DeepSeek等AI大模型無疑助力銀行業(yè)更高效、精準地實現(xiàn)智能化轉(zhuǎn)型。

文/每日財報 林嵐

2025年開年什么最火？大概就數(shù)DeepSeek了。

1月10日，Deepseek推出了推理模型DeepSeek-R1，同時發(fā)布了移動端聊天機器人應(yīng)用。僅僅過了17天，也就是1月27日，這款移動端聊天機器人應(yīng)用就在蘋果美國應(yīng)用商店的下載量登頂。在此之前，該公司發(fā)布的開源大模型DeepSeekV3，在針對百科知識、代碼以及數(shù)學(xué)能力等方面的評測中成績亮眼。它的得分超過了阿里云Qwen2.5-72B和Meta的Llama-3.1-405B這兩大開源模型，甚至與世界頂尖的閉源模型GPT-4o及Claude-3.5-Sonnet相媲美。特別值得一提的是，在數(shù)學(xué)領(lǐng)域，它在美國數(shù)學(xué)競賽（AIME2024）和中國全國高中數(shù)學(xué)聯(lián)賽（CNMO2024）中的表現(xiàn)，遠遠超過了其他所有模型。更令人驚嘆的是，它的成本相較同行要低得多，僅為ChatGPT-O1模型的5%和Llama3.1的10%。

由此，一場由DeepSeek帶動的AI大模型應(yīng)用熱潮，再次席卷各行各業(yè)。銀行業(yè)在這一風(fēng)潮中也不甘落后，讓我們一起來看看。

銀行積極擁抱DeepSeek，創(chuàng)新實踐成效顯著

目前，多家銀行已積極引入DeepSeek技術(shù)，并在實際業(yè)務(wù)中取得了顯著成效。

郵儲銀行依托自有大模型“郵智”，迅速在本地部署并集成DeepSeek-V3模型和輕量DeepSeek-R1推理模型，在復(fù)雜多模態(tài)、多任務(wù)處理方面表現(xiàn)出色。這一組合在應(yīng)對復(fù)雜的多模態(tài)、多任務(wù)處理時，展現(xiàn)出了卓越的能力。眼下，郵儲銀行已把DeepSeek大模型運用到“小郵助手”之中。借助深度分析等功能，“小郵助手”能夠精準地識別用戶需求，進而提供個性化的服務(wù)方案。同時，依靠強大的高效計算能力，“小郵助手”加快了任務(wù)響應(yīng)速度，提升了處理效率，為用戶帶來更加流暢的交互體驗。

江蘇銀行依托“智慧小蘇”大語言模型服務(wù)平臺，順利在本地完成了DeepSeek-VL2多模態(tài)模型以及輕量DeepSeek-R1推理模型的部署與微調(diào)。在合同質(zhì)檢工作中，引入DeepSeek技術(shù)后，智能合同質(zhì)檢系統(tǒng)可以快速掃描合同內(nèi)容，自動找出條款里的風(fēng)險點和錯誤之處，大大縮短了質(zhì)檢所需的時間，提高了合同質(zhì)檢的效率與準確性，降低了潛在風(fēng)險。不僅如此，在托管資產(chǎn)估值對賬環(huán)節(jié)，通過運用DeepSeek技術(shù)實現(xiàn)了自動化處理，這樣一來，既減少了人工操作容易產(chǎn)生的誤差，又極大地提高了業(yè)務(wù)處理的速度。

北京銀行與華為攜手合作，全面開啟“allinAI”戰(zhàn)略，實現(xiàn)了DeepSeek全棧國產(chǎn)化在金融領(lǐng)域的應(yīng)用。目前，該應(yīng)用已在AIB平臺、京行研究、京行智庫、客服助手、京客圖譜等多個業(yè)務(wù)場景中展開試點，顯著提升了服務(wù)質(zhì)量與效率。

AI大模型應(yīng)用百花齊放，各顯神通

除了DeepSeek，其他AI大模型也已在銀行業(yè)地多個領(lǐng)域有著廣泛的應(yīng)用。

在客戶服務(wù)領(lǐng)域，工商銀行通過大模型與大數(shù)據(jù)技術(shù)，打造智能客服助手，既能為客服人員提供客戶相關(guān)背景信息，輔助其解答客戶疑問，還能精準總結(jié)客戶訴求，使遠程銀行高頻場景客服通話時長降低了近20%，同時大幅提升了客服滿意度。郵儲銀行在處理客戶投訴分析時，借助大模型來輔助坐席對投訴內(nèi)容進行監(jiān)管報送分類，準確率達93%。建設(shè)銀行提升了文生圖功能，讓營銷內(nèi)容更富吸引力和針對性，助力客戶營銷工作。浦發(fā)銀行啟動“愛客計劃”，通過模型來識別客戶潛在需求，再結(jié)合內(nèi)外部數(shù)據(jù)構(gòu)建模型，進而開展營銷活動。中信銀行結(jié)合AI大模型，對小信智能機器人進行深化迭代，最終實現(xiàn)客戶服務(wù)效能提升了12%。上海銀行升級了AI數(shù)字員工“海小慧”和“海小智”，通過超寫實建模與大模型訓(xùn)練，讓客戶可以用聊天的方式辦理業(yè)務(wù)，極大地提升了服務(wù)體驗。百信銀行推出的“大模型智能體助手”，依托自主生成能力，成功將大模型技術(shù)應(yīng)用在財富投教等多個創(chuàng)新領(lǐng)域，并亮相2024世界人工智能大會。

在審批審核領(lǐng)域，郵儲銀行借助大模型構(gòu)建了“郵儲大腦”。這一系統(tǒng)可幫業(yè)務(wù)需求管理人員迅速理解并審核需求內(nèi)容，使得業(yè)務(wù)標簽提煉準確率達84%，功能點抽取準確率達96%。建設(shè)銀行運用大模型優(yōu)化了檢索增強生成應(yīng)用模式，在授信審批時，以前完成一份客戶財務(wù)分析報告得花上幾個小時，現(xiàn)在幾分鐘就能搞定。浦發(fā)銀行在消費信貸業(yè)務(wù)流程中引入大模型，將風(fēng)控環(huán)節(jié)前置到營銷階段，把明顯評分偏低的、有信用缺陷的客戶提前剔除，使營銷拒貸率降為原來的50%，大幅節(jié)省了營銷資源和運營成本。興業(yè)銀行基于GPT-3.5模型，自主研發(fā)出可疑交易報告智能生成模型AML–GPT，能高效分析洗錢可疑客戶行為、可疑主體信息以及可疑交易信息等特征，還能快速生成輔助分析報告。上海農(nóng)商行上線了智能合規(guī)管理平臺，在大模型技術(shù)的助力下，合規(guī)系統(tǒng)的取得了亮點成果。

在研究分析領(lǐng)域，招商銀行與阿里云合作，推出了“招銀智庫AI小研”。這個工具依托招行最大的研究資源平臺“招銀智庫”，搭建了全站智能問答機器人、Chat研報以及熱點聚焦等功能，顯著提升了查詢效率和投研精度，還能自動化生成熱點摘要與專業(yè)科普知。興業(yè)銀行打造的研報摘要助手，實現(xiàn)了16家外部機構(gòu)18類研報的摘要智能生成，使得每月能生成6,000余篇研報摘要。

在研發(fā)方面，民生銀行基于行內(nèi)大模型平臺，構(gòu)建了代碼生成研發(fā)輔助工具體系，并且已經(jīng)在全行各板塊大規(guī)模試點，生成采納率為20-30%之間，代碼注釋率從18%提升至約30%。平安銀行借助AI工具提升了需求交付效率，截至2024年9月末，通過AI代碼輔助生成的代碼占比為28.7%。華夏銀行利用自研的AI測試點生成工具，在輔助系統(tǒng)測試環(huán)節(jié)自動生成測試點近千個，極大減輕了測試人員工作壓力。

在市場交易領(lǐng)域，工商銀行以大模型為核心，構(gòu)建了智能對話交易系統(tǒng)（ChatDealing）智能模型。該模型能進行系統(tǒng)自動報價，高效完成多方與客戶之間的價格磋商和交易處理，使得單筆交易效率提升了3倍。

機遇中暗藏挑戰(zhàn)

雖然為銀行業(yè)帶來了諸多創(chuàng)新和機遇，但以DeepSeek為代表的AI大模型也不可避免地帶來了一些挑戰(zhàn)。

首先是數(shù)據(jù)質(zhì)量。數(shù)據(jù)是AI大模型訓(xùn)練的基礎(chǔ)，數(shù)據(jù)的準確性、完整性和一致性直接影響模型的性能和決策的準確性。畢馬威發(fā)布《2025年中國銀行業(yè)展望報告》中指出，很多銀行尤其是中小銀行，缺少足夠的有效數(shù)據(jù)資產(chǎn)來支持這種需求；同時許多銀行顧慮到數(shù)據(jù)隱私及安全，較難將私有數(shù)據(jù)提供給大模型企業(yè)用于預(yù)訓(xùn)練與微調(diào)，而銀行自身重新訓(xùn)練模型又存在難度。中國人民銀行科技司司長李偉也在“數(shù)智銀行家”2024年會上的演講指出，中小銀行在推進大模型應(yīng)用過程中需解決“內(nèi)部數(shù)據(jù)不能用、外部數(shù)據(jù)不好用、海量數(shù)據(jù)不會用”的困境。中國工程院院士、復(fù)旦大學(xué)金融科技研究院院長柴洪在2023年國家網(wǎng)絡(luò)安全宣傳周論壇上指出，金融數(shù)據(jù)的私密性限制了共享和構(gòu)建大規(guī)模數(shù)據(jù)集的能力，同時其多模態(tài)特性又增加了模型處理和建模的復(fù)雜性。

信息安全同樣值得關(guān)注。李偉指出，大模型面向公眾提供服務(wù)前，應(yīng)先依據(jù)國家網(wǎng)信部門的規(guī)定，開展安全評估工作，完成備案流程；在這一基礎(chǔ)上，借助金融科技創(chuàng)新監(jiān)管工具展開測試，并在風(fēng)險可控的真實市場環(huán)境中打磨成熟，最終正式對外提供服務(wù)。農(nóng)業(yè)銀行研發(fā)中心副總經(jīng)理趙煥芳認為，業(yè)界需要持續(xù)關(guān)注解決大模型的幻覺問題、隱私保護等問題，為此高質(zhì)量訓(xùn)練數(shù)據(jù)很重要。民生銀行數(shù)據(jù)管理部總經(jīng)理沈志勇則建議，金融機構(gòu)需對大模型進行兩種教育與設(shè)立三道防線——兩種教育指訓(xùn)練時通過數(shù)據(jù)注入正確的價值觀、以及在訓(xùn)練時對模型的錯誤回答進行糾偏；三道防線則指過濾訓(xùn)練數(shù)據(jù)、模型返回結(jié)果以及用戶提問環(huán)節(jié)的不良內(nèi)容。

建設(shè)過程中的困難也不容小覷。《2025年中國銀行業(yè)展望報告》認為銀行業(yè)的大模型場景建設(shè)存在明顯的“馬太效應(yīng)”現(xiàn)象，頭部機構(gòu)通過與科技公司、科研院所合作，可進行前瞻性投入；相較之下，部分中小機主要依賴“拿來主義”，且較難辨析市場上方案的優(yōu)劣，容易陷入“信息繭房”。李偉也指出，中小銀行在數(shù)字化轉(zhuǎn)型過程中受制于錢少、人少、數(shù)據(jù)少、技術(shù)力量薄弱的“三少一弱”局面，要用有限的資源優(yōu)先攻關(guān)客戶體驗、運營難點等問題，以避免求大求全。

盡管面臨挑戰(zhàn)，但DeepSeek等AI大模型無疑將助力銀行業(yè)更高效、精準地實現(xiàn)智能化轉(zhuǎn)型，也讓我們對其在銀行業(yè)更多場景的深入應(yīng)用充滿期待。只要各銀行積極應(yīng)對，充分發(fā)揮AI大模型的強大優(yōu)勢，并及早防范可能出現(xiàn)的問題，就一定能在金融智能化的浪潮中駛向更加美好的未來。