DeepSeek走进银行

今年春节，DeepSeek火爆全球，凭借高性能、开源的模型，DeepSeek在AI界与科技圈激起千层浪。在追求高效、精准决策的金融业，DeepSeek的融入也是恰逢其时，这位赛博同事上线后仅需一秒，就能生成一份专业且精准的理财方案，面对堆积如山的数据，也能迅速整合分析。作为更加聪明的AI大模型，DeepSeek是否将彻底重塑银行业的未来格局？又存在何种挑战？

发展数字经济和数字金融已成为推动银行业数字化转型、拥抱新一轮科技革命的重要途径，DeepSeek不仅“脑子快”，还擅长“个性化发挥”，作为超级AI助手，在应用DeepSeek大语言模型方面，已有银行进行尝试。

江苏银行依托“智慧小苏”大语言模型服务平台，成功本地化部署微调DeepSeek-VL2多模态模型、轻量DeepSeek-R1推理模型。结合DeepSeek的模型特性，江苏银行“智慧小苏”实现了合同质检智能化、托管资产估值对账自动化的创新。

也有一些银行将DeepSeek的功能用在了营销过程中，“DeepSeek，你也太懂海安农商银行了吧！”在海安农商银行最近发布的一则文案中，该行就通过询问DeepSeek的方式向用户介绍了银行的具体情况，在文案中，DeepSeek从资本实力、市场份额、服务质量、金融产品、社会责任等多个维度对海安农商银行进行分析并做出总结。

从银行的角度而言，业内多认为DeepSeek最直接的应用场景将覆盖智能客服、客户需求挖掘、风险评估与管理等层面。一方面，DeepSeek具备强大的逻辑推理和自然语言处理能力，能使客服对话更自然、精准，更好地理解客户问题。另一方面，DeepSeek可以整合客户多维度数据，包括个人基本信息、财务状况、交易记录、信用记录等，更准确地评估客户的信用风险，为贷款审批、信用卡额度调整等业务提供依据。

谈及DeepSeek大语言模型的优势和创新点，中国城市专家智库委员会常务副秘书长林先平认为，DeepSeek利用了大规模的自然语言处理和深度学习技术，可以处理海量的文本数据，并进行自动化的分析处理，这大大提高了数据处理和分析的效率。其次，DeepSeek可以利用大规模的语料库进行训练，使其模型更加准确和高效，而且可以通过不断地优化和迭代来提高模型的性能。最后，DeepSeek可以利用大量的数据进行自主学习和自我优化，能够适应不同的数据环境和应用场景，这是传统银行数据处理和分析工具所无法比拟的。

从长远发展来看，林先平强调，DeepSeek等大语言模型的应用将重塑银行现有的业务流程和服务模式。

“从长远来看，DeepSeek等大语言模型的应用将深刻重塑银行现有的业务流程和服务模式。”在北京社科院副研究员王鹏看来，但银行在实际业务中合理平衡人工智能与人类决策的关系至关重要。一方面，要充分发挥DeepSeek等人工智能工具的优势，利用其强大的数据处理和分析能力，提高业务效率和准确性；另一方面，也要重视人类决策的独特价值，特别是在涉及复杂情感、伦理道德和创造性决策时，人类决策往往更具优势。

王鹏进一步指出，DeepSeek在应用过程中面临着数据质量、模型可解释性和市场适应性等挑战。银行需要建立严格的数据质量管理体系，确保数据的准确性和完整性；同时，也要加强对DeepSeek模型的理解和解释，提高模型的可解释性和透明度；此外，还要不断根据市场变化调整DeepSeek的应用策略，确保其能够适应银行的实际业务需求。

林先平同样认为，在实际业务中合理平衡人工智能与人类决策的关系非常重要。人工智能可以帮助银行更高效、准确地处理大量的数据和业务操作；但人作为金融行业的决策主体和实施者，不能完全被人工智能取代。所以需要在技术发展和应用过程中始终注重对人类能力的评估与训练，从而适应和引导这些新兴技术的应用发展。此外，在使用DeepSeek的过程中也会面临一些挑战，例如模型准确性问题、数据处理和分析速度问题等。这些问题需要通过持续的技术改进和优化来解决。

展望DeepSeek在银行业的长期发展，林先平坦言，需要保持关注以下几个问题，大语言模型的发展需要持续的投入和更新，这需要银行有足够的资源和技术支持；大语言模型的应用可能会带来一些风险和挑战，比如数据隐私、信息安全等问题。因此需要建立完善的数据保护机制和管理规范。随着技术的发展和应用场景的不断拓展，银行需要不断适应新的变化和需求，积极探索新的应用模式和服务方式。

北京商报记者 宋亦桐