AIGC 在保险行业有哪些应用落地的可能性？

通过数字化转型，保险业已经从过去的粗放式增长演变为高质量发展。各类主体基于自身独特的资源、技术、场景等，在产品设计、营销宣传、核保理赔、精算定价等业务领域不断探索。

但是在国内，保险产品仍然存在比较严重的同质化问题，如何深入场景优化服务体验，实现服务模式的创新，AI 被认为将在这一过程中起到关键作用。具体如何实现？在最新一期的 InfoQ《超级连麦. 数智大脑》直播中，风平智能 CEO 林洪祥分享了数字人和 AIGC 等前沿理念在保险场景应用的构想和实践，及其底层的技术逻辑。

以下是分享全文，经 InfoQ 编辑整理（点击链接观看完整直播回放）

今天我的分享会重点关注于保险行业的应用，探讨如何应用数字人工智能来解决保险行业面临的挑战。 

保险行业面临三大市场痛点

如今，AI+保险已经达到了一个基准点，可以进入某种程度的商业应用。下面，我们将围绕保险行业的问题进行探讨，看看新技术能够解决哪些问题。

从 2023 年开始看，保险行业第一个的难点是获客和营销，这是每个公司都面临的普遍问题。尤其是在线上获客成本高企的情况下，如何降低成本，提高转化率是一个比较大的挑战。许多公司都尝试通过海量视频营销和直播来获客，但实际效果并不好。比如，像抖音这样的平台，保险公司其实很难在上面转化客户。当然，现在也有其他方法将客户转化到私域，但链路很长，成本也很高。因此，如何在降低成本的同时，使客户顺畅地转化到私域，仍然是一个较大的挑战。

第二，在保险行业，团队增员也是一个突出的问题，尤其是在过去几年中，整个行业的代理人数量从高峰期的近 800 万人下降到现在的 200 多万人。因此，人员不增加，但需要拓展业务，这就形成了一个悖论。增员在保险行业是与业绩直接挂钩的重点之一，因此，这是一个非常重要的问题。

第三，保险行业内的另一个问题是如何降低成本并提高效率，例如通过降低管理成本来提高效率。车险费率的调整和保险产品的调整也是行业内的痛点。因此，需要抓住一些新的机会点来解决这些问题。我们可以结合自己的探索，帮助保险行业的伙伴们在不同的领域做出实践，从而尝试解决这些问题。

围绕这些痛点，我们实现了一个三位一体的整体构想。

其中一个是数字人，即前端与真人长相一致的人物，包括外形、声音和动作。数字人可以解决人物 IP 打造和人员变动带来的问题。

具体而言，我们开发了自己的数字人生产平台 XGen。该平台从早期采用的干模型开始，结合圈子和模型技术，现已采用大模型加小样本技术来推进数字人的生产。

在声音方面，我们也取得了一些突破，特别是在沟通交流、客服以及直播做视频的环节中。我们发现朗读式的声音在很多应用环节的适用度不高，缺乏感情的饱满度，达不到要求。因此，去年花了很高的成本，训练了类似主播的声音，现在我们已经看到了许多训练有素的声音。

在大模型领域，特别是圈子的 ChatGPT 出现之后，它的震撼程度超出想象。在产出的效果方面，我们也做了一些事情，包括文章生产的模型，我们从 2020 年就开始实现文章创作模型，结合了自己的一些特点，使得它的精准度比较高。当然，它的泛化能力与ChatGPT这种大模型仍然无法相比，也不适合用在多人对话中，但在创作方面可以达到不错的效果。

在现有的阶段下，我们重点调整了目标，并结合自身数据提供了一些 know how 的解决方案，致力于构建一个 AI 数字人，即外表好看、内涵有趣的角色。并且，基于这样一个一体化基础架构，帮助保险行业解决三个维度的问题。

首先是流量，这是大家最关心的问题，它来源于线下代理人和线上广告调流等方面；其次，我们看到保险内容在行业中的相应导流，这是非常成功的案例；其三，保险 IP 以及数字人保险专家这样的角色打造。

数字人 AIGC 在保险行业的应用初体验

聊聊具体的实践。

自 2020 年起，我们开始涉足 AI 相关的内容创作领域，并进行了多次模型迭代。我们尝试了一些较大规模的探索，采用了专有算法让其中一些达到预期的高效率。例如短视频文案生成，因为文案量并不大，所以即使你采集了更多样本，如果采用常规的大模型 Fine Tune 的效果也不会太显着。

简单来说，原有的大模型就就好比一汪海水，而我们采集的优质视频文案就像倒入海水里的一瓢水或一桶水。虽然我们当时希望通过优质的视频文案来推动 AIGC 文案的创作，甚至建立一个适合这个领域的垂直模型，但是我们发现，这样的小样本数据放入大模型中 Fine Tune，效果微乎其微。因此，我们集中精力优化现有的模型，并在反馈中获得了显著的好处。

对于文案创作，可以分享两个点。第一，在使用类似于 ChatGPT 这样的底层技术时，如果要进行相关的文案生产，需要考虑一些构造，例如逻辑梳理、短视频效果等等，以及在文案没有达到预期时，如何进行信息迭代。

此时，除了 Fine Tune 的方法外，还可以通过 prompt 的方式将信息带入，但是由于可带入的数据量有限，要达到良好的效果比较困难。因此，可以尝试一些规则的突破，例如使用多路由的方式进行改进。同时，还可以在垂直领域进行训练优化，考虑将小样本的数据放入训练中，但是需要注意，这样做并不一定能够改善整体效果，因此需要提前进行预判，避免偏差。

举个例子：我们整合了大规模的保险数据，这些数据是在过去几年中逐步积累的。基于这些数据，通过 AI 内容生产，我们生产出了一些文章，以便用户更好地了解相关保险产品。

但是自 1993 年以来，市场上的产品数量庞大，找到完整的条款非常困难，甚至从中保协或其他渠道获取的数据也不够完整，清晰度也很差。在这种情况下，备案产品与实际销售产品之间的差异非常明显，因此如何使优秀的产品和数据达到一定的标准是非常重要的。如果按照我们原有的知识图谱路径，需要做很深入的工作，因此我们早期采用了知识图谱和大型模型相结合的方法来生产保险文章。随着新的模型思路和大型模型的出现，这个板块变得更加简单。

关于数据清洗，我有一个小经验或思路分享给大家。我们从去年开始，尝试使用开源模型对数据进行清洗。类似于一些大平台利用 ChatGPT 返回的结果作为模型反馈来加快信念的校正，代替人工反馈的方式，我们发现在 GPT-3 模型本身也具备这个特点。

对于大模型，有一种盲目的想法，认为大模型可以不做任何事情，只需将各种粗糙的数据扔进去，就可以自动筛选出好的数据。但实际上，就像在智能客服领域一样，好的数据质量决定了它的准确率和召回率。

因此，在数据清洗方面，我们花费了大量时间构建数据，并且实际效果证明，当数据量达到一定程度时，它对模型效果的影响也会产生剧烈的变化，这也是我们所谓的“涌现”。

针对保险行业获客难的痛点，基于内容实现深度转化是一个比较好的方法。

通过自动化方式，我们生产了大量的优质文章，这些文章的效果比当前普通的 SEO 和代理人回答的文章效果更好，就能获得更多的流量。

第二个实践是 AI 视频的快速生产。现有的视频生产方式对创业者、企业家或者公司的核心 IP 来说是一项非常繁琐的工作，尤其对金融行业的从业人员而言，比如基金经理、理财明星、理财顾问等等，时间是非常宝贵的。

而通过对他们的声音和形象进行克隆，就不再需要进行拍摄和剪辑，可以把他们的时间完全解放出来，使得时间得以更好地分配。例如，一些客户通过数字人技术可以将原本需要每周拍摄 1-2 天的工作，减少到只需要花很少的时间处理边边角角的问题。

对于观众和平台而言，他们更关心视频是否达到了好的分发效果，以及信息是否得到充分传达，而不是视频究竟如何生产的。

以某大型保险经纪公司为例，这家公司的 CEO 是他们的核心 IP，在视频和直播时代，他的痛点是无法依靠一个 IP 实现大规模扩展。而采用 AIGC 生产方式，可以完全解决这个问题。以前，他每周只有一下午的时间可以拍摄 3-5 期视频，但现在可以扩展到 300-500 期，这远远超出了他们对内容流量分发的需求。

AI 短视频快速生产的逻辑，其中一个关键的技术是前面提到的大模型，包括文本大模型和数字人大模型的结合。另外还有很多的技术细节需要注意，比如视频的透明格式、质量追踪和视频质量，从而满足广告平台的机审和推荐逻辑，以达到更好的内容分发效果。

除了短视频应用外，数字人还可以做直播，数字人直播系统实际上就是一个AI系统，背后包含着深度的交互和理解。这个系统可以快速地切换到其他互动的实时场景中，比如智能客服、银行开户等领域。虽然在某些领域，例如开户领域，这可能需要更多的时间和努力，但是像客服和互动营销等领域，某种程度上与直播体系没有本质的区别，都是一个实时交互的逻辑。

但其中还有一个小的技术细节或产品细节需要关注——延迟。在直播场景中，对时延要求并不是很高，因为它可以选择性地回答关键问题来转化客户。但是对于一些实时交互服务场景来说，比如一对一的专家问答，它没有选择性。例如，我们正在为一家大型上市公司开发一个名师模型，它对实时响应的要求就非常高。但目前很多大型模型的实时响应速度很慢，对此，我们也在探索解决方案，比如把一些短路径方法尝试应用到数字人直播中。

值得一提的是，在 AIGC 平台中，我们有自己的风平组件，如内容创作神笔系统、灵雀直播系统和星语实时交互系统。这些通用组件与保险细分领域的模型相结合，可以更好地解决保险业务痛点。 

举个例子，我们曾为一家规模不大的公司提供智能客服的产品匹配服务。在此之前，他们曾花费了半年多的时间，动用了 400 多人参与内外部相关内容的整理工作，才最终完成 Q&A 的配置。然而，随着新产品不断上线，他们又需要大量的重新配置，实际上 AI 客服的效果并不显著。

换句话说，在产品快速迭代的情况下，他们配置了一大堆内容，但效果却不尽如人意，这会导致后端服务的浪费。因此，简化配置流程可以大大降低人力成本，这一点是可以肯定的。

此外，我们在准确率和召回率与原 AI 客服系统相似的情况下，在多个案例中实现了约 80％的显着提升。这些效果是令人震惊的。如果你正在考虑产品立项或技术革新的方向，这可能是一个比较有潜力和有趣的方向。

我们还在探索的一个方向是利用可视化的真人形象和视频实时交互来提高专业信任感。相较于传统的文字客服，人类更喜欢与真人交互，就像喜欢找 VIP 服务一样，如果使用真人或数字真人的模式，可能会拉近与客户之间的距离，提高服务和专业转化的可能性。

但是这个方向目前还没有完全量化的数据支持，因此我们需要进一步探讨和研究用户的适应程度和效果。在这些方面，我们将提供一些参考数据，并与大家一起探讨和改进。

数字人 AIGC 落地背后的技术逻辑

从底层的技术逻辑来看。在过去几年中，我们融合了多种技术，构建了一个技术中台，包括几个板块的内容。

比如，我们底层整合了很多开源社区的技术，包括 Apache 等顶级开源社区的项目。此外，我们也将自己的 XGen 模型和风平模型融合进去，构建了一个数字人 AIGC 的技术中台。

其中，中间框架扮演着至关重要的角色。我们制定了开放的内容标准协议，旨在通过不同的 AIGC 生成的内容，将不同的格式转换成标准化格式输出。从长期来看，这些因素对我们产品和技术的发展至关重要。

例如，整个内容生成的标准化将决定 AIGC 生成的效果以及后期的分发程度。另外，对于视频，我们需要确定视频的格式和标准交换协议，这不仅涉及到平台的适配程度，还会严重影响后期内容的分发效果和客户的影响。

因此，我们不仅在平台连接方面进行了开放兼容，而且在未来的 AIGC 模式方面也为不同的合作伙伴提供了比较好的连接方式。我们积极推动了几个大平台的数字人模型，并在平台上实现了对 3D 和 2D 模型的转换，这是因为我们希望通过这样的兼容协议来推动整个行业的标准化，降低更多成本，同时也符合开源的思路。

另外，值得一提的是，我们还将 Data 和 Model 放在同一层级，因为对于更加专注于应用和垂直领域的公司来说，数据和模型至关重要。我们希望通过这个技术中台，结合 Human Asset 逻辑，探索如何在 AIGC 文章、视频、直播甚至未来的 3D 沉浸式视频应用中，实现更好的应用效果。

总而言之，一切才刚刚开始。风平智能在这个过程中已经找到了一些有趣的点，并且希望在一些新的领域上取得突破。