財務共享服務中心的大語言模型應用探究

李聞一

【摘 要】 大語言模型基于Transformer架構對大量文本數據進行學習，能夠結合上下文提示對用戶需求進行自然語言處理，具備大數據、大算力、大標注、強算法等能力，受到財務共享領域的廣泛關注。文章首先討論了大語言模型概念及特征，并對國內外五大語言模型進行比較；其次，結合財務共享服務中心的客戶支持、運營分析、業務支持、文本信息處理、海外核算管理、檔案管理六大場景詳細分析了大語言模型在財務共享服務中心的應用，并對其使用風險進行探討；最后，得出財務共享服務中心需要合理使用大語言模型等結論，以及財務共享服務中心在應用大語言模型時需制定安全保障體系、因企實施、建立人機協同模式等啟示，期望給財務共享服務中心大語言模型的應用提供理論指導和實踐經驗。

【關鍵詞】 大語言模型； 財務共享服務中心； ChatGPT； 應用場景

【中圖分類號】 F230? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）15-0002-09

一、引言

《“十四五”數字經濟發展規劃》明確提出“到2025年數字經濟邁向全面擴展期”，黨的二十大報告進一步指出“要加快發展數字經濟，促進數字經濟和實體經濟深度融合，打造具有國際競爭力的數字產業集群”，這迫切需要通過數字化帶動實體經濟轉型升級。大語言模型（Large

Language Models，LLMs）作為一種新型的生成式AI工具，通過千億級別數據預訓練的涌現能力、文本與圖像自動生成的幻覺能力、單一語言文本數據轉化為多種語言數據的遷移能力以及邏輯性極強的自然語言處理能力，運用到財務等領域[ 1 ]，實現了企業降本增效。同時，財務共享服務中心作為企業數字化轉型和組織創新變革的有效手段[ 2 ]，已被世界500強和大型集團企業采用。那么，大語言模型在財務共享服務中心有何應用場景，對財務共享服務中心的客戶支持、運營分析、業務支持、文本信息處理、海外核算管理、檔案管理等有何影響和存在哪些風險，成為國內外會計理論和實務界關注的熱點，對其展開討論具有重要的理論和現實意義。

基于上述討論，本文首先從大語言模型的概念及特征出發，對國內外五大模型進行比較，為大語言模型選擇應用提供方向。其次，以ChatGPT和文心一言兩大模型為例，討論了大語言模型在財務共享服務中心應用的六大場景，探究了大語言模型在財務共享領域應用的可行性。最后，討論了大語言模型在財務共享服務中心應用的安全風險和創新影響，得出財務共享服務中心必須擁抱大語言模型和應用中可能存在風險兩大結論，以及需要制定安全保障體系、因企實施、建立人機協同模式三大啟示。

二、大語言模型概念及特征

（一）概念

大語言模型是一種基于深度學習技術，在大規模文本預料上訓練、包含千億級別參數的自然語言處理模型。這些模型使用神經網絡架構處理輸入文本并生成輸出文本，在自然語言處理、語音識別、對話型AI等許多領域發揮了重要作用。

作為近年來神經自然語言處理的核心研究之一，國內外對大語言模型進行了諸多研究，并得到了大量的研究成果：Meta（BlenderBot）、OpenAI（ChatGPT）、Google（LaMDA）、百度（文心一言）、阿里（通義千問）等。大語言模型雖然在語言理解推理、對話生成等多個任務上已經達到甚至超越了人類的平均水平，但是對于大語言模型能否正確響應人類所提出的指令、滿足用戶的合理請求以及生成內容是否符合人類的價值觀，其研究仍然處于起步階段。大語言模型發展歷程如圖1所示。

（二）特征

1.模型性能

大語言模型的性能經歷了“基于概率預測的模型—基于Transformer架構的預訓練語言模型—大模型”的轉變，這主要由其規模來衡量。基于概率預測的模型規模較小，其性能提升和參數增長基本呈線性，符合比例定律。大模型的出現打破了這一定律，參數規模達到千億及以上級別，模型性能實現了質的飛躍，這也被稱為大模型的“涌現能力”。

2.模型使用方式

傳統的預訓練語言模型是對模型參數在上下游任務上做微調，比如完成上游任務進行下游任務時，對模型參數重新訓練，預訓練詞向量無法隨上下文動態變化。而大語言模型參數量巨大，且已經具備強大的學習能力，因此提示學習是激發大語言模型性能的更好方式。

3.自然語言處理的范式遷移

自然語言處理的范式遷移經歷了由分類范式到生成范式的轉變，實現了“預訓練+微調”到根據下游任務修改自身描述的轉化。生成范式主要指自回歸式的給定前綴生成下一個單詞或根據文本提示生成代碼的大語言模型。這一轉變使得任務本身更靠近自然語言的形式，從而激發預訓練模型的潛在能力。

三、國內外五大語言模型的比較

（一）交互上的差異

語言聊天機器人是一項新興技術，因此對于交互上的差異，五大語言模型很難直接比較。于是，本文采用安全滲透測試（用于測試計算機系統的可訪問性和安全性的測試）的方法[ 3 ]，調查并比較以上語言模型，從而評估這些模型的潛在優勢和局限性。

LaMDA提供了有限形式的交互，限制了提問問題的類型和范圍；BlenderBot通過生成具有特定任務的假設代理為用戶提供了不同的上下文情景；ChatGPT為用戶提供了單一的上下文情景，但是它可以重新生成與它所呈現的對話略微不同的觀點；文心一言與通義千問對上下文場景鏈接相對較弱，單一問題回答較詳細，觀點明確。

（二）回答問題能力與系統深度上的差異

LaMDA的有限訪問版本提供了有限的LaMDA視圖以及可以向系統提出的問題；BlenderBot的回答范圍最有限，對許多問題無法解答；ChatGPT在回答問題與系統反應上相對較好，但有時也會存在文不對題或者錯誤解答的情況；通義千問在中文語境下回答能力較強；文心一言預訓練語料和數據質量稍強，但整個模型的調優、模型訓練的算法和數據的精標相對于通義千問較弱。

基于提出問題的能力和系統的反應，ChatGPT是最強大的模型。然而ChatGPT有時并不知道它的回答是錯誤的，盡管是錯誤的答案，但模型還是以一種看起來一定是正確的方式顯示信息。此外，ChatGPT的回答就像機器人一樣，沒有提到專業知識的來源和進一步討論的深度。

（三）實際用途上的差異

五大語言模型都是國內外自然語言處理領域的頂尖模型，它們在不同的實際應用場景中各自都表現出了卓越的性能。LaMDA最有想象力，它能幫助人們解決實際問題并向人們提供重要信息，但由于其設計的功能限制，目前只能回答一組特定的問題；BlenderBot知道邏輯因果和時事，可以進行人機對話，但有時不能完成它在對話中指定的內容；ChatGPT擁有豐富的學術和企業方面的知識，能幫助解決學術和企業管理中的實際問題；文心一言與通義千問作為中文語言生成模型，在中文語境下對比國外三大模型回答清晰，更貼合中國用戶。

四、財務共享服務中心的大語言模型應用場景

（一）財務共享的客戶支持專家

大語言模型具有優秀的文本應用能力、語言溝通能力及強大的文本數據能力，在財務共享服務中心能夠與客戶對話，為內外部客戶提供專業化財務信息服務，解答客戶問題。例如回答內部分子公司財務信息、提供分子公司財務分析報告、幫助分子公司和員工等分析問題原因、指導分子公司和員工等進行系統操作，從而為財務共享服務中心節省大量的人工時間和精力，減少人力資源的消耗，提高工作效率。

本文分別采用文心一言和ChatGPT就“費用報銷流程”問題進行回答，如圖2和圖3所示。雖然兩者都對費用報銷流程進行了解讀，但是回答問題的角度略有不同，并對目前的流程不甚了解，不具備時效性。

對于“供貨未收到款項的原因”的回答，文心一言從延遲、意外、供應鏈、資金四個方面解答，ChatGPT從財務狀況、合同爭議、行政程序、財務漏洞四個方面解答。兩者基本能為財務共享客戶提供思路。

（二）財務共享的運營分析專家

大語言模型通過為財務共享服務中心運營關鍵點提供分析思路，指導企業抓住要點和痛點。首先，通過分析財務共享服務中心運行產生的業財數據，尋找運營存在的問題；其次，運用大語言模型的大算力和強算法，建立業財流程指標計算體系并提供代碼支持，進行自然語言模型建構；最后，進行分析結果解讀，生成分析結果的統計學和會計學含義報告，為運營分析提供支持。

1.分析需求要點

在“財務共享運營分析關鍵點”問題回答中，文心一言認為財務共享運營關鍵點有定期評估、監控成本、分析數據、制定改進措施四個方面，ChatGPT認為有目標設定、成本效益分析、績效考核指標、風險管理、組織架構、技術支持、培訓與溝通七個方面。ChatGPT相對于文心一言，對關鍵點的解讀較為詳細。兩者分析角度不同，不過都有借鑒意義。企業財務共享服務中心按照以上要點進行運營，能夠實現降本增效，從而提高企業競爭力。

2.分析代碼支持

ChatGPT“用Python實現某決策樹模型的示例代碼，該代碼以輸入的員工編號、月份和處理憑證數量作為特征，輸出該員工在該月份下處理憑證時的差錯率預測值”問題回答，如圖4所示。它根據業務場景編寫代碼，將定量分析的方法省時省力運用到財務共享服務中心運營過程中。文心一言代碼能力相對較弱，對本問題沒有給出相應的代碼支持。

3.自然語言模型建構

文心一言和ChatGPT關于構建決策樹模型的回答，如圖5和圖6所示。ChatGPT運用決策樹方法構建了憑證處理差錯率模型，并做出了解釋，能夠識別財務共享服務中心運營過程中的風險。文心一言以文字的形式對決策樹模型進行說明，沒有以數據的形式將場景需求展現出來。ChatGPT的模型構建能力相對于文心一言更好一些，能夠運用模型進行風險預測和分析。

（三）財務共享的業務支持專家

1.投資分析

大語言模型可以運用其大數據和大算力從多個角度進行投資分析，將投資分析結果以報告的形式傳輸給相關分子公司。關于基本面投資建議的回答，ChatGPT能夠從財務狀況、技術實力、市場競爭對比亞迪和寧德時代進行投資分析，但是文心一言未分點列出，只籠統回答。同時，兩者的投資選擇結果不相同，ChatGPT選擇的投資對象是寧德時代，文心一言選擇的投資對象是比亞迪，但兩者都強調投資者需結合自身其他情況進行投資決策。企業可以根據兩者提供的分析基本點，結合自身情況做出正確投資判斷。

2.分子公司財務分析

大語言模型可以對財務共享服務中心的數據進行簡單分析，同時對統計學的分析結果有一定的解釋力。當財務人員利用財務數據分析時，如果遇到復雜分析結果，那么可以借助大語言模型進行解讀。

ChatGPT可以利用大數據和AI技術對公司的銷售、庫存、生產等數據進行分析和預測，為分子公司和集團戰略財務等提供決策參考。此外，財務共享服務中心積累了大量數據，但往往需要花費很多時間和精力采用PowerBI等工具進行分析，而ChatGPT可以有效利用這些存量數據生成管理報告，為企業管理者提供更加準確、全面的數據分析結果。

3.智能決策顧問

大語言模型在商學、法學、技術、編程等測試中均有較好的表現，因此隨著其后臺規則的逐漸優化和回答的逐漸規范，財務共享服務中心人員可以借助其商業邏輯和分析能力獲取關于決策的參考，從而做好集團和業務一線的決策顧問。比如，對于“比亞迪公司財務共享服務中心選擇”問題，ChatGPT從地理位置、勞動力市場、物流和基礎設施、稅收政策多個角度選定三個地點，并結合個性化需求做出了單一選址判斷，決策智能。

（四）財務共享的個人秘書

1.個人秘書

大語言模型可以幫助財務共享服務中心的員工提高文本處理能力和專業答疑能力，從而勝任個人秘書的工作。比如以數字員工的身份運用其大標注能力負責文本信息整理、宣傳郵件編寫、財務運營客服等文本和溝通類工作任務。在需求發現階段，大語言模型可以確定需求范圍，并列出需求清單文檔；在流程整理階段，大語言模型可以對業務流程進行梳理，對工作步驟進行詳細解讀；在問題分析階段，將會議討論等產生的語音通過專業軟件轉化為文本后，大語言模型可以對會議紀要進行提煉，進行文本信息整理，確定最終需要解決的關鍵問題。另外，在方案設計時，它還能給出建議，并進行文檔錯誤的檢查，保證文檔的準確性和規范性。

2.個人技術助理

在財務共享服務平臺應用、數據分析代碼編寫、系統和流程優化等方面，大語言模型可以充當個人技術助理。大語言模型可以根據企業需求提供定制化的RPA解決方案，如將文心一言或ChatGPT集成到RPA產品中以降低開發門檻。在問題發現階段，大語言模型可以根據業務部門的實際情況進行需求發現，并進行流程整理與問題分析，實現需求的重構與翻譯；在開發階段，大語言模型可以進行方案設計，將需求轉化為機器語言，實現代碼編寫，通過RPA實現代碼的運行；在技術評估與方案完善階段，大語言模型可以對運行結果實現技術評估，并進行方案完善，將機器語言轉化為業務部門易于理解的通俗語言；最后將方案結果返回到業務需求部門。ChatGPT+RPA解決方案如圖7所示。

（五）海外財務共享的業務支持和核算處理專家

大語言模型幾乎支持全部語種的交流，并且翻譯的邏輯性和流暢度高于普通翻譯軟件，為海外財務共享的業務支持提供了極大的語言便利性。同時，大語言模型具有強大的信息承載能力，可以迅速查詢到各國會計和稅收等政策法規；在進一步學習各國的會計準則、稅法制度、銀行監管制度和營商環境制度后，大語言模型可以成為精通各國會計知識的業務支持專家和核算處理專家。

關于“制造型企業在美國、越南、印度的企業所得稅稅率”問題，ChatGPT和文心一言的回答有所不同，企業需要運用搜索引擎做出判斷。關于“服務型企業在美國、英國、日本向銀行貸款1 000萬的貸款利率及費用”問題，文心一言給出了具體的貸款利率，沒有對具體費用進行計算；ChatGPT給出的是利率區間，對問題中1 000萬沒有標明的貨幣單位，根據不同國家的貨幣進行計算。關于“向A公司購買設備1 000萬元，用銀行存款支付，在不同國家如何進行憑證處理”問題，ChatGPT能夠根據不同國家的語言進行會計分錄編寫，文心一言只能編寫中文分錄。

（六）財務共享的檔案管理專家

1.檔案信息智能檢索

大語言模型的主要思路是，通過利用大數據、大算力、大標注和強大算法能力，對用戶提供的查詢語句進行分析和理解，從而匹配最佳的檔案記錄。匹配過程可以根據查詢語句和檔案記錄之間的相似度自動完成，從而幫助用戶快速準確地檢索到所需的檔案信息。比如，為了使ChatGPT能夠更好地理解財務共享服務中心的業務要求，它需要進行會計檔案、財務制度、會計準則、合同管理等的大量自我學習，從而提升對財務共享服務中心工作流程和工作結果的理解以及對檔案知識的認知。在財務共享服務中心的應用，主要表現為單、票、證、賬、表等的整理和檢索，能快速將大量信息反饋給用戶，歸檔示意如圖8所示。

條形碼作為信息載體，可以快速獲取憑證全業務數據，并實現雙向循環定位。這種技術方案可以有效促進不同來源、異構、碎片化、離散性強的業務數據之間的整合集成，使數據在存儲過程中能夠保持匹配關聯，形成具有歸檔功能的檔案包。大語言模型根據財務共享服務中心相關憑證和單據自行分類，智能匹配，形成案卷，具體流程如圖9所示。

2.檔案信息知識問答

檔案材料中蘊含著豐富的知識價值，但這些知識往往分散，需要提取和整合才能形成完整的知識體系。為此，大語言模型可以發揮其自然語言處理和自監督學習能力，對財務共享服務中心大量的會計檔案文本及圖片進行處理和分析，并提取相關信息實現數字檔案化。同時，大語言模型還可以通過學習和提取大量的單、票、證、賬、表等會計檔案數據，建立檔案知識庫。通過智能問答的形式，回答調閱者提出的問題，并從會計檔案材料中提取相關的知識和信息，幫助用戶快速解決問題并獲取所需信息。這樣的應用方案，極大地提高了會計檔案查閱的效率和準確度，還可以幫助企業更好地管理和利用檔案知識。

五、財務共享服務中心大語言模型應用的安全風險和創新影響

（一）安全風險

1.專業認知存在偏差

盡管大語言模型能夠解決許多自然語言處理任務，但并不保證在回答所有學術問題和常識問題時都能保持正確，比如在處理某些問題時，大語言模型可能會混淆訓練數據中不同人物實體的背景和關系，導致回答出現偏差。此外，對于某些專業領域和垂直領域的問題，大語言模型還不能替代專用模型的作用。比如ChatGPT對“生產部門的管理人員工資歸類到什么會計科目”問題回答時，將其歸類到管理費用中，而正確的應該是計入制造費用，出現了專業知識性錯誤。

2.“杜撰”現象

大語言模型可能會編造虛假信息，且輸出通常是真實信息和虛假信息混合的結果，這可能會誤導那些無法獲取更多信息源的人群。對財務共享服務中心來說，這樣的情況會對準確性工作帶來一定的阻礙。比如，使用ChatGPT搜索某供應商信息，發現其會出現信息套用情況。

3.認知價值觀存在偏離

ChatGPT等國外大語言模型的訓練語料主要來自西方語言體系，因此其在價值觀層面存在一定的偏向，生成的內容可能不符合中國的價值觀。這是因為在處理某些問題時，大語言模型可能會受到其訓練語料的限制，表述時無法充分考慮到中國文化和價值觀念，導致生成的內容與傳統的中國文化和價值觀存在偏離。比如，在進行會計科目回答時，ChatGPT等國外大語言模型會使用基于美國會計準則的會計科目，不符合中國的會計準則以及報表編制要求。

4.信息安全存在風險

目前大語言模型的關鍵技術掌握在少數國外機構之中，這意味著其應用可能會受到這些機構的限制。比如，ChatGPT只提供云服務和應用程序接口（API），且其訓練與測試過程均在美國服務器上部署。在訓練過程中，ChatGPT可能會收集使用者的信息并記錄使用者的反饋和使用習慣，這種數據收集方式可能會導致嚴重的信息泄露和用戶隱私保護風險。因此，財務共享服務中心的大語言模型應用可能會對企業部分財務數據造成泄露。

5.生成內容責任承擔缺位

與搜索引擎相比，大語言模型對其生成內容是否承擔責任，目前還難以確定。比如，大語言模型在為財務共享服務中心人員解答或提供客戶支持時，其輸出結果能否代表企業的觀點，企業是不是相應內容的責任人，急需國家層面的界定。

（二）知識復制抑或創新激發

1.以“個性化”培養破解“普遍化”困境

大語言模型提供大量的文本、代碼、模型等使得財務共享服務中心員工產生惰性，容易形成普遍化的答案[ 4 ]，影響員工的個性化思考，阻礙了邏輯思維的培養，從而減少財務共享的個性化創新。同時，目前大語言模型本身也存在普遍化的特點，對一個問題的回答，不同的語言模型往往輸出大致相同的結果，未來應該加強對大語言模型的批判性分析能力，使其能夠更好地解決復雜問題，也需要提高模型在處理海量知識時的甄別能力，以便更準確地回答用戶的問題。此外，增強AI機器人之間的協作和創新能力也非常重要，這有助于為大型語言模型向現實問題提供個性化解決方案奠定良好的基礎。

2.以“思想性”引領超越“技術性”局限

雖然目前大語言模型已經得到很大發展，但其還是不可避免地存在很多技術上的局限。財務共享服務中心的工作人員作為大語言模型的使用者，本身也應更具有學習性、革新性，努力提高自己的創造性思維。同時，隨著大語言模型的發展，人類的獨立思考能力面臨著挑戰。因此，財務共享服務中心需要不斷改進教育技術，以更好地契合人類的倫理價值觀，并確保大語言模型的可控性、可靠性和可信度。這樣才能夠實現大語言模型技術和道德要求相一致的目標。

六、結論與啟示

（一）結論

首先，財務共享服務中心的未來應用必須擁抱大語言模型。大語言模型具有豐富的語言理解、情景分析、代碼寫作、模型構建等能力，在財務共享服務中心主要表現為會溝通的財務客服、多功能的分析工具、自動化的報告助手、全天候的財務秘書、個性化的技術助理、懂語言的全球化人才、智能化的決策顧問。這從多方面提升了財務共享服務中心的工作效率及業務創新、數字化和全球適應能力，為建設一流企業提供了新的基礎。

其次，大語言模型在財務共享服務中心的應用可能存在風險。財務共享服務中心的工作具有嚴謹性、保密性，但是大語言模型存在專業知識偏差、“杜撰”、認知價值觀偏離、數據泄露、生成內容責任承擔缺位等風險。

（二）啟示

第一，制定安全保障體系。針對大語言模型可能存在的風險，設置人員、流程、數據等方面的安全保障。在人員方面，作為財務共享服務中心的員工，需要對問答信息做出基于專業知識的正確考量，確保傳輸給客戶的信息不出現專業知識和倫理等方面的差錯。在流程方面，應制定流程優化、流程審批和流程試用等控制機制。在數據方面，企業應設置大語言模型使用準則，對涉及企業內部機密的數據和場景應慎重使用大語言模型。

第二，應用大語言模型要因企實施。財務共享服務中心是基于企業的自身發展戰略、職能，實現不同的應用場景，為組織提供創新性支持。比如，部分財務共享服務中心支持海外業務，可以借助大語言模型了解不同國家的會計準則、會計科目，以及不同國家的稅率等財務數據。同時，對于被取代的人員及業務功能，要做到崗位職責調整，確保人員適配，不浪費人力資源。

第三，建立人機協同模式。由于大語言模型具有大數據預訓練涌現能力、自動生成幻覺能力、多語言數據遷移能力及自然語言處理能力，需要財務共享服務中心員工與其進行良好溝通，并對其進行監督，從而達到大語言模型輔助人、人輔助大語言模型，大語言模型監督人、人監督大語言模型的新型人機協同方式，優化人機比例配置[ 5 ]，實現財務共享服務中心與大語言模型相互賦能。

【參考文獻】

［1］ 劉勤.ChatGPT及其對會計工作的影響探討［J］.會計之友，2023（6）：158-161.

［2］ 姜一涵.財務共享服務中心建立與會計信息透明度提升［J］.經濟問題，2022（10）：120-128.

［3］ O'LEARY，DANIEL E.An analysis of three chatbots：BlenderBot，ChatGPT and LaMDA［J］.Intelligent Systems in Accounting，Finance and Management，2023（1）：41-54.

［4］ THORP H H.ChatGPT is fun，but not an author［J］.Science，2023，379（6630）：313.

［5］ 李聞一，湯華川.基于財務共享視角的人機協同研究［J］.會計之友，2022（23）：22-27.