DeepSeek正在展现出广阔的应用场景，各行各业“跑步上车”。尤其是金融业，从银行、基金到保险、证券，均在加紧推进DeepSeek系列模型的本地化部署工作，AI大战再度“硝烟四起”。
　　一如ChatGPT推出之初，金融业内人士当下热衷于讨论DeepSeek引领的AI变革是否会取代“金融民工”的工作。对此，DeepSeek的回答是：与其说AI会取代人类，不如说会推动金融从业者向“AI增强型人才”进化。掌握人机协作能力、具备业务与技术跨界视野的专业人士，将获得更大的职业发展空间。
　　“对于金融行业而言，DeepSeek并非颠覆者，而是赋能者。”一名金融从业者在网文中如是写道。
　　专家在接受第一财经采访时认为，金融业，尤其是银行业对安全合规要求比较高，而大模型输出依旧存在不可控性，如果直接面对客户仍存在隐患。当前阶段的应用场景依旧是大模型负责生成内容，人工进行复核。
　　金融圈的“AI升级战”一触即发
　　DeepSeek近期接连发布了V3和R1模型，其以“低成本+高性能+高开放度”三重优势，极大地降低了大模型企业级部署门槛。各行各业纷纷抢先接入DeepSeek，第一波自然是科技巨头，诸如华为云、腾讯云、阿里云、百度云和京东云等多家平台相继宣布接入DeepSeek系列模型。
　　此后，越来越多的企业和机构开始将DeepSeek应用于实际业务中，其中，就包括一直以来都在积极拥抱AI转型的金融业。
　　2月2日，海安农商银行微信公众号称，“DeepSeek，你也太懂海安农商银行了吧”，DeepSeek从资本实力、市场份额、服务质量、风险管理、金融产品、社会责任、技术支持、员工素质等维度对海安农商银行进行分析，相当于做了一次自我宣传。
　　如果说，海安农商银行意在以DeepSeek引领话题，那么江苏银行则直接赤膊上阵。苏银数字金融公号称，江苏银行依托“智慧小苏”大语言模型服务平台，成功本地化部署微调DeepSeek-VL2多模态模型、轻量DeepSeek-R1推理模型，分别运用于智能合同质检和自动化估值对账场景中， 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。
　　业内人士对记者表示，DeepSeek-R1推理模型具备强大的推理能力，能够处理复杂的金融数据和任务，同时擅长上下文处理和复杂任务处理，训练成本较低，具备较高的性价比，能够在智能客服、智能投顾、风险管理等应用领域提升银行工作的效率。
　　从江苏银行方面提供的数据来看，通过应用R1推理模型，结合邮件网关解析处理能力，实现邮件分类、产品匹配、交易录入、估值表解析对账全链路自动化处理，识别成功率达90%以上，目前已初步实现业务集中运营，按照平均手工操作水平测算，每天可减少9.68小时工作量。
　　另有国有行人士对记者表示：“DeepSeek大模型引起关注，其R1大模型的开源性质为银行带来新机会，行内已开展相关研究，假期结束后将加快相关技术的讨论，预计将应用在智能投顾、智慧客服、风险监控、合规管理等业务领域。”
　　在公募基金行业，近段时间以来，包括汇添富、富国基金、诺安基金等在内的十余家公募基金公司宣布已部署DeepSeek大模型。
　　其中，汇添富基金宣布，已完成DeepSeek系列开源模型的私有化部署，并将应用于投资研究、产品销售、风控合规、客户服务等核心业务场景。
　　诺安基金宣布完成DeepSeek金融大模型的本地化部署，并推出基于主流AI开源框架自主研发的“诺安AI助手”，于投研分析、客户服务、风险管控等核心业务场景启动试点应用。
　　在保险业，中国平安回应第一财经称，该公司多年来持续深化人工智能、大数据技术研究与应用，推进全面数字化转型工程。目前正在积极研究、部署相关大数据开源平台的深度融合发展，助力“综合金融+医疗养老”生态圈建设、赋能金融主业提质增效。
　　在金融科技领域，多家机构也开始出动。刚刚过去的周末，金融壹账通宣布推出了自主研发的智能体平台，并接入DeepSeek、通义千问等开源大模型，推出面向银行业的全场景AI解决方案。
　　加速金融业的智能化变革
　　国泰君安分析师李博伦认为，本地部署大模型或将成为金融企业的普遍选择。
　　李博伦称，金融由于行业的特殊性，往往对于数据的安全性要求高于其他行业。金融企业一般选择将数据存放在本地。DeepSeek-R1发布后，金融企业用相对较低的成本即可在本地部署一流能力的大模型，可以将本地数据与大模型结合，打造企业专有模型，更有针对性地赋能各个场景。
　　对于金融IT公司而言，李博伦认为，金融IT公司具备服务能力，助力金融企业将业务中积累的海量数据进行清洗和归类，向量化后投喂给本地大模型做微调，为客户定制专有模型。同时，金融IT公司深耕金融行业多年，积累大量行业Know-How，有助于将客户的业务与专有模型能力进行结合，打造属于客户自身的AI工作流、RAG（检索增强生成）管道，以及定制专属Agent（代理人）等。
　　作为新基建，AI大模型的研发以及场景落地应用一直是金融业的重点工作之一，尤其是银行业，在加速数智化转型的背景下，银行业面临效率提升、风险管控、客户体验优化等多重挑战。传统技术方案难以满足日益复杂的场景需求，而AI大模型的崛起，为行业带来了新的突破口。
　　金融壹账通银行事业部智能语音团队AI产品总监史文彬对第一财经表示，DeepSeek发布的V3、R1模型是具有优秀通用综合能力的MoE（多专家）架构大模型，多方的评测结果显示其在各项能力上都得分领先，因此在银行业已经应用大模型的业务场景都普遍适用。
　　以DeepSeek-R1为例，史文彬说，其具备高性能推理、强化学习驱动、长链推理支持等特点，特别在数学、编程、科学领域有突出表现。这些特点对于银行涉及大量的数据处理和决策分析的场景更为适用。
　　“诸如在风险评估领域，DeepSeek-R1可以更好地整合客户多维数据，构建更精准的风险评估模型，对客户的信用风险、市场风险等进行更为全面和精准的评估。在智能客服和营销领域，利用DeepSeek-R1强大的自然语音处理和高性能推理能力，可以更精准理解客户意图，更全面评估挖掘潜在需求，智能推荐适合的金融产品。”他说。
　　人工智能的“底盘”依旧是人工
　　尽管DeepSeek看上去更像是一名能够提供相对完整解决方案的专家，但随着人们对其应用场景的增多，也逐渐发现了它存在诸多“不靠谱”的时候。
　　目前已有使用者发现DeepSeek存在一本正经地“胡说八道”的情况。例如，在生成学术论文材料时，DeepSeek会生成不存在的材料，或指向无关的论文。这样的情况下，如果直接应用于严谨的银行业，将会产生不可控的后果，比如AI生成了失真的市场分析，客户基于AI的错误信息作出投资决策等。
　　此外，“大模型的应用意味着要处理大量个人和企业的数据，增加了信息泄露的风险，客户的信息泄露后可能会被非法获取用于诈骗活动等，导致银行声誉受损。”银行业人士对记者表示。
　　对此，DeepSeek也给出了自己的答案：DeepSeek等人工智能技术与银行业深度结合后，虽然能显著提升效率，但也可能引发多维度风险，包括数据安全与隐私泄露风险、数据污染与模型失真风险、监管套利与合规失控风险、系统性风险传导放大、伦理与社会信任危机。
　　“DeepSeek在银行业面临的挑战依然来自大模型本身的一些限制，比如结果的可解释性。但随着各项技术如RAG、思维链的发展，这方面的问题会大大降低。另外，银行业对安全合规要求比较高，大模型输出的不可控性，如果直接面对客户仍存在隐患。当前阶段有些应用场景还是大模型生成内容，人工进行复核的模式。”史文彬说。
　　北京社科院副研究员王鹏认为，DeepSeek在应用过程中面临着数据质量、模型可解释性和市场适应性等挑战。银行需要建立严格的数据质量管理体系，确保数据的准确性和完整性；同时，也要加强对DeepSeek模型的理解和解释，提高模型的可解释性和透明度；此外，还要不断根据市场变化调整DeepSeek的应用策略，确保其能够适应银行的实际业务需求。
　　不少业内人士预判，未来将有更多银行机构接入最新的大语言模型，主要应用在提升银行员工效率的工作场景中。中国银行业协会首席信息官高峰就指出，目前银行业对大模型的应用主要集中在内部场景，比如智能代码编写、内部AI办公、智能客服等中台运营管理，以此来提升员工工作效率，但并未涉及账户交易等核心业务的应用领域。
　　知名经济学者、工信部信息通信经济专家委员会委员盘和林对第一财经表示，DeepSeek的蒸馏算法启发了银行业，未来，银行要打造大模型，可以在现有金融AI大模型的基础上去蒸馏出自己的模型，打造AI更加高效，金融智能化进度会大大加快。
（文章来源：第一财经）