浪潮上的城牆:萬億金融企業的大模型實錄_風聞
鹿鸣研究院-8小时前
作者：金德路
一、潮頭更迭剛剛過去的6年，中國保險行業完成了驚險一躍。
最直觀的現象是，保險從業者迅速出清。根據北京大學滙豐商學院風險管理與保險研究中心發佈的《2024中國保險中介市場生態白皮書》顯示，截至2023年末，人身險公司保險營銷人員數量為281.34萬人，較2019年高峯時期的912萬人減少約631萬人，降幅達69.2%。
從業者數量一下子回到10多年前2013年的規模水平，這背後是數百萬人大進大出，成為保險行業的階段性過客。意味着，保險行業從2015年開始通過“人海戰術”大幹快上的大躍進時代落幕。
與此同時，國家監管也在不斷積極引導整個保險行業生態的規範。“報行合一”，無疑是整個行業的核心焦點，是整個行業從粗放擴張向高質量轉型的關鍵性政策。
所謂“報行合一”，是從手續費透明化、費用假設真實化和銷售行為規範化三個方向上規範保險公司的市場行為，杜絕報備時壓低費率，實際卻通過高佣金、返佣等“暗箱操作”惡性競爭，防範投資收益補貼高額費用背後隱藏的費差損、利差損等金融系統性風險。
從2017年保監會發布《關於進一步加強保險監管工作的意見》中首提“報行合一”政策的具體措施和要求，到2019年銀保監會進一步強調推動“報行合一”政策的落實，再到2023年8月起，金融監管總局陸續發佈文件，從銀保渠道到經代渠道逐步推行“報行合一”，規範行業生態，2024年8月進一步明確個險渠道納入“報行合一”。
隨着政策的推行，中介經代市場劇烈洗牌，2024年上半年行業標保縮水53%，279家兼業中介退出市場，專業化高的中介經代取得更多市場。對於險企而言，短期內帶來陣痛，頭部險企銀保渠道手續費下降30%，中小公司依賴高費用擴張的模式難以為繼，超半數壽險公司虧損。 但是隨着時間線的拉長，卻引導了行業的專業化與透明化，倒逼企業產品創新（如分紅險、養老險佔比提升），服務競爭取代價格戰。
這個過程中，如果從單個企業的視角來看整個行業的經歷，平安毫無疑問是最典型的代表。它不僅曾經是大進大出“人海戰術”的受益者，頂峯時期擁有140萬代理人大軍，這意味着全中國1000人裏就有一個人在平安拿取薪水。它同時也是這一輪改革的引領者，2019年這個資產規模數萬億，利潤近千億的金融巨象便率先開啓了壽險改革。平安人壽常務副總經理胡景平曾將其形容為**“一邊開飛機，一邊換引擎”**。
2021年，平安壽險改革進入深水區，矛盾激烈爆發。最嚴重的時候，因改革被優化的代理人出現在平安股東大會現場拉橫幅。股價也在市場中坐過山車，一會兒逼近百元大關，一會兒又重挫至50元以下，多空雙方來回瘋狂博弈拉扯。
內外部質疑之聲此起彼伏，鹿鳴財經在2022年推出的《平安沒有退路》一文探討這個過程中平安改革所面臨的壓力與改革的充分必要性。彼時，平安管理層預判改革還要持續3年，如今3年後，平安壽險改革已經接近尾聲，紅利開始初步釋放。
根據平安財報，2024年歸母淨利潤1,266.07億元，同比增長47.8%；營業收入10,289.25
億元，同比增長12.6%，分紅總額連續13年保持增長。其中壽險改革成效凸顯，2024年壽險及健康險業務新業務價值達成285.34億元，可比口徑下同比增長28.8%，保單繼續率顯著改善，13個月保單繼續率同比上升3.6個百分點，25個月保單繼續率同比上升3.9個百分點。
與此同時，新的行業時代命題也悄然誕生。以大模型為代表的人工智能技術迅速席捲而來，從國家到行業到企業甚至於個人都有了同一個命題：在AI時代如何自處？
馬明哲更是將這個問題直接表達在平安的業績報中：如何在AI驅動的產業變革中，進一步全面鞏固、加速提升數字化能力和水平，加力發展新動能？非為如何應對變革，而是成為變革本身；非求在浪潮中生存，而要順勢而為、把握浪潮新方向，是我們作為中國新時代企業要回應世界的時代命題。
在這個命題之下，平安主動調整了自己的戰略結構，形成以“綜合金融+醫療養老”為核心戰略，“科技賦能”則作為整個支撐金字塔戰略的核心底座，並且重點強調全面數字化戰略是2025年的首要任務。那麼，近萬億市值的平安是怎麼理解AI，怎麼理解大模型，必然是整個行業視野的核心關切。
二、全新的變量2022年底，ChatGPT橫空出世，一波關於大模型技術發展的浪潮開始席捲全球。馬化騰在騰訊總辦會議上説，“一開始我們覺得是幾十年難遇的機會，但是慢慢發現這可能幾百年難遇的機會。”
相較於以往的AI技術，大模型技術的特點是具備了一定的自我學習能力。它不用人工示範所有的場景，只需要大量歷史案例、數據，就可以通過預訓練進行自我學習，記住很多場景知識。尤其是具有博聞強記能力，使得它可以在不同的情況下像人一樣的交流，擬人化程度比較高。**中國平安首席科學家肖京博士將這個階段總結為，“有了一定的温度，但它缺乏思考，產出的結果可解釋性和可控性較差。”**深圳一家互聯網大廠的高管對這個階段也有類似的共識，“儘管AI代表了未來，但也意味着高度的不確定性。”
但是在以Deepseek R1和OpenAI o1為代表的強思考模型出現以後，局面就完全不同了。大模型不僅能夠自我學習，還能夠強思考、發散思維、舉一反三、觸類旁通，結合全新強化學習規模法則，實現終身學習、持續成長、持續不斷地進步，並且邏輯清晰，思考路徑可見，有全局拆解的整體規劃，可解釋性很強，如果出現了錯誤可以追根溯源、針對性地改正、優化，應用可控性大大增強。
這種變化產生的直接結果是，人工智能其實發展幾十年了，除了自動駕駛外，一直沒有大規模的產業應用案例，但是大模型出現後，尤其是DeepSeek在春節出人意料地點亮了中國的ChatGPT時刻後，千行百業都瘋狂想要擁抱AI，抓住產業升級的機會。肖京認為，這裏面存在一個順序的問題，產業規模大、利潤率高、數字化基礎好、業務流程長、人力成本高的產業會更快地融入AI，實現商業價值。
這個階段的AI如果應用在金融、醫療等業務領域，經過最優秀的專家調校和指導，就有可能通過持續自我學習，逐漸接近甚至超過人類專家的服務水平和温度感，進而得到客户認可和信任。肖京舉例到，就像鋼鐵俠的超級秘書賈維斯一樣，因為他能力足夠強，他可以得到鋼鐵俠的充分信任，連生命安全都可以由他負責。未來有很多靠知識和經驗提供專業服務的領域，很可能會有一種新的形態，變成少數的優秀專業人員來調教指揮一羣機器人，來提供客户服務的模式。
平安聯席CEO郭曉濤則將AI應用的價值總結為效率和智慧。效率指的是它能夠大幅提升社會、企業的運轉速度，提升工作效率、縮短工作時間。智慧則意味着，企業經營決策的模式將會發生從“後知、後決、後行”向“現知、現決、現行”，再到“先知、先決、先行”的轉變，用數據決策來代表經驗決策，實現聰明經營。
經過頻繁的開會討論之後，有的是一對一，有的多個業務管線共同參與，甚至和外部很多大廠進行了深度交流。平安高層最終發現，從保險、銀行、證券、基金等綜合金融大板塊，到醫療養老的各個專業服務場景，甚至細分到各個險種不同產品多種服務眾多投資細分風險防範的維度，大模型將會給產品端和資產端帶來深刻的影響和變革。內部從頂層到各個細分管線業務很快達成了共識：DeepSeek這種人工智能技術和金融融合肯定是大勢所趨，甚至形成了大模型技術將會加速金融業從業務流程到服務模式再到產業生態三個維度顛覆的預判。
**顛覆的背後，往往可能導致產業格局的整體重構。**DeepSeek R1實現了性能比肩OpenAI o1，並且成本有了數量級的降低，AI普惠成為可能。更重要的是參數是全面開源的，讓行業應用門檻大幅降低，不管是哪家公司，誰都可以簡單地通過私有化的部署，就把DeepSeek這種模型應用在各自的業務場景。
這意味着，誰能夠將AI更快更深度的融入產品創新、業務流程、服務模式上，誰就能夠實現業務的迅速增長或者彎道超車，並且時間線拉得更長來看，這種優勢將會越滾越大，行業馬太效應將會進一步加劇。
一位平安內部人士指出，眼下這個時間點，不管是對小到創業公司還是產業巨頭來説，AI其實已經不是選擇題了而是必選項，對於平安來説也是如此。
三、優勢與方向平安是中國最早開始研究AI的金融公司，2015年3月加入的首席科學家肖京則是推動平安AI研發和產業應用的核心人物，在此之前的背景是2013年馬明哲為平安提出了“全面擁抱科技與互聯網”的五年轉型計劃。
這位曾經領導了微軟搜索引擎算法研發的AI專家在加入平安前，師從兩位業界著名的老師，其中一位是中科院自動化研究所原所長、科技部原副部長、視覺領域經典教材《計算機視覺》的作者馬頌德，另一位是美國卡耐基梅隆大學計算機視覺泰斗、美國工程院院士金出武雄。
他加入平安後迅速組建了2000人的AI團隊，啓動了“平安腦”智能引擎的研發。2016年，平安的人臉識別技術能力達到全球第一的水平，聲紋識別的準確率來到了業界震驚的超99%，推出的“智能閃賠”場景應用，將車損定險從小時級壓縮至5分鐘，準確率95%。彼時，同為深圳科技巨頭的騰訊剛剛啓動AI研究，成立核心技術部門AI Lab。
除了研發成果，平安的研發團隊也在這些年快速增長。截至2024年9月30日，平安已經擁有超 2.1 萬名科技開發人員、超3000 名AI科學家。**超過2萬人的隊伍，在當下的大模型語境下究竟往哪個方向走，這是擺在包括肖京在內的平安管理層的方向性問題。**而這個命題事實上也是市場上每個企業所必需要回答的問題，例如DeepSeek母公司深度求索則是在大模型的底層技術上發力，阿里巴巴則是圍繞通用大模型以及大模型時代的基礎設施上下功夫，而在騰訊總辦內部會議上，馬化騰提出AI普惠抓住AI應用的機會。
騰訊瞄準C端應用的底氣，來自於其微信和QQ在中國社交語境中佔據的核心位置，13億的用户基本盤在下一代設備革命來臨之前都很難被撼動。而事實上，平安也有着類似的獨特優勢。它在綜合金融和醫療養老領域深耕超過20年，已經積累了2.42億的個人用户，沉澱下來巨量的行業專業經驗，再加上十多年前就搭建起來的大數據平台，使得這些行業專業經驗以數據形式沉澱下來。
以醫療領域為例，平安不僅作為保險公司長期承擔支付者的角色，參與到醫療過程中去。還擁有北大醫療集團以及其旗下的十幾家三甲醫院，以及線下遍佈的體檢中心和檢驗檢測中心。此外，還通過平安好醫生觸達了數千萬用户，通過全職醫生團隊提供輕問診服務。這意味着，平安在醫療領域3P構成的產業三角中實現了全方位的佈局，分別是醫療服務提供者（provider），主要是醫院、醫生，病人（patient），第三個是保險公司（payer），付錢的人，在長期經營的情況下，能夠從各個維度沉澱出醫療領域內的海量行業專場景數據。
平安基於這些數據搭建了包括三大金融數據庫、五大醫療數據庫以及經營數據庫在內的九大數據庫，成為全球最大金融、醫療數據庫之一，形成了30萬億字節數據，超3.2萬億高質量文本語料，31萬小時帶標註的語音語料，超75億圖片語料在內的海量專業數據優勢。一位長期關注大模型一級市場投資人稱，這種專業數據優勢在中國乃至世界範圍內產業界都是絕無僅有的，除了芯片和算法外，數據其實就是決定模型能力最關鍵的要素。
how的壁壘。除此之外，平安還通過聯邦學習、多方安全計算、先進密碼學等技術研發了蜂巢隱私計算平台，構建了面向金融行業的“原始數據不出域、數據可用不可見”的數據要素流通範式，隱私計算加密算法性能達到業界的領先水平，獲評為工信部“網絡安全技術應用試點示範項目”。
對於平安而言，C端的入口產品和大模型基礎設施，顯然都不是它的輻射範圍。它所處的綜合金融和醫療養老的產業複雜度，在深度上扎得更深，用AI深度賦能主航道，其實都遠比面向C端做一個AI搜索應用更為複雜。儘管Deepseek為行業重新劃下一條科技創新賦能的起跑線，但是平安依舊存在在這條起跑線上獨特的專業優勢。“垂域大模型這個詞語最近一年在內部被非常高頻的提及”平安一位技術崗位員工説。
馬明哲在財報中也提到了自研垂直領域大模型。肖京對此進一步解釋到，大模型簡單、直接的應用是降低了門檻，但只是一個入門級應用，適用於專業性要求不高的場景。對於平安這種有科技能力的金融機構，還可以再基於開源模型，利用專業、高質量的數據，通過技術能力實現在金融垂域的模型進一步增強，這樣可以站在巨人肩膀上，在垂域上做深做強，全方位地應用在各類金融專業場景，從而推動金融業的全面智能化產業升級。
1月20日，DeepSeekR1模型橫空出世，用極低的成本實現了堪比OpenAI o1的性能，標誌着強思考模型時代的到來，而且它還開源。這裏需要釐清的是，目前包括DeepSeek在內的所有通用模型的開源，只是模型參數的開源，並不開源訓練數據和訓練代碼。**強思考模型的訓練數據又和以往的訓練數據有較大差別，最直觀的是它需要更多思考過程的訓練數據。**之前訓練數據大多以靜態數據為主，比如醫療的知識庫是靜態的結果數據，但是現在要訓練模型的思考能力，是需要整個操作中更多的思考過程數據。
“比如説一個理賠員去看有沒有欺詐的時候，他不只是給一個最後的結果，這個案件給你一個最後的數據，他還要提供先看什麼資料有沒有問題，再看什麼資料有沒有問題，做完所有的動作之後，再根據什麼要點、要素做出判斷，這樣的過程準備好，才能真正讓大模型學會優秀員工的思考能力，這些數據我們要不斷去完善。”
如此高質量的專業領域訓練數據要求，顯然拔高了垂域大模型的研發難度。“這樣的數據不僅市場上沒有，連我們也不可能有現成的”肖京感嘆到。最終，平安採取了多種方式一起來生成這類訓練數據，一種是大模型輔助生成，通過框定限定輸出條件生成訓練樣本，這是一種高效但是無法完全避免幻覺的方式，需要有專業人員去對齊完善、補充、修改，最後形成數據。第二種，從過去歷史的案例數據裏面，專業人員純手工總結、歸納、思考，把作業過程、完成工作的完整過程總結歸納形成數據。
其實可以發現，無論哪種方式，都意味着巨大的成本投入，但正是因為這樣卻造就了更高的技術壁壘和能力領先。整個鏈路形成了一個完整的飛輪閉環，因為金融、醫療專業場景的耕耘，沉澱了無可比擬的專業數據，專業數據可以打造更有競爭力的垂域大模型，而訓練具備推理能力的垂域大模型又對訓練數據提出了更高的要求，反過來又提高了沉澱的數據質量和完善了數據結構。
四、能力與工具箱ChatGPT點燃全球的AI大模型熱情以來，整個市場都充斥着嚴重的FOMO情緒（害怕錯過）。
大到科技巨頭、產業王者，小到小微企業與個體創業者，都被這種情緒所左右。這種情緒一定程度上，導致整個市場中出現的各種現象。AI四小龍橫空出世迅速被資本和巨頭捧高，一場關於基礎大模型的技術軍備競賽就此展開。
科技巨頭除了押注市場中創業團隊，也在自身體系內不斷出牌，例如阿里雲在一開始就選擇了賽道通吃的技術路徑，不管是開源還是閉源一股腦的全上。而字節跳動則從通用大模型到C端入口應用，甚至於AI硬件等全方位瘋狂出拳。最瘋狂的時候，連一兩個人的個體工作室都想要買兩片4090，部署個7B的開源小模型進行微調，這也直接炒高了英偉達4090的價格。
一位二級市場關注AI的首席分析師指出，“要辯證的看這個問題，雖然短期可能造就資源過度集中，出現一些資源浪費，但是拉長時間線來看，有可能就會發現正是這種熱潮推動下沉澱下來長期價值。”這點也在平安的大模型實踐上有體現，平安一開始也做了大量通用基礎大模型研發工作，而現在則把自研垂域大模型作為重點，引來市場上一些質疑其合理性。“這是必須的過程，沒有人能在一開始想清楚定位，大家太看重結果，不關注過程，正是在這個過程中沉澱下來一系列極具競爭力的底層技術能力，才構成平安的長期技術價值。”平安一位技術線中層評論到。
平安的確是市面上少有甚至説是唯一具備全棧AI體系能力的金融科技公司。在DeepSeek出來前就完備了包括通用的、垂域的、場景在內三層結構的模型平台，以及模型背後完善的工具平台，部署、測試的數據集、測試的系統，甚至高效打造Agent的智能體平台也是完備的。在高盛最近提出的中國AI投資框架中，在一眾科技公司的列表中平安是唯一的綜合金融機構。
肖京進一步補充到，“在目前AI發展日新月異，基本上每天都在更新、每天都在迭代的情況下，你需要有這樣的底層能力，才有可能快速地應對市場的發展、技術的發展，引入到我們的實際的業務系統中去，並且發生價值。**如果沒有這些能力，你只能眼睜睜地看着，你還沒把上一代技術融入你的系統，下一代技術就已經出來了，這樣你就永遠是在落後的狀態。**但平安就不會有這個問題，因為我們已經有所有的條件了，我只要簡單引入就可以了，所以我們肯定是這個行業裏最快能把價值發揮出來的。”
這其實就是這個行業兩種最主要的底層思路區別，一種認為模型能力和成本維度都是向好發展，深度入局可以等性能和性價比都到一個較好的區間，能最快發揮出價值。第二種是，深度參與這個發展過程，沉澱底層能力，價值在這個過程中慢慢顯現出來。平安顯然不想等待。
首先是，大模型底層核心技術的研究。例如，新型的大模型算法框架，可能會帶來訓練和推理成本的大幅降低與效率提高。快思考、慢思考融合的創新模型技術，不同場景下更有的服務體驗，因為有的場景是需要快速反饋的，有的場景是需要深度思考的。
其次是，在模型層發力，打造三層模型體系。第一層是通用模型，就像DeepSeek這種通用模型，所有場景都通用，但在垂直領域性能未必最佳。第二層是針對每個垂域建立的綜合模型，綜合金融和綜合醫療領域都有專屬的垂域模型，利用金融和醫療領域專業知識對這類大模型進行訓練，再結合金融領域的作業思考過程、操作過程，訓練它的思考、推理能力等等，進而得到垂直領域的綜合模型。第三層是針對具體場景的場景專屬大模型，它可以是在第二層模型基礎上，加上搜索增強、知識庫，就能夠達到具體場景最優使用的場景，如果達不到最優，就需要專門在這個場景上準備數據，然後去調整模型參數進行訓練，使得這個場景下的表現特別好。通過三層模型構建，基本可以覆蓋所有場景需求，而且是能夠適配不同場景使用不同模型，不是所有場景都要用指定哪一層模型，可以自主選擇。
支撐這樣模型在垂直領域垂直打造的底層能力，除了大模型訓練過程所需要的數據處理能力，還有就是大模型復現技術能力。不僅要求有能力讀懂不同大模型的技術細節、不同能力是怎麼訓練的，還需要掌握復現這些能力的技術。例如，如果利用DeepSeek作為底層來做垂域增強模型，首先得復現垂域的預訓練、智能微調、強化學習、蒸餾等等技術，再結合代碼能力和數據能力進行模型訓練。“雖然不是從0開始自研，但是我們是站在巨人肩膀上做自研，得到的就是自主可控的垂域模型”肖京解釋到。同樣的底層技術能力，再基於垂域模型，就可以訓練出各個專屬場景的模型，包括投資領域裏對於某個場景的投資決策模型，多病種腫瘤模型，複雜險種核保模型等具體場景模型。最關鍵的難點在於，底層技術能力和專業場景能力在這個過程中，深度融合才能達到場景最優。
例如，在AI醫生領域，平安健康（好醫生）聯合平安集團科技構建的“平安醫博通”多模態垂域大模型，打造了12個系列的業務場景專屬模型，賦能健康醫療服務的各個環節，效率和質量指標都有明顯提升。AI體檢報告解析精準率可以達到98%，以前的流程是體檢完以後，客户上傳一個體檢報告需要人工看，發現異常，並且給出異常的診斷，再幫他去做一些解讀服務，基本上是要等3天的。現在上傳到好醫生平台，秒級出來解析報告，精度比人高，以前靠人解讀還不一定有98%的準確率。在諮詢、診斷的準確率都超過95%，紅線率都是低於1%到0.1%的，智能推薦的準確率到99%，慢病管理的改善率達到90%。AI能力大幅地提升了醫生水平，因為它只要解釋了98%，最後診斷由醫生來下。原來醫生要從頭做到尾，現在病歷百分之百都是AI機器人來寫，醫生只看一下就可以了，這樣不但提高了效率，也提高了服務質量水平，醫生效能大幅提升。
同時，模型工具平台和智能體平台的搭建，也有利於模型快速應用到場景。通過增強訓練和模型蒸餾技術，將龐大複雜的知識有效提煉並轉移到輕便高效的端側小模型和雲端大模型中，以及快思考小模型和慢思考大模型技術工具化形成模型工具平台，具體場景的專業業務人員都可以方便自主打造所需要的各自不同場景專屬模型。而有了智能體平台，不管是各個業務管線從下到上，還是從集團頂層到業務線，還是業務管線間的橫向拉通，都是快速基於模型構造出應用到具體業務場景中的agent。老黃在今年的英偉達GTC大會上也闡述了建設AI工廠會是他們未來的戰略重點，所謂AI工廠，實際上就是智能體平台。
“方向明確了，能力具備了，效率自然也就高了”一位長期關注平安的記者評價説。模型技術、訓練工具、專業數據、應用平台全都齊備的情況下，對於平安而言，只需要再在三件事上做好就能夠產生更高的價值了。首先是把垂域模型做深做強，全面補充更高質量更多場景的專業訓練數據，使得垂域場景性能更優，壁壘更深。其次是，將模型工具平台和智能體平台的易用性和完備度越來越好，提高內部使用效率。最後就是走進場景，和業務進行更深層次的結合。
五、模型與場景的匹配2025年1月，梁文鋒本想安心回廣東湛江過個春節，深度求索公司趕在小年前幾天發佈了DeepSeek
R1模型。這一安排卻意外使得整個中國眾多AI行業的工程師，必須在春節期間加班，無法回家過年。比如，騰訊在2月2日宣佈騰訊雲支持一鍵部署DeepSeek
R1模型。2月2日是大年初五，隨後在1個月的時間，騰訊各個產品才逐步接入DeepSeek R1和V3模型。
看到DeepSeek R1模型效果的那一刻，肖京就立馬意識到，這個模型所帶來的意義可能非同一般。“DeepSeek這次的進展和突破，捅破了OpenAI先進算法的窗户紙”肖京評價説。平安沒有絲毫猶豫，立馬在大年二十九那天開始了DeepSeek的引入工作。
第一件事便是測試。首先，28萬安全合規測試集測試其是否滿足金融監管要求。其次是性能測試，23000個能力測試集，模型效果、推理性以及是否可商用的評估很快就會直觀顯現出來。平安的技術團隊在大年初八就完成引入了DeepSeek包括滿血版和蒸餾版在內的全棧模型，並且推給了全部員工使用。
緊接着是模型的垂域增強訓練。得益於在之前已經完備的AI體系能力，工具、流程的標準化也很完善，其中DeepSeek 32B參數的模型在開年後一週就完成了增強訓練，垂域升級後相比於原來的通用模型在垂域上的性能提升了8%。**彼時，騰訊元寶才剛剛上線DeepSeek滿血版，但是平安內部來自員工辦公、員工作業、員工輔助的場景使用需求已經能達到每天25-30萬次。**AI代碼系統中的一些場景，也在上線3天后成功替換為DeepSeek，短短3天就產生了30萬行代碼。
最後，在進入業務前還需要進行模型與業務場景的匹配評估。“DeepSeek引進來後，不是把我們以前的模型全部替代掉，它成為底層通用模型的一個選項”肖京解釋到，替換的前提是在應用系統和應用場景的測試中，性能和準確率要更好，速度、響應時長、併發等效率更高，並且成本也不增加。目前，平安對大模型賦能場景分為三類：一是存量業務場景升級，內部稱為“老樹開新花”；二是“新枝發新芽”，一些原來做不到業務，通過DeepSeek升級以後，能夠覆蓋新場景；三是“沃土生奇苗”，基於AI完全從0到1打造的原生應用場景。
平安在生產業務環節應用場景中評估了77個場景，比如車險理賠、核保助手等這些大場景，其中有30個場景已經用DeepSeek替換了，就是經過測試之後發現DeepSeek的準確率更高，性能更好，成本也不增加，還有21個沒有以前平安自己的大模型效果好。在77個場景之外的成千上萬場景，以前的小模型效果都更好。
另外還有26個場景還在繼續評估，有些複雜嚴肅場景能力DeepSeek模型還不具備，例如投資決策，複雜疾病診斷，雖然比以前好，但是也沒法直接用，幻覺錯誤太多了。在有幻覺的情況下，儘管有技術可以降低幻覺的發生概率，但是還是有發生的可能性，這種可能性就對模型的準確度、可靠性的挑戰很大。這種場景使用之下，應用方案落地就需要人工補齊適配大模型缺點的設計模式，比如説人機協同模式、人工兜底的模式，降低幻覺帶來的影響，這些都是提出了很高的要求和挑戰。
**六、“避免錯誤才能獲得成功”**多數人只關心機會，而忽視背後所存在的風險。“安全”、“紅線”、“底線”、“風險”，是肖京這一個小時對話過程中提到的最高頻詞彙。
平安所處金融和醫療行業，都是嚴肅的風險敏感行業，產業複雜度遠超大多數其他行業。對於BAT字節這樣的大廠或者更大範圍內的創業公司而言，他們推出一款AI的應用可以採取先上線，再在過程中慢慢調整數據的使用規則，模型的訓練優化等環節，例如騰訊元寶在推出半年後才遭遇用户數據條款質疑風波。
金融和醫療的嚴肅業務場景的AI使用，顯然不能採用這種方式，因為不管是數據還是業務結果一旦有所偏差都會產生極為嚴重的後果。平安內部AI模型上線有一個指標門檻，叫紅線率。比如AI醫生上線，要去做諮詢、收集信息，它一定是要紅線率低於1%，有非常低的紅線率才能讓它上線。“我們看病不能看出人命，投資不能造成投資者大量損失，金融業的保險、銀行不能出現客户的誤導，這些東西都是底線，我們從來不會為了效率而犧牲安全”肖京強調到。
平安對於風險考慮的起點從訓練數據、模型測試開始一直貫穿到整個業務流程。這是行業差異所導致的風險偏好差異，而關於大模型應用所帶來的風險主要是以下4個維度：
其一，AI技術本身帶來的風險。大模型的訓練、推理、應用過程中會產生數據安全、隱私保護、算法偏見、模型幻覺、生成內容不合規等各個環節風險。另外很多大模型應用是以雲服務為主的，大量信息在網上傳輸，也存在數據泄露、濫用、模型篡改等風險。
其二，投入的資源和產出價值不匹配的風險。因為AI大模型應用很耗費資源，投入比較大，但是結果又很難快速取得，如果盲目地大幹快上，會產生投產浪費，嚴重可能帶來經營上的風險。
第三，社會風險。AI帶來了產業模式、流程、生態的變革，會帶來很多從業人員必須要去技能轉型，適應新的不同的產業業態，這就會帶來一些社會風險。
第四，行業本身的風險。AI應用能力的差距可能會導致行業馬太效應明顯，強者恆強，進而隨着AI使用得越多，會造成市場策略的趨同，給金融市場帶來不穩定的因素。
“前兩個可以通過技術水平和管理水平的發展來解決，後面兩個可能就需要行業和國家的共同參與”肖京分析説。
為了應對這些安全風險，平安還在內部設立了AI倫理治理的1+5+3的體系。“1”是指在集團層面設立CEO牽頭的人工智能倫理委員會，制定了很清晰人工智能治理的準則。“5”是5個實驗室，“3”是三項具體舉措，一個是研究，技術研究、政策研究、行業研究等，這些研究要持續不斷地進行，找到新的問題，然後能夠全方位防範風險。第二是宣導，對自己的員工、客户、社會進行各種宣導，尤其是對員工要求要完全瞭解、接受、執行倫理治理的規範。第三是真正的治理和檢視，包括數據的全生命週期、模型的全流程，應用系統的研發管理，設立嚴格的管理、治理和檢視的制度。
不過，好在隨着強思考模型等模型技術的迭代，可解釋性提高，進而更有利於風險的控制。它在出結果的時候會告訴你它的思考過程，因此是有一定解釋性的，不像以前是完全黑箱，儘管它還是有幻覺，但是可以通過多方驗證引用資料是不是真實的，來分析、判斷出它是不是有幻覺。如果發現它有偏見、有幻覺、有些不對的地方，可以找出產生錯誤的原因，想辦法去糾正這個錯誤。“一切都在向好的方向發展，越來越有希望。”肖京補充説到。
其實你會發現，從2010年左右的科技轉型開始到現在的大模型時代，平安的科技探索一定程度上都在遵循的是一種“避免失敗”的邏輯。在科技轉型的時候，馬明哲曾喊出過“平安最大的競爭對手是科技公司”，是因為互聯網在當時展現出來的效率，開始滲透進生活的各個角落，比如第三方線上支付，如果不全面的科技轉型，極有可能會在日後的競爭中處於不利的位置。
AI大模型的變量，極有可能會帶來整個行業的重新洗牌，平安要避免失敗就必須要進行持續的改革。而這個時候，又恰恰因為此前科技轉型打造的大數據平台，打通了數據孤島，在金融和醫療各個專業場景上構建起了專業數據優勢，找到了差異化的垂域大模型，壘砌自己的城牆。事實上，AI時代語境下，這不僅是平安的命題，也是整個中國保險金融行業的命題。馬明哲給出的回答是，“惟改革者進，惟創新者強，惟改革創新者勝。”
所以，在看待平安這樣企業的時候，不應該去看它是否有什麼機遇，能抓住了什麼機會，而是要用逆向思維去分析有什麼因素可能會導致它的失敗，做了什麼錯誤的決策，是產品創新失敗，是投資失敗，是市場份額流失，是技術變革顛覆，還是組織效率遲緩等，目前看起來各個方面做得都還不錯。
畢竟查理芒格曾經説過，“避免錯誤就能獲得成功”。