【摘 "要】數(shù)字化時(shí)代，人工智能大模型引發(fā)研究熱潮，研究表明財(cái)務(wù)/審計(jì)工作受大模型影響最大。基于此，論文梳理了近年國內(nèi)外學(xué)者關(guān)于大模型在會(huì)計(jì)、審計(jì)領(lǐng)域應(yīng)用的理論探索及其應(yīng)用中面臨的挑戰(zhàn)，并整理相關(guān)實(shí)踐案例。研究發(fā)現(xiàn)，大模型在會(huì)計(jì)、審計(jì)領(lǐng)域應(yīng)用前景廣闊，卻鮮少實(shí)現(xiàn)應(yīng)用落地，這是因?yàn)槎鄶?shù)學(xué)者的教育背景使得理論與實(shí)踐“脫節(jié)”且金融企業(yè)需求大、行業(yè)數(shù)據(jù)標(biāo)準(zhǔn)化程度高。最后，論文提出相應(yīng)實(shí)踐建議。

【關(guān)鍵詞】人工智能大模型；會(huì)計(jì)；審計(jì)；應(yīng)用

【中圖分類號】F239.1；TP18 " " " " " " " " " " " " " " " " " " " " " " 【文獻(xiàn)標(biāo)志碼】A " " " " " " " " " " " " " " " " " " " " " " " " 【文章編號】1673-1069（2024）09-0131-04

1 引言

數(shù)字化時(shí)代，大數(shù)據(jù)、人工智能技術(shù)正引領(lǐng)一場科技革命，深刻改變著各行各業(yè)的運(yùn)行模式。其中，人工智能大模型憑借其強(qiáng)大的學(xué)習(xí)、分析與生成能力，成為研究焦點(diǎn)。同時(shí)，北京大學(xué)國家發(fā)展研究院與智聯(lián)招聘聯(lián)合發(fā)布的《ChatGPT如何影響我們的工作？——AI大模型對我國勞動(dòng)力市場潛在影響研究》顯示，財(cái)務(wù)/審計(jì)/稅務(wù)崗位受到該技術(shù)變革影響程度最為顯著。

因此，本文將梳理人工智能大模型在會(huì)計(jì)、審計(jì)領(lǐng)域的應(yīng)用，審視伴隨而來的挑戰(zhàn)，并提出相應(yīng)的建議，驅(qū)動(dòng)會(huì)計(jì)、審計(jì)領(lǐng)域邁向智能化升級。

2 人工智能大模型概述

人工智能大模型，也被稱為預(yù)訓(xùn)練模型或基礎(chǔ)模型（以下簡稱“大模型”）。大模型通常在大規(guī)模未標(biāo)注數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)一般性知識，然后針對特定任務(wù)進(jìn)行微調(diào)，以適應(yīng)不同的應(yīng)用場景。

2.1 發(fā)展歷程

2017年，Google提出Transformer模型，這是一種完全基于注意力機(jī)制的網(wǎng)絡(luò)架構(gòu)，摒棄了依賴于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的方法[1]?！皬哪Ｐ桶l(fā)展來看，人工智能經(jīng)歷了機(jī)器學(xué)習(xí)模型、深度學(xué)習(xí)模型、預(yù)訓(xùn)練模型和大規(guī)模預(yù)訓(xùn)練模型4個(gè)階段”[2]，還引入了近端策略優(yōu)化[3]、人類反饋的強(qiáng)化學(xué)習(xí)[4]等技術(shù)，大模型在未來將不斷發(fā)展。現(xiàn)階段，大模型多以自然語言處理模型、圖像模型、多模態(tài)模型為主。

2.2 典型大模型

2.2.1 國外典型大模型

①GPT系列大模型：2022年11月30日，OpenAI發(fā)布自然語言處理模型ChatGPT。2023年3月14日，OpenAI推出GPT-4，隨后同年11月7日發(fā)布GPT-4 Turbo，再到2024年5月14日發(fā)布GPT-4o。

②PaLM大模型：2020年Google推出預(yù)訓(xùn)練大型語言模型PaLM，于2023年5月推出PaLM 2。PaLM-E是其多模態(tài)版本，能夠處理包括文本、代碼、音頻、圖像和視頻在內(nèi)的不同類型的信息。

③LLaMA大模型：2023年2月Meta AI推出LLaMA-1大模型，而后Meta AI不斷優(yōu)化，時(shí)隔5個(gè)月發(fā)布LLaMA-2大模型。2024年4月19日發(fā)布LLaMA-3大模型。

除上述大模型外，還有Gemini、Claude、Bard等大模型。

2.2.2 國內(nèi)典型大模型

①文心大模型：2019年3月百度發(fā)布文心大模型1.0，后續(xù)不斷優(yōu)化，于2023年10月發(fā)布文心大模型4.0。該期間百度陸續(xù)推出文心CV大模型、文心跨模態(tài)大模型、語言大模型文心一言等。2024年6月28日百度正式發(fā)布文心大模型4.0 Turbo。

②星火大模型：2023年5月科大訊飛發(fā)布星火認(rèn)知大模型，而后，星火大模型不斷迭代，2024年6月27日，星火大模型V4.0發(fā)布。

③通義大模型：通義大模型由阿里云推出，該模型具備全副AI能力。2023年4月、6月阿里推出通義千問、通義聽悟模型。2024年5月9日，阿里云發(fā)布通義千問2.5。

除上述大模型外，國內(nèi)的還有kimi、盤古、混元、智譜等大模型。

3 人工智能大模型在會(huì)計(jì)、審計(jì)領(lǐng)域的應(yīng)用

3.1 會(huì)計(jì)領(lǐng)域的應(yīng)用

3.1.1 管理會(huì)計(jì)層面

程光等[5]提出，ChatGPT可以應(yīng)用于管理會(huì)計(jì)的多個(gè)場景中，包括智能聊天機(jī)器人、成本分析與控制、經(jīng)營績效評估、預(yù)算編制與執(zhí)行、投資分析、風(fēng)險(xiǎn)管理以及內(nèi)部報(bào)告生成等。

針對全面預(yù)算管理，程平等[6]引入ChatGPT，從基礎(chǔ)設(shè)施層、數(shù)據(jù)層、服務(wù)層、應(yīng)用層和展現(xiàn)層5個(gè)層次出發(fā)，構(gòu)建基于ChatGPT的全面預(yù)算管理框架模型，實(shí)現(xiàn)ChatGPT貫穿全面預(yù)算管理全流程。針對成本管理，程平等[7]通過分析ChatGPT與成本管理的契合性，認(rèn)為ChatGPT能夠提高成本核算的有效性、拓寬成本分析的深度和廣度、提升成本控制水平和效果、提高成本預(yù)測的準(zhǔn)確性，構(gòu)建基于ChatGPT的成本管理框架模型。針對內(nèi)部控制，谷豐等[8]認(rèn)為ChatGPT與企業(yè)內(nèi)部控制有效結(jié)合，能夠有效推進(jìn)內(nèi)部控制建設(shè)，對COSO模型下內(nèi)部控制5要素進(jìn)行優(yōu)化提升，從而提高企業(yè)內(nèi)部控制水平。

3.1.2 財(cái)務(wù)會(huì)計(jì)層面

李瑞雪等[9]探討ChatGPT及其核心技術(shù)模型在智能會(huì)計(jì)領(lǐng)域方面的應(yīng)用場景，尤其是在智能會(huì)計(jì)核算、智能財(cái)務(wù)共享、智能財(cái)務(wù)決策、智能財(cái)務(wù)分析可視化等方面的具體應(yīng)用方法與方式。

針對財(cái)務(wù)共享，邱航等[10]和張杰[11]發(fā)現(xiàn)ChatGPT在企業(yè)財(cái)務(wù)共享中心的應(yīng)用涉及自動(dòng)化客戶服務(wù)、人機(jī)交互、自動(dòng)化原始憑證處理、數(shù)據(jù)分析預(yù)測與可視化、財(cái)務(wù)培訓(xùn)與教育等方面。但其技術(shù)實(shí)現(xiàn)和操作復(fù)雜性也不容忽視。針對財(cái)務(wù)分析，金源等[12]認(rèn)為ChatGPT為財(cái)務(wù)分析體系的優(yōu)化帶來了新的契機(jī)，包括對財(cái)務(wù)數(shù)據(jù)進(jìn)行分析并形成初步結(jié)論的能力。針對財(cái)務(wù)報(bào)表，張志國等[13]指出，生成式財(cái)務(wù)大模型的出現(xiàn)提高了財(cái)務(wù)報(bào)告的準(zhǔn)確性和一致性，提高了財(cái)務(wù)管理與分析效率并提供更好的風(fēng)險(xiǎn)管理和預(yù)測能力。Khan et al.[14]發(fā)現(xiàn)ChatGPT可以理解金融市場動(dòng)態(tài)、生成財(cái)務(wù)摘要、報(bào)告和預(yù)測財(cái)務(wù)結(jié)果等。針對財(cái)務(wù)決策，陸岷峰等[15]發(fā)現(xiàn)大語言模型既可以提供更精準(zhǔn)的預(yù)測，又可以幫助投資者更好地理解市場動(dòng)態(tài)并作出理性決策。

3.2 審計(jì)領(lǐng)域的應(yīng)用

易冰心等[16]認(rèn)為AIGC在審計(jì)領(lǐng)域的運(yùn)用包括自動(dòng)化審計(jì)流程、專業(yè)咨詢服務(wù)建立、內(nèi)部專業(yè)知識庫和員工培訓(xùn)。在內(nèi)部審計(jì)方面，程平等[17]認(rèn)為ChatGPT可作用于內(nèi)部審計(jì)信息收集、數(shù)據(jù)分析、報(bào)告生成機(jī)理，并在此基礎(chǔ)上構(gòu)建基于ChatGPT的內(nèi)部審計(jì)框架模型。在注冊會(huì)計(jì)師審計(jì)方面，程平等[18]認(rèn)為ChatGPT在風(fēng)險(xiǎn)識別、信息搜集、證據(jù)取得、差錯(cuò)整理能力方面有著輔助作用。

在審計(jì)過程中，胡耘通等[19]發(fā)現(xiàn)ChatGPT可以自動(dòng)從互聯(lián)網(wǎng)上搜集與被審計(jì)單位相關(guān)的新聞報(bào)道、社交媒體信息等非結(jié)構(gòu)化數(shù)據(jù)，為審計(jì)提供額外的視角和證據(jù)。呂君杰等[20]發(fā)現(xiàn)ChatGPT能夠發(fā)掘數(shù)據(jù)背后的潛在模式和規(guī)律，并提高審計(jì)數(shù)據(jù)分析的速度與準(zhǔn)確性，從而提高審計(jì)人員工作效率和質(zhì)量。在審計(jì)工作完成后，程平等發(fā)現(xiàn)通過自然語言生成技術(shù)，ChatGPT可以根據(jù)收集到的數(shù)據(jù)和分析結(jié)果自動(dòng)生成審計(jì)報(bào)告草稿，節(jié)省時(shí)間。

3.3 人工智能大模型在應(yīng)用中存在的挑戰(zhàn)

隨著人工智能技術(shù)的迅猛發(fā)展，大模型在會(huì)計(jì)、審計(jì)領(lǐng)域的應(yīng)用展現(xiàn)出巨大的潛力和價(jià)值。然而，這一變革性的進(jìn)步并非一帆風(fēng)順，大模型在實(shí)際應(yīng)用中面臨多重挑戰(zhàn)。

首先，在數(shù)據(jù)隱私和安全方面，隨著大模型在相關(guān)領(lǐng)域的應(yīng)用增加，數(shù)據(jù)隱私和安全問題成為主要的擔(dān)憂。大型語言模型（LLMs）如ChatGPT可能會(huì)導(dǎo)致惡意文本和代碼生成、私人數(shù)據(jù)泄露、欺詐服務(wù)等問題。這些問題不僅威脅到企業(yè)的信息安全，還可能損害客戶信任。

其次，盡管大模型具有強(qiáng)大的自然語言處理、數(shù)據(jù)整理和數(shù)據(jù)分析能力，但其準(zhǔn)確性及時(shí)效性仍是一個(gè)挑戰(zhàn)。有研究發(fā)現(xiàn)，AI系統(tǒng)存在“Dark Force”，表現(xiàn)在其不透明性和復(fù)雜性[21]。由于缺乏透明度、問責(zé)制以及存在算法差異，可能會(huì)影響決策過程的不公平性。此外，若數(shù)據(jù)源庫中若存在虛假信息與數(shù)據(jù)的偏見，可能導(dǎo)致不準(zhǔn)確的結(jié)果。

再次，大模型的應(yīng)用還涉及一系列法律風(fēng)險(xiǎn)和倫理問題。例如，生成不道德內(nèi)容或違反行業(yè)規(guī)定的行為可能會(huì)給企業(yè)帶來法律責(zé)任。此外，如何確保大模型的使用符合相關(guān)法律法規(guī)，避免觸犯法律紅線，也是企業(yè)需要面對的重要問題。

最后，存在技術(shù)復(fù)雜性和員工替代性問題。企業(yè)引入大模型后，需要投入相應(yīng)的資源解決可能出現(xiàn)的技術(shù)問題[22]。此外，企業(yè)員工面臨工作崗位被替代的風(fēng)險(xiǎn)。

4 人工智能大模型的應(yīng)用案例

通過信息收集發(fā)現(xiàn)，大模型在會(huì)計(jì)領(lǐng)域中的應(yīng)用落地的典型案例主要集中在數(shù)據(jù)處理與分析、決策以及風(fēng)控層面。

4.1 基于非結(jié)構(gòu)化數(shù)據(jù)的評估與決策

該案例來自《北京市人工智能行業(yè)大模型創(chuàng)新應(yīng)用白皮書（2023年）》，聚焦企業(yè)優(yōu)化服務(wù)，提升決策質(zhì)量，具體內(nèi)容如下：

樸道征信有限公司是一家提供專業(yè)征信服務(wù)的公司。然而，因缺乏適用于不同信貸業(yè)務(wù)、全方位評估個(gè)人資質(zhì)的評分，導(dǎo)致樸道征信在客戶分層經(jīng)營、同業(yè)比較等方面存在不便，其中個(gè)人資質(zhì)評分維度還存在大量非結(jié)構(gòu)化征信數(shù)據(jù)。為解決上述問題，樸道征信與北京曠視科技有限公司展開深度合作。曠視科技憑借其在大模型技術(shù)領(lǐng)域的深厚積累，開發(fā)一套基于LLaMA-2模型的個(gè)人征信技術(shù)創(chuàng)新方案。該方案通過對非結(jié)構(gòu)化數(shù)據(jù)的結(jié)構(gòu)化處理和有效評估變量的篩選，結(jié)合Transformer架構(gòu)的自監(jiān)督預(yù)訓(xùn)練，實(shí)現(xiàn)對個(gè)人信用的精準(zhǔn)評分，并能預(yù)測用戶的貸款意愿。這一合作成果提升了樸道征信的客戶轉(zhuǎn)化率，增幅達(dá)到20%，還為樸道征信在新產(chǎn)品和新業(yè)務(wù)模式的探索上提供有力支持。

4.2 基于傳統(tǒng)風(fēng)控的全過程風(fēng)險(xiǎn)識別

該案例來自《2023大模型落地應(yīng)用案例集》，聚焦金融企業(yè)實(shí)現(xiàn)全過程風(fēng)險(xiǎn)識別，具體內(nèi)容如下：

隨著新型網(wǎng)絡(luò)犯罪，尤其是電信網(wǎng)絡(luò)詐騙案件的激增，社會(huì)安全面臨嚴(yán)重威脅?！吨腥A人民共和國反電信網(wǎng)絡(luò)詐騙法》的出臺，要求銀行業(yè)金融機(jī)構(gòu)在維護(hù)客戶權(quán)益和金融市場穩(wěn)定方面發(fā)揮關(guān)鍵作用。然而，銀行業(yè)金融機(jī)構(gòu)的傳統(tǒng)風(fēng)控措施在面對不斷迭代的詐騙手段時(shí)顯得力不從心。針對上述痛點(diǎn)，氪信科技推出防范新型金融風(fēng)險(xiǎn)大模型。該大模型集成先進(jìn)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)，同時(shí)融合欺詐專家團(tuán)隊(duì)的實(shí)戰(zhàn)經(jīng)驗(yàn)。它不僅采用改良的時(shí)序檢測算法來捕捉事前風(fēng)險(xiǎn)信號，還通過自研的算法框架實(shí)現(xiàn)從個(gè)體到群體的風(fēng)險(xiǎn)擴(kuò)散分析，能夠多維度、精細(xì)化地評估潛在風(fēng)險(xiǎn)。更重要的是，該大模型產(chǎn)品還利用統(tǒng)一的超參數(shù)優(yōu)化策略，整合多種模型預(yù)測結(jié)果，最終形成高效的事前風(fēng)險(xiǎn)預(yù)警系統(tǒng)，極大地提升了風(fēng)險(xiǎn)識別的準(zhǔn)確性和時(shí)效性。截至目前，氪信的這一防范新型金融風(fēng)險(xiǎn)大模型已在全國25個(gè)省的銀行省分行投產(chǎn)使用并取得顯著成效。

5 思考與建議

5.1 思考

大模型在會(huì)計(jì)、審計(jì)領(lǐng)域應(yīng)用廣泛，但目前大模型的應(yīng)用多集中于金融企業(yè)。這一現(xiàn)象可能由以下原因造成：首先，學(xué)者的學(xué)術(shù)背景多集中于教育領(lǐng)域，他們擁有深厚的理論基礎(chǔ)，擅長理論構(gòu)建，但在企業(yè)業(yè)務(wù)管理實(shí)踐，尤其是將前沿技術(shù)轉(zhuǎn)化為具體業(yè)務(wù)解決方案方面，可能缺乏直接經(jīng)驗(yàn)。這種理論與實(shí)踐之間的“脫節(jié)”限制了研究成果向會(huì)計(jì)、審計(jì)領(lǐng)域的轉(zhuǎn)化。其次，金融業(yè)是創(chuàng)新驅(qū)動(dòng)型和數(shù)據(jù)、技術(shù)密集型行業(yè)，必然成為大模型落地的“試驗(yàn)田”和“前沿陣地”。并且當(dāng)前金融企業(yè)需求較大，亟需大模型這樣的新質(zhì)生產(chǎn)力來降本增效，破解增長焦慮。最后，大模型在金融企業(yè)的成功應(yīng)用得益于行業(yè)數(shù)據(jù)的豐富性和標(biāo)準(zhǔn)化程度較高，便于大模型訓(xùn)練與驗(yàn)證。相比之下，會(huì)計(jì)、審計(jì)領(lǐng)域往往涉及更多非結(jié)構(gòu)化的信息處理需求，數(shù)據(jù)的標(biāo)準(zhǔn)化程度低，難以進(jìn)行數(shù)據(jù)整合。

5.2 實(shí)踐建議

5.2.1 研究層面：深化產(chǎn)學(xué)研合作

共同建立合作平臺。鼓勵(lì)學(xué)者與企業(yè)建立緊密的合作關(guān)系，不僅可以開展短期聯(lián)合研究項(xiàng)目，還可以搭建長期合作平臺，使學(xué)者能夠深入了解企業(yè)業(yè)務(wù)管理上的實(shí)際需求，推進(jìn)大模型與企業(yè)業(yè)務(wù)整合，實(shí)現(xiàn)落地應(yīng)用。

加強(qiáng)案例研究與分享。鼓勵(lì)學(xué)者和企業(yè)共同開展案例研究，將成功應(yīng)用大模型的實(shí)踐經(jīng)驗(yàn)整理成案例集，通過線上線下渠道廣泛分享，為更多企業(yè)和學(xué)者提供參考和借鑒。

5.2.2 企業(yè)層面：積極治理與適應(yīng)

加強(qiáng)企業(yè)的數(shù)據(jù)治理。鼓勵(lì)企業(yè)通過內(nèi)部培訓(xùn)和激勵(lì)措施，提高員工數(shù)據(jù)素養(yǎng)，提升企業(yè)數(shù)據(jù)質(zhì)量以及數(shù)據(jù)標(biāo)準(zhǔn)化水平。

對大模型持有開放態(tài)度。鼓勵(lì)企業(yè)積極擁抱新技術(shù)，對大模型的應(yīng)用持有開放和包容的態(tài)度。鼓勵(lì)內(nèi)部團(tuán)隊(duì)探索大模型在企業(yè)業(yè)務(wù)流程中的創(chuàng)新應(yīng)用，給予試錯(cuò)和學(xué)習(xí)的空間。

注重風(fēng)險(xiǎn)與倫理。在保持開放態(tài)度的同時(shí)，企業(yè)還需要重視大模型可能會(huì)帶來的隱私泄露、數(shù)據(jù)偏見等風(fēng)險(xiǎn)，建立完善的數(shù)據(jù)安全管理體系，嚴(yán)格遵守相關(guān)法律法規(guī)。

5.2.3 技術(shù)層面：持續(xù)優(yōu)化與創(chuàng)新

提高模型適應(yīng)性。鼓勵(lì)大模型開發(fā)者針對不同企業(yè)業(yè)務(wù)場景改進(jìn)和優(yōu)化大模型，靈活調(diào)整模型結(jié)構(gòu)與參數(shù)，提高大模型的場景適用性。

融合多源異構(gòu)數(shù)據(jù)。探索有效整合來自不同系統(tǒng)、格式和來源的數(shù)據(jù)的方法，利用自然語言處理、圖像識別等技術(shù)提取有價(jià)值信息，為大模型提供更加全面、準(zhǔn)確的數(shù)據(jù)支持。

5.2.4 教育層面：培養(yǎng)未來人才

注重培養(yǎng)跨學(xué)科人才。高等教育機(jī)構(gòu)應(yīng)注重培養(yǎng)復(fù)合型人才，特別是在數(shù)據(jù)分析、人工智能與商業(yè)管理的交叉領(lǐng)域，以滿足市場對這類專業(yè)人才的需求。

【參考文獻(xiàn)】

【1】Vaswani A，Shazeer N，Parmar N，et al.Attention is all you need[J].Advances in neural information processing systems，2017（30）.

【2】孫柏林.初識大模型[J].自動(dòng)化博覽，2023，40（10）：8-11.

【3】Wang Y，He H，Tan X.Truly proximal policy optimization[C]//Uncertainty in Artificial Intelligence，PMLR，2020：113-122.

【4】Ouyang L，Wu J，Jiang X，et al.Training language models to follow instructions with human feedback[J].Advances in neural information processing systems，2022（35）：27730-27744.

【5】程光，程翠柳.基于ChatGPT的管理會(huì)計(jì)應(yīng)用場景研究[J].會(huì)計(jì)之友，2024（06）：15-20.

【6】程平，陳銳.基于ChatGPT的全面預(yù)算管理研究[J].財(cái)會(huì)月刊，2023，44（18）：60-64.

【7】程平，廖音潔，李怡，等.基于ChatGPT的成本管理應(yīng)用研究[J].商業(yè)會(huì)計(jì)，2023（08）：29-33.

【8】谷豐，張珉康，張巖，等.ChatGPT在企業(yè)內(nèi)部控制領(lǐng)域的應(yīng)用探析[J].商業(yè)會(huì)計(jì)，2024（03）：17-21.

【9】李瑞雪，王愛國，任博宇，等.ChatGPT及其核心技術(shù)在智能會(huì)計(jì)中的應(yīng)用[J].會(huì)計(jì)之友，2023（12）：32-36.

【10】邱航，王海燕.ChatGPT等智能對話AI引入企業(yè)財(cái)務(wù)共享中心建設(shè)：功能、風(fēng)險(xiǎn)及防控[J].當(dāng)代經(jīng)濟(jì)，2023，40（06）：97-101.

【11】張杰.ChatGPT在企業(yè)財(cái)務(wù)共享中心的應(yīng)用方向及問題探討[J].企業(yè)改革與管理，2023（22）：126-128.

【12】金源，莊璐怡，魏振，等.基于ChatGPT的財(cái)務(wù)分析：框架、應(yīng)用與效果評估[J].財(cái)會(huì)月刊，2023，44（19）：24-30.

【13】張志國，張真，張樹輝，等.生成式財(cái)務(wù)大模型在財(cái)務(wù)報(bào)告體系中的應(yīng)用探索[J].財(cái)政監(jiān)督，2024（06）：99-104.

【14】Khan M S，Umer H.ChatGPT in finance：Applications，challenges，and solutions[J].Heliyon，2024，10（2）.

【15】陸岷峰，高倫.大語言模型發(fā)展現(xiàn)狀及其在金融領(lǐng)域的應(yīng)用研究[J].金融科技時(shí)代，2023，31（08）：32-38.

【16】易冰心，劉思琦，王志勇.AIGC在審計(jì)領(lǐng)域的運(yùn)用[J].中國注冊會(huì)計(jì)師，2023（11）：69-73.

【17】程平，喻暢，龔悅.基于ChatGPT的智能內(nèi)部審計(jì)研究[J].會(huì)計(jì)之友，2023（20）：7-12.

【18】程平，廖錫嘉，伍詩雨.基于Chat GPT的注冊會(huì)計(jì)師審計(jì)研究[J].會(huì)計(jì)之友，2023（15）：148-154.

【19】胡耘通，張津銘.Chat GPT對審計(jì)工作的影響及應(yīng)用對策[J].商業(yè)會(huì)計(jì)，2023（16）：14-18.

【20】呂君杰，鄭石橋.ChatGPT在審計(jì)中的可能應(yīng)用路徑[J].商業(yè)會(huì)計(jì)，2023（09）：47-49.

【21】Keegan B J，Iredale S，Naudé P.Examining the dark force consequences of AI as a new actor in B2B relationships[J].Industrial Marketing Management，2023（115）：228-239.

【22】Liang S.Opportunities and Problems Presented by ChatGPT to the Financial Industry[J].Highlights in Business，Economics and Management，2024（24）：1284-1289.