专题｜DeepSeek对金融领域的深远影响及应对举措

文/北京国家金融标准化研究院 黄程林 王帅强 鲍思佳 从平平

DeepSeek由国内顶尖量化投资机构幻方量化于2023年创立，凭借其持续突破的技术创新路径，在全球人工智能领域引起震动。成立至今，该团队相继推出DeepSeek LLM、DeepSeek MoE、DeepSeek-V2、DeepSeek-V3、DeepSeek-R1等系列开源模型矩阵，其技术突破不仅获得学界认可，更在业界形成示范效应。DeepSeek通过算法创新突破算力桎梏，以工程化思维重构AI研发体系，成功打破“唯高算力与高投入”的行业迷思，为人工智能发展开辟了效率革命的新航道。这一创新实践标志着中国科技企业正从“技术跟随者”向“标准制定者”跃迁，有力挑战了西方国家在AI领域的主导地位，在全球AI技术版图中构建起具有中国特色的创新坐标。

DeepSeek引领大模型创新发展新趋势

1. 开辟大模型技术新路径

DeepSeek专注于提升模型的训练与推理效率、性能和实用性。模型架构的演进和创新优势主要体现在三个方面。

一是针对模型架构进行升级优化，形成独特的模型DeepSeekMoE框架。从传统的Transformer架构入手，通过优化注意力机制和训练效率，初步构建DeepSeek LLM基础框架；引入专家混合模型（Mixture of Expert，MoE）架构替代传统的前馈神经网络，通过精准划分共享专家与独立路由专家，实现依据不同输入数据对计算资源的动态调配，形成DeepSeekMoE框架，提升模型的专业化水平和效率，为后续模型框架的发展奠定基础。

二是在模型训练与推理的工程实现上持续创新，显著降低对算力的需求。在数据处理上，引入多头潜在注意力机制（Multi-head Latent Attention，MLA），通过多头并行计算和潜在空间建模，使模型能够同时关注文本中不同位置和不同语义层面的信息，从而全面深入地捕捉文本中的长距离依赖关系和复杂语义结构，大幅提升数据处理效能。在数据计算与存储上，采用FP8（8位浮点数）混合精度训练方式（传统使用16或32位浮点数），使用多种不同精度的数据类型进行计算和存储模型参数及中间计算结果，在保持模型精度的同时，降低内存占用并提高计算效率。在训练方法上，利用多Token预测（Multi-Token Prediction，MTP）技术，使模型能够一次性对多个连续位置的Token进行预测，摒弃传统逐个预测的方式，促使模型关注更重要的决策点，更好地理解上下文信息，显著提升训练与推理效率。

三是利用强化学习和蒸馏技术，显著提升模型的推理能力和普及性。与通用基础大模型相比，推理大模型需要在推理能力、鲁棒性和用户偏好对齐方面表现更佳，以适应金融等复杂特定领域的高效应用。在强化学习方面，摒弃了传统的依赖外部评估模型来指导学习的训练方法，采用群体相对策略优化（Group Relative Policy Optimization，GRPO），针对每个输入生成一组输出，并将该组的平均得分作为基准奖励，使奖励模型训练更加稳定，增强模型的推理能力，形成广泛使用的DeepSeek-R1开源模型。在模型蒸馏方面，将DeepSeek-R1模型中的知识通过蒸馏技术转移到参数量较小的模型中，在保障强大推理能力的同时，实现更高的计算效率和更低的推理成本。目前，DeepSeek已对Qwen、Llama的6个小模型进行了蒸馏，形成DeepSeek-R1系列蒸馏模型，其性能可与OpenAI o1-mini的推理效果相媲美。

2. 重塑大模型产业新生态

一是推动大模型产业朝着更加高效、低成本的方向发展。DeepSeek通过工程化创新和成本结构优化，显著降低了大模型的推理和运行成本，在保持高性能的同时提供了更具竞争力的价格。低廉的价格引发了一系列连锁反应，迫使其他大模型厂商重新审视其成本结构和定价策略，并投入更多资源优化模型架构和探索高效训练方法。同时，价格的降低加速了AI技术的普惠化进程，降低了中小企业开发门槛，推动了产业应用升级。

二是大模型市场从“百模大战”进入“精耕细作”阶段，用户选型更依赖实际应用效果与长期服务能力。在价格战和技术趋同的背景下，用户在选择模型时不再过分关注某一特定模型的绝对性能，而是逐渐聚焦于性能、成本与生态适配性。大模型厂商开始转向垂直领域，如金融、教育等，使得用户可以根据行业需求选择专用模型，而非盲目追求通用大模型。

三是第三方服务商通过技术集成与场景化落地，加速大模型从实验室走向产业端。DeepSeek的低成本与开源特性催生了第三方服务生态的繁荣，提供包括模型托管和部署、数据标注和清洗、模型优化和加速、模型安全和合规、模型定制和开发等服务，加速大模型从实验室走向产业端落地。当前，腾讯微信搜一搜、飞书、电信运营商等均已接入DeepSeek，推动其成为基础设施级服务，并为大模型的开发、部署和运营提供全方位的支持，进一步促进大模型产业的繁荣。

四是促进开源生态的建设和创新，为整个大模型产业注入了新活力。开源模型吸引全球开发者参与迭代，推动应用层创新，如百度文心大模型宣布跟进开源，OpenAI反思闭源策略的局限性。开源社区形成“基础模型+行业优化”的分工模式，使中小企业能够专注数据加工、模型调优等服务，避免与巨头直接竞争。随着大模型成本的降低，以前被认为不可行的新产品可能会被催生，将昂贵的POC项目转化为实际可行的产品。此外，开源生态还降低了技术垄断风险，推动全球大模型技术民主化。

DeepSeek尽管取得了显著成就，但其实质是工程化创新而非理论突破，在多模态等领域与领先产品仍有差距，多数企业仅宣布“接入API”，未来对核心业务产生哪些实质性贡献仍有待探索。

DeepSeek为数字金融高质量发展注入新动能

1. 为创新拓展应用场景赋予新选择

DeepSeek以低成本实现高效训练和推理，显著改变当前高门槛、重投入、集中式的大模型开发部署和应用模式，进一步降低大模型金融应用门槛，促进大模型规模化部署和应用。为深入了解金融机构使用DeepSeek的进展情况，对35家金融机构、科技企业等单位开展了调研。

调研结果显示：超过70%的单位均已开展DeepSeek的试点测试，其中四家国有大行、两家证券、两家保险在DeepSeek的应用上进展尤为显著，已进入生产部署阶段。相较于国内金融机构，外资银行在DeepSeek的探索步伐显得较为缓慢。

目前在应用场景上，金融机构仍主要对内应用DeepSeek能力，主要集中于辅助性功能，如日常辅助办公、智能客服与营销话术生成、信贷风险评估与反欺诈、软件开发测试、系统运维智能化等领域。鉴于DeepSeek在数学处理和逻辑推理方面展现出的强大能力，其在量化交易、风险因子评估等场景有望实现较大突破。

2. 为中小机构弥补技术鸿沟创新机遇

一是DeepSeek提供多种尺寸的模型，为不同体量金融机构创新应用提供适宜的技术底座。DeepSeek在提供全尺寸版本DeepSeek-V3、DeepSeek-R1的基础上，通过蒸馏方法为金融机构提供参数量从1.5B至70B的6个小模型，形成DeepSeek-R1系列蒸馏模型。由于完整版DeepSeek的推理部署对硬件资源有较高要求，至少需要两台配备8卡A800 80G的服务器，因此多数金融机构选择DeepSeek-R1蒸馏模型进行测试试点，其中32B版本为接入的主流选择。此外，部分金融机构在智能算力资源方面相对充裕，已接入DeepSeek-V3或DeepSeek-R1完整版模型，并配置了高性能设备以支持模型的高效运转。

二是DeepSeek降低对智能算力的高性能需求，助力中小金融机构突破大模型应用门槛。DeepSeek通过体系化工程创新，在保障卓越性能的同时显著降低部署成本，尤其减少对高成本、高性能硬件的依赖。其支持将知识蒸馏至更小模型，使得在少量的昇腾910B、海光DCU、寒武纪590上即可满足算力需求。这使得金融机构，尤其是中小金融机构可以考虑本地部署、边缘部署、一体机等多种解决方案，无需依赖集中的智算中心，从而实现更为灵活的部署方式，并明显加快应用大模型的步伐。在部署方式上，金融机构普遍采用本地GPU服务器部署的方式支持DeepSeek应用，少量证券保险类金融机构在私有化部署的基础上进一步采用公有云或混合云部署方式，以便利用云端的算力资源。

3. 为提升金融监管水平提供新手段

DeepSeek作为一种高性能、低成本的开源通用基础模型，随着其在千行百业广泛落地应用，也将为金融科技管理工作，尤其是人工智能在金融监管领域的应用提供有力支持。

一是DeepSeek为模型可解释性和透明度提供更多依据。DeepSeek将模型参数、模型架构、技术报告等进行开源，并通过思维链推理模型展现了模型推理逻辑，使推理过程线性化。这一步骤分解的方式有助于解释模型为何得出特定结果，从而缓解人工智能在金融业应用中长期存在的监管难题，特别是在改善“算法黑箱”问题的可解释性和透明性方面，为监管审查提供便利。

二是DeepSeek加速金融管理模式向数字化和智能化发展。利用DeepSeek训练形成金融管理专有大模型，实现监管政策和规则的数字化转换、查询辅助、比对检查等功能，有助于提升金融管理工作效能。同时，DeepSeek强大的数据分析能力还支持金融管理部门对上市公司的复杂财务报表和信息披露进行穿透性分析，精准识别潜在问题，并提前采取措施防范和化解潜在风险。

4. 为金融机构算力布局指引新方向

目前，DeepSeek的发布尚未对金融机构的算力布局在短期内产生显著影响，但确实在一定程度上引发了金融机构对未来如何合理布局算力资源的思考。

一是未来可能形成大、中、小规模的模型并行、智算与通算混合算力支撑应用的格局。随着算力成本和模型体量的降低，金融机构应用大模型的算力门槛也在降低，这使得在特定场景中减少算力需求成为可能。千卡未必是规模化应用的起步要求，数百卡甚至百卡规模的算力就足以支持许多金融场景的应用。DeepSeek的蒸馏模型能够在CPU服务器上运行，推动了异构算力融合布局的发展，促进了“智算为主、通算补充”混合架构的规划。对于轻量级模型，推行CPU+内存通算部署可以大幅降低高频查询类业务的算力成本。

二是算力需求从“规模至上”转向“效率优先”，进一步推动动态资源调度升级。随着DeepSeek激发了更多大模型业务应用需求，整体算力需求不减反增，因此灵活调度和高效利用算力变得至关重要。为此，需要建设并升级智能算力调度平台，实现算力资源的灵活配置和精细化管理，动态分配计算资源以支持千亿参数模型训练与百亿级轻量化推理任务的混合编排。

DeepSeek金融业规模化应用面临新挑战

1. 数据泄露与合规风险潜在加剧

随着DeepSeek规模化应用，可能会加剧金融业的数据泄露和数据合规风险。由于大量中小金融机构的技术实力相对较弱，它们对恶意攻击的防范能力需要进一步加强，这可能导致数据泄露风险的增加。在应用过程中，为了提升模型性能，可能存在过度收集用户数据的问题。此外，DeepSeek采用的蒸馏技术使得隐私保护和数据来源合法性审查变得更加困难。同时，DeepSeek的规模化应用将产生大量的生成数据，如果对这些数据的生成和应用合规性审查不到位，可能会导致不合规数据的输出或生成数据被不当使用等风险。

2. 模型幻觉影响业务决策准确性

根据Vectara测试数据显示，DeepSeek-R1显示出14.3%的幻觉率，远超行业平均水平，其生成内容可能包含事实性错误，需要人工校验以防误导决策，如果金融机构过度依赖DeepSeek的分析和建议，而不对其结果进行充分的审核和验证，可能会导致金融机构做出错误的业务决策。虽然DeepSeek可输出思考过程，但具体的逻辑链路和知识引用存在稳定性不足和过拟合问题，逻辑决策过程的合理性难以保障，可能会影响业务决策的准确性。

3. 金融规模化应用专用语料缺乏

金融领域在语料建设方面普遍面临资源不足、质量不高和分布不均的问题，尤其是支持行业共享的金融语料库更为稀缺，这对金融业，特别是中小机构规模化应用DeepSeek构成了明显的制约。尽管利用合成数据训练模型为解决金融语料库缺乏提供了新思路，但合成数据产业尚处于初级阶段，如果合成数据的保真度和可信度不足，可能会导致大模型的准确性和性能下降。此外，合成数据的错误或不合理使用还可能引发隐私数据泄露和虚假信息传播等挑战。因此，合成数据在金融领域的应用仍需进一步探索，短期内难以解决DeepSeek规模化应用所面临的“数据饥渴”难题。

4. 自主算力生态适配性亟待提升

基于杰文斯悖论，尽管DeepSeek通过技术优化降低了单个模型的训练和推理成本，但其在金融领域的广泛应用不仅带来了新增用户算力需求的增长，还因用户规模和应用场景复杂度的提升而产生了额外的算力需求，导致整体算力消耗并未减少。同时，算力性能与大模型应用成效的正向关系没有失效，更高性能算力依然能带来更高效的训练和推理效果。金融场景由于业务复杂度、专业度远超一般性行业，因此对高性能算力需求更突出。随着DeepSeek带来大模型在金融领域广泛而深入应用，自主算力依然要朝着高性能方向发展。此外，自主算力硬件生态的封闭性和互不兼容、架构和工具链存在差异等因素，也增加了开发和维护的复杂性。

推动DeepSeek金融业规模化应用新举措

一是加强金融应用管理与指导。探索基于金融关键业务的DeepSeek等大模型合规审查或备案机制，在应用于关键金融业务前，提交基座大模型、应用场景、训练或微调数据源、第三方检测认证结果等详细信息，并对投入使用的模型进行抽检。加快制定和出台DeepSeek等大模型在金融领域应用的技术与安全等相关标准，完善与大模型配套且适用于金融场景的检测认证体系，防范技术问题导致的系统性金融风险。

二是科学选择应用场景与模型。充分利用DeepSeek在逻辑推理、数据分析等方面的优势，选取业务价值高、实施完备、风险可控的业务场景优先落地。综合考虑场景、算力和基础设施的实际情况选择DeepSeek版本，并配套相关工具，推进DeepSeek在机构内更好应用。

三是强化应用安全与风险防范。明确大模型训练与推理中数据的使用边界和权限，根据场景特点和风险等级进行数据分级分类。对于涉及敏感数据、直接对客或对输出结果准确性高的金融场景要建立“AI审核+人工审核”两道关卡，避免DeepSeek的幻觉问题影响业务决策准确性。建立DeepSeek等大模型实际运行的监控体系，实时监控其运行情况，及时发现并处理异常。密切关注DeepSeek相关开源社区动态，及时更新版本，修复潜在安全漏洞。

四是构建高质量金融业数据集。梳理场景应用数据需求清单，探索面向DeepSeek等大模型应用的数据采集、清洗、管理、应用方法和体系，提升数据集的规模、质量和多样性，保障DeepSeek等大模型微调与投产后的数据连贯性、稳定性。分领域推进大模型训练和标准测评金融公共语料库建设，降低金融机构重复构建金融数据集的投入成本。

五是共筑金融业智算基础设施。推进GPU、DCU等算力集群和智能计算中心等基础设施建设，通过提供算力资源租售、移动算力资源车等方式为金融机构提供多种类型智算解决方案。加快提升算力调度、开发框架等软件通用性，助力DeepSeek等大模型从应用系统、平台软件、算力支撑等全栈兼容性适配。金融机构要结合自身业务，梳理共性硬件资源需求，建立健全算力资源分配、使用、跟踪与回收机制，充分合理利用算力资源并保障供给稳定性。

（此文刊发于《金融电子化》2025年4月上半月刊）