数智驱动 生态共赢
中科软科技执行高级副总裁 谢中阳
大童保险集团CTO刘晓春
长城人寿信息服务部总经理 张济天
亚马逊云科技金融行业负责人 夏珺
百度智能云金融业务部解决方案总监 梁俊锋
谢中阳：大家下午好，欢迎来到本次"数智驱动，生态共赢"寿险科技创新论坛的高峰对话环节！我是本环节的主持人，中科软科技的谢中阳。人工智能、云计算、大数据等技术的深度融合，正在重塑保险业态，推动行业向智能化、生态化方向发展。如何借助科技力量实现降本增效、优化客户体验、构建开放共赢的生态体系，是每一位从业者都在思考的重要课题。
今天，我们非常荣幸邀请到几位在保险科技领域极具洞察力的嘉宾，他们将带来前沿的实践分享与深度思考。接下来的一个小时时间里，我们将围绕"数智驱动，生态共赢"这一主题，探讨保险数智科技的最新趋势、行业痛点与破局之道。
他们分别是：长城人寿信息技术部总经理 张济天先生；大童保险集团CTO刘晓春先生；亚马逊云科技金融行业负责人夏珺先生；百度智能云金融业务部解决方案总监梁俊锋先生。
欢迎大家参加这个节目，按惯例还是先介绍一下规则，由我来提问，希望过程中能有一些互动，包括前后和左右的嘉宾都有互动，比如前面提到的问题后面有呼应的话能加强我们分享的效果。以前发生过，就是前面嘉宾忍不住了说，我们现在这么苦，大模型厂家不能做点贡献吗？这种隔会喊话也欢迎。
第一轮问答的是共同的问题。首先先做一下自我介绍和公司介绍，然后回答第一个问题。
虽然是共同的问题，但大家角色不同视角也不同。作为保险企业，近一两年来公司落地了哪些数智化的应用，做为互联网大厂，近一两年来帮助险企落地了哪些数智化的应用，这些应用在实践过程中有哪些亮点？解决了哪些痛点？遇到了哪些困难？如何克服的？
首先有请大童保险的刘总。
刘晓春：我们大童保险在AI应用方面做了一些尝试，主要是三个方面，一、面向销售顾问端，二、面向C端客户端，三、面向内部员工端。
比如说面向顾问端我们做了大量的智能化应用，实现了从客户拓展到团队管理，到产品的学习，以及客户的方案制作到客户的经营，我们都做了应用。在C端，更多是聚焦对所购买的保险服务的理解和解读，以及售后理赔的咨询服务上。员工端更多是提升内部员工的工作效率，我们也用了RPA技术做了财务报数的自动化的工作，人事考勤的统计等等，我们做了很多自动化的流程应用。
在智能化应用过程中，还没有马上见效、没有特别亮眼的地方，但是做的过程中遇到了一些挑战：一、是我们实际落地的应用和用户的期望落差之间如何应对的问题。整个AI无论资本层面还是社会大众认知层面，其实都是非常火非常热的，大家都相信AI能解决非常多的问题，但是今天我们全行业不仅仅保险行业，落地的很多应用跟真正的用户使用过程中是有落差的，这个怎么去规避或者降低这个落差，我觉得是从业者需要深度思考的问题。
第二个挑战，在AI这个时代，尤其对科技从业人员来说，我觉得需求分析的方式方法跟原来相比是有巨大的突破，我们原来在传统软件行业，在过去需求分析都会有需求部门、有业务部门提出需求，在今天AI的时代，我觉得我们科技条线的伙伴不能坐在那等这个需求的产生，其实我们需要更多亲身入局，这是因为AI是技术条线研究的更多的，我们应该主动思考怎么把一个新的技术，一个革命性的技术应用到服务的企业、行业里面，所以需求产生的逻辑或者方向应该产生巨大的变化。
第三个挑战，是要考虑如何解决合规和安全问题，尤其在现阶段很多类似像大童保险这样的机构，要大规模投入AI其实有很大的成本投入的考虑，如果做私有化的大模型部署或者自己建自己的大模型的团队，这个成本非常高，如果在最低的成本投入下，又能做好AI的应用，又能解决数据安全的问题，这是科技从业者需要深度思考的问题。
张济天：我是来自长城人寿信息服务部的张济天。长城人寿是2005年成立的一家全国性人寿保险公司，致力于成为“中国家庭风险保障服务商”。今天探讨的主题是数智化，在推进数智化的过程中，我们一边探索，一边也遇到不少问题和挑战，同时也有了一些新的思考。可以说，长城人寿最近几年的数智化建设正处在一个新的分水岭，过去几年，我们执行的是上一轮信息化规划，今年是它的收官之年，而未来的几年是下一轮规划的开始。在上一轮的信息化规划中，核心目标是“做强中台、提升用户体验、提高系统绩效”。未来五年，主题会更多体现到“数智驱动”上，即如何通过数智化去重构保险的业务流程。
在过去建设信息化的过程中，我们实现了从信息化到数字化的逐步转变，我们把体系结构分为四层，是大家都比较熟悉的基础层、中台层、能力层、前台层。这里面特别要提出来的是中台层。过去几年，我们和中科软一起，重点建设了可以支撑家庭保障体系的新一代数智核心和数据中台；我们还正在同步推进智能中台的建设，从而把中台层的基座打得更扎实。
过去五年，我们在前台层尽量做统筹，给客户提供更好的服务，给我们的合作伙伴和代理人提供更好的赋能，这就是ToA、B、C的前台层，把已有的能力尽量统筹建到前台层里面，让大家用起来更高效、更简单。
下一阶段，我们最迫切的任务是向数智化“要价值、要成果”，这可以从两个角度理解：一是“怎么做数智化”，二是“如何衡量数智化带来的价值”。关于“怎么做”，其实过去的实践已给出清晰路径：首先明确目标——到底是提效率、强服务还是促营销；其次夯实底层、做强中台、简化前台；同时，在信息化向数字化过渡阶段，提前把数据治理到位，为未来的数字化与智能化奠定坚实基础。
此外，要把数智化成果真正拿到手，还要做三件事：一是先跟业务部门把目标对齐；二是把建设的目标KPI理清楚，要把项目或系统跑起来，要把数据积累起来；三是最终实现价值的落地。这里面有两个关键点：一是怎么样去做好业务和技术的协同，二是我们怎么样去形成一个评估的机制。业技协同方面，首先要定目标，比如业务部门得想清楚要什么、要怎么和IT部门一起去推进工作，最后才能拿到理想的结果。建立评估机制方面，量化、软性、硬性指标都要有，要有专门的管理组织，还要制定清晰的量化规则。这是对数智化怎么获得结果的思考。
总结：未来的数智化建设，依然是一项高度体系化、工程化的事务，不仅涉及顶层设计、流程改造和系统落地，也与组织能力与人员能力密切相关。因此，我们希望在数智化建设基本理论的指导下，把问题看得更透、解决得更好。
谢谢！
夏珺：我是来自亚马逊云科技的夏珺，非常高兴参加这次峰会，在论坛上和各位专家一起做交流也非常高兴。
首先快速介绍一下亚马逊云科技，我们是全球最大的公有云服务商，我们一共有37个Region，117个可用区，在全球245个国家提供公有云相关服务。亚马逊云科技是在2012年在中国开始正式发布中国的公有云服务，现在在中国13个年头。
我是负责亚马逊云科技的金融行业的中国区的负责人，我团队主要服务中国的金融企业，同时在中国的业务有公有云等众多基础设施服务。第二是帮助中国金融企业和金融科技企业出海，为他们走向全球时在海外需要拓展业务的时候提供公有云支持。第三、为全球的金融机构进入中国提供相关的服务支持。
其实行业化一直是过去五年来亚马逊云科技重点讨论的话题，金融行业也是亚马逊在各个行业中全球来看仅次于互联网行业的第二大行业，我们行业化的核心逻辑就是应用场景，就是帮助客户在数字化转型找到一些更新、更有价值的业务场景，实现数智化，带来更多的业务价值，这是行业化的整个策略的重点。
回到今天讨论的主题就是数智化和相关业务场景，我想先介绍一个案例，提到应用，首先亚马逊是一个公有云平台，我们并不负责应用开发和应用实施。但是今天主题叫合作共赢，这也符合我们生态建设的大的策略，就是我们会和行业相关的咨询合作伙伴、应用开发商、集成商建立强大的生态系统，更好的为行业客户提供服务，这是一个很重要的可以为行业提供价值的基础。
举个海外例子，我们帮助保险行业的客户做了持续的转型，有一家成立于1845年的非洲的保险公司，我们从2022年开始为这个客户提供全面的服务，当时是数字化转型，而不是数智化转型。我会一步一步介绍整个案例，第一步帮他实现了云原生应用改造，帮助客户把从传统平台做了完整的原生应用和下移。
第二步我们做了数据驱动的决策系统，我们通过利用云平台的数据湖，我们S3数据的一系列数据工具，帮助客户打破了原来的数据孤岛，实现了完整的数据仓库，更好地为业务做支持。
同时我们在刚才提到的计算平台应用以及数据平台上提供了安全合规和可靠的相关技术支持，包括使用我们的AWS的一系列的合规工具，帮助客户满足当地金融监管机构的数据合规的要求，数据治理、数据安全，在这些基础上在2023年以后开始帮助客户做一些智能化，基于AI技术的应用转型。
2023年到2024年第一步做的是保单自动化、客服助理相关的比较简单、频次比较高的服务，随着技术不断演进，在2024年-2025年帮助客户发布了在线的保险销售系统，这个系统核心是把客户、保险专家、保险代理人以及保险客服机器人组合在一起形成了网上在线的实时保险咨询下单的完整机制，后台整合了生成式AI的技术和知识库。通过这个过程我提高了保险销售的速度和准确性，客户认为这是非常成功的案例。
第一、我们帮助这样一个非洲保险公司实现了千万级的非洲最大的金融云平台。第二，他的基础架构运用实现了从五天理赔时间缩短到不到两天的标准，整个运营成本降低到50%，并且这个案例反向输出到欧洲，成为非常重要的案例，这个案例可以和各位分享，我们通过我们的基础架构和合作伙伴一起为保险公司提供完整的服务。
谢中阳：亚马逊是我们头部ISV学习的榜样，亚马逊比Oracle更贴近用户了。
梁俊锋：很高兴跟大家交流百度在保险行业的实践案例和技术分享。
百度主要业务分为三个条线：一、传统搜索业务；二、百度智能云，百度云跟其他云不太一样，为什么加智能两个字？其实百度在All in AI里面走了很长时间，百度每年大概20%几的研发费用在AI时代去投入，近十年投入1800多亿。百度在AI时代金融行业解决方案去年IDC也排名之一，今年上半年我们跟很多金融机构去合作、去落地了一些项目。第三就是自动驾驶，萝卜快跑走向全球，包括跟Uber合作、国外政要都会来百度体验自动驾驶。百度一直在坚持在AI这个赛道耕耘。
在金融行业里面我们一些落地案例还是分为四层架构来讲：首先在底层的芯片这个赛道，其实大家原来听得不多，就是百度为什么做芯片？但其实百度芯片在内部研发了十几年，今年也是行业里面比较热门的爆款，大家看到在今年上半年金融行业采购比较大的国产GPU，像招行、中信、百度昆仑芯都是作为第一份额的选择，也是行业里面今年性价比最高的芯片。
我们回答一个问题，就是智能云时代我们GPU云和CPU云有什么不一样？CPU时代解决的是弹性伸缩的问题。但是GPU时代它的架构会更加复杂，不同国产算力卡，卡和卡之间互联和架构、通信网络、算子库都不一样，如何在复杂网络上构建可靠的算力，这是很重要的命题。包括百度承建了国家级的万卡集群的算力中心，这个我们也在跟像招行、上海银行这些机构在做智能算力云的解决方案。
算法这一层，2023年百度率先推出文心一言之后，现在百模大战越来越激烈，每家发一个版本，下一周我会迭代另一个版本，竞争比较激烈的赛道。我们在6月底推出4.5的开源版本和X1的开源版本，我们也希望跟更多的金融机构去联合基于开源的版本和算法，解决行业最后一公里的问题。
关于模型的调优和蒸馏等工具链的角度，我们在AI中台时代，金融行业80%几的客户都是选择跟百度AI中台合作，包括招行、北京银行等等，包括泰康等等这些头部的机构。我们在AI中台做的时间比较长的。
再往上面向应用这一侧，百度原来自己做了很多应用的探索，包括我们的代码助手，执勤去年在金融机构落地智能体应用，可能两个比较关键的领域，一个知识问答，一个是代码助手，这是必答题，泰康等做了一些支持中台的落地。在代码助手落地比较多，今年开始我们会把代码助手变成对话式的智能代码，让不会写代码的人也能自动写代码。
今年618比较火的是，百度在自己平台里面，罗永浩用自己的数字人打败自己个人的业绩。百度在应用探索中做的很多。
另外就是面向保险代理人和面向客户经理，我们也推出了度小宝，我们帮助很多保险代理人可以生成他的营销话术，解读保险产品概要，包括总结产品的一些亮点，来解决对客户的服务交叉销售的问题。
另外一个就是在核心业务领域，包括理赔，包括核保等等行业里面，我们在做票据的识别、保险单据识别，在真正核心业务层面去帮助保险在效率上和增益上做了很多科技的落地。
其实我们认为，大模型还是工业革命的时代，无论在对客户服务上我们发现对客户的服务经理的效率会大大提升，第二在核心业务上，比如说理赔准确率上，票据识别的准确率上，大模型带来的改变是革命性变化的，可能传统的OCR的识别率是基于小模型套模板去识别，但是大模型具备推理能力，我们看到在一些诊疗的单据上发现一些写的字不是特别规范，但是大模型通过识别上下文可以自动补充出中间的文档，它的准确率会大幅度提升，所以我们还是坚信这个行业大模型是工业革命化的趋势，这个趋势里面我们需要解决最后一公里落地的效率和落地效果的问题。
谢中阳：百度作为平台厂商，知名度是足够高，大家耳熟能详，但是行业落地方面，我们感觉接触得不够多，我也希望你们多参加我们这个会。
大童保险可以介绍一下，作为保险经纪公司，在数字化转型方面取得了显著效果，保险经纪是连接保险公司和客户的纽带，大童是如何通过科技手段重构保险服务生态的？这恰恰符合了中科软的保险+理念，需要生态的协同。大童构建保险+生态过程中如何与上下游合作伙伴协同创新的。
刘晓春：中介行业是属于保险行业的一部分，主体数量很多的。像我们大童这么一家公司要去建一个科技平台，改变保险服务生态，其实是一个很困难的一件事，也是需要下大决心的事，所以我们公司要做这个事情的第一件事就是先解决原动力的问题，这个其实要追溯到2014年，2014年以大童董事长为首的管理层负责公司经营时，我们内部做了充分的讨论，问了几个问题，就是在当前整个中介小且落后的一个局面下，我们大童应该做些什么能够提升中介的作业效率，能够改变我们中介行业当前的落后的现状。
第二个问题是我们如何做这件事的同时还能给大童的品牌加分。
第三个问题是我们在做这个事情的时候，未来长期能够形成大童在这个市场上与其他竞争对手有明确的护城河优势的。
第四个问题是我们投入是长期可控，并且效果应该是能够可预见的。
四个问题讨论下来的最后只有一个答案，公司只能走科技平台路线，用科技改变公司的业态。这是从原动力上，从公司管理层到执行层就统一了，因为毕竟科技平台建设是长期的过程，如果这个不统一，这个原动力上大家不明确是很容易出现问题的。
具体怎么做的时候，我们分了三步走：一、先把我们大童下面所有业务做线上化，当时我们专门成立了以公司二把手为代表的OMO项目组，专门负责我们公司所有业务环节，只要是在合规合法的条件下，能够做线上化的，我们统统要做线上化。目的是为了第二步，要做数据化。因为线上化的过程我们一方面是能够提升效率，第二部分就是线上化的过程能为企业产生大量数据的过程。一方面有很多结果数据的产生，更重要的是能够产生大量的半结构化或者非结构化的数据，这个过程为我们走进第二步数据化时代打下了非常好的基础。
在数据化时代我们公司专门成立了数据产品部，我们把数据当作资产，如何在数据资产上面挖掘出利用这个数据能够对我们服务的保险顾问、客户产生在保险以外更多场景的价值。这一块目前正在进行过程当中。
第三是智能化。本来是线上化，然后走数据化，再走数智化。现在因为太快了，我们两头同步在走。这是如何来建我们的科技平台，来为大童保险服务生态来做赋能的。这是规划层面。
第二层面，如何在过程中如何和合作伙伴一起协同，可以从两个方面：
一、业务生态上，从保险加上合作伙伴一起寻找能够互相契合的产品或者服务做整合，能够为客户、为保险顾问产生更大的价值。举个例子，我们最近做了一个事情，我们公司是会帮助保险客户做理赔的，我们有个“好赔”服务。跟第三方专门做健康管理的合作伙伴合作，我们就看中了他们的重疾医疗规划这个产品，其实他们一直找不到这个产品到底怎么推广，怎么销售，其实这个服务是非常好的，很多时候我们普通人跟医疗资源打交道比较少，假如说家里有人得了重大疾病，尤其符合保险重疾理赔的要求，这是很严重的，其实很需要国内甚至国际的一些著名的医疗专家来一起帮助做治疗。我们就把这个服务跟“好赔”服务结合在一起，我们客户有了非常好的体验，理赔管理同时还给家人得到了治病的治疗方案，超出预期的服务，整合后形成1+1>2的效果。
第二，我作为科技条线的负责人，从技术角度来说，我们跟中科软，或者我们跟百度云的合作，我觉得我们还是要做专业化分工。我们双方自己做自己最专业的事情。举个例子，就像今天上午咱们中科软张荣技术总监说的做提示词工程，中科软做人工智能的提示词工程。但是像我们大童，我们自己建大模型这个底座，这不是我们应该做的，我们应该找华为也好，找百度也好，找阿里也好，这是他们最擅长的。
再比如说我们现在做小模型非常火，甚至我们觉得做小模型也不是我们重点做的事情，我们做小模型是可以跟中科软合作，因为这是中科软擅长的。我们应该做的是什么？我们应该是跟保险业务密切相关的，我们最了解保险代理人他会问什么问题，我们知道客户会问什么问题，我们知道保险代理人跟客户问的问题之间的差别是什么，我们更应该做提示词工程，我们更应该去做流程的编排，这是我们应该要去做的。
谢中阳：你们也做了中台，数智应用对于高质量的数据如何积累和获取非常关键，刚才张荣也讲了，作为广义的行业应用软件的体系架构，除了结构化数据以外，需要扩展半结构化数据和非结构化数据，对于多信源、多模态的支撑。请张总介绍一下你们在中台建设过程中，在系统架构方面是怎么升级改造的？
张济天：这一点我们比较有感触，不同公司在不同的时间阶段一定有自己主线目标，有自己的主要任务。在长城人寿，我们把信息化建设整体分成了三步走：信息化、数字化、智能化。信息化阶段，我们最重要的标志是建成了新一代的“数智核心”。核心系统解决了数据采集的问题，所以在这个阶段，我们花了很大力气对核心系统做了完整的升级改造，把信息化时代数据采集这最关键的一步走扎实了。这也是我们中台建设迈出的第一步。
第二步在数字化时代把做数字中台视做奠定基础最重要的一步，数据中台的建设是长城人寿在做大量数字化应用实践之前，进行的非常有价值、有意义的一步。当时公司领导很有前瞻性地提出了数据中台的目标。我们可以看到在行业里面，不同公司对于早做还是晚做数据中台，也有不同的选择。但是你也会发现，智能化来得这么快，你在推进数字化转型和智能化应用时，如果早做数据中台，你可以得到更大的收益。
我们的数据中台也是和中科软联合建设的，一方面在技术层面做得相对比较深，既有数据湖，有数据仓库，同时数据实时、非实时抽取都在一个统一的平台基座里完成，通过数据中台，我们把公司各个系统的数据，分层的在数据中台里面去存储了。比如各个主题域，包括监管报送和业务分析都要用到的数据，在数据中台进行了沉淀和积累。所以数据中台也确实能够实现刚才谢总提到的各项功能：第一打通了各个系统的数据孤岛，第二把客户的海量数据存储在里面，第三，我们也能把过去非结构化的数据进行统一的存储。
有了数据之后，难点在于怎么获取高质量的数据，或者说怎么积累高质量的数据，这一块我们也能看得到，因为有了AI技术，我们过去觉得这些海量数据，不管是结构化的、非结构化的，特别是非结构化数据，它的价值没有体现出来。有了AI之后，我们可以体会到，通过AI更便于把非结构化的数据价值挖掘出来，因为它可以代替你做各种检索、分析、总结。
数据的质量到底好不好，还是有赖于信息化的基础建设，我们核心系统源头的数据质量肯定需要做一些梳理。另外，在高质量的数据准备上，还需要专业的团队，比如我们需要大量的数据科学家，如果我们产业侧，可以培养输送更多的数据专家，或者提供一些关于AI数据质量处理的通用模型、公共工具，对我们帮助也是非常之大的。因为我们在做AI建设时，可以发现哪怕做一个非常简单的问答助手，也需要仔细看看背后整理的知识库的数据是否精准和有针对性。
总结一下，在AI的时代，关于中台的架构，关于数据中台未来应该产生的价值，我们认为，从数字化到智能化进阶的过程中，长城人寿的数据中台一定会发挥越来越关键的作用。
谢中阳：确实，这些新的数智化的应用需要对我们的广义行业应用软件有一个架构级的提升和完善。长城是用了折中的方式，同时满足了结构升级和中台建设，这是大家普遍可能会采取的分步走的方法，希望后续有什么进展跟大家分享。
夏总，刚才您也说了，咱们负责了很多海外的应用支撑，也给国内的这些企业出海又做了很多咨询帮助，积累了很多经验，我了解对于在座的很多国内的保险公司，也有出海的需求，您给大家也做一些分享。
夏珺：我从全球的保险企业的运营再到中国企业出海来看，我们亚马逊云科技如何来帮助到中国的保险机构和保险科技企业出海这样一个脉络做一个介绍。
首先我们看到的是，全球保险金融机构，我们有很多客户，举个例子，像安联等公司一般会在全球有个完整的展业，我们看到有三个方面的基本全球展业的要求。第一，技术架构层面来看有全球统一的技术架构，同时也是在多个区域，指的是多个大洲早实现完整部署，这是完整技术架构层面来看。第二，他们有全球的统一数据治理，这个数据治理，包含有企业内部合规的数据治理，同时满足所在国相应的数据保护、数据安全以及金融合规的要求，整个的这样一个标准建立起这样一个完整数据合规的架构。第三，需要对应地建立全球的运营体系，如果跨洲运行有一个运营中心，就能更好地支持全球运营。
从中国保险企业，我们看到一些头部保险机构，包括保险科技企业他们走向海外时我们看到面临一系列的挑战，包括国内技术架构如何迁移到海外技术架构。第二，当地本地的资源如何获得。第三，如何了解和满足当地的数据合规和金融合规的要求。这一系列都是挑战。
对于亚马逊云科技我们也给出了对应的支持，也获得了一些很好的案例和实践。我们会从三个方面来进行对应的支持：
一、我们帮助客户做架构层面的梳理和设计，指的是技术架构，可以更容易国内整个技术架构在海外实现落地，前提是我们在全球有一个分布在245个国家的技术上完全一致的非常高效的稳健可靠的云平台。同时我们也会提供专业服务，帮助客户实现基础架构层面的迁移。
二、我们有一个全球非常强大的生态网络，对于中国金融机构出海时首先选择国内金融科技服务商，像中科软的公司，共同做联合的解决方案，去面对目标国相关的保险企业在当地开展业务所需要的业务系统，包括应用梳理，包括当地场景应用开发等等。
三、提供当地本地化的支持，更好的保证当地的基本运营。
所以我们也希望和中科软这样头部的金融科技企业共同找到一些帮助中国金融保险企业走出去联合的解决方案和服务架构。
谢中阳：我们深有体会，在国外大量的企业的业务系统都是跑在AWS的云平台上面，应用咱们的PaaS或SaaS服务，大家有这方面服务需求可以找亚马逊来合作。
梁总，因为上午华为和腾讯做了全面的AI相关产品的介绍，所以给您个机会介绍一下百度的相关产品。
梁俊锋：行业大模型这个命题，金融机构的核心竞争力是什么，如何保持自己的核心竞争力，我是把模型侧做好，还是算力侧做好，还是应用侧做好？从模型增强版角度来看，去年来看，像工行、招行等花了很多钱做增强版大模型，大家面临一个共同问题，比如说文心一言、DeepSeek一更新，咱们增强版看不出来大的差距。今年我们发了行业增强版，汇金大模型行业增强版的模型，我们去实测发现在金融场景里面确实比开源模型要强很多，因为有很多专业知识在里面沉淀，但是这里面面临最大的问题就是刚才讲的逻辑，就是到底用什么数据来做增强，什么知识做增强？如果是用一些外网搜到的知识或者是公开市场买到的知识，其实DeepSeek也好，文心一言也会买，所以你很容易变成中间的过度产品。
我们现在发现一个核心问题，在这个领域里面其实还是要做的。明年看到两个重要的趋势：一、大模型的面客，在保险监管没有完全放开，银行已经放开了，像招行、上海银行跟监管报备，大模型直接对客。这个过程中面临核心问题就是意图识别准确率问题，在保险行业面代理人、也面向同行的问题，我们可以看到用开源模型做意图识别时发现其实并不好，多意图准确率在60%以下，基本上属于不可用的状态。也就是说大模型如果在去年还是在智能体探索阶段做一些问答，做一些代码助手等简单的辅助性工作，其实感受不到开源模型和行业模型的真正差距，真正到生产最后一公里阶段你会发现，无论是在意图识别，还是在理赔、核保场景里面，它的准确率和识别率开源模型和行业增强版是差距非常大的。
我们在做代理人助手的时候，我们做了大量的知识增强，包括把行业的KYC的能力，比如说百度有一些对于客户的标签画像，比如说这个人经常搜的标签应该推什么保险。
另外就是一些QIP的东西，比如说不同保险产品、不同的险种和疾病这些知识如何去增强，来做沉淀得到效果，会比开源模型强很多。
我们还发现一个很重要的问题就是评测标准问题，其实上次国外有篇文章，在大模型时代，到这个阶段真正落地阶段发现问题和评价问题比你解决问题更重要。就是如何衡量一个大模型的好坏，我们人肉评价DeepSeek和现在开源的模型基本上很难评价这个大模型之间的差距有多少，但是真正评测的时候，真用专业场景解决问题的时候差距就很大了。
所以现在公开的金融行业的评测集，包括上海银行，包括人行等等这些机构他发的金融评测机构大多数都是面向一些客观题，比如说CFA等等公开的客观题去回答，没有解决的问题是，这个行业里面怎么评价大模型这个回答问题是好还是不好。包括保险代理人场景，一个优秀的保险代理人回答话术转化率跟一个初学者转化率差距是3倍以上。
在这个领域里面，百度应该做百度专业的事，中科软做中科软专业的事，保险公司应该做保司专业的事。保司有的东西是行业里面隐性的专家知识，这些知识非结构化知识未必在系统中，还在专家脑子里。我们跟一个金融机构去做行业增强版时，发现真正授信经理脑子里，这个客户通过还是不通过，真正高质量数据从脑子里面蒸馏出来，去做增强版得到的效果非常明显的。
另外一个，保险行业沉淀的一些专业的知识去跟咱们真正大模型增强版去结合，带来效果非常好，所以在保险领域里面，在保司做的事情，如何把知识结构化和非结构化，包括隐性的知识去沉淀下来，让数据飞轮转起来这是非常重要的核心能力。
另外一个，像中科软这样的保险科技头部企业，具有很强的工程化落地能力，因为我们在做意图识别这个场景下，并不是开源模型或者通用模型能解决的问题，有些是小模型，有些是大模型，有很多需要智能体工程化解决的问题，比如说你跟客户对话的时候、面客时，你给客户回答问题你一定是在500毫秒以下，大模型大部分回答是在3秒以上，这种情况下不可用，这个如何用大小模型结合，比如说这个大模型回答问题的准确率、幻觉率怎么解决、安全围栏怎么设置，这个需要行业Know-how和行业解决方案工程化落地，所以这是咱们三方共同去好好合作解决的问题。
百度可以解决的问题就是我们有专业算法人员，我们有专业的模型调优、模型蒸馏的人员，保司有行业的专家和数据，保险科技公司有它的专业的工程化落地能力和行业解决方案能力，所以三方应该坐下来围绕某个场景去解决评价标准问题、工程效果问题，真正为行业带来比较好的数智化落地应用，解决好最后一公里。只有解决了投入产出比，解决了效率问题，解决了效果问题，才能回答我们的CFO、我们财务总监觉得大模型投入这么多到底带来什么价值的问题。所以这个也是一个呼吁，也是一个畅想，希望把我们算法能力走出最后一公里，我们希望有更多的伙伴加入进来，我们一起来协同解决这个问题。
谢中阳：您的畅想恰恰呼应了今天的主题，我们需要生态共赢，因为确实是只有大家通力合作，让数智化应用大面积实实在在地落地才能焕发出我们这个市场的青春。
最后一个问题，是共同的问题是畅想一下未来。现在有很多种说法，在AI这个领域今年是AI Agent以及行业AI应用落地，以及多模态的AI应用等等都是爆发元年，今年会有大量的这方面应用落地。厂家都非常兴奋，有很多都跌倒了爬不起来了，仍然有很多后来者前仆后继。
中科软下午做了广义行业应用软件的体系结构之下的寿险AI原生应用最佳实践的介绍，我们做了好几年的沉淀，希望能尽快落地。同时我们认为AI Agent以及多模态AI应用离面向客户，通过监管机构的评测标准，确实还需要走更多的路。也希望听听大家的观点，是这几个方面还是有更期待展望的新的科技创新能够展现出来？希望听听每个人的观点。
刘晓春：我们更倾向于做广义行业应用软件的落地，这个方向更契合保险机构。为什么怎么说呢？还是呼应我刚才前面说到的跟合作伙伴之间专业化合作分工的问题。因为我们擅长的其实是找到我们这个行业，我们自己作为中介公司在这个市场上最擅长的，就是找到在这个场景里面用人工智能怎么落地，这是我们最擅长的。就像下午人保寿的领导分享的，首先把我们自己内部企业所有流程全部梳理一遍，这是寻找业务场景落地的过程。我在这里多讲一句。结合自己理解，除了筛选这些应用场景，我们更重要的还是在梳理出来的应用场景里面找到重点突破的方向，因为我们能找到的场景，客观来说是非常多的，确实是所有场景都值得用人工智能重做一遍，但是任何一个企业资源都有限，如何在梳理出来这么多场景里面找到我们当前阶段最适合进入AI应用的场景，其实这是非常考验我们公司的科技人员的决策能力的。
如果我们已经确定好了落地场景之后，我们就要再进一步细化，在这个场景里面你这个需求到底是不是确定的。其实我们很多时候都在梳理，过程中有时候梳理出来很多不真实的或者片面的需求。我举个不恰当的例子，现在有很多公司一上来可能都看到了我们要做智能投顾，这个看上去确实客户非常需要的功能、这个场景，也是保险代理人非常需要的场景，所以我们有一些公司直接就出来了这么一个应用，我们代理人输入客户的一些需求情况、家庭信息，很快出来了一个客户家庭的完整风险解决方案。但是我自己私下交流看，大家都对这个效果都觉得不是特别好，无论客户端还是保险代理人端，其实他们落差还是有点大。
我当时也认真思考了一下，我的结论是这个确实是一个需求，但是不是一个特别真实的需求，这个需求最真实的偏差在于什么？偏差在于其实无论是我们客户还是顾问，他们要的不是这个风险解决方案本身，风险解决方案我们可能用Excel表，把养老金、百万医疗、教育金做个罗列，以前可以以Excel形式呈现出来，现在以对话形式来呈现。但是客户真是需要这个呈现结果吗？不是的，其实客户需要这个结果产生的背后逻辑。客户只有认同了这个逻辑，他才会认同这个结果。所以这个时候我们要做智能投顾，我们不是仅仅最终出来一个保险产品的组合方案，而是你要跟客户讲清楚我这个组合方案产生的真正的背后逻辑是什么。同时让客户得到认同，这个时候他才会真正认为你解决了他的问题。
同样问题放到保险代理人端，在保险代理人端问这个问题的本质就是因为要向客户来宣讲保险方案。如果我们人工智能出的这个解决方案，背后逻辑我们代理人自己都不知道，请问他如何去跟客户去讲。
我举这个例子大家就有点理解了，为什么很多需求场景其实不是确定的，所以说我们大童还是非常慎重，我们内部强调小步快跑，我们认为真正理解了我们代理人、客户他们最真实的需求，我们再去做，这样我们把这个应用落地之后才能更好的呼应一开始说的挑战，就是怎么降低我们上线的智能应用跟用户之间巨大的落差问题。
张济天：我非常认同刚才谢总的观点。长城人寿在AI方面还处于起步和探索的阶段。在刚刚之前的演讲中，何总和郝总也分享了他们在AI领域的实践和思考。我们一方面深信AI未来一定会带来非常大的作用，甚至是颠覆性作用。另一方面我们也需要面对现实，它现在能做什么？能做好什么？这是我们还在摸索的问题。借用一个通俗的比喻，AI发展有一定的阶段，最开始AI是一个通用的专家，可以解答一些知识，但如果在你深耕的专业领域，AI可能不如你。第二阶段，AI是非常专业的专家，在你擅长的领域，它也可能超越你。第三阶段，AI可以协助你做一些事情了。第四阶段，它可以独立做一些事情了。每一次递进，都离不开谢总提到的Agent、多模态等等技术。
但不管是内部用户还是外部客户，他们的需求一定不满足于初步的阶段，他要的是“帮我把这个事给办成”。那么，像Agent、多模态技术，还有郝总提到的MCP技术，它们是否能够组合起来，真正去办事呢？我们相信未来一定可以做到，但具体什么时候能够做到，目前还需要一些研究。举个例子，长城现在也在做一些关于AI应用场景的探索，比如说我们在做“知客”系统，它的目标是洞察客户需求，那么一定要先知道这个客户的背景，这个背景信息既有结构化数据，也有大量非结构化数据。有了数据之后，还要利用大模型的能力去做分析、归纳，甚至预测，最终给代理人提供关于接触这个客户的策略建议。这是一个很好的场景，我们希望通过“知客”，去看看现在Agent、多模态等技术，能够在AI应用场景上起到什么样的作用，现阶段是否能够达到预期目标。
具体实现方面，基于生态共赢这个观点，以长城自身为例：一方面我们希望大模型基座能力不断进化，不断增强，另一方面，希望有一些集成能力非常强的科技公司，能够解决保险公司不擅长的技术细节，比如小模型的构建优化等，再结合保险公司在数据积累和应用场景理解方面的优势，联合起来把AI应用好。
谢中阳：需要一步一步来做，刚才分享的案例里面也强调了大量的比如说现在比较成熟的，RAG知识增强生成的方法，先积累自己的标准答案，这是目前更快的最实际的方法，其实数据需要经过大量的自动标注、识别、筛选等等这些过程，在大量的知识积累成果之上才能够逐步的落地一些有限的应用，这些经验积累非常宝贵，经过不断的积累才能逐步解决可用到好用，希望大家共同努力，加快进展。
夏珺：从亚马逊角度来讲我们看到AI在今年以来的趋势。有一个主要观点是，我们看到在全球金融行业范围内，AI应用创新已经越来越多的嵌入到金融行业的核心应用中，发挥了越来越多的作用，这个趋势非常明显。从小模型到大模型，到生成式AI，以及到代理模型这种智能体的应用场景，整个迭代速度非常快，不断在迭代之前的创新模式。
我们把整个AI分成三个层面：一、算力层，二、平台层，三，应用场景层。
第一，算力的堆积以后大模型的能力会持续迭代，它的泛化能力各方面能力提高的话，对原来设想的会带来冲击。
第二、平台层面，这是生产应用大量使用AI的非常关键的点，为什么这么说？我们一直坚持一个观点，没有一个模型可以适用所有场景，甚至一个应用场景内需要多个模型的组合，就像意图识别，到内容生成，我们一般常规的是有两个不同的模型，不同参数的模型做一个组合，这样实现最高准确率和性价比。
所以中间平台提供多个模型，多代理的管理，同时相对应的一些数据集成、前端数据整合的安全机制，这些都是这个模型AI平台必备的技能，这样可以大大便于应用开发商，我们最终客户去使用AI技术。
另外有一点非常重要就是关于合规，在我们平台上我们看到，如果平台上提供一些基于合规提供的自动化检测，我们现在提供了自动推理检查的功能，这个功能一发布所有海外金融机构非常有兴趣，他们意识到这是一个非常好的可以消除模型自身带来的幻觉，提高模型输出准确度的机制，这一系列的机制可以在金融行业生产应用里面变得非常重要，而这个能力由平台提供效率是最高的。
第三，具体场景来说，现在我们看到今年以来有一个非常大的客户市场的趋势就是基于人工智能的代码开发，我们知道我们自己的普遍观点是说，大规模的AI的使用以后，整个代码开发的效率可以提高到3-5倍，对最终用户来说，对应用开发商来说可以提高产品迭代和创新速度，这个会带来颠覆性的考虑，就是我们客户可以更多挖掘从前端反馈的痛点，我们应用开发商合作伙伴应该可以基于行业的Knowhow，然后基于这些流程分析，通过这种方式可以更直接从产品经理的角度快速实现产品迭代，一些好的创意和想法可以通过AI辅助工具快速实现，这种快速试错的机制是原来开发模型里不存在的。这个会带来非常大的影响。
另外一点，金融行业相关的一系列的基于AI做创新数字化创新功能的提炼，我们认为它是应该要深入嵌入现有的业务系统中的，这个也是依赖于应用开发合作伙伴和平台像云平台这样的组合，共同向客户来提供。
梁俊锋：从技术趋势上来看，从算力这一层，我们看到近期的摩尔定律会加速，就是原来是18个月翻一番，现在是每10个月性能翻一番，到明年这个算力会更加便宜，就是技术平权在持续。
第二，算法迭代上，现在周周有更新，日日有更新，所有模型都在迭代。我们看到去年有某些大厂咱们跟中美之间的差距有两年。今年开始哈弗研究说我们三个月，近期可能更快。另外近期我们看到谷歌发布了AlphaEvolve，就是模型进化的算法，在一些特征挖掘和风险模型自主迭代的方式我们持续在跟一些客户在共创。所以这里会带来很多算法侧的迭代和更新。
在智能体这一侧，其实在应用侧来说，一个AI的原生应用到底带来什么革命性的变化，现在看起来首先在搜索领域就是很大的革命性变化，尤其对百度来说，包括元宝、豆包等等对百度挑战很大，我们推出了AI搜索。整个从大模型原来可能是知识的问答，现在百度发布了一个模型，从能回答问题的，变成一个任务中枢，变成一个超级指挥官，包括MCP、A2I等协议，我们看到未来可能入口会变化，未来可能一人手里就有一个保险代理人的独立APP，就自己找不同的产品，做不同产品的比价，根据我的需求做我的保险规划和计划书。可能未来的浏览器不是现在网页浏览器，是MCP浏览器，是超级助理浏览器，这个会带来非常大的变化。我们现在已经可以期待它的出现。
我们个人认知是一个真正的AI原生应用在其他行业已经在发生，在金融机构有很长的路要走。其实这里面就会看到自动驾驶这样的应用，一个很典型的AI应用，通过多模态的视觉识别迭代它的数据，它的算法会进化得越来越智能，咱们金融行业企业级飞轮转起来还有一段路要走，比如说这个客户几次点击，保险代理人一次对话，如何把这些数据迭代起来变成下一次模型决策或者更聪明，这是非常重要的、让企业飞轮真正转起来的比较好的AI原生应用应该具备的能力，新的交互、新的知识沉淀、新的智能进化。
另外从监管可以看到，第一，明年开始鼓励面客的服务、会逐步鼓励试点创新。第二，也收到监管关于人工智能试点管理办法的征求意见稿，就是鼓励算力的租用，就是鼓励咱们用算力公共云的资源解决算力云用不起和训练成本高的问题，这里面一个带来的就是算力本身的平权问题，第二还是带来数据融合问题，现在私域数据训练还是不足的，包括有很多金融机构，现在有几十条场景数据怎么把模型变得更聪明，其实解决这个场景是不够的。关于行业的数据，包括互联网的训练数据怎么融合起来，把模型算法迭代得更聪明，如果把算力共享这个事情解决，这个将会带来很大的革命性的变化。
谢中阳：今天对话中我们不仅探讨了数智技术如何驱动行业变革，更强调了生态协同的重要性，只有开放合作、资源共享才能实现真正共赢，希望各位同仁能从中获得启发，共同推动寿险行业迈向更高效的未来，感谢各位嘉宾的分享，感谢在场的聆听。以今天的交流为起点，携手共建生态，探索保险科技新篇章，到此我们高峰对话就结束了，感谢各位这么长时间的聆听。