GPT等大語言模型在會計與審計中的應用

吳武清 趙煜東 趙越 任偉

【摘要】以GPT為代表的大語言模型近期成為社會討論熱點。文章從大語言模型的發展路徑出發，從管理會計、財務會計與審計三個方面對大語言模型可能的應用場景進行分析，并探討相關風險與可能對策。現階段的大語言模型已具有非常強大的自然語言處理、生成能力，GPT-4甚至可以處理多模態的信息，在管理會計利益相關者管理、信息分析與報告生成、財務會計核算、報告，審計信息獲取與分析、計劃制定等工作中有廣泛的應用場景。但同時也可能帶來可靠性風險、信息安全風險與技術濫用風險等問題，需要監管手段介入。如何趨利避害，讓大語言模型更好地為財務數字化、智能化服務，為企業經營與市場發展提供新動力，是未來較長時期內，學術界、實踐者和監管當局面臨的共同難題。

【關鍵詞】大語言模型；GPT；會計與審計；應用場景

【中圖分類號】F275

一、引言

近年來，人工智能技術迅猛發展，在文字識別、語音識別與處理等特定方面表現出色的產品逐漸滲透到日常生活和工作場景。而自2022年11月30日ChatGPT發布之后，大語言模型（Large Language Model，LLM）這一新的人工智能形態逐漸引起人們的重視。以GPT-4為代表的大語言模型經過多年的發展，顯示出了較為通用的能力，被視為人類邁向“通用人工智能”（Artificial General Intelligence， AGI）的一大步。當前，全球各大廠商爭相發布自己的大語言模型產品，而隨著這一技術對各類工作場景的滲透，其可能會重塑許多場景的工作模式，同時與之相關的AI安全和技術等問題也可能會帶來一系列風險，會計與審計相關工作也不例外。故研究大語言模型在會計與審計中的應用場景及其相關的風險與對策，對市場監管、企業未來內部相關架構與工作流程設計、未來會計與審計人才培養都具有非常重要的實踐意義。

二、大語言模型綜述

語言模型（Language Model，LM）是當前人工智能領域用于發展機器語言智能的主要方法之一，其目標是對單詞序列的生成可能性進行模擬，以便預測這段序列之后（或缺失）詞句的概率分布（Zhao等，2023）[2]。這種模型可以用遞歸的方式連續生成文字，達到自然語言生成的目的。在進一步研究中，預訓練語言模型（PLM）被發明出來，通過用下游任務對已有模型進行微調，訓練出特定領域的模型，GPT-1即是基于自我注意力機制與Transformer結構語言編碼與處理模型，在數據集上經過無監督預訓練與有監督微調得到的語言模型，其可以完成自然語言處理（NLP）、自然語言生成（NLG）等任務。

在使語言模型變得更加通用的探索過程中，研究人員發現增大預訓練數據集規模能夠改善其在下游任務、特別是復雜任務上的表現。基于這一發現，OpenAI的工程師去除了GPT-1模型中的微調步驟，對模型結構進行了一些修改（如增加Transformer結構的堆疊層數），并用更大規模的數據集進行無監督預訓練，發現其在遷移到不同類別任務上的表現有顯著提升，僅通過在原始模型上改變輸入的提示詞命令（Prompt），即可處理不同種類的自然語言處理問題，GPT-2由此誕生。這種通過增大數據集規模增強處理問題綜合能力的語言模型就被稱為大語言模型或者“大規模預訓練語言模型”（Large Pretrained Language Model）。

GPT-2初步顯現出了通用性，證明了通過增大數據集和網絡規模提升語言模型的通用性與性能是可行的。研究人員開始沿著這條路線繼續探索，在此過程中，情景學習（In-context Learning，ICL）、提示工程（Prompt Engineering）等方法被引入進來。情景學習可以使大語言模型盡快收斂從而逼近最優解，而提示工程通過在輸入問題時對模型進行任務有關的簡短提示，只需一條或為數不多的幾條提示就能明顯提高其回答的準確率（Brown等，2020）[3]。隨著訓練數據、神經網絡規模的增加，一些在小模型上不能出現的特性和能力逐漸出現，如“思維鏈提示”（Chain-ofThought Prompting，CoT），通過提示大語言模型“一步一步思考”并將思考過程加入輸出結果中，能顯著提高其回答的準確率（最高甚至有數倍的提升）（Kojima等，2022）[4]。但這種提升只有訓練數據規模很大時才會明顯，規模較小時有時甚至會有負面影響（Wei等，2022）[5]，這又從另一個側面證明了增大數據集、網絡規模路徑的可行性。在這些發現的基礎上，一系列新的大語言模型被開發出來，如OpenAI對GPT-2模型進行網絡容量提升，并在規模巨大的數據集（Books2、Common Crawl等）上對其進行訓練，得到了GPT-3模型。其除了在知識問答、解析問題等傳統自然語言處理任務上表現出眾之外，在程序編寫、文章生成等領域也取得了長足的進步。但GPT-3仍然有難以忽視的缺陷，如在某些具體任務種類上仍然表現不佳，經常輸出錯誤、不準確或不合邏輯的結果，也無法理解不符合其范式的指令。一部分原因當然是訓練數據集本身包含的錯誤信息及語言模型的“黑箱”本質，但這也表明為了實現真正的智能，其仍需繼續改進。

為解決這一問題，“基于人工反饋的強化學習”（Reinforcement Learning from Human Feedback，RLHF）被引入大語言模型的訓練中。如在對GPT-3的改進中，OpenAI的工程師首先從測試用戶輸入的指令中選取一批（約三萬條）數據，并由專業標注人員給出高質量的回答，然后使GPT-3在這個數據集上進行訓練。隨后采用回報模型（Reward Model，RM），大語言模型對一個問題給出多個答案，由專業訓練人員給出從高到低的打分排序從而對其進行訓練。在這兩步完成后，再通過引入新問題、用回報模型對其生成的回答進行打分，并根據回報分數不斷更新模型參數，這種算法被稱為PPO（Proximal Policy Optimization）。通過這些訓練OpenAI得到了WebGPT、InstructGPT等新模型并在這些新成果基礎上開發出了ChatGPT，其可以通過一問一答的方式對輸入的問題給予解答與反饋，且其給出的回答也有一定的豐富度與準確性。隨后OpenAI在此基礎上更進一步，于2023年3月發布GPT-4模型，其通過進一步增大訓練數據集、網絡容量和更多的RLHF，在自然語言處理上幾乎全面超越其他算法，同時也從自然語言處理模型進化為多模態模型，即可以進行圖片識別、圖表分析等新工作。GPT-4的推理能力也得到了巨大提升，在考察人類認知能力的很多考試（如AP Microeconomics與AP Statistics）中，其能達到人類前10%～20%的水平，在司法考試、生物競賽等方面更是能達到人類頂尖水平（OpenAI，2023）[6]。與此同時，其在敏感性、安全性問題上的能力也有提升，能夠輸出更符合人類道德的內容。但與之相關的AI倫理、信息安全等問題也逐漸引起了各界的警醒和重視。

三、大語言模型在會計與審計中的應用場景分析

會計與審計工作主要可以分為管理會計、財務會計與審計三個方面。大語言模型在這三個方面有諸多潛在應用場景，在管理會計方面尤其多樣。本文將從這三個方面分析將大語言模型引入會計與審計工作的應用場景。

（一）管理會計

根據我國財政部（2016）的定義，管理會計活動涉及單位管理的規劃、決策、控制、評價等方面，主要可分為戰略、預算、成本、營運、投融資、績效與風險七個管理領域[7]。近年來，企業的管理會計活動主要借助信息系統來完成，如果將大語言模型引入管理會計實務，可能有下述幾類應用場景：

首先，大語言模型可被用于監控市場動態，幫助企業更好地進行風險管理。如在利益相關者管理方面，傳統管理會計模式或既有的機器學習方法往往很難對外圍利益相關者相關輿情做出及時反饋，有時甚至會忽略相關信息，這主要受限于處理信息的容量，可能帶來潛在的經營風險。且當前輿情監控采用的傳統命名實體識別（Named Entity Recognition，NER）方法多為機械的關鍵詞識別，面對表述方式多樣的自然語言容易出現遺漏和錯誤，如可能無法區別“中國國際航空公司”的簡寫“國航”與“中國航天事業”中的“國航”。而引入大語言模型可以改善此狀況，其處理信息速度快，數據庫中包含幾乎所有出現過的（可獲得的）表述，并能結合上下文進行分析，進行命名實體識別的準確率更高，配合其摘要、總結和預測功能，可以幫助企業快速在大量信息中獲取可能的風險信息。GPT-4的多模態信息處理能力更是能將監控范圍擴大到圖片、視頻等不同形態的信息，幫助企業加強對相關信息的收集與分析，更好地進行風險管理。最新支持聯網操作的大語言模型（如Edge Copilot）亦可進一步降低獲取信息的難度，賦能企業風險管理。

其次，大語言模型可被用于構建管理會計分析與報告快速生成系統。長期以來，企業管理會計報告都是采用定期報告（如半月報、月報）的形式。這種模式具有明顯的時間滯后，且由于巨大的信息量與市場狀況和企業內部運行的復雜性，往往難以進行全面分析并給出豐富的策略建議。而將大語言模型引入管理會計分析與報告，可以從以下幾個方面提高其效率：

第一，在信息獲取端，編制詳細的指導文件輸入大語言模型中，其即可運用自身能力按照指導在引入的數據中快速摘取與企業經營相關的經濟信息、市場動態等內容。GPT目前的數據庫已足夠大，且支持32k的輸入大小（約相當于2萬個字），無需特殊訓練即可應對大部分常見的信息文檔，聯網操作也可幫助摘取網絡上的相關內容，大大降低管理會計歸集信息的時間耗費。在未來，隨著大語言模型訓練數據集規模和可輸入內容大小的進一步加大，其在關鍵信息摘取上的優勢會越來越明顯。

第二，大語言模型可以對歸集的信息利用管理會計工具（或根據指令調用外部相關工具）進行計算和分析，并結合自身數據庫獲得更多有參考價值的預測與可選方案，如快速生成多種投融資方案供管理層選擇。這也是大語言模型在管理會計中應用的最大優勢所在，其作為“智囊”，可以幫助管理會計人員打破自身知識邊界，運用數據庫中包含的人類智慧提高分析結果效用。企業甚至可以用決策案例數據集對大語言模型進一步訓練，使其智能識別相關決策因子、進行實時動態預測，提高企業運轉的敏捷度。

第三，在完成信息歸集和分析后，大語言模型可以根據管理會計人員要求的格式利用原始信息與分析內容生成管理會計報告，也可以根據要求編寫一個報告生成程序來完成這一工作，大大縮短企業的管理會計報告周期，使其由定期報告向實時報告轉型，更有效地支持企業管理人員的決策。

第四，大語言模型可被用于針對不同報告對象生成定制化報告，使管理會計服務面更廣。傳統的管理會計往往只面向企業高層管理人員，這主要是人工歸集與分析信息、生成報告的能力所限。而有了大語言模型的幫助，管理會計部門可以在處理更多數據和信息的基礎上，生成全方面、多維度的報告，為企業不同層級的人員提供定制化的管理會計報告和行為建議。如為高層管理人員提供企業整體狀況分析與建議，為中層管理人員提供所負責部門的細分報告、問題分析與優化方案，為具體執行層提供其所在特定環節的分析和建議，幫助其更快地做出小組與個人行為決策。

綜合來說，將大語言模型引入管理會計系統，管理會計對于企業經營和決策的指導作用將會更加深入、廣泛與有效。

（二）財務會計

財務會計的主要工作是對企業已經發生的經濟業務進行全面、系統的核算，并為內外信息使用者提供必要的企業經營狀況相關信息。近年來，數字技術的應用打通了企業前端經濟業務與后端財務工作，“財務共享”新業態逐漸形成，已得到廣泛應用的機器人自動化技術（Robot Process Automation， RPA）幫助財務會計人員擺脫了大量簡單重復的經濟業務核算工作，提高了財務會計系統的效率。但其仍然有很多不足，比如仍無法處理有一定復雜度的經濟業務，也無法處理規則變化較快、具有一定靈活性的業務（如稅務核算），而大語言模型能夠在一定程度上解決這些問題，具體有以下三點：

首先，大語言模型可被用于更多有靈活性的業務核算，擴大可自動核算的經濟業務范圍。Wood[1]等（2023）用會計專業練習題對會計專業學生與ChatGPT進行了對比測試，發現在完全不進行提示和訓練的情況下，ChatGPT對會計核算問題回答的正確率已相當可觀[1]。那么如果提前用會計核算案例對更新的大語言模型（如GPT-4）進行微調，其在經濟業務核算上的表現理論上能夠接近普通財務會計人員的水平。對企業來說，如果能將大語言模型的這種能力與外部的光學字符識別、會計核算程序進行連接，然后將其引入財務會計核算工作中，極有可能實現對更多經濟業務的自動核算，其多模態信息處理功能甚至可能幫助完成盤存、清點等成本核算工作，只需人工簡單核對并核算少數重點業務，解放了財務會計人員的勞動力，使其能將更多精力投入管理分析等能創造更多價值的工作之中。

其次，大語言模型能幫助企業解決當前稅務核算中的難題，避免稅務風險。稅務核算是較典型的復雜業務，特別是對于集團公司，其面臨的涉稅主體多、稅種多、涉稅業務類型多、適用規則多樣且變化快等問題尤為明顯。對ERP、RPA等信息系統與數字技術而言，針對所有涉稅主體進行定制與實時根據新規則進行調校成本很高，大語言模型則一定程度上解決了這個問題。無論是不同涉稅主體還是新的稅務規則，企業只需要將其編碼為指導文件對大語言模型進行預設，并根據規則變化及時更新指導文件，大語言模型就能根據不同要求完成稅務核算或幫助設計相關核算程序。但大語言模型在這方面的應用也有一定局限性。由于其算法本身有一定黑箱性，進行邏輯推導很大程度上依賴于數據集中元素的統計規律（Shanahan，2022）[8]，僅使用相對原模型較小的Prompt輸入進行預設而不進入神經網絡層，其很可能沒有“掌握”輸入的規則，能否實現對稅務主體、計算方式的智能判斷有待考量。

此外，大語言模型也可在企業財務會計信息披露中發揮重要作用。當前企業的信息披露工作較多，無論是財務報表等強制性信息披露，還是投資者問答等自愿性信息披露，都會不可避免地涉及財務信息。企業若采用大語言模型作為“文字助手”，根據輸入的規則（如信息是否可披露的界定、回答語調等）、數據庫中的案例與輸入的信息生成披露內容，或設計一個披露內容編寫程序供相關人員使用，只需人工核對和微調，可以大幅降低工作量，提高信息披露的效率和質量。

（三）審計

審計是一種經濟監督活動，目的是監督合規經營、改善管理效能、提高經濟效益。審計系統近年來也得到一定程度的數字化，財務信息化與RPA技術的應用使憑證核對、復核等工作的人工工作量大大降低。而作為審計從“數字化”到“智能化”的可能方式，將大語言模型引入審計系統，可能有以下一些新的應用場景：

首先，大語言模型可被引入審計信息處理分析系統，擴大審計活動的覆蓋范圍、提高財務風險識別能力。傳統審計活動由于需要檢查的樣本量過大，一般采取抽樣檢查，如在內部控制審計中只抽取企業關鍵的制度和流程（如關鍵的組織節點、人力資源政策等）進行控制測試，覆蓋范圍較小，導致進行判斷時參考的數據規模較小，難以發現隱藏的風險點。而大語言模型對大量數據的處理能力可以幫助解決此問題，通過詳細的步驟指導文檔與案例數據集對大語言模型進行訓練，可以使其自動對大部分內控制度與流程進行測試，覆蓋更多樣本，并配合數據集中的信息進行橫、縱向對比，給出可能的風險提示，再加上人工對關鍵部分的核對，幫助審計人員在綜合考量更多信息的基礎上做出判斷。又如在函證等賬實核對過程中，經過訓練的大語言模型配合OCR（文字識別）等技術，可快速將函證、核算賬面等信息進行數字化整理，同時進行關鍵內容摘要、核對并結合數據庫中案例給出可能的風險點，能使審計人員更快從大量信息中把握關鍵點、做出判斷。簡而言之，大語言模型可以使審計工作在有限的時間內覆蓋更多樣本，擴大其覆蓋面和綜合考慮的信息量，提高審計判斷的質量。

其次，引入大語言模型的審計系統也可以增強審計獨立性。在實務中，可能出現各種人為原因造成審計獨立性缺失的情況，而引入大語言模型這一“人”之外的力量可以較好地幫助解決這一難題，結合經過訓練的大語言模型獨立給出的判斷和提示進行判斷，可以幫助審計人員在很大程度上避免人為因素對審計過程的影響，提高獨立性與審計報告的質量。

再者，大語言模型可以幫助審計完成很多輔助工作、提高效率。在具體審計步驟開始前，大語言模型可以對審計對象的信息進行處理與摘要、并與數據庫中案例結合分析，給出審計目標、計劃等的參考，審計人員可以在此基礎上有針對性地開展后續工作（程啟榮，2021）[9]，如根據其給出的相關歷史案例，對審計對象進行初步審查，確定人工工作的重點目標，并結合其給出的計劃參考開展后續工作。在審計工作完成后，通過導入格式指導文檔，大語言模型也可以基于工作中得到的信息生成審計報告，并可將數據等信息自動轉化為圖表，提高報告的可讀性。

此外，GPT-4的多模態信息處理能力也可為審計實務中某些資產類科目盤存難等問題提供解決方案，如通過大語言模型對養殖場、倉庫的圖片進行分析，得出消耗性生物資產初步盤存估計結果，配合實地取證，較好地避免人為隱藏等行為對這類科目審計過程的影響。

四、大語言模型在會計與審計中的應用風險與可能對策分析

（一）可靠性風險

大語言模型在會計與審計中應用的第一個風險為可靠性風險，這主要是其算法本身的特點和訓練數據的“普遍性”導致的。首先，大語言模型算法具有“黑箱性”，操作者對具體計算過程并不知情，對算法本身進行調整也非常困難，且在對話框中輸入內容的表述不同，得到的輸出差別也較大，在應用于會計與審計工作時可能生成錯誤的輸出結果或給出錯誤的會計判斷，使其在這一場景中應用的可靠性無法保證。同時，大語言模型也具有“智能缺陷”，其只是一種自然語言處理與生成模型（感知智能），并不具有決策智能與計算智能，無法進行風險決策與量化計算，應用于會計與審計中很多涉及到風險、決策的步驟非常受限。再者，由于大語言模型訓練的數據集具有“普遍性”，其在會計與審計方面可能反而“不夠專業”，可能輸出不符合會計與審計專業知識的內容，并不完全適配這一工作場景。這些缺陷帶來了“相關性”與“可靠性”的抉擇問題，因此企業是否應用大語言模型也需取決于具體工作場景。

對于這一風險，除了技術本身需要繼續改進外，會計與審計行業也可以采取以下一些方式予以應對。首先，加強人工智能相關基礎能力建設，相關人員要力爭對大語言模型算法有一定了解以更好地對其進行提示，使其更可靠。其次，對大語言模型“不夠專業”的問題，使用者可以在模型允許范圍內用會計與審計數據集對其繼續訓練，在可控范圍內使其更適配于會計與審計工作。同時，相關從業人員也要明白“人”的主體性，不能一味讓“人”適應大語言模型，而要讓其“為我所用”、成為自身的得力幫手，在實操中對技術應用與職業判斷進行平衡，保證整體效益最大化。最后，加強大語言模型與傳統決策式人工智能的融合應用，發揮決策式AI在處理專業問題上相對可靠和透明的優勢。

（二）信息安全風險

大語言模型在會計與審計中應用的另一個風險是信息安全風險。由于其改進非常依賴RLHF，以OpenAI為代表的很多大語言模型公司都會將用戶與模型的實際對話內容引入自身數據庫中，而這對企業內部商業機密來說，意味著潛在的泄露風險。這就給每一個希望在會計與審計實務中引入大語言模型的企業造成了一個“兩難困境”——自建大語言模型還是尋找服務外包。自建大語言模型費用高昂，對大多數公司來說是難以承受的，且建成后能為公司帶來多大價值也難以提前估算。而接受大語言模型服務提供商的服務，則會面臨商業機密信息安全風險，其潛在后果難以估量，也是一個公司難以承受的。目前已有很多公司（如摩根大通）限制員工將內部信息輸入ChatGPT，意大利監管部門也曾宣布因為數據隱私問題暫停意大利用戶使用ChatGPT1。

對這一問題，我國外交部（2022）向聯合國大會提交的《中國關于加強人工智能倫理治理的立場文件》提出了科學的應對原則，其可概括為“倫理法規先行”六字[10]。在真正讓大語言模型進入自由市場與公司內部前，需要完善相關法律法規和監管體系，特別是與服務提供商信息安全相關的規則、實時監管方式與服務使用規范。只有將技術本身、提供和使用技術的人都“裝進法律的籠子”，才能最大程度保證數據安全。同時也可以在技術上進行改進，如將區塊鏈技術與大語言模型相結合，通過區塊鏈分布式賬本等保密特性保證企業商業機密的安全。

（三）技術濫用風險

大語言模型在會計與審計中應用的第三個風險為技術濫用風險。ChatGPT的一大問題就是無法辨別不道德、不合法的請求，可能輸出對社會有害的內容，如其可以給出編寫一個病毒的詳細解答。雖然OpenAI在GPT-4技術報告中說明已通過訓練將其生成不道德、違法內容的概率進一步降低，這種可能性的存在仍然非常令人擔憂，對企業來說也會有潛在風險。同時，大語言模型目前也缺乏有效的內控系統（前文所述“黑箱性”），換言之，目前無法對其處理問題的流程進行審計，對其的監管和控制存在盲區，為大語言模型技術濫用留下了空間，可能導致相關財務風險。

對這一風險，我們首先仍然要“倫理法規先行”，可以通過在職教育等方式使會計與審計從業人員認識到濫用技術是不道德、不合法的。同時，相關部門可以制定與大語言模型相關的信息披露體系，要求企業通過有效渠道披露使用大語言模型進行會計與審計工作的具體內容（或至少是重大事項相關內容），并加強對大語言模型服務商的獨立審計。只有監管與信息披露體系足夠完善，企業濫用技術進行違規操作的可能性才會越來越低。

五、總結與展望

作為新興的人工智能技術，大語言模型的強大能力，在管理會計利益相關者管理、信息分析與報告生成、財務會計核算與報告、審計信息獲取與分析、計劃制定等工作中有廣泛的應用場景，可能為許多長期的工作難點、痛點提供解決方法。但與其相關的可靠性、信息安全與技術濫用等風險問題也需引起重視，我們需要盡快完善相關法律法規與監管體系以求趨利避害，更好地發揮新技術的潛力。

隨著大語言模型對會計與審計工作的滲透，企業財務人機協同生態的構建勢必會加速，故在財務方面構建自身技術競爭力對企業來說越來越重要。這種新生態的構建并不是一蹴而就的，需要提前布局、早日起步，才能在競爭激烈的市場上占得先機。對于會計與審計從業人員與未來準備從事相關工作的大學生來說，大語言模型對更多工作內容的替代會促使行業人才結構向高端化轉型，故了解其技術原理、鍛煉暫時無法被其替代的風險決策等能力甚至是學習其開發方法，對自身在未來會計與審計就業市場上成功立足是必要的。

由于大語言模型在會計與審計中的應用仍處于起步階段，限于實踐經驗，本文所分析的應用場景、風險與可能對策主要停留在理論層面，有待后續研究進一步結合實踐中的問題進行探討。本文也沒有對其在具體場景應用的技術細節和流程進行探討，后續研究可以針對細分工作場景對大語言模型應用的技術細節和流程進行設計，以求進一步增強對企業實踐的指導意義。

主要參考文獻：

[1]Wood D A，Achhpilia M P，Adams M T，et al.The ChatGPT Artificial Intelligence Chatbot： How Well Does It Answer Accounting Assessment Questions [J]. Issues in Accounting Education，2023： 1-28.

[2]Zhao W X，Zhou K，Li J，et al.A Survey of Large Language Models[J].arXiv preprint arXiv：2303.18223，2023.

[3]Brown T，Mann B，Ryder N，et al.Language Models are Few-shot Learners[J].Advances in Neural Information Processing Systems，2020，33： 1877-1901.

[4]Kojima T，Gu S S，Reid M，et al.Large Language Models are Zero-shot Reasoners[J].arXiv preprint arXiv：2205.11916，2022.

[5]Wei J，Tay Y，Bommasani R，et al.Emergent Abilities of Large Language Models[J].arXiv preprint arXiv：2206.07682，2022.

[6]OpenAI.GPT-4 Technical Report[J].arXiv，2023.

[7]中華人民共和國財政部.管理會計基本指引[Z].財會〔2016〕10號，2016年6月22日.

[8]Shanahan M.Talking About Large Language Models[J].arXiv preprint arXiv：2212.03551，2022.

[9]程啟榮.人工智能對具體審計流程的影響研究[J].會計師，2021（19）：64-65.

[10]中華人民共和國外交部.中國關于加強人工智能倫理治理的立場文件[Z].2022年11月17日.

責編：險峰

1 相關信息可見澎湃新聞《即日起禁用ChatGPT，立案調查！意大利打響監管首槍》（https：//www.thepaper.cn/newsDetail_forward_22525773）、《首家華爾街投行出手：摩根大通限制員工使用ChatGPT，擔心數據安全》（https：//www.thepaper.cn/newsDetail_forward_22045511）等報道。