GPT等大語言模型在會計與審計中的應(yīng)用

吳武清 趙煜東 趙越 任偉

【摘要】以GPT為代表的大語言模型近期成為社會討論熱點。文章從大語言模型的發(fā)展路徑出發(fā)，從管理會計、財務(wù)會計與審計三個方面對大語言模型可能的應(yīng)用場景進行分析，并探討相關(guān)風險與可能對策?，F(xiàn)階段的大語言模型已具有非常強大的自然語言處理、生成能力，GPT-4甚至可以處理多模態(tài)的信息，在管理會計利益相關(guān)者管理、信息分析與報告生成、財務(wù)會計核算、報告，審計信息獲取與分析、計劃制定等工作中有廣泛的應(yīng)用場景。但同時也可能帶來可靠性風險、信息安全風險與技術(shù)濫用風險等問題，需要監(jiān)管手段介入。如何趨利避害，讓大語言模型更好地為財務(wù)數(shù)字化、智能化服務(wù)，為企業(yè)經(jīng)營與市場發(fā)展提供新動力，是未來較長時期內(nèi)，學術(shù)界、實踐者和監(jiān)管當局面臨的共同難題。

【關(guān)鍵詞】大語言模型；GPT；會計與審計；應(yīng)用場景

【中圖分類號】F275

一、引言

近年來，人工智能技術(shù)迅猛發(fā)展，在文字識別、語音識別與處理等特定方面表現(xiàn)出色的產(chǎn)品逐漸滲透到日常生活和工作場景。而自2022年11月30日ChatGPT發(fā)布之后，大語言模型（Large Language Model，LLM）這一新的人工智能形態(tài)逐漸引起人們的重視。以GPT-4為代表的大語言模型經(jīng)過多年的發(fā)展，顯示出了較為通用的能力，被視為人類邁向“通用人工智能”（Artificial General Intelligence， AGI）的一大步。當前，全球各大廠商爭相發(fā)布自己的大語言模型產(chǎn)品，而隨著這一技術(shù)對各類工作場景的滲透，其可能會重塑許多場景的工作模式，同時與之相關(guān)的AI安全和技術(shù)等問題也可能會帶來一系列風險，會計與審計相關(guān)工作也不例外。故研究大語言模型在會計與審計中的應(yīng)用場景及其相關(guān)的風險與對策，對市場監(jiān)管、企業(yè)未來內(nèi)部相關(guān)架構(gòu)與工作流程設(shè)計、未來會計與審計人才培養(yǎng)都具有非常重要的實踐意義。

二、大語言模型綜述

語言模型（Language Model，LM）是當前人工智能領(lǐng)域用于發(fā)展機器語言智能的主要方法之一，其目標是對單詞序列的生成可能性進行模擬，以便預(yù)測這段序列之后（或缺失）詞句的概率分布（Zhao等，2023）[2]。這種模型可以用遞歸的方式連續(xù)生成文字，達到自然語言生成的目的。在進一步研究中，預(yù)訓練語言模型（PLM）被發(fā)明出來，通過用下游任務(wù)對已有模型進行微調(diào)，訓練出特定領(lǐng)域的模型，GPT-1即是基于自我注意力機制與Transformer結(jié)構(gòu)語言編碼與處理模型，在數(shù)據(jù)集上經(jīng)過無監(jiān)督預(yù)訓練與有監(jiān)督微調(diào)得到的語言模型，其可以完成自然語言處理（NLP）、自然語言生成（NLG）等任務(wù)。

在使語言模型變得更加通用的探索過程中，研究人員發(fā)現(xiàn)增大預(yù)訓練數(shù)據(jù)集規(guī)模能夠改善其在下游任務(wù)、特別是復(fù)雜任務(wù)上的表現(xiàn)?；谶@一發(fā)現(xiàn)，OpenAI的工程師去除了GPT-1模型中的微調(diào)步驟，對模型結(jié)構(gòu)進行了一些修改（如增加Transformer結(jié)構(gòu)的堆疊層數(shù)），并用更大規(guī)模的數(shù)據(jù)集進行無監(jiān)督預(yù)訓練，發(fā)現(xiàn)其在遷移到不同類別任務(wù)上的表現(xiàn)有顯著提升，僅通過在原始模型上改變輸入的提示詞命令（Prompt），即可處理不同種類的自然語言處理問題，GPT-2由此誕生。這種通過增大數(shù)據(jù)集規(guī)模增強處理問題綜合能力的語言模型就被稱為大語言模型或者“大規(guī)模預(yù)訓練語言模型”（Large Pretrained Language Model）。

GPT-2初步顯現(xiàn)出了通用性，證明了通過增大數(shù)據(jù)集和網(wǎng)絡(luò)規(guī)模提升語言模型的通用性與性能是可行的。研究人員開始沿著這條路線繼續(xù)探索，在此過程中，情景學習（In-context Learning，ICL）、提示工程（Prompt Engineering）等方法被引入進來。情景學習可以使大語言模型盡快收斂從而逼近最優(yōu)解，而提示工程通過在輸入問題時對模型進行任務(wù)有關(guān)的簡短提示，只需一條或為數(shù)不多的幾條提示就能明顯提高其回答的準確率（Brown等，2020）[3]。隨著訓練數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)規(guī)模的增加，一些在小模型上不能出現(xiàn)的特性和能力逐漸出現(xiàn)，如“思維鏈提示”（Chain-ofThought Prompting，CoT），通過提示大語言模型“一步一步思考”并將思考過程加入輸出結(jié)果中，能顯著提高其回答的準確率（最高甚至有數(shù)倍的提升）（Kojima等，2022）[4]。但這種提升只有訓練數(shù)據(jù)規(guī)模很大時才會明顯，規(guī)模較小時有時甚至會有負面影響（Wei等，2022）[5]，這又從另一個側(cè)面證明了增大數(shù)據(jù)集、網(wǎng)絡(luò)規(guī)模路徑的可行性。在這些發(fā)現(xiàn)的基礎(chǔ)上，一系列新的大語言模型被開發(fā)出來，如OpenAI對GPT-2模型進行網(wǎng)絡(luò)容量提升，并在規(guī)模巨大的數(shù)據(jù)集（Books2、Common Crawl等）上對其進行訓練，得到了GPT-3模型。其除了在知識問答、解析問題等傳統(tǒng)自然語言處理任務(wù)上表現(xiàn)出眾之外，在程序編寫、文章生成等領(lǐng)域也取得了長足的進步。但GPT-3仍然有難以忽視的缺陷，如在某些具體任務(wù)種類上仍然表現(xiàn)不佳，經(jīng)常輸出錯誤、不準確或不合邏輯的結(jié)果，也無法理解不符合其范式的指令。一部分原因當然是訓練數(shù)據(jù)集本身包含的錯誤信息及語言模型的“黑箱”本質(zhì)，但這也表明為了實現(xiàn)真正的智能，其仍需繼續(xù)改進。

為解決這一問題，“基于人工反饋的強化學習”（Reinforcement Learning from Human Feedback，RLHF）被引入大語言模型的訓練中。如在對GPT-3的改進中，OpenAI的工程師首先從測試用戶輸入的指令中選取一批（約三萬條）數(shù)據(jù)，并由專業(yè)標注人員給出高質(zhì)量的回答，然后使GPT-3在這個數(shù)據(jù)集上進行訓練。隨后采用回報模型（Reward Model，RM），大語言模型對一個問題給出多個答案，由專業(yè)訓練人員給出從高到低的打分排序從而對其進行訓練。在這兩步完成后，再通過引入新問題、用回報模型對其生成的回答進行打分，并根據(jù)回報分數(shù)不斷更新模型參數(shù)，這種算法被稱為PPO（Proximal Policy Optimization）。通過這些訓練OpenAI得到了WebGPT、InstructGPT等新模型并在這些新成果基礎(chǔ)上開發(fā)出了ChatGPT，其可以通過一問一答的方式對輸入的問題給予解答與反饋，且其給出的回答也有一定的豐富度與準確性。隨后OpenAI在此基礎(chǔ)上更進一步，于2023年3月發(fā)布GPT-4模型，其通過進一步增大訓練數(shù)據(jù)集、網(wǎng)絡(luò)容量和更多的RLHF，在自然語言處理上幾乎全面超越其他算法，同時也從自然語言處理模型進化為多模態(tài)模型，即可以進行圖片識別、圖表分析等新工作。GPT-4的推理能力也得到了巨大提升，在考察人類認知能力的很多考試（如AP Microeconomics與AP Statistics）中，其能達到人類前10%～20%的水平，在司法考試、生物競賽等方面更是能達到人類頂尖水平（OpenAI，2023）[6]。與此同時，其在敏感性、安全性問題上的能力也有提升，能夠輸出更符合人類道德的內(nèi)容。但與之相關(guān)的AI倫理、信息安全等問題也逐漸引起了各界的警醒和重視。

三、大語言模型在會計與審計中的應(yīng)用場景分析

會計與審計工作主要可以分為管理會計、財務(wù)會計與審計三個方面。大語言模型在這三個方面有諸多潛在應(yīng)用場景，在管理會計方面尤其多樣。本文將從這三個方面分析將大語言模型引入會計與審計工作的應(yīng)用場景。

（一）管理會計

根據(jù)我國財政部（2016）的定義，管理會計活動涉及單位管理的規(guī)劃、決策、控制、評價等方面，主要可分為戰(zhàn)略、預(yù)算、成本、營運、投融資、績效與風險七個管理領(lǐng)域[7]。近年來，企業(yè)的管理會計活動主要借助信息系統(tǒng)來完成，如果將大語言模型引入管理會計實務(wù)，可能有下述幾類應(yīng)用場景：

首先，大語言模型可被用于監(jiān)控市場動態(tài)，幫助企業(yè)更好地進行風險管理。如在利益相關(guān)者管理方面，傳統(tǒng)管理會計模式或既有的機器學習方法往往很難對外圍利益相關(guān)者相關(guān)輿情做出及時反饋，有時甚至會忽略相關(guān)信息，這主要受限于處理信息的容量，可能帶來潛在的經(jīng)營風險。且當前輿情監(jiān)控采用的傳統(tǒng)命名實體識別（Named Entity Recognition，NER）方法多為機械的關(guān)鍵詞識別，面對表述方式多樣的自然語言容易出現(xiàn)遺漏和錯誤，如可能無法區(qū)別“中國國際航空公司”的簡寫“國航”與“中國航天事業(yè)”中的“國航”。而引入大語言模型可以改善此狀況，其處理信息速度快，數(shù)據(jù)庫中包含幾乎所有出現(xiàn)過的（可獲得的）表述，并能結(jié)合上下文進行分析，進行命名實體識別的準確率更高，配合其摘要、總結(jié)和預(yù)測功能，可以幫助企業(yè)快速在大量信息中獲取可能的風險信息。GPT-4的多模態(tài)信息處理能力更是能將監(jiān)控范圍擴大到圖片、視頻等不同形態(tài)的信息，幫助企業(yè)加強對相關(guān)信息的收集與分析，更好地進行風險管理。最新支持聯(lián)網(wǎng)操作的大語言模型（如Edge Copilot）亦可進一步降低獲取信息的難度，賦能企業(yè)風險管理。

其次，大語言模型可被用于構(gòu)建管理會計分析與報告快速生成系統(tǒng)。長期以來，企業(yè)管理會計報告都是采用定期報告（如半月報、月報）的形式。這種模式具有明顯的時間滯后，且由于巨大的信息量與市場狀況和企業(yè)內(nèi)部運行的復(fù)雜性，往往難以進行全面分析并給出豐富的策略建議。而將大語言模型引入管理會計分析與報告，可以從以下幾個方面提高其效率：

第一，在信息獲取端，編制詳細的指導(dǎo)文件輸入大語言模型中，其即可運用自身能力按照指導(dǎo)在引入的數(shù)據(jù)中快速摘取與企業(yè)經(jīng)營相關(guān)的經(jīng)濟信息、市場動態(tài)等內(nèi)容。GPT目前的數(shù)據(jù)庫已足夠大，且支持32k的輸入大?。s相當于2萬個字），無需特殊訓練即可應(yīng)對大部分常見的信息文檔，聯(lián)網(wǎng)操作也可幫助摘取網(wǎng)絡(luò)上的相關(guān)內(nèi)容，大大降低管理會計歸集信息的時間耗費。在未來，隨著大語言模型訓練數(shù)據(jù)集規(guī)模和可輸入內(nèi)容大小的進一步加大，其在關(guān)鍵信息摘取上的優(yōu)勢會越來越明顯。

第二，大語言模型可以對歸集的信息利用管理會計工具（或根據(jù)指令調(diào)用外部相關(guān)工具）進行計算和分析，并結(jié)合自身數(shù)據(jù)庫獲得更多有參考價值的預(yù)測與可選方案，如快速生成多種投融資方案供管理層選擇。這也是大語言模型在管理會計中應(yīng)用的最大優(yōu)勢所在，其作為“智囊”，可以幫助管理會計人員打破自身知識邊界，運用數(shù)據(jù)庫中包含的人類智慧提高分析結(jié)果效用。企業(yè)甚至可以用決策案例數(shù)據(jù)集對大語言模型進一步訓練，使其智能識別相關(guān)決策因子、進行實時動態(tài)預(yù)測，提高企業(yè)運轉(zhuǎn)的敏捷度。

第三，在完成信息歸集和分析后，大語言模型可以根據(jù)管理會計人員要求的格式利用原始信息與分析內(nèi)容生成管理會計報告，也可以根據(jù)要求編寫一個報告生成程序來完成這一工作，大大縮短企業(yè)的管理會計報告周期，使其由定期報告向?qū)崟r報告轉(zhuǎn)型，更有效地支持企業(yè)管理人員的決策。

第四，大語言模型可被用于針對不同報告對象生成定制化報告，使管理會計服務(wù)面更廣。傳統(tǒng)的管理會計往往只面向企業(yè)高層管理人員，這主要是人工歸集與分析信息、生成報告的能力所限。而有了大語言模型的幫助，管理會計部門可以在處理更多數(shù)據(jù)和信息的基礎(chǔ)上，生成全方面、多維度的報告，為企業(yè)不同層級的人員提供定制化的管理會計報告和行為建議。如為高層管理人員提供企業(yè)整體狀況分析與建議，為中層管理人員提供所負責部門的細分報告、問題分析與優(yōu)化方案，為具體執(zhí)行層提供其所在特定環(huán)節(jié)的分析和建議，幫助其更快地做出小組與個人行為決策。

綜合來說，將大語言模型引入管理會計系統(tǒng)，管理會計對于企業(yè)經(jīng)營和決策的指導(dǎo)作用將會更加深入、廣泛與有效。

（二）財務(wù)會計

財務(wù)會計的主要工作是對企業(yè)已經(jīng)發(fā)生的經(jīng)濟業(yè)務(wù)進行全面、系統(tǒng)的核算，并為內(nèi)外信息使用者提供必要的企業(yè)經(jīng)營狀況相關(guān)信息。近年來，數(shù)字技術(shù)的應(yīng)用打通了企業(yè)前端經(jīng)濟業(yè)務(wù)與后端財務(wù)工作，“財務(wù)共享”新業(yè)態(tài)逐漸形成，已得到廣泛應(yīng)用的機器人自動化技術(shù)（Robot Process Automation， RPA）幫助財務(wù)會計人員擺脫了大量簡單重復(fù)的經(jīng)濟業(yè)務(wù)核算工作，提高了財務(wù)會計系統(tǒng)的效率。但其仍然有很多不足，比如仍無法處理有一定復(fù)雜度的經(jīng)濟業(yè)務(wù)，也無法處理規(guī)則變化較快、具有一定靈活性的業(yè)務(wù)（如稅務(wù)核算），而大語言模型能夠在一定程度上解決這些問題，具體有以下三點：

首先，大語言模型可被用于更多有靈活性的業(yè)務(wù)核算，擴大可自動核算的經(jīng)濟業(yè)務(wù)范圍。Wood[1]等（2023）用會計專業(yè)練習題對會計專業(yè)學生與ChatGPT進行了對比測試，發(fā)現(xiàn)在完全不進行提示和訓練的情況下，ChatGPT對會計核算問題回答的正確率已相當可觀[1]。那么如果提前用會計核算案例對更新的大語言模型（如GPT-4）進行微調(diào)，其在經(jīng)濟業(yè)務(wù)核算上的表現(xiàn)理論上能夠接近普通財務(wù)會計人員的水平。對企業(yè)來說，如果能將大語言模型的這種能力與外部的光學字符識別、會計核算程序進行連接，然后將其引入財務(wù)會計核算工作中，極有可能實現(xiàn)對更多經(jīng)濟業(yè)務(wù)的自動核算，其多模態(tài)信息處理功能甚至可能幫助完成盤存、清點等成本核算工作，只需人工簡單核對并核算少數(shù)重點業(yè)務(wù)，解放了財務(wù)會計人員的勞動力，使其能將更多精力投入管理分析等能創(chuàng)造更多價值的工作之中。

其次，大語言模型能幫助企業(yè)解決當前稅務(wù)核算中的難題，避免稅務(wù)風險。稅務(wù)核算是較典型的復(fù)雜業(yè)務(wù)，特別是對于集團公司，其面臨的涉稅主體多、稅種多、涉稅業(yè)務(wù)類型多、適用規(guī)則多樣且變化快等問題尤為明顯。對ERP、RPA等信息系統(tǒng)與數(shù)字技術(shù)而言，針對所有涉稅主體進行定制與實時根據(jù)新規(guī)則進行調(diào)校成本很高，大語言模型則一定程度上解決了這個問題。無論是不同涉稅主體還是新的稅務(wù)規(guī)則，企業(yè)只需要將其編碼為指導(dǎo)文件對大語言模型進行預(yù)設(shè)，并根據(jù)規(guī)則變化及時更新指導(dǎo)文件，大語言模型就能根據(jù)不同要求完成稅務(wù)核算或幫助設(shè)計相關(guān)核算程序。但大語言模型在這方面的應(yīng)用也有一定局限性。由于其算法本身有一定黑箱性，進行邏輯推導(dǎo)很大程度上依賴于數(shù)據(jù)集中元素的統(tǒng)計規(guī)律（Shanahan，2022）[8]，僅使用相對原模型較小的Prompt輸入進行預(yù)設(shè)而不進入神經(jīng)網(wǎng)絡(luò)層，其很可能沒有“掌握”輸入的規(guī)則，能否實現(xiàn)對稅務(wù)主體、計算方式的智能判斷有待考量。

此外，大語言模型也可在企業(yè)財務(wù)會計信息披露中發(fā)揮重要作用。當前企業(yè)的信息披露工作較多，無論是財務(wù)報表等強制性信息披露，還是投資者問答等自愿性信息披露，都會不可避免地涉及財務(wù)信息。企業(yè)若采用大語言模型作為“文字助手”，根據(jù)輸入的規(guī)則（如信息是否可披露的界定、回答語調(diào)等）、數(shù)據(jù)庫中的案例與輸入的信息生成披露內(nèi)容，或設(shè)計一個披露內(nèi)容編寫程序供相關(guān)人員使用，只需人工核對和微調(diào)，可以大幅降低工作量，提高信息披露的效率和質(zhì)量。

（三）審計

審計是一種經(jīng)濟監(jiān)督活動，目的是監(jiān)督合規(guī)經(jīng)營、改善管理效能、提高經(jīng)濟效益。審計系統(tǒng)近年來也得到一定程度的數(shù)字化，財務(wù)信息化與RPA技術(shù)的應(yīng)用使憑證核對、復(fù)核等工作的人工工作量大大降低。而作為審計從“數(shù)字化”到“智能化”的可能方式，將大語言模型引入審計系統(tǒng)，可能有以下一些新的應(yīng)用場景：

首先，大語言模型可被引入審計信息處理分析系統(tǒng)，擴大審計活動的覆蓋范圍、提高財務(wù)風險識別能力。傳統(tǒng)審計活動由于需要檢查的樣本量過大，一般采取抽樣檢查，如在內(nèi)部控制審計中只抽取企業(yè)關(guān)鍵的制度和流程（如關(guān)鍵的組織節(jié)點、人力資源政策等）進行控制測試，覆蓋范圍較小，導(dǎo)致進行判斷時參考的數(shù)據(jù)規(guī)模較小，難以發(fā)現(xiàn)隱藏的風險點。而大語言模型對大量數(shù)據(jù)的處理能力可以幫助解決此問題，通過詳細的步驟指導(dǎo)文檔與案例數(shù)據(jù)集對大語言模型進行訓練，可以使其自動對大部分內(nèi)控制度與流程進行測試，覆蓋更多樣本，并配合數(shù)據(jù)集中的信息進行橫、縱向?qū)Ρ?，給出可能的風險提示，再加上人工對關(guān)鍵部分的核對，幫助審計人員在綜合考量更多信息的基礎(chǔ)上做出判斷。又如在函證等賬實核對過程中，經(jīng)過訓練的大語言模型配合OCR（文字識別）等技術(shù)，可快速將函證、核算賬面等信息進行數(shù)字化整理，同時進行關(guān)鍵內(nèi)容摘要、核對并結(jié)合數(shù)據(jù)庫中案例給出可能的風險點，能使審計人員更快從大量信息中把握關(guān)鍵點、做出判斷。簡而言之，大語言模型可以使審計工作在有限的時間內(nèi)覆蓋更多樣本，擴大其覆蓋面和綜合考慮的信息量，提高審計判斷的質(zhì)量。

其次，引入大語言模型的審計系統(tǒng)也可以增強審計獨立性。在實務(wù)中，可能出現(xiàn)各種人為原因造成審計獨立性缺失的情況，而引入大語言模型這一“人”之外的力量可以較好地幫助解決這一難題，結(jié)合經(jīng)過訓練的大語言模型獨立給出的判斷和提示進行判斷，可以幫助審計人員在很大程度上避免人為因素對審計過程的影響，提高獨立性與審計報告的質(zhì)量。

再者，大語言模型可以幫助審計完成很多輔助工作、提高效率。在具體審計步驟開始前，大語言模型可以對審計對象的信息進行處理與摘要、并與數(shù)據(jù)庫中案例結(jié)合分析，給出審計目標、計劃等的參考，審計人員可以在此基礎(chǔ)上有針對性地開展后續(xù)工作（程啟榮，2021）[9]，如根據(jù)其給出的相關(guān)歷史案例，對審計對象進行初步審查，確定人工工作的重點目標，并結(jié)合其給出的計劃參考開展后續(xù)工作。在審計工作完成后，通過導(dǎo)入格式指導(dǎo)文檔，大語言模型也可以基于工作中得到的信息生成審計報告，并可將數(shù)據(jù)等信息自動轉(zhuǎn)化為圖表，提高報告的可讀性。

此外，GPT-4的多模態(tài)信息處理能力也可為審計實務(wù)中某些資產(chǎn)類科目盤存難等問題提供解決方案，如通過大語言模型對養(yǎng)殖場、倉庫的圖片進行分析，得出消耗性生物資產(chǎn)初步盤存估計結(jié)果，配合實地取證，較好地避免人為隱藏等行為對這類科目審計過程的影響。

四、大語言模型在會計與審計中的應(yīng)用風險與可能對策分析

（一）可靠性風險

大語言模型在會計與審計中應(yīng)用的第一個風險為可靠性風險，這主要是其算法本身的特點和訓練數(shù)據(jù)的“普遍性”導(dǎo)致的。首先，大語言模型算法具有“黑箱性”，操作者對具體計算過程并不知情，對算法本身進行調(diào)整也非常困難，且在對話框中輸入內(nèi)容的表述不同，得到的輸出差別也較大，在應(yīng)用于會計與審計工作時可能生成錯誤的輸出結(jié)果或給出錯誤的會計判斷，使其在這一場景中應(yīng)用的可靠性無法保證。同時，大語言模型也具有“智能缺陷”，其只是一種自然語言處理與生成模型（感知智能），并不具有決策智能與計算智能，無法進行風險決策與量化計算，應(yīng)用于會計與審計中很多涉及到風險、決策的步驟非常受限。再者，由于大語言模型訓練的數(shù)據(jù)集具有“普遍性”，其在會計與審計方面可能反而“不夠?qū)I(yè)”，可能輸出不符合會計與審計專業(yè)知識的內(nèi)容，并不完全適配這一工作場景。這些缺陷帶來了“相關(guān)性”與“可靠性”的抉擇問題，因此企業(yè)是否應(yīng)用大語言模型也需取決于具體工作場景。

對于這一風險，除了技術(shù)本身需要繼續(xù)改進外，會計與審計行業(yè)也可以采取以下一些方式予以應(yīng)對。首先，加強人工智能相關(guān)基礎(chǔ)能力建設(shè)，相關(guān)人員要力爭對大語言模型算法有一定了解以更好地對其進行提示，使其更可靠。其次，對大語言模型“不夠?qū)I(yè)”的問題，使用者可以在模型允許范圍內(nèi)用會計與審計數(shù)據(jù)集對其繼續(xù)訓練，在可控范圍內(nèi)使其更適配于會計與審計工作。同時，相關(guān)從業(yè)人員也要明白“人”的主體性，不能一味讓“人”適應(yīng)大語言模型，而要讓其“為我所用”、成為自身的得力幫手，在實操中對技術(shù)應(yīng)用與職業(yè)判斷進行平衡，保證整體效益最大化。最后，加強大語言模型與傳統(tǒng)決策式人工智能的融合應(yīng)用，發(fā)揮決策式AI在處理專業(yè)問題上相對可靠和透明的優(yōu)勢。

（二）信息安全風險

大語言模型在會計與審計中應(yīng)用的另一個風險是信息安全風險。由于其改進非常依賴RLHF，以O(shè)penAI為代表的很多大語言模型公司都會將用戶與模型的實際對話內(nèi)容引入自身數(shù)據(jù)庫中，而這對企業(yè)內(nèi)部商業(yè)機密來說，意味著潛在的泄露風險。這就給每一個希望在會計與審計實務(wù)中引入大語言模型的企業(yè)造成了一個“兩難困境”——自建大語言模型還是尋找服務(wù)外包。自建大語言模型費用高昂，對大多數(shù)公司來說是難以承受的，且建成后能為公司帶來多大價值也難以提前估算。而接受大語言模型服務(wù)提供商的服務(wù)，則會面臨商業(yè)機密信息安全風險，其潛在后果難以估量，也是一個公司難以承受的。目前已有很多公司（如摩根大通）限制員工將內(nèi)部信息輸入ChatGPT，意大利監(jiān)管部門也曾宣布因為數(shù)據(jù)隱私問題暫停意大利用戶使用ChatGPT1。

對這一問題，我國外交部（2022）向聯(lián)合國大會提交的《中國關(guān)于加強人工智能倫理治理的立場文件》提出了科學的應(yīng)對原則，其可概括為“倫理法規(guī)先行”六字[10]。在真正讓大語言模型進入自由市場與公司內(nèi)部前，需要完善相關(guān)法律法規(guī)和監(jiān)管體系，特別是與服務(wù)提供商信息安全相關(guān)的規(guī)則、實時監(jiān)管方式與服務(wù)使用規(guī)范。只有將技術(shù)本身、提供和使用技術(shù)的人都“裝進法律的籠子”，才能最大程度保證數(shù)據(jù)安全。同時也可以在技術(shù)上進行改進，如將區(qū)塊鏈技術(shù)與大語言模型相結(jié)合，通過區(qū)塊鏈分布式賬本等保密特性保證企業(yè)商業(yè)機密的安全。

（三）技術(shù)濫用風險

大語言模型在會計與審計中應(yīng)用的第三個風險為技術(shù)濫用風險。ChatGPT的一大問題就是無法辨別不道德、不合法的請求，可能輸出對社會有害的內(nèi)容，如其可以給出編寫一個病毒的詳細解答。雖然OpenAI在GPT-4技術(shù)報告中說明已通過訓練將其生成不道德、違法內(nèi)容的概率進一步降低，這種可能性的存在仍然非常令人擔憂，對企業(yè)來說也會有潛在風險。同時，大語言模型目前也缺乏有效的內(nèi)控系統(tǒng)（前文所述“黑箱性”），換言之，目前無法對其處理問題的流程進行審計，對其的監(jiān)管和控制存在盲區(qū)，為大語言模型技術(shù)濫用留下了空間，可能導(dǎo)致相關(guān)財務(wù)風險。

對這一風險，我們首先仍然要“倫理法規(guī)先行”，可以通過在職教育等方式使會計與審計從業(yè)人員認識到濫用技術(shù)是不道德、不合法的。同時，相關(guān)部門可以制定與大語言模型相關(guān)的信息披露體系，要求企業(yè)通過有效渠道披露使用大語言模型進行會計與審計工作的具體內(nèi)容（或至少是重大事項相關(guān)內(nèi)容），并加強對大語言模型服務(wù)商的獨立審計。只有監(jiān)管與信息披露體系足夠完善，企業(yè)濫用技術(shù)進行違規(guī)操作的可能性才會越來越低。

五、總結(jié)與展望

作為新興的人工智能技術(shù)，大語言模型的強大能力，在管理會計利益相關(guān)者管理、信息分析與報告生成、財務(wù)會計核算與報告、審計信息獲取與分析、計劃制定等工作中有廣泛的應(yīng)用場景，可能為許多長期的工作難點、痛點提供解決方法。但與其相關(guān)的可靠性、信息安全與技術(shù)濫用等風險問題也需引起重視，我們需要盡快完善相關(guān)法律法規(guī)與監(jiān)管體系以求趨利避害，更好地發(fā)揮新技術(shù)的潛力。

隨著大語言模型對會計與審計工作的滲透，企業(yè)財務(wù)人機協(xié)同生態(tài)的構(gòu)建勢必會加速，故在財務(wù)方面構(gòu)建自身技術(shù)競爭力對企業(yè)來說越來越重要。這種新生態(tài)的構(gòu)建并不是一蹴而就的，需要提前布局、早日起步，才能在競爭激烈的市場上占得先機。對于會計與審計從業(yè)人員與未來準備從事相關(guān)工作的大學生來說，大語言模型對更多工作內(nèi)容的替代會促使行業(yè)人才結(jié)構(gòu)向高端化轉(zhuǎn)型，故了解其技術(shù)原理、鍛煉暫時無法被其替代的風險決策等能力甚至是學習其開發(fā)方法，對自身在未來會計與審計就業(yè)市場上成功立足是必要的。

由于大語言模型在會計與審計中的應(yīng)用仍處于起步階段，限于實踐經(jīng)驗，本文所分析的應(yīng)用場景、風險與可能對策主要停留在理論層面，有待后續(xù)研究進一步結(jié)合實踐中的問題進行探討。本文也沒有對其在具體場景應(yīng)用的技術(shù)細節(jié)和流程進行探討，后續(xù)研究可以針對細分工作場景對大語言模型應(yīng)用的技術(shù)細節(jié)和流程進行設(shè)計，以求進一步增強對企業(yè)實踐的指導(dǎo)意義。

主要參考文獻：

[1]Wood D A，Achhpilia M P，Adams M T，et al.The ChatGPT Artificial Intelligence Chatbot： How Well Does It Answer Accounting Assessment Questions [J]. Issues in Accounting Education，2023： 1-28.

[2]Zhao W X，Zhou K，Li J，et al.A Survey of Large Language Models[J].arXiv preprint arXiv：2303.18223，2023.

[3]Brown T，Mann B，Ryder N，et al.Language Models are Few-shot Learners[J].Advances in Neural Information Processing Systems，2020，33： 1877-1901.

[4]Kojima T，Gu S S，Reid M，et al.Large Language Models are Zero-shot Reasoners[J].arXiv preprint arXiv：2205.11916，2022.

[5]Wei J，Tay Y，Bommasani R，et al.Emergent Abilities of Large Language Models[J].arXiv preprint arXiv：2206.07682，2022.

[6]OpenAI.GPT-4 Technical Report[J].arXiv，2023.

[7]中華人民共和國財政部.管理會計基本指引[Z].財會〔2016〕10號，2016年6月22日.

[8]Shanahan M.Talking About Large Language Models[J].arXiv preprint arXiv：2212.03551，2022.

[9]程啟榮.人工智能對具體審計流程的影響研究[J].會計師，2021（19）：64-65.

[10]中華人民共和國外交部.中國關(guān)于加強人工智能倫理治理的立場文件[Z].2022年11月17日.

責編：險峰

1 相關(guān)信息可見澎湃新聞《即日起禁用ChatGPT，立案調(diào)查！意大利打響監(jiān)管首槍》（https：//www.thepaper.cn/newsDetail_forward_22525773）、《首家華爾街投行出手：摩根大通限制員工使用ChatGPT，擔心數(shù)據(jù)安全》（https：//www.thepaper.cn/newsDetail_forward_22045511）等報道。