“我行已成功本地化部署微調(diào)DeepSeek-VL2多模態(tài)模型、輕量DeepSeek-R1推理模型，分別運用于智能合同質(zhì)檢和自動化估值對賬場景?！苯K銀行人士說。

“應(yīng)用DeepSeek-VL2多模態(tài)模型，將信貸材料綜合識別準(zhǔn)確率提升至超97%，信貸審核全流程效率提升了20%?！碧K商銀行人士表示。

近日，多家銀行成功本地化部署DeepSeek大模型，應(yīng)用于智能合同管理、智能風(fēng)控、資產(chǎn)托管與估值對賬、客服助手、智庫等多個場景。業(yè)內(nèi)人士認(rèn)為，DeepSeek的面世有助于中小銀行縮小與大型銀行在大模型應(yīng)用方面的差距。大型銀行在資源投入、生態(tài)系統(tǒng)構(gòu)建及數(shù)據(jù)積累上的優(yōu)勢依然明顯，中小銀行在短期內(nèi)難以趕超。

此外，銀行在探索大模型應(yīng)用之際，還面臨著數(shù)據(jù)安全、隱私泄露、合規(guī)挑戰(zhàn)、場景適應(yīng)性不足等多重風(fēng)險。因此，如何平衡技術(shù)進步與風(fēng)險防控，已成為金融機構(gòu)在運用人工智能技術(shù)過程中必須正視的議題。

DeepSeek-VL2多模態(tài)模型能同時處理文本、圖像、語音等多種數(shù)據(jù)類型，較單一領(lǐng)域模型部署節(jié)約了算力成本，為進一步解決金融領(lǐng)域的多模態(tài)場景問題，如票據(jù)識別、合同解析等提供了技術(shù)基礎(chǔ)。DeepSeek-R1模型則在模型規(guī)模和性能上具備優(yōu)勢，能夠針對風(fēng)險評估、投資分析等復(fù)雜任務(wù)，以及報告撰寫、合規(guī)審查等高質(zhì)量文本生成需求，提供更加出色的解決方案。

多家銀行已實現(xiàn)DeepSeek系列大模型本地化部署，應(yīng)用場景包括智能合同管理、智能風(fēng)控、資產(chǎn)托管與估值對賬、客服助手、智庫等。此外，還有股份行表示，正在對DeepSeek系列大模型進行測試，評估其降本增效作用。

在談及使用體驗時，多家已部署DeepSeek系列大模型的銀行表示，該系列模型有效提升了業(yè)務(wù)效率與準(zhǔn)確性。

“我行攜手華為成功引入部署DeepSeek系列大模型，目前已在AIB平臺京行研究、京行智庫、客服助手、京客圖譜等多個關(guān)鍵業(yè)務(wù)場景中試點應(yīng)用，大幅提升了知識驅(qū)動的大模型服務(wù)質(zhì)量和效率?！北本┿y行相關(guān)人員說。

“在智能信貸領(lǐng)域，傳統(tǒng)OCR技術(shù)存在表格識別率低、手寫體解析難、畫中畫拍攝文檔解析難等問題。”上述蘇商銀行人士表示，該行應(yīng)用DeepSeek-VL2多模態(tài)模型，通過構(gòu)建“多模態(tài)技術(shù)+混合專家框架”的創(chuàng)新體系，實現(xiàn)對嵌套表格、影像資料等復(fù)雜場景材料的精準(zhǔn)解析，將信貸材料綜合識別準(zhǔn)確率提升至超97%，信貸審核全流程效率提升了20%。

“傳統(tǒng)資產(chǎn)托管估值對賬存在錄入工作量大、對賬異?；厮堇щy等問題，需依賴人工處理每日超2000封差異化郵件，對TA信息、交易信息、估值信息等區(qū)分后手工錄入比對?！鄙鲜鼋K銀行人士表示，憑借輕量化DeepSeek-R1推理模型引擎高效計算特性，可完成資產(chǎn)托管估值信息自動化解析錄入、自動化對賬，并結(jié)合郵件網(wǎng)關(guān)解析處理能力，實現(xiàn)郵件分類、產(chǎn)品匹配、交易錄入、估值表解析對賬全鏈路自動化處理，識別成功率超90%。目前該行已初步實現(xiàn)業(yè)務(wù)集中運營，按照平均手工操作水平測算，每天可減少9.68小時工作量。

在DeepSeek大模型應(yīng)用探索初期，各家銀行傾向于審慎行事，通過精選少數(shù)場景進行初步試驗并逐步擴大應(yīng)用范圍。波士頓咨詢公司董事總經(jīng)理何大勇建議，銀行在選擇這些場景時，應(yīng)權(quán)衡收益潛力、潛在風(fēng)險及實施難易程度。

“場景的選擇不應(yīng)僅僅局限于籠統(tǒng)的‘業(yè)務(wù)環(huán)節(jié)’定位，如簡單地決定應(yīng)用于財富管理的營銷或公司金融的授信審批。相反，對場景的細分與選擇需深入到AI的具體角色及其所要解決的具體問題類型。在評估成本收益時，除了直接的運營成本節(jié)約外，還需考慮潛在風(fēng)險可能引發(fā)的額外間接成本?！焙未笥抡f。

一方面，銀行業(yè)擁有大量用戶群體，積累了海量數(shù)據(jù)，是大模型應(yīng)用的優(yōu)質(zhì)場景。另一方面，DeepSeek等生成式人工智能大模型技術(shù)提高銀行數(shù)字化轉(zhuǎn)型的效率和質(zhì)量，是商業(yè)銀行高度重視的發(fā)展方向。目前，銀行業(yè)在應(yīng)用大模型方面主要采取兩種策略：一是資金、技術(shù)和數(shù)據(jù)資源充足的大型銀行傾向自主研發(fā)金融大模型；二是多數(shù)中小銀行與外部的大模型服務(wù)提供商合作，并根據(jù)自身數(shù)據(jù)進行微調(diào)，以打造符合特定業(yè)務(wù)需求的大模型。

“DeepSeek面世給大型銀行與中小銀行均帶來了積極影響?！鄙虾＝鹑谂c發(fā)展實驗室主任、首席專家曾剛說。

對于大型銀行來說，DeepSeek可以作為一個高效、可擴展的技術(shù)工具：首先，DeepSeek作為一個成熟的AIGC工具，可以提供現(xiàn)成的技術(shù)框架和算法支持，減少從零開始研發(fā)的時間和成本；其次，DeepSeek的強大自然語言處理（NLP）能力和數(shù)據(jù)分析能力，可以在合同校驗、智能風(fēng)控、資產(chǎn)估值等場景中快速迭代，不斷提升模型的精準(zhǔn)性和適用性；最后，可快速開發(fā)出更多場景化應(yīng)用，如智能客服、精準(zhǔn)營銷、供應(yīng)鏈金融等。

相比大型銀行，DeepSeek對中小銀行的助益則更顯著。中小銀行在與外部大模型服務(wù)商合作時，常面臨依賴性高、定制化能力不足等問題?！癉eepSeek為中小銀行提供了一個高性價比的解決方案，一是通過DeepSeek，中小銀行可以根據(jù)自身業(yè)務(wù)需求，靈活調(diào)整模型參數(shù)和功能，開發(fā)出更貼合自身場景的應(yīng)用，如區(qū)域性特色業(yè)務(wù)、普惠金融服務(wù)等。二是DeepSeek提供了開箱即用的模型能力，使中小銀行無需投入大量資源進行技術(shù)研發(fā)，即可快速部署并應(yīng)用大模型。三是中小銀行可以直接利用DeepSeek的成熟能力，快速上線智能風(fēng)控、合同校驗、客戶洞察等功能，縮短從技術(shù)引入到實際應(yīng)用的周期?！痹鴦傉f。

在何大勇看來，中小銀行在對DeepSeek大模型進行指令精調(diào)，以及在全行前中后臺規(guī)?；瘧?yīng)用時，還需升級多項軟硬件能力，特別是硬件基礎(chǔ)設(shè)施的算力和穩(wěn)定性。

曾剛也表示，盡管DeepSeek在一定程度上可以縮小中小銀行與大型銀行在大模型應(yīng)用方面的差距，但大型銀行在資源投入、生態(tài)構(gòu)建和數(shù)據(jù)積累方面的優(yōu)勢依然顯著。一是大型銀行在資金、人才、技術(shù)上的投入遠超中小銀行，能夠持續(xù)優(yōu)化和擴展自研體系；二是大型銀行與政府、企業(yè)和科技公司的合作更為深入，可以構(gòu)建更為完善的金融科技生態(tài)系統(tǒng)；三是大型銀行長期積累的高質(zhì)量數(shù)據(jù)是其核心競爭力所在，短期內(nèi)中小銀行難以趕超。

“DeepSeek等大模型的加速應(yīng)用為金融機構(gòu)開展業(yè)務(wù)提供了強有力支持，同時也產(chǎn)生了隱私權(quán)、著作權(quán)等方面的問題。如何平衡技術(shù)進步與風(fēng)險防控，已成為金融機構(gòu)在運用人工智能技術(shù)過程中不得不正視的關(guān)鍵議題?！闭新?lián)首席研究員董希淼說。

一些業(yè)內(nèi)人士就數(shù)據(jù)安全與隱私風(fēng)險表達了擔(dān)憂。一方面，大模型的訓(xùn)練和運行需要大量客戶數(shù)據(jù)，若數(shù)據(jù)存儲或傳輸過程中出現(xiàn)漏洞，可能導(dǎo)致客戶隱私泄露或數(shù)據(jù)被濫用；另一方面，模型本身可能通過訓(xùn)練數(shù)據(jù)“記住”敏感信息，進一步增加隱私泄露的風(fēng)險。

“銀行等金融機構(gòu)對數(shù)據(jù)安全性要求較高，這意味著大模型的精調(diào)、應(yīng)用都需要在本地進行，以防止專屬數(shù)據(jù)泄露?！焙未笥抡f，具體而言，銀行可從外部下載大模型，并在私有云環(huán)境中進行部署，隨后提取、脫敏、轉(zhuǎn)換內(nèi)部數(shù)據(jù)，專供模型訓(xùn)練使用，訓(xùn)練后的轉(zhuǎn)換數(shù)據(jù)會被安全地存儲在內(nèi)部數(shù)據(jù)庫中，便于后續(xù)的微調(diào)操作，所有微調(diào)工作均在銀行的私有云完成，從而避免敏感數(shù)據(jù)在外部暴露。完成上述流程后，再提供給用戶使用。

還有業(yè)內(nèi)人士從監(jiān)管角度提醒金融機構(gòu)。清華五道口金融學(xué)院副院長張曉燕表示，目前各國對于大模型的監(jiān)管態(tài)度分歧較大，使得大模型在金融業(yè)中的應(yīng)用存在監(jiān)管風(fēng)險。一旦監(jiān)管政策發(fā)生變化，銀行可能需要對大模型進行大規(guī)模調(diào)整，從而增加了銀行的合規(guī)成本。

一家外資銀行信息科技部人士告訴記者，大模型應(yīng)用面向公眾需要考慮監(jiān)管規(guī)則、數(shù)據(jù)安全等因素，目前可能更適合內(nèi)部使用以提質(zhì)增效。

除上述問題外，大模型應(yīng)用的潛在風(fēng)險還包括幻覺缺陷（指生成的文本在語義或句法上看似合理但實際上不正確或無意義）所帶來的操作風(fēng)險和聲譽風(fēng)險、場景適配性不足、人才短缺問題、算法歧視風(fēng)險（因訓(xùn)練數(shù)據(jù)的偏差而產(chǎn)生算法歧視，例如對某些群體或行業(yè)的風(fēng)險評估不公平）等。曾剛認(rèn)為，銀行在引入大模型時，需要全面評估這些潛在風(fēng)險，并通過技術(shù)優(yōu)化、數(shù)據(jù)治理、監(jiān)管適配等手段加以應(yīng)對。