概要

       多年来，会计人员一直应用自动化技术来提高工作效率、改善工作效果。但是迄今为止，技术还无法取代专家知识和决策的需求。事实上，前几代的“智能”系统普遍证明了人类专业知识的持续力量和机器的局限性。

       自1950年代以来，人工智能（AI）一直是计算机科学家迫切期望实现的梦想，并在近几年间取得了巨大的进步。人工智能已成为许多在线活动不可或缺的一部分，并将更多地融入到我们周边的所有事物中。

       这些系统不能复制人类的智能。事实上，一些专家就对人们用人工智能（AI）一词来概括当前的机器学习系统提出了质疑。但是，在逐项任务的基础上，机器的产出无论是在精确度还是持续性上都远好于人类。

       在中短期内，人工智能帮助会计师提高了效率，提供更深刻的见解，并为企业带来更多的价值。从长远来看，随着系统逐渐代替人类来完成决策任务，人工智能可能带来更重大的变革。本报告基于以下三个问题，就如何把握日益智能化的系统所带来的机遇搭建了一个框架。

       下图反映出我们报告里提出的框架，帮助提升数字化领导力：

       未来的几十年里，智能系统将帮助人类完成越来越多的决策任务。尽管多年来会计人员一直在使用技术来改善其工作水平并为企业带来更多价值，但人工智能带来了一个重新构想并从根本上提高业务和投资决策质量的机会——而这正是会计这一职业的最终目标。

       为了实现这一可能，会计人员要专注于自身亟待解决的基础业务问题，并探究如何应用新技术来重塑原先的解决方法。

       会计人员希望通过提供良好的建议和做出正确的决策来帮助组织和经济更好地运作。毕竟，会计本身并不是目的。与会计相关的所有活动最终都旨在帮助人们在资源分配上做出良好的决策，并为他们的决策负责。这为所有组织和经济体的投资、增长和信心奠定了基础。

       更智能的系统为实现会计最终目标及解决各种基本业务问题提供了截然不同的方法。投资者需要对公司的财务业绩取得信任；公司和政府需要确保纳税处在合理水平；管理层需要决定如何配置组织资源，并对这些决策负责。解决这些基本问题对于公司和经济体的成功至关重要，并且是会计这一职业的核心。

       新数据和更智能的系统很可能带来新的问题。例如，联合国全球目标代表了我们人类对于期望世界和社会在未来几十年中变成什么样的广泛共识。无论在什么情况下，想要实现这些目标，都有大量工作要做。至少，我们需要有效的衡量方法，以便在分配财力和其他资源上做出明智的决策，以实现目标。我们还需要对这些决定负责。

       因此，创建长期愿景的出发点是聚焦于会计有关更好决策的最终目的，并确定那些需要更好解决方法的基本业务问题。

       由此可见，认识和有效利用新技术非常重要。本报告重点介绍了人工智能机器学习方法的优势，特别是深度学习技术，在许多研究领域都带来了重大进步。

       但当下是一个复杂且不断变化的技术大背景。其他领域的技术将与人工智能相互作用，并对未来的业务产生重大影响，如区块链或量子计算。此外，能力变化的速度可以非常快，基于学习和数据驱动的系统本质上可以实现持续改进。

       为了充分利用强大的新技术，我们需要明确其独特的特性以及它们是如何解决实际问题的。从构建一项可行的技术到从中获取最大价值通常需要很长的时间。通常，技术可以帮助处理一个亟待解决的问题，或者仅仅让我们用不同的工具做同样的工作。

       相反，我们需要鼓励技术专家、企业和会计之间的积极讨论、互动和相互学习，从而重新构思利用新技术解决基本业务问题的方式。

    要做到这一点，会计需要对更深刻的变化持开放态度，避免只是维持或逐步改善现状。AI拥有对数据更好的洞察力，能帮助专家做出更好的决策并提供更好的建议。有证据表明，相较于人或计算机单独工作，人类和计算机在象棋和医学等多种多样的领域进行协同工作将产生更好的结果。

       然而，随着系统变得更加强大，它们将能进入更加复杂、更深层次的决策领域，很可能在许多情景下完全替代人类，并能够提供完全不同的解决方案、服务和模型。因此，从长远来看，会计人员必须思考更多关于改进现有流程的事宜。此外，需要反映出会计人员给企业带来的具体的技能和品质。这要求会计人员具备超越技术知识以外的品质，包括职业怀疑精神、对数字的洞察力、确保数字可靠性等。

       这也意味着要积极参与有关话题讨论，例如关于人类判断在更复杂的商业领域中的作用。一些人类所独有的特征，例如领导力、同理心和创造力，永远不会被计算机取代。我们不应低估人类的可塑性和独创性。然而，“人类判断”通常只是缺乏数据的替代品 ——随着强大的计算机能够访问更多的新数据源，它们将在绝大多数情况下取代人类的判断。如果尝试去否认计算机拥有超越许多人类能力的潜力，仅仅是想保护当前的模型和做事方式，很可能会以失败告终。

       我们很难预测计算机在未来20-30年内取代人类决策的程度。会计长远的未来将最终反映出人类如何看待和塑造与强大系统之间的关系。这将受到一系列经济、社会和政治因素的影响。同时，未来的技术也将与我们今天看到的大不相同。因此，我们要用更灵活的方法来卡待未来。

       未来会计专业人员的技能和学习议程已经在包括ICAEW、雇主和教育工作者等在内的专业主体之间引发了巨大争论。大多数人都同意会计人员在技术和数据等领域需要更多的技能，并且更应该重视软技能、批判性思考能力和适应力。此外，还需要更加重视终身学习。然而，社会上一直存在着对未来会计人员的发展前景存在争议——上至高素质的混合型人才，下至利用技术获取专业知识的低技能工人。

       当业务需求发生了变化，且所有利益相关者都同意时，该职业能够很好地适应。随着市场需求的发展，专业团体会更新他们的资质。商业和实践中的会计组织一直在创新，来提供更多价值。这种品质对于该行业的所有利益相关者来说将变得越来越重要。

       现如今AI技术非常强大且变革迅速，它们能够带来极度精准的产出，代替甚至取代人类劳动力。然而，它们无法复刻人类的智慧。我们既要看到人工智能的优势，也要看到它的局限之处，并在这样的基础上去探索如何让人类和计算机和谐共生。

       人类通过两种不同的方式做出决定。

       作为专业决策者，会计人员同时使用两种思维方式——他们将知识应用于特定情况以做出合理的决策，同时根据自身领域的丰富经验做出快速的直觉性决策。

       我们的直觉思维特别强大，反映了快速的学习和高度的灵活性。它为我们的语言、视觉、感知、对日常世界的理解以及与他人互动的方式奠定了基础。但是，它并不完美。Daniel Kahneman等心理学家的研究表明，它受到偏见和前后不一致的影响。

• 可得性偏差：我们脑海中往往只记得最近发生或最常见的事例，这可能会扭曲决策过程。 

• 确认偏差 ：我们倾向于只看到与自身观点相一致的事物。 

• 锚定：我们会受到先前建议的强烈影响。

  
  

       多年来，关于人工智能的研究一直聚焦于复制人类的推理能力，例如，表现知识和对基于逻辑的规则进行编码和决策树。这是专家系统采用的方法，在20世纪80年代和90年代开始流行。这些系统试图捕获专家的明确知识，并将其构建为可作出决策或建议的规则引擎。

       这种方法取得了一些成功，但它几乎没能带来可被视为接近人类智慧的结果。虽然这些系统存在各种技术问题，但它们最终是被现实世界的复杂性以及我们依赖直觉思维的程度所击败的。我们无法清楚地阐明知识和决策规则。这意味着系统无法应对复杂、模糊、多变的情况。

       近来，AI领域取得的进步采用了一种截然不同的方法。他们没有试图制定一套自上而下的规则模型，而是采用了自下而上的方法，根据之前发生的事情来学习规则。这使用模式识别，也就是大家熟知的机器学习。虽然人工智能研究领域很多，但机器学习的进步是当今人工智能热度背后的主要推动力，也是本报告的重点。

       通过将机器学习中的方法与人工智能其他领域的发展相结合，例如知识表示和推理，计算机可用来补充并逐渐改进人类思维的两种方式。

       在许多方面，人工智能的发展都是非常深远的。机器学习技术利用了我们自己的认知优势——模式识别和学习——而不是试图定义复杂的规则。该领域最先进的技术——基于人工神经网络和深度学习——在自然语言处理、翻译、机器视觉和游戏等领域实现了重大突破。

       这种方法还可以使计算机深入决策过程，而不像之前那样被预先定义的规则的复杂性和模糊性所打败。实际上，医学成像和诊断等领域的研究愈发表明，机器的工作结果相比人类要准确得多。尽管算法比许多专家表现得更好、更持续一事已经不足为奇了，AI系统还是增强了这一能力，并有可能带来更强大有力的决策工具。这反映了关于模型及其包含的算法的三个特征。

       这些功能对于旨在利用可用的大数据的组织尤为重要。仅凭人类无法从当今产生的大量数据中分析并提取有用信息。使用机器学习技术从大数据中获取信息并充分利用它们是至关重要的。

       虽然这些模型非常强大，但它们的能力仍然有限。机器学习不是一般的AI，模型也并不是特别灵活。模型基于给定的数据集学习去执行非常具体的任务。

数据量和质量是根本，并不是所有问题都有正确的数据交给机器去学习。许多模型需要海量的数据。计算机视觉和语音识别等领域的重大突破依赖于非常大的训练数据集——数百万个数据点。尽管不是机器学习的所有领域都这样，但想要成功必须拥有充足的高质量数据。

数据通常反映了社会中存在的偏见。因此，模型在潜在消除人类的偏见的同时，也可以巩固已经存在的社会偏见。 

此外，并非每个问题都适用于机器学习方法。例如，问题有一定程度的重复性，以便模型可以概括其学习成果并将其应用于其他情况。对于独特或新颖的问题，学习成果效果会大打折扣。

机器学习模型的输出是基于数学计算的预测或建议，并非所有问题都可以通过这种方式解决。其他因素可能需要一并纳入考虑范围，例如道德问题，或者问题本身可能需要更深层次的原因分析。

在不同情况下，不同级别的预测准确性都是合理的。例如，推荐引擎是否做出了不准确的推荐并不特别重要。相反，医疗诊断或合规性任务需要高度准确性。为模型输出提供明确的置信水平本身就是有用的决策辅助工具。但他们强调了模型的局限性，不恰当依赖模型的危险以及在许多决策过程中保留人类参与的必要性。

       尽管如同机器学习一样的AI技术已经不再新鲜，且变化越来越快，商业和会计领域的AI广泛应用仍处于起步阶段。为了拥抱更加积极的未来，我们需要深入理解如何高效利用AI，使其能够解决会计和商业上的各种问题、实践中遭遇的挑战，以及人工智能背景下会计需要具备的新技能。

       会计运用他们关于会计和财务的技术知识来帮助企业和股东更好地决策。为了支持他们的决策和建议，会计人员需要高质量的财务和非财务信息和分析。这反映在业务和实践中的各种会计角色中，用于捕捉、准备、检查和传达信息，进而分析以及做出各种各样的决策。

       多年来，会计一直在部署技术，以帮助他们提供更好的建议并做出更好的决策。技术可以通过解决三类问题来帮助实现这一目标：

• 提供更好、更便宜的数据来支持决策； 

• 从数据分析中获得新的见解；

• 腾出时间专注于更有价值的任务，如决策、解决问题、建议、战略制定、建立关系和领导力。

      机器学习技术的本质使其能够在所有会计领域取得实质性进展，并为会计提供强大的新能力，以及自动执行许多任务和决策。

      因此，重要的是要确定哪些会计和业务问题应用机器学习可能特别有成效，哪些问题反而不太适合新技术。这将确保技术应用由业务需求驱动，而不仅仅是技术实力。迄今为止，AI在现实世界会计领域中的使用有限，但早期的研究和实施项目包括：

• 利用机器学习对会计分录进行编码，提高基于规则的方法的准确性，实现流程的更高自动化； 

• 通过更复杂的“正常”活动的机器学习模型和对欺诈活动的更好预测来改进欺诈检测；

• 使用基于机器学习的预测模型来预测收入；

• 通过深度学习模型改进对非结构化数据（如合同和电子邮件）的访问和分析。

  
  

       数据量和质量对AI系统的成功至关重要。没有足够好的数据，模型根本无法开展学习。

会计交易数据结构合理且质量高，因此应该成为模型开发的一个合适的切入点。然而，鉴于许多组织中的数据存在长期问题，特别是那些带有复杂和未整合的遗留系统的数据，这仍然可能是实践中的主要挑战。小一点的组织可能没有足够的数据来实现准确的结果。同样，关于很具体的问题，可能会没有足够的数据来支撑好的模型。功能强大的模型可能需要外部数据源，这些数据可能无法以适当的成本访问。 

此外，很难事先知道机器学习能有多成功。模型基于特定数据集进行学习。因此，从成功和不太成功案例中获取经验将有助于了解未来的应用。

另一个更原则性的局限是个人隐私和道德问题，特别是在人工智能系统能利用个人数据的情况下。例如，欺诈检测可能会使用员工发送的电子邮件文本，这将受到法律和道德的限制。

人工智能在经济和商业领域的案例将是推动应用的最终力量。这将反映出组织应用机器学习功能的两种不同方式。 

首先，机器学习越来越多地融入商业和会计软件。因此，许多会计师并没有意识到自己已经接触到了机器学习，比如我们在线上搜索或购物活动中就使用过这些功能。这就是小型组织最有可能采用AI工具的方式。 

其次，有意识地采用人工智能来解决特定业务或会计问题通常需要大量的投资。虽然该领域有许多免费和开源软件，但出于法律或监管原因，可能需要使用合格的软件供应商。考虑到涉及的数据量，可能需要大量硬件和处理能力，即使它是基于云访问的。因此，AI投资可能会集中于哪些对财务影响最大化的领域，特别是有降低成本空间的领域，或那些对竞争定位或客户服务至关重要的领域。虽然其他领域也可能有利可图，但可能缺乏强有力的投资理由。同样，利用机器学习在专业会计领域开发更智能的产品可能缺乏让软件开发人员进行投资的市场潜力。

       组织还需要获得正确的技能。显然，首先要考虑机器学习的技术专长。但是，与数据分析一样，我们需要深入了解数据所在的业务环境和所需要的洞察力来补充这些技术技能。

       为响应数据分析的新功能，会计角色已经发生变化。事实上，会计师可以有效地利用数据分析来工作，因为他们既有高水平的计算能力又有强大的商业意识。AI会加速这些趋势。为了处理困难和新颖的案例，会计角色将继续强调技术性的会计专业知识和人类判断。其他会计角色可能会扩展，以增加与其他部门的协同合作，帮助他们从数据和模型中获得正确的信息。此外还会产生新的岗位。例如，会计需要参与训练和测试模型或审计算法。他们可能需要参与项目以帮助构建问题并将结果整合到业务流程中。其他会计可能更直接地参与管理输入或输出，例如异常处理或数据准备。

      这种演变将反映在会计人员所需的技能上。某些角色（如训练模型）可能需要深入了解机器学习技术。在其他领域，会计师可能只需要更加熟练的机器学习知识，就能够与专家和业务的其他部门进行沟通。批判性思维和沟通技巧将会变得越来越重要。

      除了技能，会计师可能需要采用新的思维方式和行动方式，从而充分利用机器学习工具。例如，将更多时间花在预测性和主动性活动上，如基于环境进行预测或建立快速改变方向的能力，这将需要不同的思维方式。

       会计具有更广泛的制度背景，监管机构和准则制定者也需要建立他们对人工智能应用的理解，并能从容应对任何相关风险。没有这种制度支持，就不可能在审计或财务报告等领域内实现变革。因此，让标准制定者和监管者积极参与到这些领域至关重要。

例如，审计准则制定者希望了解审计师是如何使用这些技术来获取证据的，并了解这些技术的可靠性。这些主体已经在讨论数据分析能力对审计准则的影响，并且在这些讨论的基础上构建机器学习的新思路。

这方面还存在着有关模型透明度的特殊问题。我们无法完全了解最为复杂的模型，例如深度学习模型，是如何获得输出结果的。如果组织和审计公司在其运营中越来越多地依赖黑匣子模型，那么我们就需要更多地思考如何确保他们是在正确地运行。

监管机构还可以积极鼓励甚至推动机器学习应用于那些与其工作相关的地方。例如，该领域的大部分投资来自金融服务机构，以满足监管机构的合规要求和应对来自监管方的压力

本文来源：浙大ZIFA