DeepSeek等AI大模型無疑助力銀行業更高效、精準地實現智能化轉型。

文/每日財報 林嵐

2025年開年什么最火？大概就數DeepSeek了。

1月10日，Deepseek推出了推理模型DeepSeek-R1，同時發布了移動端聊天機器人應用。僅僅過了17天，也就是1月27日，這款移動端聊天機器人應用就在蘋果美國應用商店的下載量登頂。在此之前，該公司發布的開源大模型DeepSeekV3，在針對百科知識、代碼以及數學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，在數學領域，它在美國數學競賽（AIME2024）和中國全國高中數學聯賽（CNMO2024）中的表現，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大模型應用熱潮，再次席卷各行各業。銀行業在這一風潮中也不甘落后，讓我們一起來看看。

銀行積極擁抱DeepSeek，創新實踐成效顯著

目前，多家銀行已積極引入DeepSeek技術，并在實際業務中取得了顯著成效。

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，在復雜多模態、多任務處理方面表現出色。這一組合在應對復雜的多模態、多任務處理時，展現出了卓越的能力。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方案。同時，依靠強大的高效計算能力，“小郵助手”加快了任務響應速度，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”大語言模型服務平臺，順利在本地完成了DeepSeek-VL2多模態模型以及輕量DeepSeek-R1推理模型的部署與微調。在合同質檢工作中，引入DeepSeek技術后，智能合同質檢系統可以快速掃描合同內容，自動找出條款里的風險點和錯誤之處，大大縮短了質檢所需的時間，提高了合同質檢的效率與準確性，降低了潛在風險。不僅如此，在托管資產估值對賬環節，通過運用DeepSeek技術實現了自動化處理，這樣一來，既減少了人工操作容易產生的誤差，又極大地提高了業務處理的速度。

北京銀行與華為攜手合作，全面開啟“allinAI”戰略，實現了DeepSeek全棧國產化在金融領域的應用。目前，該應用已在AIB平臺、京行研究、京行智庫、客服助手、京客圖譜等多個業務場景中展開試點，顯著提升了服務質量與效率。

AI大模型應用百花齊放，各顯神通

除了DeepSeek，其他AI大模型也已在銀行業地多個領域有著廣泛的應用。

在客戶服務領域，工商銀行通過大模型與大數據技術，打造智能客服助手，既能為客服人員提供客戶相關背景信息，輔助其解答客戶疑問，還能精準總結客戶訴求，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容進行監管報送分類，準確率達93%。建設銀行提升了文生圖功能，讓營銷內容更富吸引力和針對性，助力客戶營銷工作。浦發銀行啟動“愛客計劃”，通過模型來識別客戶潛在需求，再結合內外部數據構建模型，進而開展營銷活動。中信銀行結合AI大模型，對小信智能機器人進行深化迭代，最終實現客戶服務效能提升了12%。上海銀行升級了AI數字員工“海小慧”和“海小智”，通過超寫實建模與大模型訓練，讓客戶可以用聊天的方式辦理業務，極大地提升了服務體驗。百信銀行推出的“大模型智能體助手”，依托自主生成能力，成功將大模型技術應用在財富投教等多個創新領域，并亮相2024世界人工智能大會。

在審批審核領域，郵儲銀行借助大模型構建了“郵儲大腦”。這一系統可幫業務需求管理人員迅速理解并審核需求內容，使得業務標簽提煉準確率達84%，功能點抽取準確率達96%。建設銀行運用大模型優化了檢索增強生成應用模式，在授信審批時，以前完成一份客戶財務分析報告得花上幾個小時，現在幾分鐘就能搞定。浦發銀行在消費信貸業務流程中引入大模型，將風控環節前置到營銷階段，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%，大幅節省了營銷資源和運營成本。興業銀行基于GPT-3.5模型，自主研發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。上海農商行上線了智能合規管理平臺，在大模型技術的助力下，合規系統的取得了亮點成果。

在研究分析領域，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科普知。興業銀行打造的研報摘要助手，實現了16家外部機構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。

在研發方面，民生銀行基于行內大模型平臺，構建了代碼生成研發輔助工具體系，并且已經在全行各板塊大規模試點，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，在輔助系統測試環節自動生成測試點近千個，極大減輕了測試人員工作壓力。

在市場交易領域，工商銀行以大模型為核心，構建了智能對話交易系統（ChatDealing）智能模型。該模型能進行系統自動報價，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

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

首先是數據質量。數據是AI大模型訓練的基礎，數據的準確性、完整性和一致性直接影響模型的性能和決策的準確性。畢馬威發布《2025年中國銀行業展望報告》中指出，很多銀行尤其是中小銀行，缺少足夠的有效數據資產來支持這種需求；同時許多銀行顧慮到數據隱私及安全，較難將私有數據提供給大模型企業用于預訓練與微調，而銀行自身重新訓練模型又存在難度。中國人民銀行科技司司長李偉也在“數智銀行家”2024年會上的演講指出，中小銀行在推進大模型應用過程中需解決“內部數據不能用、外部數據不好用、海量數據不會用”的困境。中國工程院院士、復旦大學金融科技研究院院長柴洪在2023年國家網絡安全宣傳周論壇上指出，金融數據的私密性限制了共享和構建大規模數據集的能力，同時其多模態特性又增加了模型處理和建模的復雜性。

信息安全同樣值得關注。李偉指出，大模型面向公眾提供服務前，應先依據國家網信部門的規定，開展安全評估工作，完成備案流程；在這一基礎上，借助金融科技創新監管工具展開測試，并在風險可控的真實市場環境中打磨成熟，最終正式對外提供服務。農業銀行研發中心副總經理趙煥芳認為，業界需要持續關注解決大模型的幻覺問題、隱私保護等問題，為此高質量訓練數據很重要。民生銀行數據管理部總經理沈志勇則建議，金融機構需對大模型進行兩種教育與設立三道防線——兩種教育指訓練時通過數據注入正確的價值觀、以及在訓練時對模型的錯誤回答進行糾偏；三道防線則指過濾訓練數據、模型返回結果以及用戶提問環節的不良內容。

建設過程中的困難也不容小覷。《2025年中國銀行業展望報告》認為銀行業的大模型場景建設存在明顯的“馬太效應”現象，頭部機構通過與科技公司、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劣，容易陷入“信息繭房”。李偉也指出，中小銀行在數字化轉型過程中受制于錢少、人少、數據少、技術力量薄弱的“三少一弱”局面，要用有限的資源優先攻關客戶體驗、運營難點等問題，以避免求大求全。

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