中小银行能否借力DeepSeek加速转型

　　来源：中国经营报

　　本报记者 郭建杭 北京报道

　　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。

　　近日，随着国产大模型DeepSeek以极低算力成本实现了卓越的性能表现后，部分银行已着手对DeepSeek进行微调，将通用模型与银行业的特定业务场景进行优化适配。例如，江苏银行（600919.SH）表示已经本地化部署DeepSeek的两个模型；渝农商行（601077.SH）表示已实现DeepSeek R1模型（671B）私有化部署，并在两个应用场景中开始进行测试。

　　中泰证券银行业分析师邓美君对《中国经营报》记者指出，DeepSeek模型在银行业务中的应用具有广泛的想象空间，其核心能力如自然语言处理、数据分析、模式识别、预测建模等，可以帮助银行在风险管理、财富管理、运营优化等多个领域实现智能化升级。

　　加速本地化部署

　　DeepSeek近期发布V3和R1模型后，银行机构对该模型的本地化部署开始加速。

　　江苏银行表示，已经本地化部署DeepSeek的两个模型，分别为用来做智能合同质检的DeepSeek-VL2多模态模型和用于自动化估值和对账的DeepSeek-R1推理模型。渝农商行表示，实现DeepSeek R1模型（671B）的私有化部署，并迅速进入智能知识检索和编码辅助两个应用场景的测试阶段。北京银行（601169.SH）也公开表示全面启动“all in AI”战略，携手华为实现DeepSeek全栈国产化金融应用。

　　除目前银行已经落地的场景应用之外，部分银行也对未来的应用场景有所展望。

　　渝农商行指出，未来将率先应用DeepSeek技术在以下领域实现突破：在智能风控领域，利用DeepSeek的实时联网搜索与RAG能力，动态识别欺诈行为，提升风险预警的精准度；在场景金融领域，构建分钟级响应的智能客服系统，结合知识库实现个性化财富管理建议；在数据决策领域，通过大模型挖掘行内金融数据的价值，优化信贷评估与市场策略。

　　北京佳杰云星数据科技有限公司总经理娄翔对记者表示：“目前DeepSeek在机构中本地化部署面临最大的挑战是，低成本的大模型如何与具体应用场景结合起来发挥AI的作用进而提升业务效率，这还需要时间去探索。”

　　对于银行机构哪些业务场景更适合本地化部署DeepSeek大语言模型这一问题，邓美君表示，在风险管理方面，可以处理更多非结构化数据，如客户的消费记录、社交媒体数据，构建更细颗粒度的信用模型实现动态信用评分，尤其适用于缺乏信贷历史的年轻客户或小微企业。还可以实时监控借款人行为，提前预警潜在违约风险并推荐应对策略贷后风险。在智能投顾和财富管理方面，可以快速解析相关新闻及文件，生成实时市场趋势报告辅助决策以及为客户提供适应资产配置建议。在运营优化方面，可以实现文档自动化处理、分析内部系统日志，识别业务流程瓶颈，如信用卡审批流程中重复的合规检查，提出自动化改进方案。

　　中部地区某农商行科技业务负责人也指出，自ChatGPT推出后，各家银行已开始进行针对大模型落地场景进行研究，目前的落地场景研究主要围绕提升行内的办公效率，对客使用方面还在进一步探索中。

　　在银行积极拥抱并使用创新的AI技术的同时，越来越多的人也注意到技术更新迭代带来的风险。

　　邓美君指出，首先是数据安全与隐私泄露风险。应用大模型会用到银行内部数据，包括客户个人信息、财务数据等敏感信息，模型训练和应用过程中若数据使用存在漏洞，可能导致隐私泄露。银行需要通过本地化部署、数据加密、访问控制及匿名化处理等技术手段，确保数据仅在私有云环境中处理。

　　其次是模型错误导致的操作或声誉风险。复杂模型结构导致其决策过程透明度低，有生成误导性报告或无意义结论文本的可能，在处理复杂金融场景如结构化融资、衍生品交易时，模型对上下文的理解也可能有限。建议银行要明确人机分工，建立人工复核机制，结合业务规则进行结果验证，保留银行在复杂决策中的主导权。

　　最后，银行也可能会面临合规与法律方面的风险。目前各国对大模型的监管政策尚未统一，未来政策变动可能迫使银行调整模型架构或应用场景，增加合规成本。对此，银行要建立灵活的合规框架，实时跟踪政策动态，保证大模型应用的合规性。

　　降低算力成本

　　银行在数字化转型过程中的成本投入，是决定银行数字化转型效果的重要因素，如何运用有限的资源实现最大的转型效果，一直是中小银行面临的挑战。

　　随着银行纷纷本地化部署DeepSeek，银行业内也较为关注，中小银行是否有可能在较低的投入下训练出性能卓越的大模型？对此，邓美君认为，DeepSeek模型确实具备显著降低银行金融科技投入成本的潜力，并且为银行尤其是中小银行提供了以较低成本开展研发、实现高产出目标的可能。

　　邓美君分析称，首先，DeepSeek通过独特的算法优化和混合专家模型（MoE）架构，在较小参数规模下实现高性能，其训练成本仅为同类模型的1/5。传统AI开发需要更高算力支持，DeepSeek的低算力消耗特性也缓解了这一瓶颈。这种低成本特性尤其适合中小银行，因为中小银行资金和技术实力相对较弱，传统大模型研发成本高昂，DeepSeek的低成本使其成为中小银行自研金融大模型的突破口。其次，DeepSeek的开源模式允许银行根据业务需求灵活调整模型，无须从零开始研发开源还降低了技术依赖风险，增强本地化数据隐私保护能力。最后，目前主流云平台已集成DeepSeek模型，提供一键部署服务，进一步降低银行的技术门槛，支持在短时间内启动Deepseek-R1模型，开发者可快速构建AI应用，这种生态支持加速了银行的技术应用进程。

　　已部署DeepSeek的银行机构也认可该模型对算力效能的提升。江苏银行指出，通过引入DeepSeek大语言模型，“智慧小苏”在复杂多模态、多任务场景处理能力、算力节约、效能等方面得到进一步提升。

　　前述中部地区农商银行科技业务负责人也对记者指出：“银行本地化部署DeepSeek大模型成熟的场景内，在代码补全、代码检查、智能测试等方面都有比较好的应用效果，例如代码补全采纳率可以达到30%，解放了生产力。”

　　此外，中小银行希望通过DeepSeek实现科技投入上的降本增效，并拉近与大型银行在数字化建设方面的差距，实际也有需要应对的挑战。

　　前述中部地区农商行科技业务负责人告诉记者：“在银行内部整体的数字化改造进程中，算力提升、代码研发只是其中的一部分，还须在监管要求下对需求分析、项目管理、运维管理等方面的数字化改造提升。”

　　实际上，虽然DeepSeek优越的低成本算力提升了中小银行的科技投入产出比，但大型银行的科技实力更强，在资源投入、生态构建方面的优势仍然明显。

　　娄翔指出，机构应用DeepSeek模型的难度和门槛相同，技术实力强的机构智能化改造更有优势，从算力成本来看，DeepSeek开源模型的出现，让包括各类机构都可以更低成本进行智能化改造，这是个巨大的利好。

　　邓美君认为，未来银行业也可能进入“双轨进化”阶段，即头部银行聚焦自有模型研发，中小银行通过开放平台快速接入智能服务。因此，DeepSeek有望成为银行业数字化转型的重要引擎。