DeepSeek風頭正盛，金融機構爭相接入。

　　截至2月11日，有北京銀行、江蘇銀行、蘇商銀行、重慶農村商業銀行等多家銀行及國泰君安等頭部券商“嘗鮮”DeepSeek。恒生電子、金證股份、星環科技等金融科技服務公司的大模型服務也接入了DeepSeek。

　　通過部署DeepSeek，一些金融機構看到了AI支出“降本增效”的可能性。專家表示，DeepSeek的出現在通用大模型領域產生了很強的“鲇魚效應”，但從“好用”到“用好”，仍面臨數據安全、惡意訓練、模型幻覺等挑戰。

　　爭相接入DeepSeek

　　日前，北京銀行宣布全面啟動“all in AI”戰略，攜手華為率先實現DeepSeek全棧國產化金融應用。江蘇銀行依托“智慧小蘇”大語言模型服務平臺，本地化部署微調DeepSeek-VL2多模態模型、輕量DeepSeek-R1推理模型，分別運用于智能合同質檢和自動化估值對賬場景。重慶農村商業銀行借助騰訊云大模型知識引擎的能力，在企業微信上線基于DeepSeek模型的智能助手應用“AI小渝”。

　　據公開信息，接入DeepSeek的金融機構類型涵蓋銀行、證券、基金、非銀行支付機構等。目前，多家銀行已實現DeepSeek系列大模型本地化部署，應用場景包括智能合同管理、客服助手等。

　　作為最早一批本地化部署DeepSeek的非銀行支付機構之一，移卡最初選擇DeepSeek的原因就是“好用”，這也成為DeepSeek擁躉眾多的主要原因。

　　移卡執行董事、CTO羅小輝表示，移卡在2024年初就本地化部署了DeepSeek coder，在此基礎上，移卡開發了編碼助手，其功能包括代碼撰寫、代碼糾錯等。“DeepSeek是目前開源最徹底的大模型廠商，性能和效率俱佳。”羅小輝坦言，移卡準備長期使用以DeepSeek為代表的開源大模型，逐步替換海外AI產品的大模型服務，這將在保證質量的前提下大大降低應用成本。

　　奇安信銀行行業負責人徐懿巍認為，訓練成本更低，性能更強，完全開源、支持免費商用等優勢，使DeepSeek在垂直行業更容易落地。

　　對此，優智科技創始人兼CEO詹毅頗有感觸。目前優智科技與中信建投等頭部券商在大模型應用領域完成項目上線，正與數十家金融機構推進應用落地。其核心AI平臺（智遇文檔、智友Agent）已全面接入DeepSeek，為金融機構提供包括DeepSeek私有化部署在內的完整解決方案。與此同時，優智科技正在DeepSeek上持續訓練面向金融場景的模型版本。

　　“如果用造車來類比的話，金融機構青睞更好用的大模型‘整車’，而DeepSeek提供了更好的引擎。”詹毅稱，對大模型應用而言，2024年更多是頭部機構積極推動大模型落地，2025年在DeepSeek的認知普及和更多金融標桿案例的推動下，中小機構大模型應用將提速，市場將大幅擴容。

　　“以往談到大模型，金融機構的目標往往是‘爭先’；如今更多是‘恐后’，思維方式發生了質變。”詹毅說。

　　“鲇魚效應”持續強化

　　重金投入，產出未知，一直是影響金融機構大模型規模化投入的重要原因，而通過部署DeepSeek，不少金融機構看到了AI支出“降本增效”的可能性。

　　據悉，恒生電子、星環科技、金證股份等金融科技服務商的大模型服務正加速接入DeepSeek。例如，恒生大模型系列應用全面接入DeepSeek主流模型（DeepSeek-V3/DeepSeek-R1），覆蓋金融投研、投顧、合規、運營、投行等核心業務場景；星環科技大模型運營管理平臺Sophon LLMOps全面支持DeepSeek-R1全參版本及蒸餾版本，可用于智能投研與策略支持、智能運營與流程再造等智能金融場景。其測試數據也印證了這一趨勢。

　　以恒生電子為例，實測數據顯示，在金融高密度數據處理場景中，依托DeepSeek-R1的千億級參數壓縮和蒸餾技術，本地部署算力資源消耗降低50%；基于DeepSeek獨創的MoE（混合專家）架構，客戶需求解析速度加快3倍。

　　“在一些強推理的業務場景，DeepSeek提升了訓練實效。”星環科技金融行業助理副總裁張曉明近期在與客戶的對接測試中發現，一些有大模型應用基礎、算力和人才資源儲備的銀行和頭部券商正積極接入DeepSeek，DeepSeek在通用大模型領域產生了很強的“鲇魚效應”。

　　當然，DeepSeek優勢突出并不意味著其他大模型被放棄。張曉明坦言，整個大模型市場還是一個多元需求的市場，目前已有金融客戶用星環科技大模型運營管理平臺Sophon LLMOps適配了70多個主流模型，可適應不同業務場景的需求，“DeepSeek熱浪下，應該思考如何將大模型轉化為生產力”。

　　恒生電子首席科學家、恒生研究院院長白碩稱，DeepSeek擅長慢思考，在需要快慢思考結合的具體應用場景中，通義千問和DeepSeek可以相得益彰，發揮更大的效果。

　　對于未來DeepSeek的應用場景，羅小輝提出了兩方面設想：“一是面向企業內部員工的效率工具；二是面向用戶或客戶的產品開發。”在應用模式上，除當作問答助手外，將大模型植入具體的應用場景能讓其發揮更大的作用。

　　不容忽視的挑戰

　　新生事物都是機遇和挑戰并存，DeepSeek應用也不例外。專家表示，金融機構由于其業務性質，對數據的安全性、隱私保護及合規性有著極高要求，因此在部署大模型時也面臨更大挑戰。

　　徐懿巍表示，金融領域大模型往往包含復雜的算法和市場分析能力，開發成本較高，并承載重要業務和數據，自身安全性的重要性不言而喻。在OWASP發布的大模型應用十大安全風險中，“提示注入”位居首位。攻擊者可通過設計特定的提示詞來誤導大模型產生錯誤的結果，特別是涉及投資決策、風險管理等關鍵領域時，這種攻擊可能導致重大經濟損失。

　　金融行業大模型的幻覺問題也是一大安全隱患。大模型生成的內容有時可能與現實不符，這對于高度依賴準確信息的金融行業來說，是一個潛在的風險，尤其在提供市場預測、風險評估或投資建議時，其危害不容忽視。

　　徐懿巍表示，金融機構在部署大模型時，安全風險不僅來自單個大模型服務，更來自整家公司。因此，金融企業要做好整個公司風險暴露面管理，實施嚴格的訪問控制措施，如身份驗證和授權機制，限制對API、數據庫的訪問。同時，做好網絡、終端、云、服務器、數據庫等基礎網絡安全防護措施，最大程度減少外部威脅。在具體保障措施方面，應圍繞數據來源合規、內容安全合規、敏感數據識別過濾、訓練數據標注安全、數據分類分級與安全保護、數據訪問控制等，打造體系化的防護方案。

　　除安全外，基礎設施特別是GPU資源也成為大模型部署的一大“掣肘”。“考慮到模型對于資源的需求較多，我們大多采用混合部署的方式，即部分本地化、部分外部接口的方式。我們正在密切關注大模型的小型化方案，期待通過這種方式來緩解資源壓力，同時希望涌現更多GPU資源，本土大模型與計算設備的結合是接下來重點研究的事項。”羅小輝說。

　　張曉明建議，金融機構部署DeepSeek要綜合考慮算力、預算和基礎設施的投入情況，因“材”施策。“例如，中大型機構可通過部署R1全參版本，發揮算力、人才等綜合優勢，加速大模型的平臺能力部署；中小機構可以立足業務導入蒸餾版，開發更適合DeepSeek落地的應用和工具，循序漸進，真正通過大模型實現降本增效。”張曉明說。

　　（文章來源：上海證券報）

海量資訊、精準解讀，盡在新浪財經APP