强人工智能和弱人工智能区别

为了系统分析ChatGPT对保险的影响，本文从ChatGPT的能力出发——明确其上限和优势，然后介绍ChatGPT在保险公司应用的价值层面——明确其应用产生价值的路径，然后介绍ChatGPT的思想对保险行业的启示，最后阐述以ChatGPT为代表的AIGC技术普及的未来以及保险行业可能发生的变化。必须声明的是，本文并未使用ChatGPT——由于能力有限，不符合本文的写作需求。

1.如何评价ChatGPT的能力？

为了分析ChatGPT的能力，我们可以从其内在机制和外在表现入手。

先看内在机制，决定了ChatGPT的上限。

涉及到很多具体的人工智能技术，这里我尽量简化，介绍清楚。事实上，到目前为止，OpenAI还没有公开ChatGPT完整的技术细节，ChatGPT的技术原理都是从ChatGPT的“出生证明”的介绍中获得的(图1)。这段话说明了几个意思:

第一，ChatGPT类似于教学GPT(同胞模型)，也就是说ChatGPT可以从公布的教学GPT中进行分析；

第二，通过互动对话训练ChatGPT

第三，ChatGPT可以回答问题，承认并改正错误，拒绝不恰当的回答。

InstructGPT有公开信息(图2)，这是一个完整的三阶段步骤，是“强化学习”和“模仿学习/比较学习”的混合方案:第二步体现类强化学习，构造奖励模型(函数)，第三步使用；模仿学习一是因为它的第二种训练方法采用了排序(偏好)法(InstructGPT原论文)，二是它的损失函数的构造包含了一部分调整了权重的GPT3输出(即以GPT3为目标，形成了迭代升级关系)。可想而知，新Bing使用的GPT4也是在ChatGPT(GPT3.5)上进一步改进。从人工智能的角度来看，这是一个系统的增量学习过程。

GPT的简称是生成式预训练变压器，大名鼎鼎的变压器大有一统江湖之势——虽然现在被MLP屏蔽了，但是它对模型语义元素的提取能力已经达到了极致，更重要的是构造的多层变压器可以提取相关性的相关特征。这就是我们所推崇的GPT“写作与创造”能力的来源，但关键在于，它本质上仍然是训练语料库各种特征组合后的条件分布的排序，这决定了其能力的两个上限:

没有超领域的概念、实体和元素，比如新的理论概念和知识。需要注意的是，由于新的理论概念和知识仍然是最小的“语素”(英文是词，中文是词)，ChatGPT仍然可以根据“条件分布”排名生成合理的结果，这是本地化逻辑和语素的结合。

逻辑推理和分析不需要小声的物质依赖，比如数学。但是需要注意的是，这里的数学能力除了数学知识之外，还包括推理和分析。如果只看数学知识和概念，是无法评价的——因为我们只需要训练一个足够广的语料库(比如收录数学博士论文)就可以无限扩展。

GPT的上限很简单，然而，基于本地化概念试题元素的知识实际上已经覆盖了人类生产生活的大部分场景，一些特定领域实际上排除了法律、大部分金融行业以及加强同行认可的论文和报告的生成等超领域概念试题和元素(或者不认可)。接下来，我们来看看ChatGPT的实际表现。

ChatGPT的能力表现

因为上述原理中第三步的存在，ChatGPT的能力实际上是不断迭代升级的。这里说明ChatGPT写这篇文章时(2023年2月10日)的能力。

首先我们来看看ChatGPT的数学能力——毕竟它的内在机制决定了它应该是很弱的，甚至可以直接问ChatGPT自己。坦白说相当于小学六年级的水平。具体怎么做？我用的是标准数学能力测试的标准题库。为了防止有人“教育”它，我修改了叙述和数字，一般数学五年级水平都能及格以上。的确，如我所想，就解题能力而言，恐怕离中国的小学六年级还有一段距离——当然，它对数学的了解要多得多。

例如，这个问题:

有11个托盘，上面有370个包裹，相邻托盘的包裹数量不能相同。但是任意三个相邻包装的总数是99。第六个托盘上的包裹数量是多少？

受我的教训启发，ChatGPT开始了各种随机盲(条件概率生成)。为了尊重ChatGPT的“人权”，我们暂定其数学能力(分析推理)为小学六年级。注意区分这不是对数学知识掌握程度的判断。数学知识可以通过语料库涵盖所有可能的层面，但这就和我们都学过实变函数，但掌握的不多一样。

这个结论实际上并没有降低ChatGPT在工作中取代人类的可能性——因为大部分工作实际上对于小学五年级的数学来说已经足够了，很多工作者已经忘记了微积分和二次函数。

因为后面还要分析它对保险的影响(注意不仅仅是保险行业)，然后再来看ChatGPT的金融保险能力，真的是一个很优秀的学生。我使用了不同学科(经济、金融、保险等六门课程)的标准化试卷，与学生手工回答的试卷进行对比。最后的结论是，如果不考虑金融方面的数学知识，ChatGPT基本可以达到研究生的水平，所以国外英语测评ChatGPT通过MBA考试也就不足为奇了——英语语料库决定了其英语水平更强，所以ChatGPT使用P- translation技术来提高其在中文代的可用性。

以下是部分截图，不好回答的问题:

答得相对及格的例子：相对及格答案的例子:

另外ChatGPT在其他领域的能力也是大学或者研究生水平(图)。这意味着在很多场景下，ChatGPT真的相当于一个相应专业的本科生或研究生，他们可以完成相应的工作。

但是必须补充两点:

第一点是基于对前面机制的分析。ChatGPT没有超出领域的概念试题和知识能力。例如，当被问及我的生活质量理论时，它是“困惑的”，尽管该理论已被AGT泰康平安等国内外公司深度应用，并在全球部署了数千亿资产，影响了数十万人。原因是相关的普遍生活质量理论还局限于全球高净值人群和少数公司，我们的相关讲座也没有形成固定的文本，相应的语料很少，自然也没有“分析”能力——条件概率为0，唉，ChatGPT不懂我。

下面总结一下ChatGPT的能力表现:

文字再综合能力强；

人形语义提炼和叙事能力；

本地化知识的加工和扩展能力；

其次，新Bing使用GPT4比ChatGPT(GPT3.5)的效果更好，比如对经济话题的判断更准确。

再举一个上面ChatGPT回答的问题来感受一下GPT4的强大。这个答案几乎可以给满分。

第二，ChatGPT的能力对保险公司有什么价值？

ChatGPT非常强大，自然有各种可能的应用。这里主要关注保险公司，看看ChatGPT能产生什么价值。当然，可以列举很多场景来分析一项技术对企业的价值，但实际上并不能定义它的潜力和方向。更好的方法是将知识经济价值循环理论与情景相结合。

科技对保险的价值周期分为三个层次，分别是赋能、赋能和产能:赋能是被动引入行业领先的技术升级，互联网其实就是这一类；赋能是以价值为导向的主动技术判断和整合，一些大数据技术和隐私计算的上限就属于这一类；产能是技术集成创造的价值，保险中绝大多数技术或保险技术的上限远非如此。

为了分析ChatGPT对保险公司的价值天花板，我们从两个角度来讨论，一个是其目前的表现，另一个是其内在机制带来的价值天花板。

从目前的能力来看:

ChatGPT可以潜在地提高保险公司的全流程运营效率。通过营销获取客户，通过有效的问答俘获客户，这当然是ChatGPT的业务。ChatGPT可以用来提高渠道管理、产品设计、精算、封控、财务人员、监管、沟通等一些有限角度的效率。请注意，我这里用的词是“有限角度”，后面会详细解释；在公司理赔过程中，包括定损、客户沟通、相关增值服务、关键文档支持、相关文档撰写等。，ChatGPT也可以做一些工作。

ChatGPT缓解了保险公司的“流量焦虑”和人力销售成本压力，尤其对寿险公司而言。虽然代理人制度正在发生很大的变化，但仍然是保险公司的重要渠道。现有代理人的专业水平、基本法律制度与客户需求升级过程中的专业需求和服务需求之间的矛盾，成为寿险发展的主要矛盾。ChatGPT可以缓解这种矛盾:在业务实践中，ChatGPT可以向客户介绍公司提供的保险产品信息；对保险产品有疑问的客户，也可以向ChatGPT类应用寻求解答和帮助，可以利用ChatGPT类应用提供的相关知识，帮助自己了解保险行业的相关信息，做出决策。ChatGPT光环还可以帮助普及风险管理知识，增强居民的保险意识。

从上面可以看出，ChatGPT目前的能力对保险公司的价值上限可以超越赋能，达到赋能的阶段。但是上限不代表可以做到。ChatGPT应用要想实现赋能价值，需要解决以下几个关键问题:

第一，ChatGPT的可信度对应的是我上面说的“有限角度”，这是一种广义的人工智能的可信度障碍。ChatGPT的对话能力实际上是作为流程的关键要素嵌入的，需要保证其方案、输出、模式符合保险公司的规范和监管要求，否则只能起到“赋能”的作用，仍然需要人员作为主要业务节点。基于人工智能应用的经验，这个问题在保险公司其实是比较容易解决的，因为专业部门的公信力障碍很容易解决。即使没有办法保证机制，也有办法通过流程再造跨过这个门槛。

第二，ChatGPT的数学能力障碍需要跨越。保险中的精算需求超过了高中的数学能力，使得ChatGPT(包括新Bing的GPT4)目前无法发挥实质性的作用。克服这个障碍是可能的。大概有两种方式:第一种是当前推理机制的融合，这是人工智能的新关注点。包括我们在内的一些团队引入了自动推理机制，加强非语料库依赖推理的能力；第二种是专业软件的输出对象被重塑成类似ChatGPT的产品。与ChatGPT等应用相反，大部分流程都有相应的专业软件。重新定义和重塑这类软件的输出，可以更好地配合ChatGPT，在一定程度上克服这个障碍。我预测这种新的应用或服务将很快席卷市场。

第三，ChatGPT的专业改编。目前ChatGPT的专业能力还是有所欠缺的，比如保险复杂的专业安排，这就需要ChatGPT对保险行业进行微调，这更有可能是建立在即时学习的基础上，类似于我们对医疗、金融所做的调整。但是通过我对新bing的GPT4的研究，发现这方面有了很大的进化。或许在GPT4发布之后，这个障碍自然会迎刃而解。

再看内在机理，结论很直接。内部机制决定的ChatGPT容量上限，说明作为工具很难形成生产力价值。当然，GPT自身的机制也会有所调整，解决以上三个障碍就可以逼近上限，但即便如此，GPT单独作为生产力工具的条件仍然不具备。

结论:以ChatGPT为代表的AIGC科技可以为保险行业提供从赋能到赋能的支持，离产能还有一段路要走。

第三，ChatGPT中包含的思想对保险有启发意义。

如果只把ChatGPT当做一个工具，那么在保险公司应用ChatGPT的能力就足够了；但如果把ChatGPT看作一种新的生产方式，就应该看到ChatGPT所包含的思想对保险的影响。

ChatGPT的思想可以从其培训过程和发布后的公众反应中总结出来，按照知识经济学大致可以分为三个层次:

第一个层面是数据元素创造价值的新模式的到来，即以泛数据为代表的模式，以无监督学习/强化学习/模仿学习为主要特征提取方式。这个想法来自于ChatGPT的内部机制和对公共使用的判断。保险技术的深化让保险行业意识到了数据作为一个要素的重要性和地位，在以监督学习为代表的框架下创造了第一类价值，比如欺诈识别、无标题定价、巨灾模型等等。但ChatGPT改变了要素价值创造的模式，使得人工智能从弱人工智能走向一般人工智能——有人认为是强人工智能的必然阶段。这个理念在保险行业也是非常重要的。可以预见，在合规风险、损失结算、客户服务等业务中，也可以建立类似的稳定模式，形成新的价值。这种价值的特点不是取代人类劳动，而是创造新的价值空。但因为它不能直接构建价值观，所以会需要更多的人类配合，所以应该会很受员工欢迎——AI。

第二个层次是增量知识的偏好增长。这个想法来自于ChatGPT的训练过程。ChatGPT所基于的InstructGPT，构建了基于偏好的奖励模型，让广博的知识在后续的能力发展过程中有序成长。这种方法也体现在很多抄袭GPTf3的车型上(比如APO)，其良好的效果显示了其思想的重要性。如果将保险公司的产品迭代视为“增量知识”，可以说保险公司迭代时考虑“偏好”不足，渠道反馈的特征信息受到幸存者需求(存量客户)、中介激励约束(代理人激励)和惯性认知(固有和过时的市场需求分析)三大谬误的影响。现实情况是，在不同层面，保险公司的“增量知识”与真实需求偏离很大:在公司和客户层面，以健康险为例，公司看保险，客户看健康；在代理人和客户层面，客户看到的是生活品质的需求，代理人看到的是金融产品等等。

第三个层次是需求目标的“第一性”。这个想法来源于ChatGPT的推广应用。对保险行业发展和保险公司数字化转型具有重要意义，因为:保险行业尚未实质性融入生命质量经济体系，生命质量经济是保险的逻辑基础；保险公司数字化转型不是以构建三位一体的机制为目的，而是局限于赋能规模。这使得保险公司需要重新审视新的经济特征、新的需求特征和新的数字要素价值。这里涉及到很多专业微妙的内容，这里就省略了。

4.AIGC无处不在的世界，保险业会发生什么变化？

随着AIGC的快速普及，包括ChatGPT，甚至是光速的普及，ChatGPT的能力将无处不在，ChatGPT的思想将不断构建新的可能性。我们的世界充满了AIGC创造的内容、能力和思想。在这样的世界里，保险行业将会如何变化？大约会发生三种变化:

保险中介(经纪公司、代理人、其他渠道)需要大大提升自己的专业能力，因为每个客户都会成为专家。以特工为例，他们需要扩展ChatGPT没有的能力，建立新的使命。其实ChatGPT的流行最大的影响不是让代理更专业，而是让客户更专业。

保险公司的异质性将产生更大的价值，因为AIGC简单应用模式的普及，将在市场竞争和趋同的作用下，迅速形成保险公司的同质服务、流程和业务。但是保险已经转向品质发展阶段，这种同质化无法带来高价值。那些深刻理解这一道理的保险公司将依靠AIGC的力量，通过适应和再造，真正重建其价值链，并获得高回报。

保险科技公司将逐渐失去流量金矿，或者流量金矿进一步分散，保险科技公司要么升级建设新壁垒，要么灭绝。有的保险公司进一步转型为咨询企业，有的则倾向于科技型企业。在这个过程中，知识经济的第二种价值将逐渐主导金融、保险行业，最终与其他行业一起走向第三种价值生产方式。

(作者是中央财经大学金融学院教授、博士生导师，中国金融科学技术研究中心主任，中国人工智能学会教学工作委员会委员，生活质量研究会理事长，家族办公室合作发展组织理事会理事长兼首席经济学家)。