DeepSeek再掀金融智能化风潮，看银行业如何乘风破浪

　　文/每日财报 林岚

　　2025年开年什么最火?大概就数DeepSeek了。

　　1月10日，Deepseek推出了推理模型DeepSeek-R1，同时发布了移动端聊天机器人应用。仅仅过了17天，也就是1月27日，这款移动端聊天机器人应用就在苹果美国应用商店的下载量登顶。在此之前，该公司发布的开源大模型DeepSeekV3，在针对百科知识、代码以及数学能力等方面的评测中成绩亮眼。它的得分超过了阿里云Qwen2.5-72B和Meta的Llama-3.1-405B这两大开源模型，甚至与世界顶尖的闭源模型GPT-4o及Claude-3.5-Sonnet相媲美。特别值得一提的是，在数学领域，它在美国数学竞赛(AIME2024)和中国全国高中数学联赛(CNMO2024)中的表现，远远超过了其他所有模型。更令人惊叹的是，它的成本相较同行要低得多，仅为ChatGPT-O1模型的5%和Llama3.1的10%。

　　由此，一场由DeepSeek带动的AI大模型应用热潮，再次席卷各行各业。银行业在这一风潮中也不甘落后，让我们一起来看看。

　　银行积极拥抱DeepSeek，创新实践成效显著

　　目前，多家银行已积极引入DeepSeek技术，并在实际业务中取得了显著成效。

　　邮储银行依托自有大模型“邮智”，迅速在本地部署并集成DeepSeek-V3模型和轻量DeepSeek-R1推理模型，在复杂多模态、多任务处理方面表现出色。这一组合在应对复杂的多模态、多任务处理时，展现出了卓越的能力。眼下，邮储银行已把DeepSeek大模型运用到“小邮助手”之中。借助深度分析等功能，“小邮助手”能够精准地识别用户需求，进而提供个性化的服务方案。同时，依靠强大的高效计算能力，“小邮助手”加快了任务响应速度，提升了处理效率，为用户带来更加流畅的交互体验。

　　江苏银行依托“智慧小苏”大语言模型服务平台，顺利在本地完成了DeepSeek-VL2多模态模型以及轻量DeepSeek-R1推理模型的部署与微调。在合同质检工作中，引入DeepSeek技术后，智能合同质检系统可以快速扫描合同内容，自动找出条款里的风险点和错误之处，大大缩短了质检所需的时间，提高了合同质检的效率与准确性，降低了潜在风险。不仅如此，在托管资产估值对账环节，通过运用DeepSeek技术实现了自动化处理，这样一来，既减少了人工操作容易产生的误差，又极大地提高了业务处理的速度。

　　北京银行与华为携手合作，全面开启“allinAI”战略，实现了DeepSeek全栈国产化在金融领域的应用。目前，该应用已在AIB平台、京行研究、京行智库、客服助手、京客图谱等多个业务场景中展开试点，显著提升了服务质量与效率。

　　AI大模型应用百花齐放，各显神通

　　除了DeepSeek，其他AI大模型也已在银行业地多个领域有着广泛的应用。

　　在客户服务领域，工商银行通过大模型与大数据技术，打造智能客服助手，既能为客服人员提供客户相关背景信息，辅助其解答客户疑问，还能精准总结客户诉求，使远程银行高频场景客服通话时长降低了近20%，同时大幅提升了客服满意度。邮储银行在处理客户投诉分析时，借助大模型来辅助坐席对投诉内容进行监管报送分类，准确率达93%。建设银行提升了文生图功能，让营销内容更富吸引力和针对性，助力客户营销工作。浦发银行启动“爱客计划”，通过模型来识别客户潜在需求，再结合内外部数据构建模型，进而开展营销活动。中信银行结合AI大模型，对小信智能机器人进行深化迭代，最终实现客户服务效能提升了12%。上海银行升级了AI数字员工“海小慧”和“海小智”，通过超写实建模与大模型训练，让客户可以用聊天的方式办理业务，极大地提升了服务体验。百信银行推出的“大模型智能体助手”，依托自主生成能力，成功将大模型技术应用在财富投教等多个创新领域，并亮相2024世界人工智能大会。

　　在审批审核领域，邮储银行借助大模型构建了“邮储大脑”。这一系统可帮业务需求管理人员迅速理解并审核需求内容，使得业务标签提炼准确率达84%，功能点抽取准确率达96%。建设银行运用大模型优化了检索增强生成应用模式，在授信审批时，以前完成一份客户财务分析报告得花上几个小时，现在几分钟就能搞定。浦发银行在消费信贷业务流程中引入大模型，将风控环节前置到营销阶段，把明显评分偏低的、有信用缺陷的客户提前剔除，使营销拒贷率降为原来的50%，大幅节省了营销资源和运营成本。兴业银行基于GPT-3.5模型，自主研发出可疑交易报告智能生成模型AML–GPT，能高效分析洗钱可疑客户行为、可疑主体信息以及可疑交易信息等特征，还能快速生成辅助分析报告。上海农商行上线了智能合规管理平台，在大模型技术的助力下，合规系统的取得了亮点成果。

　　在研究分析领域，招商银行与阿里云合作，推出了“招银智库AI小研”。这个工具依托招行最大的研究资源平台“招银智库”，搭建了全站智能问答机器人、Chat研报以及热点聚焦等功能，显著提升了查询效率和投研精度，还能自动化生成热点摘要与专业科普知。兴业银行打造的研报摘要助手，实现了16家外部机构18类研报的摘要智能生成，使得每月能生成6,000余篇研报摘要。

　　在研发方面，民生银行基于行内大模型平台，构建了代码生成研发辅助工具体系，并且已经在全行各板块大规模试点，生成采纳率为20-30%之间，代码注释率从18%提升至约30%。平安银行借助AI工具提升了需求交付效率，截至2024年9月末，通过AI代码辅助生成的代码占比为28.7%。华夏银行利用自研的AI测试点生成工具，在辅助系统测试环节自动生成测试点近千个，极大减轻了测试人员工作压力。

　　在市场交易领域，工商银行以大模型为核心，构建了智能对话交易系统(ChatDealing)智能模型。该模型能进行系统自动报价，高效完成多方与客户之间的价格磋商和交易处理，使得单笔交易效率提升了3倍。

　　机遇中暗藏挑战

　　虽然为银行业带来了诸多创新和机遇，但以DeepSeek为代表的AI大模型也不可避免地带来了一些挑战。

　　首先是数据质量。数据是AI大模型训练的基础，数据的准确性、完整性和一致性直接影响模型的性能和决策的准确性。毕马威发布《2025年中国银行业展望报告》中指出，很多银行尤其是中小银行，缺少足够的有效数据资产来支持这种需求;同时许多银行顾虑到数据隐私及安全，较难将私有数据提供给大模型企业用于预训练与微调，而银行自身重新训练模型又存在难度。中国人民银行科技司司长李伟也在“数智银行家”2024年会上的演讲指出，中小银行在推进大模型应用过程中需解决“内部数据不能用、外部数据不好用、海量数据不会用”的困境。中国工程院院士、复旦大学金融科技研究院院长柴洪在2023年国家网络安全宣传周论坛上指出，金融数据的私密性限制了共享和构建大规模数据集的能力，同时其多模态特性又增加了模型处理和建模的复杂性。

　　信息安全同样值得关注。李伟指出，大模型面向公众提供服务前，应先依据国家网信部门的规定，开展安全评估工作，完成备案流程;在这一基础上，借助金融科技创新监管工具展开测试，并在风险可控的真实市场环境中打磨成熟，最终正式对外提供服务。农业银行研发中心副总经理赵焕芳认为，业界需要持续关注解决大模型的幻觉问题、隐私保护等问题，为此高质量训练数据很重要。民生银行数据管理部总经理沈志勇则建议，金融机构需对大模型进行两种教育与设立三道防线——两种教育指训练时通过数据注入正确的价值观、以及在训练时对模型的错误回答进行纠偏;三道防线则指过滤训练数据、模型返回结果以及用户提问环节的不良内容。

　　建设过程中的困难也不容小觑。《2025年中国银行业展望报告》认为银行业的大模型场景建设存在明显的“马太效应”现象，头部机构通过与科技公司、科研院所合作，可进行前瞻性投入;相较之下，部分中小机主要依赖“拿来主义”，且较难辨析市场上方案的优劣，容易陷入“信息茧房”。李伟也指出，中小银行在数字化转型过程中受制于钱少、人少、数据少、技术力量薄弱的“三少一弱”局面，要用有限的资源优先攻关客户体验、运营难点等问题，以避免求大求全。

　　尽管面临挑战，但DeepSeek等AI大模型无疑将助力银行业更高效、精准地实现智能化转型，也让我们对其在银行业更多场景的深入应用充满期待。只要各银行积极应对，充分发挥AI大模型的强大优势，并及早防范可能出现的问题，就一定能在金融智能化的浪潮中驶向更加美好的未来。

　　每财网声明：本文基于公开资料撰写，表达的信息或者意见不构成对任何人的投资建议，仅供参考。图片素材来源于网络侵删。

编辑：齐少恒