编者按:2025年3月27日,“2025人工智能基础设施峰会”在上海龙之梦万丽酒店盛大召开。本次峰会以“智能基石 创新赋能”为主题,由上海市计算机学会指导,DOIT传媒主办,算力豹、百易存储研究院、CXL技术应用俱乐部、上海市计算机学会存储技术专委会、上海交通大学计算机系支持,汇聚产业链上下游企业、机构及专家学者,共同探讨AI基础设施的前沿趋势、技术创新与应用,推动中国AI产业迈向新高度,会议同期还发布了算力全景图(2025版)分析报告。会场吸引近千名观众参加。

在人工智能与金融深度融合的当下,数据安全、高效的处理以及基础设施的稳定运行至关重要。应主办方邀请,中国太平洋保险(集团)股份有限公司数智研究院首席数据库专家林春在上午主论坛上发表主题为《金融数据库及业务场景AI应用实践》的分享。

中国太平洋保险(集团)股份有限公司数智研究院首席数据库专家林春
以下内容根据速记整理,未经本人审定。
林春:
各位来宾,上午好!很高兴有机会来介绍太保在AI时代的应用实践。
中国太保在AI时代的战略定位
2023年3月,中国太保在业绩说明会上表示,太保将持续提升大模型稳定性和性能,拓展大模型中台服务和用户服务范围,在未来五年使中国太保的劳动市场率提升100%。
2025年太平洋保险智算中心全球样板点开启,为国内金融保险行业数智化转型提供先进理念和实践范例。
1.大模型战略在太保新一轮数字化转型规划占据重要位置
在太保新一轮的数字化转型中,大模型战略占据了重要位置。保险的大模型打造了保险的数字劳动力,为新服务、新客群、新风控、新运营、新投研五大科技创新方向提供支撑,并且助力打造行业领先的数智化能力,赋能公司高质量发展。
依托大模型特性,太保可以实现建立具备专业深度和服务闭环的数字劳动力,这样可以让更强的能力和更多的人成为可能。
(1)专业深度,指的是学习壁垒,通过长时间学习才能熟练应用,同时需要基于对知识的理解,结合具体问题聚合分析,无法通过检索获得答案。大模型具备综合通用及高延展性的能力基础,能够通过通用语料训练,持续学习专业领域知识及其运用能力。
(2)服务闭环,指具备独立或自主连接外部环境以完成不同类型的任务、流程,为用户提供完整服务的能力。大模型提供优质的人机交互体验、高效的信息获取与理解能力,具备任务分解、编排的“Agent”能力,能够自发生成并执行完整解决方案。
最终实现更强的能力和实现更多的人,提供更多的等价劳动力。
2.基于大模型的“人工智能+”数智化赋能项目范围与目标
大模型建设包括三个子目标:
子目标1:通过建设能替代大量工作,赋能1万名以上的太保员工。
子目标2:建设覆盖标杆岗位的信息源和业务指引库,补足大模型在保险实际业务场景的水平。
子目标3:夯实支撑数字劳动力建设和大规模推广的大模型基础和中台,降低推理成本和应用门槛。
保险业务全流程智能化
在保险大模型建设方面,我们需要通过领域知识注入、领域指令微调、领域逻辑学习,使大模型具备通用的保险知识,理解保险的业务指令,并且学会业务员的思考过程和操作方式。
1提升大模型的领域优化能力,建设思维”大脑“

大模型建设也包括打造统一的数字工作环境,建设行动“四肢”,包括建设API选择器、环境感知器,确保数字劳动力可以通过编写和执行代码,对所依赖的系统、平台、软件进行操作,最终完成任务。

(如图上所示)这是基座方面的进展,大模型体验平台上线DeepSeek-R1满血版本,为各子公司探索最新大模型应用提供了便利。
3.上线DeepSeek-R1满血版本,为探索最新大模型应用提供便利

(如上图所示)这是应用的演示,大模型应用员工覆盖,嵌入到一线业务系统,并且为大量业务人员提供支撑,改变提升效率,效果非常明显,包括投研岗位、营运平台、风控岗位、销售岗位、研发岗位等等取得了非一明显的效果。
AI在数据库的探索应用
AI对数据库治理可以提升DBA团队整体人效,包括方案生成、SQL生成、脚本生成、知识学习、SQL优化、SQL审核等。
随着数据库的创新应用,最终风险也在增加。中国太保通过AI创新性手段,有效地降低风险。建立风险知识库,一方面可以通过AI识别出未知的规则,并且通过新的规则发现未知的风险,最终实现可扩展的SQL风险治理库。
在数据库应用方面,故障诊断条件要求很高,需要具备Level4级别复杂隐性推理的能力。
1.大模型运维领域若干阶段
第一阶段:大模型+私有知识库结合,主要用于知识问答、SQL辅助等。
第二阶段:大模型+多模态+自动化+RPA+低代码。
目标阶段:要实现对多模态不同形态的文本,图像、文本方式等综合的识别,并且能实现智能化,要求能实现较高的准确率。
大模型第一阶段知识库,实现场景主要是知识检索、代码辅助、文本检索等,相对还是比较简单。
2.运维大模型-配置信息自助问答
运维大模型配置信息自助问答方面,目前发现对于关联查询的知识会比较差,就复杂的关联查询难度比较大,生成的SQL查询的执行计划效率比较差。问题解决方案主要通过把存在关联关系的多表进行关联,直接关联至宽表,再同步到第三方数据库。大模型通过第三方数据库进行查询返回,并且增加了调用自动化工具SQL审核的功能。为了避免时间过长,也设置了超时,为5秒。
3.运维大模型-告警处置方案推荐
运维大模型对告警处置方案的处置,目前用下来主要痛点在于归纳总结不准确,只能辅助提出建议,最主要还是要通过人的判断。解决方案是在提出相应方案的时候一定要把链接提供出来,并且现在正在梳理告警类型的关联数据库方案,可以用来和大模型进行相互验证,确保准确性。
4.运维大模型-变更方案评审
运维大模型变更方案,还没有办法做到自动,因为大模型不是百分之百准确,还需要人进行审核,只能试点用于全量初审。也就是说,大模型做的还是一些相对有规则、简单的工作,更可以提炼出规律的工作。
5.运维大模型 –方案与脚本生成
用运维大模型可以帮助生成方案与脚本,大大减少人工编写SQL代码的时间和错误率,提升了数据库的运行效率、稳定性。根据用户需求和上下文的自动创建符合最佳实践的操作规范文档及执行文本,简化数据库管理和维护的过程,减少手工编写脚本的工作量,确保操作标准化和一致性,帮助用户提升工作效率。
6.AI与高风险SQL治理 – 故障诊断
AI对于SQL风险治理上是非常有价值的,目前在数据库创新过程中,如果是传统的商业数据库,一般80%的问题其实是由SQL导致的,但做了数据库转型以后,由于优化器的差距,由SQL产生的问题占比可能从80%上升到90%,甚至是95%。所以需要通过创新的方法,在完成了数据库创新以后根治SQL风险,进而保证系统稳定性。SQL治理风险一方面是通过我们制定的规则库,规则库包括了多维度,性能、资源、特定风险规则,因为样本量很大且非常复杂,我们可以跟AI做结合,通过AI识别潜在规则,并且通过新生成的规则进而发现风险。
7.AI与高风险SQL治理 – SQL 审核
在发现的风险SQL里可以通过AI生成优化SQL方案,也可以辅助提升风险SQL的改造效率。
目前国产数据库普遍优化器比较弱,Bug数量比较多,风险SQL有一些类型,包括系统等待时间没有计入到总开销时间、超大事务导致无主、高内存挤占、插入拼接高风险等等,并且测试环境跟生产需求是不一样的。目前太保建立的是可扩展的、全生命周期的高风险SQL治理库,在性能压缩环境、生产实现了从问题的被动应对,到主动防治。

AI与保险的深度融合
大模型跟保险业务深度融合前景是非常光明的,包括销售、营运、风控、资产等各方面,像坐席销售、客户经营、外包作业、理赔拦截、投资研究上都可以大大节约劳动力,并且提升劳动力服务的水准。
1.销售-客户经营
可以打造能精确分析客户隐含意图,并且在内容编排、技巧、事实支撑上达到专业水准的保险顾问。目前通过DeepSeek -R1实现了精准分析客户隐含意图、内容编排、技巧应用。并且通过领域知识库做到事实支撑。
后续计划一方面优化端到端效率,另外实现更多更全的知识覆盖,预期价值包括三方面:一是可以有更多的获客;二是产生更高的转化,提供全方位升级的保险顾问服务,服务体验得到全方面提升;三是更高的效率,为代理人和内勤提供更全面的赋能。
这样就可以解决懂客户、服务全、服务好、信息准的销售难点。
2.资产-投资研究
在投资研究上可以让大模型复盘历史决策,沉淀投资经验,在这方面取得了一定的进展。
今天分享就到这里,谢谢大家!