小模型是未來保險行業AI應用的主要支撐技術—— 中科軟2025年保險科技創新論壇核心觀點
時間：2025-07-29 15:07:04
2025 年 7 月，由中科軟主辦的 “保險科技創新論壇 2025” 盛大開幕。本次論壇聚焦行業熱議的人工智能技術，吸引了中科軟眾多保險行業客戶機構及多家生態合作廠商參會。論壇分為壽險和財險兩大專場，跨期兩周，包含了合作伙伴與客戶的演講、聯合解決方案發布儀式及圓桌對話等多項議程。會上，中科軟的壽險與財險團隊的領導也分別就人工智能技術對保險業務的應用價值及未來展望分享了觀點。各參會伙伴之間深入交流，共同探討進一步推進人工智能在保險領域的應用落地之策。
在本次論壇中，中科軟董事長左春發表了題為《小模型是未來保險行業 AI 應用的主要支撐技術》的主旨演講。在演講中，左春系統性地闡述，在人工智能浪潮下，保險行業無需追逐算力龐大、成本高昂的大模型，而應將重點放在研發與應用 “低成本、高精度、強安全” 的垂直領域小模型上。他強調，小模型將與保險公司現有的核心業務系統深度融合、持續迭代，借助 “搜索、摘要、對比、生成” 等核心能力賦能業務流程，最終實現穿透式管理與差異化服務，甚至能進一步形成對關聯產業 “降維打擊” 的賦能優勢。這不僅是一場技術變革，更是一次深刻的管理升級，關乎整個行業生態的協作與共同成長。
一、時代命題：保險行業亟需小模型輔助實現持續迭代升級的管理變革
人工智能的發展正從通用大模型轉向更具針對性的垂直領域小模型。而在眾多行業中，保險業因其獨特的屬性，亟需采用小模型技術來實現深層的管理變革。
保險業是一個知識密集型，或者更直接地說是“條款密集型”的行業。其經營管理以內容分類復雜、非結構化數據形式多樣、精算計算工作量大、監管條文錯綜復雜的文案型合同為核心，并需與結構化數據管理深度結合。無論是產品設計、風險管控，還是營銷渠道與客戶服務，無一不涉及對海量專業條款、監管文件和多模態數據的處理。這些內容的處理，傳統上耗費巨大的人力，且因版本更迭頻繁，在內外部審計和監管環節需要進行大量的對比與審查工作。因此，行業內部一直存在利用技術手段來處理和簡化這些復雜文本的強烈需求。而小模型正是為處理知識密集型行業的難題而生的專業工具，這正是保險行業對人工智能技術，特別是小模型抱有高度關注的根本原因。
人工智能應用是一場深刻的管理變革，其過程是持續迭代、螺旋升級的。任何“一步到位”的想法，在實踐中都被證明是欠缺的。在保險行業，AI系統并非要取代現有的核心業務系統，而是作為新的“文案系統”或能力模塊，融入并擴展現有的核心業務系統群，構成“廣義行業應用軟件系統群”，并將隨著管理重點持續演進、螺旋升級。
具體而言，在原有保險核心業務系統對結構化數據處理能力的基礎上，小模型帶來的持續演化創新可集中體現在表單管理系統的深度優化層面。未來的系統需要對合同文檔、監督條款、除外責任等復合型文檔進行高效管理。這催生了兩個層面的技術創新：上層，是對傳統文案管理系統增加新功能；底層，則是基礎平臺的巨大變化。
二、范式分野：大模型之困與小模型之道
雖然大模型展示了通用人工智能的強大能力，但在企業級應用，特別是高度規范的保險行業，其固有的行業特性催生了向小模型的技術范式轉移。
（一）大模型在B端AI應用的局限
大模型的出現雖然為新一代AI的核心能力奠定了基礎，但同時也伴隨著兩大核心挑戰：
• 高昂的成本：大模型依賴集中的龐大算力，其硬件投入（如英偉達GPU）動輒上億，對于絕大多數企業而言易構成沉重的成本負擔。
• 嚴重的安全隱患：大模型通常在遠端運行，其安全邊界難以清晰界定。企業員工在使用過程中，可能會無意間將內部的敏感業務數據和核心知識資產泄露出去。因此，企業對直接訪問遠端大模型服務必須施加嚴格的訪問約束和管理制度。
上述成本和安全困境使得大模型在企業級的直接應用受到極大限制。正如SaaS（軟件即服務）模式在國內面臨的挑戰一樣，其在數據安全、深度集成、系統升級等方面的不足，同樣會出現在大模型應用中，亟需通過本地化部署來改善。
（二）小模型的“低成本、高精度、強安全”核心優勢
小模型的出現，正是為了解決大模型的上述痛點。它并非簡單地將大模型微縮，而是一種不同的應用范式，其核心優勢可歸納為低成本、高精度、強安全：
• 低成本：小模型追求輕量化的基座和運行環境。它不追求成為一部無所不包的“百科全書”，而是致力于成為一本本高效實用的“管理手冊”。這意味著在訓練模型時，可以將百科全書式的通用知識進行提煉，保留精髓，再與具體業務場景的管理手冊相結合，從而大幅降低算力和訓練成本。這種成本優勢不僅反映在模型基座的構建上，更體現在后續的運行和維護中。這是一種小規模、持續性的投入模式，而非一步到位的巨額投資，更符合企業管理的實際情況。
• 高精度：高精度是小模型在垂直領域應用的核心價值所在。相較于大模型容易產生“幻覺”的泛化回答，小模型更強調對領域標準知識的精準掌握。在保險業務管理中有很多強監管、高合規的標準，即“標準答案”，不容許模型出現“幻覺”或錯誤。小模型通過構建針對性的知識體系，引入特定領域的詞根表、知識庫和帶有高權重指標集的數據進行訓練，確保對專業內容的精準理解和表達。這種對“正確答案”的聚焦，是小模型能夠成為可靠智能輔助工具的基礎。
• 強安全：強安全的優勢切中了保險客戶的核心關切點。由于小模型可以進行本地化或在安全的私有云環境中“類本地”部署，企業的所有數據和知識資產都保留在內部，受到類似核心業務系統級別的強大保護，根本上解決了遠端大模型潛在的數據泄露風險。保險公司的知識是其核心資產，開發商如中科軟也遵循著絕不碰客戶數據的監管紅線。在“再怎么強調安全也不為過”的金融行業，小模型提供的可控、可信賴的安全環境是其得以應用的基礎。
（三）功能再現：在小模型基座上再現和豐富大模型的核心功能
客戶的核心需求是在小模型的基座上，再現并豐富大模型已經擁有的核心能力，并與管理流程自動化相結合，以大幅提升人工處理的效率和質量。新一代人工智能技術相較于傳統搜索引擎的優勢，可提煉為四個關鍵功能，這四個功能同樣需要在小模型中被復現，它們將構成未來保險AI應用領域端的重要功能。
• 搜索:這是所有信息檢索技術的基礎。但AI時代的搜索，不再是簡單的關鍵詞匹配，而是基于語義理解的深度搜索，能夠更準確地幫助用戶在海量資料中快速定位所需內容，其相似性計算的量級遠超傳統搜索。
• 摘要:這是AI帶來的巨大變革之一。傳統搜索只能幫用戶找到原文，而新一代的AI技術則能進一步讀懂原文并生成內容摘要，自動提煉文本核心內容，極大地提升了信息獲取的效率。
• 對比:在獲取了摘要信息后，更深層次的需求是在不同信息源之間進行比較，分析多個文本摘要間的共性與差異，對于實現“定性量處”等管理目標至關重要。在保險業務領域，此項功能在理賠案例分析、監管合規性審查等場景中有高頻應用，例如總公司在評估分公司的理賠工作質量時，需將所有理賠案例和管理規定都輸入系統，通過AI自動進行摘要和對比，則可以快速篩選出優秀案例或不合規操作。
• 生成:這是AI能力的進一步延伸，可輔助生成結論性報告等新的文本內容。“對比”和“生成”功能相結合，能有效解決大量文案工作。
上述新功能將深度賦能保險行業已有的軟件系統，除了核心業務系統外，還將賦能更多管理類子系統，例如影像管理系統過去主要承擔著存儲、傳輸、讀寫管理等流程化功能，隨著小模型對多模態數據處理能力的提升，這類子系統將從外圍走向更加核心的位置，其功能將從簡單的存儲管理，擴展到增加標注（含OCR）、交互展現，并最終集成“搜索、摘要、對比、生成”等高級分析功能，與核心業務系統深度融合。
三、落地路徑：工程化與生態協同的實踐方法論
小模型的成功落地并非一蹴而就，它是一項長期的、復雜的軟件工程，需要務實的態度、清晰的路徑和生態各方的通力合作。
（一）生態重構：ISV與眾多生態伙伴的“長鏈條”協作
人工智能時代的到來，也深刻地改變了軟件產業的分工與合作模式。
過去，軟件分層分類清晰，基礎軟件和基礎模型是支撐行業應用軟件的獨立主體，盡量回避領域知識，不同層級之間的融合協作相對較少。如今到了小模型階段，工程化的分工與協作變得至關重要。新的分工趨勢是：大廠集中于通用模型基座的供給，而以中科軟為代表的頭部ISV，則側重于面向垂直領域的小模型的預訓練（與通用模型廠商合作蒸餾模型基座）、后訓練和應用集成，在各個環節補充領域知識和現場技術遷移的短板。
小模型的應用是“長鏈條”合作的場景，考驗著生態伙伴間的合作精神，涉及多項關鍵要點：
• 擁抱開源：開源軟件的工具和平臺是小模型研發的重要支撐環境。開源軟件數量繁多，即便保險公司擁有上百人的技術團隊，也難以全面研究，對于任何單一企業都構成了巨大的技術挑戰。因此，ISV的價值在于能夠快速學習并與保險公司的技術團隊密切合作，能夠熟練運用不斷迭代的、從流程框架到實用工具庫的流行開源軟件系列，熟悉硬件和軟件的配置環境，以及流行開源軟件的外部調用方式和函數庫特性。中科軟作為頭部ISV，不僅通過自身快速學習，深入了解封裝之下的各種工具與平臺，還會組織比賽并邀請客戶參與評審交流，進一步提升技術能力。
• 廣泛合作：小模型的應用是一個“長鏈條”的合作場景，考驗著所有參與者彼此合作的精神和態度。實現小模型的落地需要硬件廠商、云平臺、模型基座提供方、ISV以及下游的客戶的緊密合作，共同服務好最終用戶。其中ISV的角色是細分領域的應用軟件集成者，負責將底層技術與上層應用無縫銜接。
• POC（概念驗證）先行：在長鏈條的合作模式下，大量的嘗試性工作和原型驗證（POC）變得必不可少。ISV需要有能力先為客戶搭建好原型系統，待驗證成功后再由客戶下單，從而避免客戶在前期進行不必要的設備投資。中科軟未來也將與客戶建立聯合實驗室，共同探索前瞻性工作。
（二）工程化要點：要求全面完整的軟件系統工程
將小模型從概念應用到生產環境，在具體實施過程中需要系統化的工程方法。從核心能力來看，涉及多個方面的要求：
• 數據準備與標注：無論是大模型還是小模型，高質量的數據“喂養”都是基礎。小模型的優勢在于可以就地組織數據，將企業長期積累的知識與行業成果相結合。這項工作需要大量領域知識作為支撐，且要求持續投入，因為客戶最終需要的是有價值的內容成果物，而非僅僅是工具和平臺。
• 工程化規范：為了保證模型的可操作性和完整性，需要建立一系列工程化規范，包括垂直領域知識加持下的數據約束與格式、微調描述框架、提示詞規范等。
• 封裝與二次開發：對技術用戶而言，AI技術應該是被良好“封裝”、便于使用的，而新一代基座軟件接口多、參數雜，看似靈活，實則在實施交付過程中只是半成品。ISV必須憑借對工具和平臺的熟稔，把高自由度接口重新“封裝”。同時，ISV還需要特別強調平臺產品的客戶端技術遷移、組件組裝和針對性的二次開發能力。
從完整的AI垂直應用涉及到的自下而上多個層級出發，具體的工程化實施要點可分劃為以下內容：
• 數據層：規范數據約束與格式，處理多結構語料（如保險條款切分、多模態信息提?。瑥娀陬I域知識的數據清洗與標注，加強半結構化數據集建設；
• 模型層：建立微調描述框架與提示詞規范，實現垂直模型的精準微調與推理部署；
• 應用層：支持客戶端技術遷移、組件組裝及二次開發，在“多自由度”工具選擇中形成收斂性落地框架，保證高質量的應用效果。
四、應用價值：穿透式管理與降維打擊
小模型技術正通過實現“穿透式管理”為保險業核心業務痛點提供解決方案，同時還將為行業帶來賦能關聯產業的“降維打擊”，進一步挖掘更深層的價值潛力。
“穿透式管理”的精髓在于實現“閉環”，即打通從結構化數據到非結構化數據的全鏈條，確保管理意圖能夠無損地傳導至執行末端并得到有效驗證。
“報行合一”是穿透式管理的典型案例。這不僅是監管機構對保險公司的要求，即備案的產品費率、費用規則等必須與市場實際執行完全統一，同時也是保險公司總公司對龐大分支機構進行有效管理的核心訴求。費用的透明化管理是其中的關鍵。通過小模型技術，系統能夠將核心系統中的費用計劃（結構化數據）與原始單據、發票簽字等（非結構化數據）進行自動化的關聯、檢索和查驗，從而清晰地展現費用計劃的完成率，并追溯每一個環節的負責人和確認憑證。
類似的應用還包括：
• 雙錄質檢：當出現客戶投訴時，傳統的人工檢查海量錄音錄像的方式效率低下。而新一代AI技術能夠實現快速、自動化的檢索查驗，極大提升質檢效率和覆蓋面。
• 激勵與成本管理：結合I17管理會計準則和積分管理系統，小模型可以更精確地計量激勵費用，進一步完善對銷售渠道的管理。例如通過更精準的追溯管理，優化激勵費用的發放機制，將過去可能隱性的負債（如對營銷員的未來承諾）顯性化，從而利用技術手段加強對基層業務壓力的疏導和管控，增強公司的風險控制能力。
• 人員培訓：針對保險基層人員流動性大的痛點，AI可以作為強大的知識支持工具，為新員工提供即時、準確的培訓和業務指導，確保長期險種的服務不會因人員變動而出現斷層，使保險公司對客戶的服務標準和質量保持一致性和連續性。
在賦能保險業務自身的穿透式管理的價值之外，還可展望具備更大延展性的應用價值——賦能關聯產業的“降維打擊”潛力。保險行業天然跨場景、跨行業，其核心業務系統中的“事實記錄層”已經形成了相對完整、實時、顆?；娘L險數據庫；而與保險業務相關聯的其他行業（汽車、醫療、養老、農業等）的數字化轉型進程普遍滯后于保險業，因此保險機構軟件中“事實記錄層”的數據恰好是對這些關聯行業極具價值而又較為缺乏的“約束層”管理規則。隨著保險機構不斷提升經營管理質量，保險核心系統也隨著管理重點螺旋升級，從而形成一套可復用的知識與技術范式。當保險領域率先完成AI化改造、做好自身的知識管理后，這套成熟的范式可整體平移：把保險公司自身記錄層的數據與算法封裝成相關聯行業的約束層能力，反向輸出給信息化投入更低的相關聯行業，實現降維打擊——保險公司及以其技術伙伴以代建系統、輸出工具等方式，把在風險管理、精算、理賠等保險業務環節中積累的能力嵌入客戶產業鏈。對保險機構而言既能拓展保險客群，也能更好地提升在對應場景的產品創新與風險控制能力，完成從技術應用到行業賦能的閉環。
五、未來之路：持續迭代與共同成長
人工智能正以前所未有的深度和廣度融入各行各業，保險業的變革已經拉開序幕。AI應用伴隨著持續演化的管理升級，以實現整體管理一致性與效率的提升，其推進過程是持續的、螺旋式的，在局部層面甚至是頻繁迭代的。小模型的應用，正是真正實現保險行業數智化管理范式的關鍵。當基礎的憑證管理、閉環追溯都通過技術手段得以實現后，保險公司才能真正地走向數智化管理。
技術永遠是服務于業務價值的工具，必須深刻理解客戶的業務痛點和真實需求，才能真正用AI創造價值。引用YC（YCombinator）對AI的理解：“首先要理解業務環節和市場競爭，再談AI輔助”。在激烈的市場競爭中，單純依靠壓縮銷售費用進行價格戰是不可持續的。未來保險公司的核心競爭力在于提供差異化的產品與服務。借助小模型等AI工具，保險公司可以根據自身業務特點和客群需求，深度定制差異化的管理模式、服務流程和產品形態，最終為客戶創造更大的價值，擺脫低層次競爭。
小模型以其低成本、高精度、強安全的特性，為這場變革提供了切實可行的技術路徑。它需要企業、ISV、平臺廠商等生態各方，秉持開放合作的精神，共同探索與實踐。它更需要行業內的每一位從業者，從工程師到管理者，都主動升級認知，快速學習，擁抱變化。這不僅是對技術的深刻洞察，更是對行業未來發展方向的戰略引領。
新聞中心
