“我行已成功本地化部署微調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。”江蘇銀行人士說。

“應用DeepSeek-VL2多模態模型，將信貸材料綜合識別準確率提升至超97%，信貸審核全流程效率提升了20%。”蘇商銀行人士表示。

近日，多家銀行成功本地化部署DeepSeek大模型，應用于智能合同管理、智能風控、資產托管與估值對賬、客服助手、智庫等多個場景。業內人士認為，DeepSeek的面世有助于中小銀行縮小與大型銀行在大模型應用方面的差距。大型銀行在資源投入、生態系統構建及數據積累上的優勢依然明顯，中小銀行在短期內難以趕超。

此外，銀行在探索大模型應用之際，還面臨著數據安全、隱私泄露、合規挑戰、場景適應性不足等多重風險。因此，如何平衡技術進步與風險防控，已成為金融機構在運用人工智能技術過程中必須正視的議題。

提升業務效率與準確性

DeepSeek-VL2多模態模型能同時處理文本、圖像、語音等多種數據類型，較單一領域模型部署節約了算力成本，為進一步解決金融領域的多模態場景問題，如票據識別、合同解析等提供了技術基礎。DeepSeek-R1模型則在模型規模和性能上具備優勢，能夠針對風險評估、投資分析等復雜任務，以及報告撰寫、合規審查等高質量文本生成需求，提供更加出色的解決方案。

多家銀行已實現DeepSeek系列大模型本地化部署，應用場景包括智能合同管理、智能風控、資產托管與估值對賬、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務效率與準確性。

“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、京客圖譜等多個關鍵業務場景中試點應用，大幅提升了知識驅動的大模型服務質量和效率。”北京銀行相關人員說。

“在智能信貸領域，傳統OCR技術存在表格識別率低、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，該行應用DeepSeek-VL2多模態模型，通過構建“多模態技術+混合專家框架”的創新體系，實現對嵌套表格、影像資料等復雜場景材料的精準解析，將信貸材料綜合識別準確率提升至超97%，信貸審核全流程效率提升了20%。

“傳統資產托管估值對賬存在錄入工作量大、對賬異常回溯困難等問題，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、估值信息等區分后手工錄入比對。”上述江蘇銀行人士表示，憑借輕量化DeepSeek-R1推理模型引擎高效計算特性，可完成資產托管估值信息自動化解析錄入、自動化對賬，并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，識別成功率超90%。目前該行已初步實現業務集中運營，按照平均手工操作水平測算，每天可減少9.68小時工作量。

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

“場景的選擇不應僅僅局限于籠統的‘業務環節’定位，如簡單地決定應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約外，還需考慮潛在風險可能引發的額外間接成本。”何大勇說。

各類銀行不同路徑發力

一方面，銀行業擁有大量用戶群體，積累了海量數據，是大模型應用的優質場景。另一方面，DeepSeek等生成式人工智能大模型技術提高銀行數字化轉型的效率和質量，是商業銀行高度重視的發展方向。目前，銀行業在應用大模型方面主要采取兩種策略：一是資金、技術和數據資源充足的大型銀行傾向自主研發金融大模型；二是多數中小銀行與外部的大模型服務提供商合作，并根據自身數據進行微調，以打造符合特定業務需求的大模型。

“DeepSeek面世給大型銀行與中小銀行均帶來了積極影響。”上海金融與發展實驗室主任、首席專家曾剛說。

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

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商合作時，常面臨依賴性高、定制化能力不足等問題。“DeepSeek為中小銀行提供了一個高性價比的解決方案，一是通過DeepSeek，中小銀行可以根據自身業務需求，靈活調整模型參數和功能，開發出更貼合自身場景的應用，如區域性特色業務、普惠金融服務等。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研發，即可快速部署并應用大模型。三是中小銀行可以直接利用DeepSeek的成熟能力，快速上線智能風控、合同校驗、客戶洞察等功能，縮短從技術引入到實際應用的周期。”曾剛說。

在何大勇看來，中小銀行在對DeepSeek大模型進行指令精調，以及在全行前中后臺規模化應用時，還需升級多項軟硬件能力，特別是硬件基礎設施的算力和穩定性。

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用方面的差距，但大型銀行在資源投入、生態構建和數據積累方面的優勢依然顯著。一是大型銀行在資金、人才、技術上的投入遠超中小銀行，能夠持續優化和擴展自研體系；二是大型銀行與政府、企業和科技公司的合作更為深入，可以構建更為完善的金融科技生態系統；三是大型銀行長期積累的高質量數據是其核心競爭力所在，短期內中小銀行難以趕超。

尋求創新與風險防控平衡點

“DeepSeek等大模型的加速應用為金融機構開展業務提供了強有力支持，同時也產生了隱私權、著作權等方面的問題。如何平衡技術進步與風險防控，已成為金融機構在運用人工智能技術過程中不得不正視的關鍵議題。”招聯首席研究員董希淼說。

一些業內人士就數據安全與隱私風險表達了擔憂。一方面，大模型的訓練和運行需要大量客戶數據，若數據存儲或傳輸過程中出現漏洞，可能導致客戶隱私泄露或數據被濫用；另一方面，模型本身可能通過訓練數據“記住”敏感信息，進一步增加隱私泄露的風險。

“銀行等金融機構對數據安全性要求較高，這意味著大模型的精調、應用都需要在本地進行，以防止專屬數據泄露。”何大勇說，具體而言，銀行可從外部下載大模型，并在私有云環境中進行部署，隨后提取、脫敏、轉換內部數據，專供模型訓練使用，訓練后的轉換數據會被安全地存儲在內部數據庫中，便于后續的微調操作，所有微調工作均在銀行的私有云完成，從而避免敏感數據在外部暴露。完成上述流程后，再提供給用戶使用。

還有業內人士從監管角度提醒金融機構。清華五道口金融學院副院長張曉燕表示，目前各國對于大模型的監管態度分歧較大，使得大模型在金融業中的應用存在監管風險。一旦監管政策發生變化，銀行可能需要對大模型進行大規模調整，從而增加了銀行的合規成本。

一家外資銀行信息科技部人士表示，大模型應用面向公眾需要考慮監管規則、數據安全等因素，目前可能更適合內部使用以提質增效。

除上述問題外，大模型應用的潛在風險還包括幻覺缺陷（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）所帶來的操作風險和聲譽風險、場景適配性不足、人才短缺問題、算法歧視風險（因訓練數據的偏差而產生算法歧視，例如對某些群體或行業的風險評估不公平）等。曾剛認為，銀行在引入大模型時，需要全面評估這些潛在風險，并通過技術優化、數據治理、監管適配等手段加以應對。

來源：中國證券報