從智能風控、個性化服務、網點運營，再到多種遠程服務，銀行與DeepSeek的合作正向多場景應用拓展 攝影/任玉明
[ 從訓練成本來看，DeepSeek-V3約為557.6萬美元，而OpenAI為聊天機器人ChatGPT發布的語言模型GPT-4的訓練成本則達到數億美元。 ]
蛇年春節前后，DeepSeek公司推出旗下包括V3大模型、R1大模型等一系列大語言模型，引起了“狂卷”大模型的銀行機構的注意。據觀察，郵儲銀行、北京銀行、重慶銀行、江蘇銀行、蘇商銀行、重慶農商行等多家銀行機構近期紛紛完成了DeepSeek的本地化部署。
業內人士表示，當下銀行業對大模型的應用主要是為了建立內部使用的助手，以提高員工的辦公效率。在銀行業競相接入大模型的當下，將有更多銀行機構探索與DeepSeek公司合作，接入V3大模型、R1大模型等一系列大模型。對于銀行來說，在接入最新大模型提高效率的同時，還要注意數據安全、信息泄露、文本幻覺等風險。
銀行探索多場景應用
從智能風控、個性化服務、網點運營，再到多種遠程服務，銀行與DeepSeek的合作正向多場景應用拓展。
郵儲銀行2月8日透露，通過本地部署的方式，旗下“郵智”大模型集成了DeepSeek-V3模型及輕量級的DeepSeek-R1推理模型。郵儲銀行率先將DeepSeek大模型應用于“小郵助手”，實現了以下創新突破：一是新增邏輯推理功能，顯著提升精準服務效能；二是通過深度分析功能，能夠更精準地識別用戶需求，進而提供個性化、場景化的服務方案；三是憑借高效的推理性能，大幅加快響應速度和任務處理效率。
“我行與華為緊密合作，成功引入并部署了DeepSeek系列大模型。目前，該模型已在AIB平臺的京行研究、京行智庫、客服助手、京客圖譜等多個核心業務場景中開展試點應用，顯著提升了基于知識驅動的大模型服務質量和效率。”北京銀行人士表示。
江蘇銀行在其數字金融官微發布公告稱，該行已應用DeepSeek大語言模型。公告提到，依托“智慧小蘇”大語言模型服務平臺，該行本地化部署微調DeepSeek-VL2多模態模型、輕量DeepSeek-R1推理模型，分別運用于智能合同質檢和自動化估值對賬場景。
江蘇銀行人士表示，通過應用R1推理模型，結合郵件網關解析處理能力，實現郵件分類、產品匹配、交易錄入、估值表解析對賬全鏈路自動化處理，識別成功率達90%以上，目前已初步實現業務集中運營，按照平均手工操作水平測算，每天可節約9.68小時工作量。
重慶農村商業銀行則宣布在其企業微信上線基于DeepSeek模型的智能助手應用“AI小渝”，未來將應用在智能風控、場景金融、數據決策等場景中，實現構建分鐘級響應的智能客服系統，結合知識庫實現個性化財富管理建議等。
蘇商銀行人士透露，該行憑借對DeepSeek系列模型技術的深度整合，打造了“數據、算法、算力、場景”四輪驅動的智能決策系統。目前，該系統已在信貸風控、反欺詐監測等20多個業務場景中落地應用，盡調報告生成效率提升40%。
有望縮小“技術鴻溝”
近年來，銀行為自研金融大模型投入了巨大資源，而中小銀行則無法跟上大型銀行接入大模型的步伐，其中的“技術鴻溝”越拉越大。業內人士認為，憑借DeepSeek較低的算力需求和訓練成本，能為中小銀行帶來機會，有助于縮小與大型銀行的技術差距。
“DeepSeek的大模型技術具備強大的推理能力、高效的計算性能，推理成本又比較低，很適合在特定場景下實現高頻調用和落地應用，為中小銀行在人工智能領域的應用和發展提供了有力支持。”某城商行人士表示。
根據浙商證券發布的研報，DeepSeek-V3大模型整個訓練過程用了不到280萬GPU（圖形處理器）小時，相比之下，美國互聯網巨頭Meta發布的Llama3-405B的訓練時長是3080萬GPU小時。從訓練成本來看，DeepSeek-V3約為557.6萬美元，而OpenAI為聊天機器人ChatGPT發布的語言模型GPT-4的訓練成本則達到數億美元。
較低的訓練成本為中小銀行跨越“技術鴻溝”帶來機會。上海金融與發展實驗室主任、首席專家曾剛指出，DeepSeek為中小銀行提供了一種高性價比的解決方案。首先，中小銀行能夠根據自身業務需求，靈活調整DeepSeek模型的參數和功能。其次，DeepSeek具備開箱即用的模型能力，中小銀行無需投入大量資源進行技術研發，即可快速部署并應用大模型。最后，中小銀行可以直接利用DeepSeek的成熟技術，快速上線智能風控、合同校驗、客戶洞察等功能，顯著縮短從技術引入到實際應用的周期。
“未來，預計將有更多持牌金融機構加入AI升級的浪潮，通過提升傳統金融業務的質效，進一步保障金融安全和用戶資金賬戶的安全。”素喜智研高級研究員蘇筱芮指出，DeepSeek模型具備多元化的應用能力，不僅在邏輯推理和自然語言處理方面表現出色，還能夠實現高性價比的部署。人工智能大模型在智能營銷、智能風控等多個細分場景中展現出廣闊的應用前景。
不過，目前銀行仍處于探索DeepSeek大模型技術應用的初期階段。據了解，銀行業對大模型的應用主要集中在內部場景，比如智能代碼編寫、內部AI辦公、智能客服等中臺運營管理，以此來提升員工工作效率，但并未涉及賬戶交易等核心業務的應用。
數據風險、“幻覺”挑戰
大模型技術提升銀行工作效率的同時，可能帶來的風險也不容忽視。最受關注的便是數據隱私與安全問題。“大模型的應用意味著要處理大量個人和企業的數據，增加了信息泄露的風險，客戶的信息泄露后可能會被非法獲取用于詐騙活動等，導致銀行聲譽受損。”有銀行業人士表示。
DeepSeek的隱私政策中包含電子郵件地址、電話號碼、擊鍵模式等個人隱私數據收集。近日，DeepSeek的ClickHouse數據庫因配置錯誤而暴露，導致敏感信息泄露。該數據庫暴露了超過100萬條記錄，涵蓋聊天記錄、API密鑰、操作日志等高度敏感的信息，并且由于未配置身份驗證機制，這些數據任何人都可以隨意訪問。隨后，DeepSeek遭意大利個人數據保護局詢問，并從應用商店下架。
上海段和段律師事務所高亞平律師認為，各國的監管機構正在加強對大模型數據處理活動的監督，但確保管理體系能夠有效應對合規要求并非易事，在數據處理的完整生命周期中，AI算法、爬蟲技術的使用，使得合規的技術目標變得難以捉摸，給大模型數據治理帶來新的挑戰。
“幻覺”問題是另一大挑戰。目前已有使用者發現DeepSeek存在一本正經地“胡說八道”的情況。例如，在生成學術論文材料時，DeepSeek會生成不存在的材料，或指向無關的論文。業內人士表示，大模型目前面臨的“幻覺”問題，其主要根源在于訓練數據的污染。
清華大學計算機科學與技術系教授孫茂松認為，盡管生成式人工智能在生成流暢文本方面表現優異，但由于缺乏真正的理解能力，在數據匱乏或信息不明確的情況下，可能會生成不準確甚至虛假的內容。“幻覺”在高精度任務中可能會帶來嚴重的限制。
上述金融業人士表示，在金融領域，由于對數據精度的要求極高，同時需要確保模型的可解釋性以及嚴格的風險控制，金融機構在應用大模型時往往表現得較為謹慎。
在北京大學智能學院教授王立威看來，大模型的“幻覺”現象是一種內在特性。當前的大模型主要通過從海量數據中學習來構建其能力，本質是一種基于統計的方法。由于這種方法是基于統計規律而非邏輯推理，因此無法保證輸出結果100%準確。
“為解決這一問題，一方面需要從軟件工程的角度出發，優化算法，提升數據質量，從而提高大模型的精度；另一方面，也需要通過制定行業規范和法律法規，對大模型技術加以約束和引導，使其能夠更加安全、可靠地服務于經濟社會的發展。”某國有大行金融科技業務部人士建議。
來源：第一財經日報
掃一掃分享本頁
