当前，各领域各行业都在探索运用人工智能大模型辅助管理。在综合分析各类人工智能大模型特性、应用场景现实案例和认知误区的基础上，可以在财政领域开展应用探索，提升预算管理、资金分配和政策制定的科学化水平。

（一）在财政领域的应用探索

1.AI+预算管理。一是预算编制智慧化。结合零基预算改革要求，借助大模型和财政领域微调大模型分析历史数据，探索建立分行业财政支出标准体系，并根据零基预算“2.0”版逐步扩展至其他领域，同时多维度（重要性、风险、紧急程度）评估预算项目投入产出效益和优先级，提升预算编制的智慧化科学化程度。二是编制执行联动化。通过构建预算执行与预算编制的动态映射模型，开展执行动态纠偏，确保资金流转合规透明，辅助预算执行更加规范，反哺零基预算更加科学合理。三是流程向导智能化。通过构建场景互动式的流程指引，方便使用者快速正确使用预算管理一体化系统，快速开展零基预算管理，解决业务办理需求。用户可以将自然语言指令自动转化为业务操作指令，简化操作流程，实现智能办理和自动核算。

2.AI+智能风险管控。一是国库集中支付异常监控。大模型通过监控规则训练和动态基线算法，自动识别资金异常支付、超进度支付或突击支付行为，并同步生成预警信息。二是专项债资金流向穿透分析。建立专项债资金链路追踪模型，实现债券资金“募集—分配—使用—评价”的全周期监控。三是库款运行监测。大模型通过开展库款现金波峰波谷规律分析，辅助科学开展库款调度，提高库款保障水平。四是政府采购行为监测。大模型通过分析投标主体关联网，识别串通投标行为，通过智能分析投标文件相似度，发现异常串标行为。

3.AI+数据管理中枢。一是打造数据智能中台。利用大模型支持开展数据标签、多源数据整合和质量优化等，推动数据治理规范化标准化，解决数据分散存储和标准差异问题。二是开发智能分析助手。通过对话式交互，自动对财政财务数据进行汇总分析，并实现将分析结果以图形、图表形式展示，增强数据可读性和理解性。三是建设预测推演平台。利用大模型强大算力，对海量财政数据进行深度挖掘和智能分析，基于经济指标、税收进度、政策调整等变量，预测财政收支走势，辅助优化管理决策。四是建立智能报告机制。大模型运用关键指标辅助生成智能报告，推动数据结果运用更加快捷。五是构建私有化安全体系。大模型采用私有化部署，通过多方安全计算、联邦学习等前沿隐私计算技术实现数据“可用不可见”，防止数据泄露风险。

4.AI+政策效应推演。一是辅助政策效应推演。大模型助力开展经济影响链推演和行业影响评估，展示税收政策调整和财政支持成效，财政支出对GDP和就业、物价等联动效应等，引导产业结构优化升级。二是辅助惠企政策分析。大模型通过政策精准画像，构建企业政策标签体系，描绘受益主体特征，确保政策精准落地。三是辅助惠民政策分析。大模型通过开展庞大计算，有效解析补贴政策改善民生成效，验证财政支持民生发展成果。

5. AI+“三资”统筹管理。一是助力“三资”家底清查。大模型通过多源数据聚合，助力开展行政事业单位、国有企业拥有或控制的资产、资源、资金清查。二是优化“三资”盘活利用。大模型通过智能分析、供需撮合，支持闲置资产调余补缺、循环利用。通过分析预测短期闲置资金规模，紧密衔接零基预算改革，将单位财政性资金及自有资金全部纳入预算统筹安排利用，提高资金使用效益。三是推动“三资”智能监控。依托资产管理系统构建“三资”云平台，应用大模型技术探索智能分类管控，构建全周期、协同化智慧管理生态，以数智化赋能国有“三资”穿透式监管，动态掌握资金使用、资产运营等情况。

6.AI+智慧政务服务。一是搭建财政知识库。涵盖财政法律法规、规章制度、财务知识、业务规范、政策发文、日常管理等知识图谱，搭建大模型知识底座。二是建立智能咨询矩阵。应用政务咨询大模型，有效开展政策咨询解读、业务规范指引、制度合规咨询等智能问答以及操作流程引导。三是建立智能查询引擎。应用政务检索大模型，开展文件自动查找、公开数据自动查询、信息自动搜集等。

7.AI+智慧协同办公。一是智能写作。集成财政领域垂直大模型的部署，提供公文提纲生成、长文本摘要、文稿修饰、PPT制作等辅助功能。二是智能纠偏。通过内置合规审查引擎，嵌入公文写作规范标准，对文稿内容进行智能修改、格式自动校核。三是智能分办。大模型通过处室职能画像和历史分文特征学习，实现收文初步智能分办。

综合以上应用探索，鉴于人工智能大模型技术迭代迅速、应用部署长期复杂，应当按照积极稳妥、总体统筹、分步实施的原则，结合安徽财政实际和信息数据工作规划，分阶段推动大模型应用部署工作。

（二）面临的现实困境

1.普遍存在算力缺口。大模型训练需要稳定强大的算力资源，政务部门普遍面临硬件投入不足、基础设施相对老化等问题，大模型应用缺少硬件支撑。

2.本地化部署费时耗力。大模型的应用依托知识库和“垂直训练”。知识库的搭建需要根据应用场景分类梳理既有的规则制度、业务流程、历史数据、存量文稿等，并进行合理的向量拆分后进行“投喂”；模型的“垂直训练”，需要根据实际输出效果进行反复微调，持续提升其特定应用场景下的输出的匹配度和精准度。

3.安全合规面临挑战。政务数据关系经济社会各领域并涉及个人隐私，大模型训练需要海量数据支撑，数据泄露风险高，安全边界难以界定。目前敏感数据脱敏和匿名化技术仍不成熟，现行法律法规尚未明确大模型应用的权责归属，算法决策与人工审核的权责划分缺乏依据。

4.投入产出效益风险。大模型迭代更新频率快，本地化部署投入成本较高，技术快速迭代导致前期投资存在沉没风险。市场主流开源模型更新频率较高，导致本地化部署版本面临技术代差，每次升级均要进行硬件适配、数据迁移、测试验证等工作。

另外，推动大模型应用过程中还面临着干部信息化思维不强、基于业务和数据双重视角搭建知识库的能力较弱、既懂业务又懂技术的复合型人才缺乏等问题，这些问题都将成为大模型应用推广的障碍。

（一）构建集中统一、智能弹性调度、资源分区治理相结合的算力中心。建议充分依托“东数西算”长三角算力调度中心和省算力统筹调度平台等资源，加大省政务云资源和重点省属企业资源的整合调度力度，采用“中央节点+分区治理”模式，以虚拟化技术整合存量资源，运用统一身份认证、权限控制、数据隔离等安全策略构建部门算力空间，在此基础上利用AI算法开展算力负载预测和弹性伸缩管理，解决省直部门初期的AI算力需求，提升资源利用效率。同时，通过建立联动指挥体系、实施分级授权机制等手段保证算力调度过程中的数据安全。

（二）采取“通用”模型先行、“垂直”模型试点路径实施。大模型本地化部署过程中，必须对模型进行预训练和模型微调，才能更好适应实际工作需求。在通用模型方面，建议对公文校核、文稿起草、文档摘要、智能问答、提案议案办理等政府部门的共性需求和非敏感业务，采用本地化部署方式，选择牵头部门开展模型训练、构建本地化知识图谱，在强化学习和模型微调的基础上二次封装进行推广，并预留部门独立知识库接口，满足个性化需求。在垂直模型方面，鼓励财政、发改、金融、农业、交通、自然资源等有实际业务应用场景需求的部门，尽快搭建部门知识库，先行先试开发市县可复用的垂直大模型，提升系统整体运用效能。

（三）强化数据资产有效利用。加快推进数据资产运营管理，完善数据确权、交易和收益分配体制机制，创新数据资产持有权（政府/企业）、数据加工使用权（运营主体）和数据产品经营权（交易主体）的数据“三权分置”模式，拓展数据资产ABS发行、数据收益权质押融资等衍生利用，构建“数据资产市场化—资产收益资本化—算力资源资产化”的价值转化链条，切实以数据资产有效利用形成的收益，反哺算力基础设施建设等方面的投入。

（四）均衡算力等新型基础设施投入收益风险。拓展多元投入模式，综合新兴产业母基金投资、国有企业参股、融资担保、REITs、财政补贴等方式，探索吸引运营商、芯片企业、人工智能大模型头部企业等社会主体，与国有企业共同组建混合所有制算力基础设施投资运营平台，搭建“政府资金+产业资本+金融资本”相结合的多元融资结构。同时运用市场化机制设计“算力—数据—应用场景—数据资产收益”的投入回报模式，搭建算力交易市场，探索“算力期货”等金融衍生品，有效缓解算力基础设施的资金投入压力。

附件下载：