫(kù)構(gòu)建

大模型不但能對(duì)財(cái)務(wù)指標(biāo)等結(jié)構(gòu)化數(shù)據(jù)進(jìn)行整合梳理分析，還能對(duì)票據(jù)影像等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行識(shí)別和分析，從而生成新的高價(jià)值的財(cái)務(wù)知識(shí)內(nèi)容。例如，大模型在圖像識(shí)別和機(jī)器學(xué)習(xí)等方面具有優(yōu)勢(shì)，能快速、準(zhǔn)確地識(shí)別票據(jù)關(guān)鍵信息，自動(dòng)完成審核和入賬流程。通過企業(yè)個(gè)性化大數(shù)據(jù)的訓(xùn)練微調(diào)，大模型能夠構(gòu)建企業(yè)內(nèi)部知識(shí)庫(kù)，從而在內(nèi)部數(shù)據(jù)分析、預(yù)算編制、成本控制、風(fēng)險(xiǎn)管控等方面發(fā)揮巨大作用，令企業(yè)能充分使用以往知識(shí)儲(chǔ)備與行業(yè)經(jīng)驗(yàn)，大幅提升工作效率與決策準(zhǔn)確性。此外，大模型能對(duì)企業(yè)需求、企業(yè)業(yè)務(wù)與數(shù)據(jù)特征進(jìn)行深人理解，自動(dòng)生成一些具有語義化能力的應(yīng)用程序，提升企業(yè)個(gè)性化財(cái)務(wù)應(yīng)用的服務(wù)效率。

2.4 自然語言交互

財(cái)務(wù)工作涉及大量的文檔處理和信息交流。大模型具備自然語言處理能力，能夠理解并解析財(cái)務(wù)文檔中的信息，通過與企業(yè)財(cái)務(wù)人員自然流暢的交互解決實(shí)際問題。一是當(dāng)企業(yè)財(cái)務(wù)人員對(duì)某些會(huì)計(jì)準(zhǔn)則與會(huì)計(jì)處理不夠熟悉時(shí)，大模型可通過人機(jī)交互及時(shí)提供相關(guān)會(huì)計(jì)知識(shí)與以往企業(yè)會(huì)計(jì)操作案例，有效降低操作出錯(cuò)概率；二是大模型可以迅速匯聚企業(yè)各方面的經(jīng)營(yíng)數(shù)據(jù)，提升企業(yè)管理層的經(jīng)營(yíng)決策效率。

3會(huì)計(jì)行業(yè)應(yīng)用大語言模型面臨的問題及挑戰(zhàn)

一是大模型可能出現(xiàn)歧視偏見、價(jià)值觀錯(cuò)位等嚴(yán)重問題。由于大模型的預(yù)訓(xùn)練過程是無監(jiān)督的，所以無法控制其輸入與輸出，這也是大模型的共性問題。另外，很多企業(yè)在部署行業(yè)大模型應(yīng)用時(shí)，為了節(jié)省成本、降低技術(shù)復(fù)雜度，通常會(huì)直接基于國(guó)內(nèi)外開源的大模型，對(duì)大模型的內(nèi)部語言和知識(shí)機(jī)理沒有進(jìn)行深入研究，甚至很少涉及大模型的預(yù)訓(xùn)練及人類強(qiáng)化學(xué)習(xí)等過程，其價(jià)值觀導(dǎo)致輸出結(jié)果不可控。

二是面向財(cái)務(wù)系統(tǒng)的專業(yè)模型的構(gòu)建難度較大。一方面，面向財(cái)務(wù)系統(tǒng)的大模型構(gòu)建，需要研發(fā)機(jī)構(gòu)具備對(duì)企業(yè)財(cái)務(wù)業(yè)務(wù)場(chǎng)景的深入理解，以及對(duì)財(cái)務(wù)數(shù)據(jù)的積淀與運(yùn)用能力；另一方面，大模型的核心基礎(chǔ)是數(shù)據(jù)，只有源源不斷地引人高質(zhì)量的財(cái)務(wù)數(shù)據(jù)與財(cái)務(wù)行業(yè)的知識(shí)圖譜，才能滿足企業(yè)個(gè)性化的財(cái)務(wù)應(yīng)用需求。但是，企業(yè)基于商業(yè)機(jī)密與相關(guān)規(guī)定的要求，未必會(huì)提供全量的財(cái)務(wù)數(shù)據(jù)進(jìn)行訓(xùn)練和微調(diào)，如此大模型生成的內(nèi)容就會(huì)受到很多局限，從而影響最終的使用效果。

三是存在更為嚴(yán)峻的網(wǎng)絡(luò)和數(shù)據(jù)安全隱患。財(cái)會(huì)數(shù)據(jù)的重要性不言而喻，當(dāng)相關(guān)業(yè)務(wù)部署大模型應(yīng)用后，會(huì)面臨比傳統(tǒng)業(yè)務(wù)方式更大的安全隱患。一方面，大語言模型本身就面臨傳統(tǒng)的網(wǎng)絡(luò)攻擊風(fēng)險(xiǎn)，如對(duì)抗攻擊、后門攻擊、數(shù)據(jù)投毒、模型竊取等；另一方面，大模型應(yīng)用會(huì)對(duì)各類財(cái)會(huì)數(shù)據(jù)進(jìn)行匯集，如此多重要數(shù)據(jù)的大量集中加大了數(shù)據(jù)安全風(fēng)險(xiǎn)隱患。

四是從業(yè)人員技能匹配要求較高。會(huì)計(jì)大模型應(yīng)用和發(fā)展，要求從業(yè)人員一方面要熟悉會(huì)計(jì)領(lǐng)域的專業(yè)知識(shí)，另一方面要具備一定的機(jī)器學(xué)習(xí)、編程及人工智能等技術(shù)運(yùn)用能力。滿足這兩方面需求的綜合型人才缺少，也在一定程度上限制了會(huì)計(jì)大模型的開發(fā)和應(yīng)用。

4 應(yīng)對(duì)建議

4.1構(gòu)建安全、可靠的財(cái)務(wù)大模型

一是鼓勵(lì)具備條件的企業(yè)構(gòu)建和部署私有財(cái)務(wù)大模型。私有財(cái)務(wù)大模型的算力資源由企業(yè)自主掌控，能夠確保財(cái)務(wù)數(shù)據(jù)始終留存于企業(yè)內(nèi)部，有效避免數(shù)據(jù)泄露和濫用風(fēng)險(xiǎn)，更好地保障數(shù)據(jù)安全，規(guī)避風(fēng)險(xiǎn)。企業(yè)可建立數(shù)據(jù)安全管理制度，明確數(shù)據(jù)訪問權(quán)限和使用規(guī)范，采用數(shù)據(jù)加密、訪問控制等技術(shù)手段，構(gòu)建全方位的數(shù)據(jù)安全防護(hù)體系。

二是強(qiáng)化數(shù)據(jù)隱私保護(hù)，筑牢安全防線。第一，在數(shù)據(jù)準(zhǔn)備階段，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行嚴(yán)格的脫敏處理，去除或替換敏感信息，如身份證號(hào)碼、銀行賬號(hào)等，避免大模型生成結(jié)果中包含敏感信息，從源頭上降低數(shù)據(jù)泄露風(fēng)險(xiǎn)；第二，對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行分級(jí)分類管理，根據(jù)數(shù)據(jù)敏感程度和安全等級(jí)，制定不同的保護(hù)策略，確保數(shù)據(jù)安全、可控。

三是注重模型安全對(duì)齊，引導(dǎo)正向價(jià)值。在模型訓(xùn)練階段，采用基于人類反饋的強(qiáng)化學(xué)習(xí)（Reinforce-mentLearning from Human Feedback，RLHF）等技術(shù)，將人類價(jià)值觀和道德準(zhǔn)則融人模型訓(xùn)練過程，引導(dǎo)模型生成安全、可靠、符合倫理的輸出結(jié)果。建立模型安全評(píng)估機(jī)制，對(duì)模型輸出結(jié)果進(jìn)行持續(xù)監(jiān)控和評(píng)估，及時(shí)發(fā)現(xiàn)和糾正潛在的偏見和風(fēng)險(xiǎn)，確保模型應(yīng)用的安全性和可控性。

四是規(guī)范模型使用流程，防范應(yīng)用風(fēng)險(xiǎn)。在模型使用階段，對(duì)用戶輸入的提示詞進(jìn)行過濾和審核，避免模型生成有害或不適當(dāng)?shù)膬?nèi)容；對(duì)模型生成的輸出結(jié)果進(jìn)行人工審核和校驗(yàn)，確保其準(zhǔn)確性、可靠性和合規(guī)性，避免誤導(dǎo)決策或造成其他負(fù)面影響。

4.2 加大對(duì)模型的技術(shù)投入

企業(yè)可加大對(duì)大模型的技術(shù)投入，通過定制開發(fā)、優(yōu)化調(diào)整和深度集成，構(gòu)建“更懂企業(yè)”的專屬大模型，提升模型服務(wù)質(zhì)量和應(yīng)用價(jià)值，賦能財(cái)務(wù)數(shù)字化轉(zhuǎn)型和智能化升級(jí)。

一是定制開發(fā)，打造企業(yè)專屬大模型。針對(duì)企業(yè)會(huì)計(jì)業(yè)務(wù)的具體場(chǎng)景和需求，進(jìn)行大模型的定制化開發(fā)和優(yōu)化調(diào)整，如財(cái)務(wù)報(bào)表自動(dòng)生成、財(cái)務(wù)風(fēng)險(xiǎn)智能預(yù)警、稅務(wù)籌劃方案推薦等，使大模型更貼合企業(yè)實(shí)際業(yè)務(wù)，提升應(yīng)用效果。同時(shí)，利用企業(yè)積累的財(cái)務(wù)數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和行業(yè)數(shù)據(jù)，對(duì)通用大模型進(jìn)行微調(diào)訓(xùn)練，注入企業(yè)專屬知識(shí)，提升大模型對(duì)企業(yè)特定業(yè)務(wù)的理解和表達(dá)能力，使其輸出結(jié)果更精準(zhǔn)、更實(shí)用。

二是持續(xù)優(yōu)化，提升模型服務(wù)能力。建立模型評(píng)估指標(biāo)體系，定期對(duì)模型性能、準(zhǔn)確性和可靠性進(jìn)行評(píng)估，并根據(jù)評(píng)估結(jié)果進(jìn)行持續(xù)優(yōu)化和迭代升級(jí)，不斷提升模型服務(wù)質(zhì)量。針對(duì)企業(yè)實(shí)際應(yīng)用場(chǎng)景，對(duì)模型推理過程進(jìn)行優(yōu)化加速，如模型壓縮、量化、剪枝等技術(shù)，提升模型響應(yīng)速度和使用效率，滿足企業(yè)實(shí)時(shí)性要求。

三是深度集成，構(gòu)建智能應(yīng)用生態(tài)。開發(fā)豐富的插件和API（應(yīng)用程序編程接口），將大模型能力無縫集成到現(xiàn)有的財(cái)務(wù)系統(tǒng)、ERP（企業(yè)資源計(jì)劃）系統(tǒng)、BI（商業(yè)智能）系統(tǒng)等應(yīng)用平臺(tái)中，實(shí)現(xiàn)數(shù)據(jù)互通和功能互補(bǔ)，構(gòu)建智能化的財(cái)務(wù)應(yīng)用生態(tài)；設(shè)計(jì)友好的人機(jī)交互界面，方便財(cái)務(wù)人員與模型進(jìn)行自然語言交互，如語音輸入、多輪對(duì)話等，提升模型易用性和用戶體驗(yàn)。

4.3提升財(cái)務(wù)人員的復(fù)合能力

大模型在會(huì)計(jì)領(lǐng)域的應(yīng)用為企業(yè)帶來了機(jī)遇，同時(shí)也對(duì)財(cái)務(wù)人員的能力提出了更高的要求。

一是必須掌握核心專業(yè)能力。首先，要具備扎實(shí)的會(huì)計(jì)專業(yè)知識(shí)。即使面對(duì)人工智能，會(huì)計(jì)準(zhǔn)則、財(cái)務(wù)分析、稅務(wù)籌劃等核心知識(shí)依然是財(cái)務(wù)人員的立身之本，需要不斷更新知識(shí)體系，緊跟政策變化和行業(yè)趨勢(shì)。其次，要具有批判性思維和判斷力。大模型輸出結(jié)果還需要財(cái)務(wù)人員運(yùn)用專業(yè)知識(shí)和經(jīng)驗(yàn)進(jìn)行判斷和驗(yàn)證，識(shí)別潛在錯(cuò)誤和偏差，做出最終決策。最后，要具備數(shù)據(jù)分析和解讀能力。財(cái)務(wù)人員需要理解和運(yùn)用數(shù)據(jù)分析工具，從大模型生成的海量數(shù)據(jù)中提取有價(jià)值的信息，并將其為企業(yè)所用。

二是要具備大模型技術(shù)應(yīng)用能力。首先，財(cái)務(wù)人員只有了解大模型的原理、優(yōu)勢(shì)、局限性和應(yīng)用場(chǎng)景，才能夠熟練運(yùn)用大模型工具完成會(huì)計(jì)核算、財(cái)務(wù)分析、風(fēng)險(xiǎn)評(píng)估等工作。其次，財(cái)務(wù)人員要增強(qiáng)人機(jī)協(xié)作能力，明確與大模型的分工協(xié)作，善于利用大模型提升工作效率，同時(shí)保持獨(dú)立思考和判斷能力。最后，財(cái)務(wù)人員要提高信息技術(shù)素養(yǎng)，努力掌握基本的編程語言、數(shù)據(jù)庫(kù)知識(shí)和信息安全意識(shí)，能夠與技術(shù)團(tuán)隊(duì)進(jìn)行有效溝通，共同推動(dòng)大模型在會(huì)計(jì)領(lǐng)域的應(yīng)用。

三是要努力提升軟技能。首先是溝通和協(xié)作能力。財(cái)務(wù)人員不僅要具備與企業(yè)內(nèi)部上下級(jí)、平行部門和外部審計(jì)機(jī)構(gòu)進(jìn)行有效溝通和協(xié)調(diào)的能力，而且要具備與大模型溝通、應(yīng)用大模型的能力，用數(shù)據(jù)驅(qū)動(dòng)決策，共同推動(dòng)大模型在數(shù)據(jù)領(lǐng)域的應(yīng)用。其次是學(xué)習(xí)能力和適應(yīng)能力。財(cái)務(wù)人員要保持對(duì)新技術(shù)的敏感度和學(xué)習(xí)熱情，積極擁抱變化，不斷提升自身技能，以適應(yīng)快速發(fā)展的行業(yè)環(huán)境。最后是職業(yè)道德和風(fēng)險(xiǎn)意識(shí)。財(cái)務(wù)人員要發(fā)展適當(dāng)?shù)募寄芤员Ｗo(hù)數(shù)據(jù)，并通過使用有效的控制措施確保信息的機(jī)密性、完整性和可用性。

5 結(jié)語

人工智能時(shí)代已經(jīng)到來，大語言模型正在重塑財(cái)務(wù)行業(yè)的未來。其在智能會(huì)計(jì)核算及分析、財(cái)務(wù)合規(guī)與風(fēng)險(xiǎn)控制、財(cái)務(wù)知識(shí)庫(kù)構(gòu)建、自然語言交互等方面的廣泛應(yīng)用，正逐步重塑傳統(tǒng)財(cái)務(wù)工作模式，推動(dòng)財(cái)務(wù)行業(yè)向智能化、自動(dòng)化方向邁進(jìn)。隨著應(yīng)用的愈加廣泛，財(cái)務(wù)人員了解、掌握、應(yīng)用基本的AI技術(shù)變得越發(fā)迫切和必要。本文分析了大模型在會(huì)計(jì)領(lǐng)域推廣應(yīng)用中面臨的主要問題和挑戰(zhàn)，并給出了具體建議。

當(dāng)然，人工智能帶給企業(yè)和財(cái)務(wù)人員的不只是挑戰(zhàn)，更是一次重塑自我的機(jī)遇。企業(yè)與財(cái)務(wù)人員唯有積極擁抱這一變革，以開放的心態(tài)學(xué)習(xí)新知識(shí)、掌握新技能，才能在這場(chǎng)由人工智能引發(fā)的浪潮中實(shí)現(xiàn)華麗轉(zhuǎn)身，創(chuàng)造出更大的價(jià)值，共同邁向充滿無限可能的未來。

參考文獻(xiàn)

[1］潘上永．論現(xiàn)代財(cái)務(wù)的發(fā)展和基本特征［J]．財(cái)會(huì)月刊，2020（13）：22-27.

[2］王愛國(guó)．智能會(huì)計(jì)基本問題研究［J]．財(cái)會(huì)月刊，2023，44（24）： 62-67.

[3］張偉男，劉挺.ChatGPT技術(shù)解析及通用人工智能發(fā)展展望[J]．中國(guó)科學(xué)基金，2023，37（5）：751-757.

[4］中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心．生成式人工智能應(yīng)用發(fā)展報(bào)告（2024）[R].2024.

[5]王耀祖，李擎，戴張杰，等．大語言模型研究現(xiàn)狀與趨勢(shì)[J]．工程科學(xué)學(xué)報(bào)，2024，46（8）：1411-1425.

[6]車萬翔，竇志成，馮巖松，等．大模型時(shí)代的自然語言處理：挑戰(zhàn)、機(jī)遇與發(fā)展［J]．中國(guó)科學(xué)：信息科學(xué)，2023，53（9）： 1645-1687.

[7］張敬芝，高強(qiáng)，耿樺，等．統(tǒng)計(jì)自然語言處理中的線性插值平滑技術(shù)［J].計(jì)算機(jī)科學(xué)，2007（6）：223-225，244.

[8］劉丹，葉茂．回復(fù)式神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究綜述［J]．小型微型計(jì)算機(jī)系統(tǒng)，2020，41（10）：2024-2029.

收稿日期：2025-01-16

作者簡(jiǎn)介：

陳園，女，1990年生，碩士研究生，經(jīng)濟(jì)師，主要研究方向：工商管理、財(cái)務(wù)管理、互聯(lián)網(wǎng)信息。