今年5月， GPT-3在硅谷横空出世，震惊世界。GPT-3是谁? 你输入简单的自然语言，它可以帮助你写代码、算公式、做表格、画图标、设计网页、写文章。只要是用语言描述的事情，他无所不能。这一次，他不再停留在理论或者实验室，而是向公众开放了测试接口。一时间，发烧友们基于模型开发出各种应用，不仅在技术圈掀起了一波热潮，还破圈引起了财会人的注意。例如有爱好者开发出了这样的应用：输入一个交易信息的的自然语言指令，程序就能自动修改资产负债表，而不需要会计师编写分录和调整账目。

图片来源：网络

机器学习技术会取代会计师的工作吗? 二者是相互取代还是相互合作的关系呢？从目前进展来看，机器想要达到人类的“智力水平“，仍是长路漫漫。仅仅从“硬件”角度来看，GPT-3有1750亿个参数，相当于45TB的数据集容量，700G的储存空间。而人类大脑有860亿神经元、100-1000万亿联接，能处理的信息量和任务种类也远远超过GPT-3。但是，相距OpenAI在2019年发布拥有15万亿参数的GPT-2，GPT-3的问世仅过去一年，能力却增长了百倍。面对机器越来越强的学习能力和加速迭代的速度，作为专业会计师，我们可以思考三个问题：

“机器“如何“学习”？

机器学习能帮会计师分担什么工作？

会计师需要帮机器学习把控什么？

1．“机器“如何“学习”？

机器学习属于人工智能的范畴，是指电脑在非显式编程的情况下进行学习的能力。显式编程是指传统的“命令式程序，只能执行程序代码给出特定的指令，此时机器处理数据的方式是固定的。与此相对，机器学习通过统计分析从数据集中动态生成结果。这一过程的核心是机器学习的“大脑“，用来描述、预测数据集特征的数学模型——算法。通过输入的数据集开展“刻意练习”，机器可以“学习”单个数据点最为重要的特征，并在加入新数据的数据集中“举一反三”。如果新数据显示出新的规律，“大脑“可以进行迭代，调整对数据特征的理解。通过这种“学习方法“，机器学习能够从实例中“学习”，而不是严格遵守传统程序中事先设定的代码逻辑。

资料来源：ACCA专业洞察《机器学习：科学向左，科幻向右》

但是，机器的“学习能力”也存在局限。例如，如果数据一致显示出雨伞销量和降雨量具有相关性，那么机器可能会“学习”二者之间的这种关系，但这并不意味着它理解其背后的真正关系，无法理解被雨淋湿了非常不舒服或不方便。因此，机器学习与人类意义上的“思考”仍存在差距，人类的思考包括了更广范围的感知、横向思维和创造性思维以及处理情感信息的能力。

2．机器学习能帮会计师分担什么工作？

ACCA认为，机器学习在财务领域的应用程度与企业的未来发展密不可分。财务系统本身属于企业发展的基础设施，而机器学习将可以成为企业的发展注入全新的价值。ACCA在《机器学习：科学向左，科幻向右》专业洞察报告中开展的调查中发现，机器学习有助于识别财务舞弊。受访者认为，在大数据时代，机器学习在分析巨量或复杂数据时是不可或缺的工具。除此之外，机器学习可以协助进行智能记账、税务筹划、信贷审阅、风险评估等。

智能记账机器学习系统已充分应用于智能记账领域，尤其体现在中小型企业。科技公司Expensify已经基于机器学习技术开发出相关产品，能够扫描会计凭证，并自动做出分析、提取和归类，无需人工输入任何辅助信息。根据在线会计软件供应商Xero的数据，产品自发布以来已经向客户提出了超过10亿条建议，其中在发票编码和银行对账方面表现特别突出。Xero产品每天能够开出达80万张发票，可以节约人力307个小时。

税务建议机器学习也逐步应用于税务工作中。在美国，没有一个税务顾问能够全部掌握总计超过了7万页的联邦税收法规、裁定和判例法内容。而IBM沃森(Watson)机器学习应用程序能够掌握大量的法规条例，从而能够建立为大量研发投资的企业提供良好税务建议。通过一万多份税务文件的输入训练，沃森能够对75%左右的查询提出正确的建议。与此相比，根据美国财政部对国税局税务咨询热线的一项调查显示，在某些情况下，人工接线员给出正确建议的比例仅为57%。

信贷审阅机器学习技术在金融风控领域有很广泛的应用。传统的信贷审阅是由人工创建一套评分系统，用于标记特征，例如是否曾经出现拖欠等。但是，在实践中，随着付款方、交易、业务构成和交易量的不断变化，需要考虑的变量不断增多，利用静态规则来对贷款方进行信用评级将面临更大风险。基于机器学习来打造一套基于训练数据集的算法可以提高甄别风险的能力。同时，机器学习还可以引入更广泛的输入变量并最终识别出程序员编程时可能没有考虑到的相关性。

非财务报告和风险管理非财务信息往往在组织内部呈孤立状态。手工进行的数据分析、昂贵的咨询费用、以及统计上不具代表性的调查，可能会使重要性分析面临挑战并使企业承受本可以预见到的风险。人工智能解决方案是对手工数据分析和外聘咨询师等传统的解决方法的重要补充。目前，在数据科学家、ESG专家和风险管理专家所组成团队的支持下，Datamaran软件可以实现通过筛选和分析覆盖公开信息源的数百万个数据点追踪100项非财务事项。

3．会计师需要帮机器学习把控什么?

机器学习可以和会计师分工合作。但是，在ACCA的此次调查中，仍有很大一部分受访者对于机器学习的适用领域和方式表示担忧。

针对这一问题，ACCA商业洞察总监Narayanan Vaidyanathan表示:“机器学习是会计师发展的一个关键领域。展望未来，了解机器学习的价值和益处以及由此带来的道德挑战都是非常重要的。不过，所有的出发点必须是满足正当业务需求，并清楚地了解机器学习能为组织带来什么。“ 目前，专业会计师需要在规避偏见、明确问责、权衡投入等方面帮助把控机器学习。

处理偏见

机器学习会对变量相关性产生误判，就像前文提到的雨伞销量和降雨量的例子，这就需要会计师在实际工作中的把控。在贷款审批领域，机器学习模型能够基于贷款申请、批准和违约记录的历史数据进行训练来预测风险。在信用风险评估中，机器学习模型审批结果显示在被拒的人中，女性的比例较高。但是，人工审查发现部分被拒的女性申请者其实可以通过批准。这是为什么呢？原来，模型是基于过去数十年的历史数据建立的，在该时间段的训练样本中，女性单独申请贷款的比例较低，因此模型偏向于拒绝更多来自该群体的贷款申请。

分配问责

机器学习属于决策工具。那么，谁应为所做决策的后果负责，是专业会计师还是算法？一般来说，相比决策替代型工具，决策支持型工具所引发的道德问题较少。医疗诊断工具通常被设计为决策支持工具。其任务是通过分析更多研究、数据规律以及实证结果来提高人类医生的诊断质量——而这些是任何一个医生在单次诊断过程中无法完全吸收或充分考量的。机器学习提供的建议不能推翻医生的诊断，只能为医生提供各种可能性。

在信用风险分析领域，欠发达地区很多人口尚未开立银行账户，无法完全通过人工覆盖来获取所需的信息。此时，机器学习信用评分算法可以作为决策替代工具。例如，肯尼亚mPesa移动支付平台对贷款申请人进行评分，无需人工干预便能做出信贷决策。整个贷款申请和发放流程完全自动化，仅用短短几秒即可完成。

权衡投入

近年来，人工智能大热，而作为人工智能的一部分，机器学习也引人注目。机器学习确实能带来切实好处，但不切实际的期望以及销售这种技术的既得利益者，可能会曲解技术带来的收益，从而导致实际风险。专业会计师本着职业怀疑精神和专业胜任能力，能够帮助企业避免因为害怕落后就在未适当评估的情况下盲目推动投资决策。

4．最后

在新一轮信息革命浪潮下，知识和技术迭代愈发快速，我们作为专业会计师，为了能够应对这一趋势，有“机器“这个24小时精力充沛，又毫无怨言的伙伴帮忙分工合作开展”学习“和工作，何乐而不为呢？当然在目前，”机器“的“学习”能力有限，需要专业会计师给予把控。当处理偏见时，专业会计师负责帮助机器学习规避基于历史数据产生的偏差；在分配问责方面，专业会计师能够帮助控制风险，减少由于机器学习算法信息不对称产生的欺骗公众或者舞弊现象；在权衡投入方面，专业会计师能够帮助企业合理评估机器学习的具体实施方案。

文 | 奥丽张

编 | 钱毓益