数字化时代，数据成为关键生产要素，企业希望实现更高效的数据处理、更灵活多样的数据服务。历经多年发展，财务信息化虽实现数据录入、计算、查询和报表等基础功能的线上化处理，但其应用大多依赖于预设模板和规则，且系统开发测试时间长，数据分析的时效性、灵活性不足，难以满足管理需要。随着人工智能(AI)技术的发展，未来20年将是财务数智化纵深发展的关键阶段。 一、人工智能的发展历程 人工智能是指用于模拟、延伸和扩展人类智能的技术，最早在1956年的达特茅斯会议上正式提出。人工智能的发展历程可分为以下三个阶段： (一)规则驱动的专家系统 专家系统是符号主义人工智能的典型代表，以人工编写规则为基础，通过逻辑推理模拟人类思维实现智能。具体而言，专家系统将人类知识和经验转化为计算机可识别的逻辑规则存储于知识库，结合推理机解决特定领域的问题(如医疗诊断领域)。然而，该方法存在明显局限性：一方面，规则的维护需要耗费大量人力，并且特定领域的规则难以穷举；另一方面，其依赖固定的符号化规则，无法处理图像、语音等非结构化信息，应用范围受限。 (二)数据驱动的统计机器学习 随着计算机算力提升和数据积累，机器学习逐渐成为人工智能领域的主流方向。与依赖人工预设规则的专家系统不同，机器学习以数据驱动和统计学习为核心，通过算法和模型对大量数据进行分析、归纳和抽象，使计算机能够自动从数据中学习规律，将其应用于预测、决策或执行特定任务(如规划最优路线等)，而无需人工针对每个具体情况进行编程。机器学习包括支持向量机、回归分析、聚类分析、贝叶斯分析、决策树、随机森林等经典算法，其应用范围开始向语音识别、图像识别等领域拓展。 (三)深度学习 得益于大规模数据积累、高性能计算硬件升级以及算法创新(如反向传播算法的优化)，深度学习在人工智能领域获得迅速发展。作为机器学习的重要分支，深度学习通过构建包含多层非线性变换的神经网络模型，模拟人脑神经网络的信息处理方式，使机器能够从原始数据中自主提炼数据特征，突破了传统机器学习需要人工设计特征的局限。深度学习包括擅长处理图像、视频等空间数据的卷积神经网络(CNN)，以及擅长处理文本、语音等序列化数据的循环神经网络(RNN)等核心算法，推动了图像识别、自然语言处理、语音识别等领域的发展。 2017年Google提出Trans former架构，成为深度学习的主流架构，其核心基于自注意力机制，能够并行处理数据，有效捕捉上下文信息，并因其较强的可扩展性，能够适配不同的任务需求，从而为后续多模态大语言模型(以下简称大模型)的爆发式发展奠定基础，逐步成为AI领域的主流架构。 大模型是指具备大规模参数、基于海量数据训练的深度学习模型，通过强化学习与监督微调，从文本中捕捉统计规律，具备意图理解、文本生成、图像识别等能力。基于Transformer架构，自2018年起，OpenAI陆续推出GPT-1、GPT-2和GPT-3模型。2022年，ChatGPT(GPT-3.5)的发布成为大模型发展的重要转折点，其在语义理解、文本生成等任务中的突出表现引发广泛关注，掀起大模型发展热潮。自此，国内外各类大模型相继涌现。2025年，DeepSeek-R1大模型发布，凭借强推理能力、低成本部署以及开源特性，进一步降低了AI技术的应用门槛。 大模型的核心能力主要体现在：一是自然语言理解。大模型能够快速提取文本中的关键要素，并依托上下文语义关联精准识别文本意图和情感倾向，实现对自然语言的准确理解。二是多模态处理。大模型可对表格、文本、图像、音频等结构化和非结构化数据进行智能解析、信息提取以及跨模态语义关联识别，提高任务执行效率和人机交互体验。三是文本生成。大模型可基于预设的提示词、主题及场景，生成结构完整且风格多样的文本内容，如研究报告、文章、宣传文案等。四是代码生成。大模型基于对计算机编程规则的理解，能够将用户的自然语言需求转化为相对应的代码。此外，大模型不仅能够精准定位代码中的语法和逻辑错误，还能提供相应的优化建议。五是逻辑推理。大模型可基于输入文本的上下文信息，运用长思维链进行问题拆解、深度思考、自我纠错以及多路径解决方案探索。 二、技术驱动财务数智化转型的三个维度 大数据和人工智能技术的快速发展和深入应用，正重塑财务工作模式及内容，赋能财务数智化转型，具体体现在以下三个维度： (一)财务计算能力 财务计算能力可分为四个层次：第一层为简单计算，如账务处理、资金结算等基础业务的简单运算。第二层为基于规则的复杂计算，如预算编制、纳税申报、成本分析、绩效考核等具有明确规则、但计算过程复杂的财务运算。第三层为统计计算，运用描述性统计、相关分析、回归分析等分析方法，洞察业务的规律和趋势，如成本动因分析、销售预测等。第四层为内外数据交互的模糊计算，依托算法模型进行风险预警和预测分析，如客商信用风险、市场风险、利润敏感性分析等。计算能力越强，财务在企业中发挥的价值和不可替代性越大。当前，大数据技术在复杂计算和统计计算层面展现出更高效的处理能力，促使财务的工作重心转向两个方面：一是构建数据治理体系，整合内外部数据，制定数据标注规则与质量管理规范，为企业提供具备业务场景适配性的高质量数据集；二是基于对业务和流程的深入理解，针对不同场景需求评估各类算法或技术的适用性，帮助企业选择最优解决方案。
