今年以來，中國人工智能平臺深度求索（DeepSeek）在各行各業(yè)持續(xù)引發(fā)關(guān)注，在金融領(lǐng)域同樣掀起波瀾。目前，多家銀行已進行了DeepSeek系列大模型本地化部署，逐步釋放其在金融領(lǐng)域的應(yīng)用潛力。

此前，成本高昂一直是制約人工智能大模型普及應(yīng)用的關(guān)鍵問題。盡管金融行業(yè)有著相對充足的資金支持，但動輒上千萬元的訓練成本仍使不少金融機構(gòu)望而卻步。曾有業(yè)內(nèi)人士擔憂，如果訓練成本進一步上漲，金融領(lǐng)域能堅持做人工智能大模型的廠商可能不超過10家。不僅如此，人工智能大模型可能會加劇金融機構(gòu)之間的兩極分化，資源雄厚的大型銀行快速搶占技術(shù)高地，中小銀行恐無法跟上步伐。對此，中小銀行亟需尋找突破口，彌合與大型銀行之間的技術(shù)差距。

高性能、低成本是DeepSeek的核心優(yōu)勢，這一優(yōu)勢精準契合了當下中小銀行降本增效的迫切需求。披露信息顯示，DeepSeek在保持高性能的同時可將訓練成本壓縮至傳統(tǒng)大模型的十分之一，這一突破為中小銀行提供了彌合技術(shù)差距的契機。招聯(lián)首席研究員、上海金融與發(fā)展實驗室副主任董希淼表示，DeepSeek融合多模態(tài)數(shù)據(jù)處理、知識圖譜構(gòu)建、智能決策引擎，特別是低算力消耗帶來的低成本優(yōu)勢，部署應(yīng)用更具靈活性，更適配中小銀行實際，可能降低中小銀行應(yīng)用大模型的門檻和成本。

與此同時，開源也是中小銀行青睞DeepSeek的重要因素。以往在技術(shù)壁壘高筑的閉源生態(tài)中，中小銀行要受制于外部服務(wù)商的技術(shù)更新節(jié)奏和定制化限制。過去，通用大模型也常常因“廣而不精”飽受詬病，難以滿足金融行業(yè)對專業(yè)化、定制化的需求，在核心業(yè)務(wù)中往往發(fā)揮不盡如人意。如今，開源的DeepSeek為中小銀行提供了新的技術(shù)選擇。銀行可以基于DeepSeek的開源框架進行二次開發(fā)，快速上線反欺詐、資產(chǎn)估值等定制化應(yīng)用。開源大幅降低了技術(shù)門檻，縮短了研發(fā)周期，對創(chuàng)新效率的提升也帶來了極大幫助。長期來看，中小銀行會逐步邁向“開源+微調(diào)”的新模式，減少對外部大模型服務(wù)商的過度依賴。通過共享DeepSeek的衍生模型，中小銀行能夠有效縮小與大型銀行之間的技術(shù)鴻溝，這種轉(zhuǎn)變將有助于推動金融行業(yè)均衡發(fā)展，促進行業(yè)內(nèi)良性競爭。

盡管中小銀行看到了技術(shù)革新的曙光，但DeepSeek也存在一些人工智能大模型所面臨的共性問題。例如，合規(guī)挑戰(zhàn)、數(shù)據(jù)安全、隱私保護，依然是金融機構(gòu)在應(yīng)用人工智能技術(shù)時必須直面的難題?！叭斯ぶ悄艽竽Ｐ驮谔嵘鹑跈C構(gòu)運營效率和服務(wù)質(zhì)量的同時，也面臨新的問題需要解決?！敝袊]政儲蓄銀行研究員婁飛鵬表示，人工智能大模型往往基于歷史數(shù)據(jù)進行分析推理，由于模型設(shè)計、訓練數(shù)據(jù)等存在缺陷，可能出現(xiàn)路徑依賴，存在AI幻覺等問題。簡而言之，DeepSeek雖然腦子轉(zhuǎn)得快，但對金融領(lǐng)域來說，仍需要進一步提升模型的可靠性與準確性，避免因內(nèi)容偏差導(dǎo)致錯誤決策，造成資金損失。

如何在技術(shù)進步與風險防控之間找到平衡點，將是金融機構(gòu)在應(yīng)用人工智能技術(shù)過程中的關(guān)鍵議題。一方面，DeepSeek的開源、高性能、低成本為中小銀行提供了前所未有的技術(shù)賦能機遇；另一方面，中小銀行還需要在數(shù)據(jù)治理、合規(guī)框架和風險控制上投入更多資源，確保人工智能技術(shù)的安全可靠應(yīng)用。

來源：經(jīng)濟日報