金证评估受邀为四川省资产评估协会AI专题培训班授课
9月22—9月24日，四川省资产评估协会举办“人工智能（AI）赋能评估实务典型应用案例与实操培训班”。金证评估总裁林立受邀担任主讲，以《生成式人工智能的基本原理及评估行业应用——从概率模型到评估业务实践》为题，为培训班作全天授课。
课程从大语言模型的工作机制讲起。大语言模型的核心，是预测下一个Token。课程以评估场景举例：输入“评估师正在复核这份”，模型计算出下一个词为“报告”的概率约为62%、“数据”约为23%、“项目”约为9%，取样写入之后，再继续预测下一个词。句子、报告乃至代码，正是由这样的连续预测逐段生成的——同一任务因此存在内在的不确定性。
模型如何理解语义？课程借助Transformer架构的注意力机制作了解释：模型根据上下文为不同信息分配不同权重，动态判断词义。“我吃了一个苹果”与“苹果发布了新款手机”，同一个“苹果”在两句话中被赋予了完全不同的含义。模型不是在查字典，而是在上下文中进行动态判断。
就模型能力的形成，课程将其概括为三个阶段：预训练阶段学习语言、知识与模式，解决“会什么”的问题；后训练阶段对齐指令、安全与偏好，解决“怎样做”的问题；推理阶段结合当前上下文生成答案，解决“这次怎么做”的问题。课程同时梳理了人工神经网络、大语言模型、人类反馈强化学习与GPT之间的关系，帮助学员建立起完整的技术框架。
基于概率生成的机制，决定了AI的输出天然存在不确定性。课程特别提醒：流畅、合理，不等于真实、准确。以AI生成的评估报告段落为例，读来文从字顺，细查之下却可能夹杂着事实错误、引用不存在、计算错误与逻辑跳跃；一个看似合理的折现率，其来源、口径与计算过程仍须核验。AI生成的是“最像答案”的表达，并不自动保证答案真实——理解这一点，是评估机构用好AI的前提。
课程还介绍了生成式人工智能的最新进展，包括多模态交互、视频生成、数字人等方向，并结合截至2026年8月的国际第三方大模型综合能力排名，分析了当前国内外主要模型的梯队格局——闭源与开源并存，国产模型已有多个进入前十。课程提示，综合能力指数反映的是模型整体水平，并不等同于评估业务适配度，机构选型应结合具体任务进行判断。
从更宏观的层面看，算力是生产力，数据是生产要素，算法是生产关系。评估行业长期积累的大量准则、案例与数据“都在那里”，关键在于如何提问、如何组织、如何核验。
把应用讲实在：先看任务适配，再谈场景落地
评估业务并非天然适合AI，适配度取决于具体任务与控制机制。课程给出了三条判断标准：规则是否清晰、结果能否复核、错误能否回退。据此衡量，评估工作中的不同任务呈现不同的适配程度：资料抽取、格式检查属于高适配，初稿生成属于中高适配，专业判断属于低适配，最终签字不可由AI替代。把这条光谱画出来，AI该进哪道工序、不该进哪道工序，就不再是态度问题，而是方法问题。
在方法层面，课程梳理了AI应用工程的演进路径：从提示词工程——把任务说清楚，到上下文工程——把资料组织好，再到执行环境工程——把工具与约束装配好，直至循环工程——让执行、检查与修正形成闭环。高质量的结果不只来自一句好的提示词，更来自一套可持续运行的任务系统。课程还讲解了检索增强生成技术的原理：将法律法规、评估准则、报告模板、项目案例等资料经过解析切分、检索重排，再结合生成与引用，让模型先查资料、再组织答案，从而降低知识遗漏与无依据生成，但不能替代专业判断。
结合评估实务，课程系统讲解了AI在评估业务流程中的六类应用场景。
一是专业知识管理。将制度规范、方法规则与项目经验分层整合，建设可检索、可引用、可更新的评估知识中枢，实现回答有依据、引用可追溯、更新可管理。知识库的价值不在于存得多，而在于让正确的资料在正确的任务中被找到。
二是执业质量审核。AI可嵌入三级审核体系：项目组自查侧重资料完整、表间勾稽与基础计算，部门复核侧重方法选择、参数口径与逻辑一致，公司审定侧重重大判断、合规风险与结论支持。AI承担确定性检查的规则校验和概率性检查的风险提示，负责扩大检查覆盖面；判断、取舍与签字仍由复核人员负责，AI不能成为最终责任主体。
三是基础数据处理。针对科目余额表、银行流水账等基础资料，AI可自动完成识别字段、清洗格式、匹配科目、识别异常、生成明细等环节，生成评估明细表；账户映射复核、期初期末勾稽、异常项目确认等关键环节仍由评估人员把关。
四是投标文件编制。AI可将招标文件中的资格要求、评分标准、技术方案、团队履历、报价口径逐项拆解，生成投标文件框架与初稿，实现逐条响应、证据引用与一致性检查；关键承诺、业绩证据与报价仍需人工确认。
五是项目承接前背景调查。围绕工商股权、司法舆情、关联交易、行业竞争、经营模式等维度，AI可提升信息搜集与归纳效率，做到来源可追溯、多源交叉验证；负面信息须经人工确认，事实核验与风险结论仍由项目团队负责。
六是工作底稿管理。通过智能工具对工作底稿进行内容识别、自动命名与关联索引，并做到保留原件、记录变更、人工抽检，使评估人员将更多精力投入分析与判断。
课程最后一部分系统分析了当前AI应用的主要局限。
一是概率不确定性。AI的输出不是固定答案，而是一次概率采样。同一份报告，第一轮审核可能发现参数口径不一致，第二轮发现引用依据不足，第三轮又发现表述逻辑可以改进——结果不可完全复现，问题数量难以封顶，应用中必须人为设置结束条件。AI审核适合提供风险线索，不适合作为唯一、确定的质量结论。
二是能力结构不均衡。当前模型的训练以编程任务为重要场景，编程任务规则明确、反馈快速、结果可验证；评估咨询任务则问题开放、信息不全、结论依赖判断。模型擅长把明确的任务做对，并不天然擅长定义问题、权衡证据与形成咨询判断——这正是评估师不可替代的价值所在。
三是长任务偏离风险。任务链条拉长后，随着上下文不断压缩、早期约束逐渐淡化、局部反馈持续强化，模型容易陷入局部优化，表现为细节越做越细、离总体目标越来越远。对此应设置控制点：固定总目标、阶段性重述、设置验收标准、定期人工复盘。
课程提出，AI应成为高效率的辅助工具，而非精确判断的责任主体——把重复劳动交给AI，把专业判断和最终责任留给人，做到效率提升、过程可复核、责任在人。
授课结束后，学员们围绕AI工具选择、机构知识库建设、数据安全保障、中小机构落地路径等问题，与林立总裁进行了交流。学员们表示，课程内容兼顾原理与实务，对机构开展AI应用具有参考价值。
本次授课内容基于金证评估近年来的应用实践。公司围绕评估业务场景，先后开展了内部评估知识库与知识问答系统建设、长文本处理与准则检索、智能体辅助项目执行、AI检查嵌入质量控制流程等工作，形成了覆盖专业知识管理、项目执行、质量审核等环节的应用体系。
金证评估将继续推进人工智能技术与评估专业服务的融合，完善知识管理与质量控制体系，积极参与行业培训与交流，与同业机构共同探索资产评估行业数字化转型的可行路径。
