语言模型能像精算师一样思考吗？

作者：Jonas Mohamed Osman Abdelghafour

针对产险精算协会 (CAS) 人工智能工作组 2026 年研究提案征集的评论。详情请见 CAS 官网。

CAS 人工智能工作组发布了一项研究征集，旨在探讨如何有意识地适配大语言模型 (LLM)，以支持财产和意外险 (P&C) 中的核心精算推理。

请仔细阅读这段表述，因为其措辞比大多数关于保险领域 AI 的评论都要精准。不是提取数据。不是自动化任务。而是支持核心精算推理。而且不是询问“LLM 默认能否做到这一点”，而是它们如何被有意识地适配以实现这一目标。

这比听起来要难得多，我认为这正是正确的切入点。让我解释一下原因，以及一个严肃的答案需要证明什么。

---

什么是真正的“精算推理”

这个短语经常被随意使用。具体而言，精算推理是一组特定的认知操作，而且它们并不属于同一类事物。

在稀疏证据下进行选择。当数据无法决定答案时，选择一种进展模式、一个尾部因子或一种分布形式。精算师不是在计算——他们是在决定计算什么，其依据是可辩护的，但不是可推导的。

调和冲突的指标。已赔付进展显示一个结果，已发生显示另一个，频率-严重度方法显示第三个。推理就发生在它们之间的差距中。

假设传导。理解趋势假设的变化会影响赔付率，进而影响费率调整建议，进而影响留存假设，进而影响业务组合，最终再次影响趋势。精算师在大脑中维持着这些依赖链，并在变化发生时对它们进行推理。

识别方法何时不适用。这是精算专业中最有价值但记录最少的技能。意识到链梯法对这本账簿、在这一年是不合适的，因为发生了没人记录下来的变化。

向想要数字的人传达不确定性。这确实是一项推理任务，而非演示任务：决定什么样的区间是可辩护的，以及哪些警示说明是实质性的。

产生看似合理的精算文案的 LLM 没有做到上述任何一点。它在第五点上做得不够好，而对其余四点则完全没有涉及。

三个关键的失效模式

任何评估 LLM 精算推理能力的人都会遇到这些模式。值得预先命名。

将流畅性误认为胜任力。语言模型会为尾部因子的选择生成一个结构良好、自信且术语专业的辩护理由。文字质量与选择的适当性之间没有相关性。这是整个领域最大的单一风险，因为精算工作成果部分是基于其写作质量进行评判的，而一个写作精良的系统可能会通过原本不应通过的审核。

看起来正确的算术。语言模型在处理数值推理时表现不可靠，且难以察觉，特别是中间错误会传导的多步计算。缓解措施是架构性的——模型应该编排由确定性代码执行的计算，而绝不亲自执行计算——任何未采用此模式的研究都是在测试错误的东西。

负面案例的缺失。精算判断在很大程度上是关于不做某些事情。不应用某种方法，不信任某个数据分段，不进行外推。在已发表的精算著作上训练的模型，绝大多数看到的是应用了方法的案例，而不是经验丰富的精算师悄然决定不应用方法的更多案例。这是一个没有简单解决方案的训练数据问题，也是为什么“模型与精算师达成一致”是弱证据的原因。

有意识的适配实际上涉及什么

CAS 的表述——有意识地适配——暗示开箱即用的能力并不是研究的对象。该领域有四个适配路径，按潜力递增排列如下：

提示词与结构化诱导。成本最低，且比名声显示的更有效。强制模型列举替代方案，说明每个方案的证据，并识别什么因素会改变其选择，能产生明显优于开放式问题的输出。它还会产生可审计的推理轨迹，这在这里比答案质量更重要。

检索增强 (RAG)。将模型连接到实际的参考材料——实务标准、公司自身的方法论文件、同一本账簿先前的分析。这解决了虚假方法论的问题（这是最常见的显见失败），但它不能解决判断质量的问题。

在领域语料库上进行微调。经常被提议，但我对这种应用持怀疑态度。在已发表的精算文献上进行微调，教会了模型听起来更像文献。鉴于流畅性已经是主要的混淆因素，在不提高推理能力的情况下使输出更加流畅，可以说是适得其反。

与确定性组件的工具编排。这是最有前途的路径。语言模型处理它真正擅长的部分——解释问题、选择方法、解释结果、标记不一致——而每一个数值操作都在可以检查和测试的代码中运行。这发挥了其实际的比较优势，并完全消除了算术失效模式。

该系统应如何被评估

如果由我设计评估方案，我会围绕四个测试来构建，并对最后两个赋予最高的权重。

1. 针对专家小组的方法选择。展示适用方法存在争议的案例，并将模型的选择和推理与专家小组进行对比。衡量一致性，但要分别衡量所述理由的质量——基于错误理由的正确答案也是一种失败。

2. 对关键信息的敏感性。改变案例中的一个相关事实——如理赔处理在年中发生变化，或保险限额的转变——并测试建议是否发生相应改变。一个无论物质环境如何都给出相同答案的模型是在进行模式匹配而非推理，这项测试能立即揭露这一点。

3. 拒绝行为。展示专业答案应为“数据不支持得出结论”的案例。模型会这样说吗，还是会照样产生一个自信的估计值？这是目前最具诊断性的单项测试，但几乎没人运行它。

4. 对引导性表述的鲁棒性。展示同一个案例，但通过措辞暗示某种偏好的答案。模型的建议会随之摆动吗？精算独立性之所以有价值，正是因为它能抵御商业压力。一个在引导性问题下发生动摇的系统无法支持这一职能。

底层的专业问题

在技术问题之下隐藏着一个精算专业尚未回答的问题。

当精算师签署一份参考了语言模型分析的意见书时，专业责任要求他们必须做了什么？适用标准要求精算师理解其依赖的方法和模型，确信其适当性，并记录其判断。这些都不会因为模型介入而改变。

我的解读是，依赖链必须保持完整：精算师必须能够解释选择，独立于模型的理由为之辩护，并识别它可能出错的情况。如果一个模型产生的结论精算师无法独立辩护，那么它并没有支持他们的推理——它取代了推理，随后的签名也就没有得到适当的支持。

这并不是反对这项研究。这正是支持 CAS 所选表述的论据：支持精算推理，有意识地适配。支持意味着精算师能更好地推理，而不意味着精算师减少推理。

我希望研究能产生什么

不是一个基准评分。而是一个分类法：哪些精算推理任务是这些系统真正改进了的，哪些是保持不变的，哪些是通过在未改变的判断质量上增加流畅的辩护而实际上使其退化的。

第三类是该专业最需要测绘的类别，也是商业供应商最没有动力去调查的类别。

---

核心要点

• CAS AI 工作组的研究征集目标是有意识地适配 LLM 以支持核心 P&C 精算推理——这比数据提取难得多。
• 精算推理包括稀疏证据下的选择、调和冲突指标、假设传导、识别方法不适用性以及传达不确定性。
• 主要风险是将流畅性误认为胜任力：精算工作部分基于写作质量评判，因此写作良好的系统可能通过原本不应通过的审核。
• 与确定性计算组件的工具编排是最有前途的适配路径；在文献上微调可能会加剧流畅性带来的混淆。
• 拒绝行为和对引导性表述的鲁棒性是最具诊断性的评估测试，但很少被执行。

---

常见问题解答

AI 能取代精算判断吗？ 目前的证据不支持这一点。语言模型可以支持特定的推理任务——如发掘替代方案、检查一致性、起草解释——但核心的判断操作，如在稀疏证据下的方法选择和识别方法何时不适用，仍需人类完成。专业标准也要求签署意见的精算师理解并能为所依赖的方法辩护。

在精算工作中使用 LLM 的主要风险是什么？ 将流畅性误认为胜任力。语言模型无论底层选择是否适当，都会生成自信且专业的辩护理由，而精算工作成果部分是根据写作质量来评估的。这使得糟糕的判断变得更难察觉，而不是更容易。

应如何记录由 LLM 辅助的精算工作？ 精算师应独立于模型的输出记录其判断——考虑过的替代方案、选择的依据以及该选择在何种情况下会出错。如果精算师在不参考模型理由的情况下无法为结论辩护，则该依赖未得到充分支持。

---

Jonas Mohamed Osman Abdelghafour 是 Quantica Risk Model 的创始人，该公司为保险公司构建并独立验证精算及 AI 模型。本文是对公开的 CAS 研究征集的评论。