咨詢(xún)熱線：86-023-89666600
五金1月10日，Deepseek推出了推理模型DeepSeek-R1，同時(shí)發(fā)布了移動(dòng)端聊天機(jī)器人應(yīng)用。僅僅過(guò)了17天，也就是1月27日，這款移動(dòng)端聊天機(jī)器人應(yīng)用就在蘋(píng)果美國(guó)應(yīng)用商店的下載量登頂。在此之前，該公司發(fā)布的開(kāi)源大模型DeepSeekV3，在針對(duì)百科知識(shí)、代碼以及數(shù)學(xué)能力等方面的評(píng)測(cè)中成績(jī)亮眼。它的得分超過(guò)了阿里云Qwen2.5-72B和Meta的Llama-3.1-405B這兩大開(kāi)源模型，甚至與世界頂尖的閉源模型GPT-4o及Claude-3.5-Sonnet相媲美。特別值得一提的是，在數(shù)學(xué)領(lǐng)域，它在美國(guó)數(shù)學(xué)競(jìng)賽（AIME2024）和中國(guó)全國(guó)高中數(shù)賽（CNMO2024）中的表現(xiàn)，遠(yuǎn)遠(yuǎn)超過(guò)了其他所有模型。更令人驚嘆的是，它的成本相較同行要低得多，僅為ChatGPT-O1模型的5%和Llama3.1的10%。
由此，一場(chǎng)由DeepSeek帶動(dòng)的AI大模型應(yīng)用熱潮，再次席卷各行各業(yè)。銀行業(yè)在這一風(fēng)潮中也不甘落后，讓我們一起來(lái)看看。
郵儲(chǔ)銀行依托自有大模型“郵智”，迅速在本地部署并集成DeepSeek-V3模型和輕量DeepSeek-R1推理模型，在復(fù)雜多模態(tài)、多任務(wù)處理方面表現(xiàn)出色。這一組合在應(yīng)對(duì)復(fù)雜的多模態(tài)、多任務(wù)處理時(shí)，展現(xiàn)出了卓越的能力。眼下，郵儲(chǔ)銀行已把DeepSeek大模型運(yùn)用到“小郵助手”之中。借助深度分析等功能，“小郵助手”能夠精準(zhǔn)地識(shí)別用戶(hù)需求，進(jìn)而提供個(gè)性化的服務(wù)方案。同時(shí)，依靠強(qiáng)大的高效計(jì)算能力，“小郵助手”加快了任務(wù)響應(yīng)速度，提升了處理效率，為用戶(hù)帶來(lái)更加流暢的交互體驗(yàn)。
江蘇銀行依托“智慧小蘇”大語(yǔ)言模型服務(wù)平臺(tái)，順利在本地完成了DeepSeek-VL2多模態(tài)模型以及輕量DeepSeek-R1推理模型的部署與微調(diào)。在合同質(zhì)檢工作中，引入DeepSeek技術(shù)后，智能合同質(zhì)檢系統(tǒng)可以快速掃描合同內(nèi)容，自動(dòng)找出條款里的風(fēng)險(xiǎn)點(diǎn)和錯(cuò)誤之處，大大縮短了質(zhì)檢所需的時(shí)間，提高了合同質(zhì)檢的效率與準(zhǔn)確性，降低了潛在風(fēng)險(xiǎn)。不僅如此，在托管資產(chǎn)估值對(duì)賬環(huán)節(jié)，通過(guò)運(yùn)用DeepSeek技術(shù)實(shí)現(xiàn)了自動(dòng)化處理，這樣一來(lái)，既減少了人工操作容易產(chǎn)生的誤差，又極大地提高了業(yè)務(wù)處理的速度。
北京銀行與華為攜手合作，全面開(kāi)啟“allinAI”戰(zhàn)略，實(shí)現(xiàn)了DeepSeek全棧國(guó)產(chǎn)化在金融領(lǐng)域的應(yīng)用。目前，該應(yīng)用已在AIB平臺(tái)、京行研究、京行智庫(kù)、客服助手、京客圖譜等多個(gè)業(yè)務(wù)場(chǎng)景中展開(kāi)試點(diǎn)，顯著提升了服務(wù)質(zhì)量與效率。
在客戶(hù)服務(wù)領(lǐng)域，工商銀行通過(guò)大模型與大數(shù)據(jù)技術(shù)，打造智能客服助手，既能為客服人員提供客戶(hù)相關(guān)背景信息，輔助其解答客戶(hù)疑問(wèn)，還能精準(zhǔn)總結(jié)客戶(hù)訴求，使遠(yuǎn)程銀行高頻場(chǎng)景客服通線%，同時(shí)大幅提升了客服滿意度。郵儲(chǔ)銀行在處理客戶(hù)投訴分析時(shí)，借助大模型來(lái)輔助坐席對(duì)投訴內(nèi)容進(jìn)行監(jiān)管報(bào)送分類(lèi)，準(zhǔn)確率達(dá)93%。建設(shè)銀行提升了文生圖功能，讓營(yíng)銷(xiāo)內(nèi)容更富吸引力和針對(duì)性，助力客戶(hù)營(yíng)銷(xiāo)工作。浦發(fā)銀行啟動(dòng)“愛(ài)客計(jì)劃”，通過(guò)模型來(lái)識(shí)別客戶(hù)潛在需求，再結(jié)合內(nèi)外部數(shù)據(jù)構(gòu)建模型，進(jìn)而開(kāi)展?fàn)I銷(xiāo)活動(dòng)。中信銀行結(jié)合AI大模型，對(duì)小信智能機(jī)器人進(jìn)行深化迭代，最終實(shí)現(xiàn)客戶(hù)服務(wù)效能提升了12%。上海銀行升級(jí)了AI數(shù)字員工“海小慧”和“海小智”，通過(guò)超寫(xiě)實(shí)建模與大模型訓(xùn)練，讓客戶(hù)可以用聊天的方式辦理業(yè)務(wù)，極大地提升了服務(wù)體驗(yàn)。百信銀行推出的“大模型智能體助手”，依托自主生成能力，成功將大模型技術(shù)應(yīng)用在財(cái)富投教等多個(gè)創(chuàng)新領(lǐng)域，并亮相2024世界人工智能大會(huì)。
在審批審核領(lǐng)域，郵儲(chǔ)銀行借助大模型構(gòu)建了“郵儲(chǔ)大腦”。這一系統(tǒng)可幫業(yè)務(wù)需求管理人員迅速理解并審核需求內(nèi)容，使得業(yè)務(wù)標(biāo)簽提煉準(zhǔn)確率達(dá)84%，功能點(diǎn)抽取準(zhǔn)確率達(dá)96%。建設(shè)銀行運(yùn)用大模型優(yōu)化了檢索增強(qiáng)生成應(yīng)用模式，在授信審批時(shí)，以前完成一份客戶(hù)財(cái)務(wù)分析報(bào)告得花上幾個(gè)小時(shí)，現(xiàn)在幾分鐘就能搞定。浦發(fā)銀行在消費(fèi)信貸業(yè)務(wù)流程中引入大模型，將風(fēng)控環(huán)節(jié)前置到營(yíng)銷(xiāo)階段，把明顯評(píng)分偏低的、有信用缺陷的客戶(hù)提前剔除，使?fàn)I銷(xiāo)拒貸率降為原來(lái)的50%，大幅節(jié)省了營(yíng)銷(xiāo)資源和運(yùn)營(yíng)成本。興業(yè)銀行基于GPT-3.5模型，自主研發(fā)出可疑交易報(bào)告智能生成模型AML–GPT，能高效分析洗錢(qián)可疑客戶(hù)行為、可疑主體信息以及可疑交易信息等特征，還能快速生成輔助分析報(bào)告。上海農(nóng)商行上線了智能合規(guī)管理平臺(tái)，在大模型技術(shù)的助力下，合規(guī)系統(tǒng)的取得了亮點(diǎn)成果。
在研究分析領(lǐng)域，招商銀行與阿里云合作，推出了“招銀智庫(kù)AI小研”。這個(gè)工具依托招行最大的研究資源平臺(tái)“招銀智庫(kù)”，搭建了全站智能問(wèn)答機(jī)器人、Chat研報(bào)以及熱點(diǎn)聚焦等功能，顯著提升了查詢(xún)效率和投研精度，還能自動(dòng)化生成熱點(diǎn)摘要與專(zhuān)業(yè)科普知。興業(yè)銀行打造的研報(bào)摘要助手，實(shí)現(xiàn)了16家外部機(jī)構(gòu)18類(lèi)研報(bào)的摘要智能生成，使得每月能生成6,000余篇研報(bào)摘要。
在研發(fā)方面，民生銀行基于行內(nèi)大模型平臺(tái)，構(gòu)建了代碼生成研發(fā)輔助工具體系，并且已經(jīng)在全行各板塊大規(guī)模試點(diǎn)，生成采納率為20-30%之間，代碼注釋率從18%提升至約30%。平安銀行借助AI工具提升了需求交付效率，截至2024年9月末，通過(guò)AI代碼輔助生成的代碼占比為28.7%DeepSeek再掀金融智能化風(fēng)潮看銀行業(yè)如何乘風(fēng)破浪。華夏銀行利用自研的AI測(cè)試點(diǎn)生成工具，在輔助系統(tǒng)測(cè)試環(huán)節(jié)自動(dòng)生成測(cè)試點(diǎn)近千個(gè)，極大減輕了測(cè)試人員工作壓力。
在市場(chǎng)交易領(lǐng)域，工商銀行以大模型為核心，構(gòu)建了智能對(duì)話交易系統(tǒng)（ChatDealing）智能模型。該模型能進(jìn)行系統(tǒng)自動(dòng)報(bào)價(jià)，高效完成多方與客戶(hù)之間的價(jià)格磋商和交易處理，使得單筆交易效率提升了3倍。
雖然為銀行業(yè)帶來(lái)了諸多創(chuàng)新和機(jī)遇，但以DeepSeek為代表的AI大模型也不可避免地帶來(lái)了一些挑戰(zhàn)。
首先是數(shù)據(jù)質(zhì)量。數(shù)據(jù)是AI大模型訓(xùn)練的基礎(chǔ)，數(shù)據(jù)的準(zhǔn)確性、完整性和一致性直接影響模型的性能和決策的準(zhǔn)確性。畢馬威發(fā)布《2025年中國(guó)銀行業(yè)展望報(bào)告》中指出，很多銀行尤其是中小銀行，缺少足夠的有效數(shù)據(jù)資產(chǎn)來(lái)支持這種需求；同時(shí)許多銀行顧慮到數(shù)據(jù)隱私及安全，較難將私有數(shù)據(jù)提供給大模型企業(yè)用于預(yù)訓(xùn)練與微調(diào)，而銀行自身重新訓(xùn)練模型又存在難度。中國(guó)人民銀行科技司司長(zhǎng)李偉也在“數(shù)智銀行家”2024年會(huì)上的演講指出，中小銀行在推進(jìn)大模型應(yīng)用過(guò)程中需解決“內(nèi)部數(shù)據(jù)不能用、外部數(shù)據(jù)不好用、海量數(shù)據(jù)不會(huì)用”的困境。中國(guó)工程院院士、復(fù)旦大學(xué)金融科技研究院院長(zhǎng)柴洪在2023年國(guó)家網(wǎng)絡(luò)安全宣傳周論壇上指出，金融數(shù)據(jù)的私密性限制了共享和構(gòu)建大規(guī)模數(shù)據(jù)集的能力，同時(shí)其多模態(tài)特性又增加了模型處理和建模的復(fù)雜性。
信息安全同樣值得關(guān)注。李偉指出，大模型面向公眾提供服務(wù)前，應(yīng)先依據(jù)國(guó)家網(wǎng)信部門(mén)的規(guī)定，開(kāi)展安全評(píng)估工作，完成備案流程；在這一基礎(chǔ)上，借助金融科技創(chuàng)新監(jiān)管工具展開(kāi)測(cè)試，并在風(fēng)險(xiǎn)可控的真實(shí)市場(chǎng)環(huán)境中打磨成熟，最終正式對(duì)外提供服務(wù)。農(nóng)業(yè)銀行研發(fā)中心副總經(jīng)理趙煥芳認(rèn)為，業(yè)界需要持續(xù)關(guān)注解決大模型的幻覺(jué)問(wèn)題、隱私保護(hù)等問(wèn)題，為此高質(zhì)量訓(xùn)練數(shù)據(jù)很重要。民生銀行數(shù)據(jù)管理部總經(jīng)理沈志勇則建議，金融機(jī)構(gòu)需對(duì)大模型進(jìn)行兩種教育與設(shè)立三道防線——兩種教育指訓(xùn)練時(shí)通過(guò)數(shù)據(jù)注入正確的價(jià)值觀、以及在訓(xùn)練時(shí)對(duì)模型的錯(cuò)誤回答進(jìn)行糾偏；三道防線則指過(guò)濾訓(xùn)練數(shù)據(jù)、模型返回結(jié)果以及用戶(hù)提問(wèn)環(huán)節(jié)的不良內(nèi)容。
建設(shè)過(guò)程中的困難也不容小覷。《2025年中國(guó)銀行業(yè)展望報(bào)告》認(rèn)為銀行業(yè)的大模型場(chǎng)景建設(shè)存在明顯的“馬太效應(yīng)”現(xiàn)象，頭部機(jī)構(gòu)通過(guò)與科技公司、科研院所合作，可進(jìn)行前瞻性投入；相較之下，部分中小機(jī)主要依賴(lài)“拿來(lái)主義”，且較難辨析市場(chǎng)上方案的優(yōu)劣，容易陷入“信息繭房”。李偉也指出，中小銀行在數(shù)字化轉(zhuǎn)型過(guò)程中受制于錢(qián)少、人少、數(shù)據(jù)少、技術(shù)力量薄弱的“三少一弱”局面，要用有限的資源優(yōu)先攻關(guān)客戶(hù)體驗(yàn)、運(yùn)營(yíng)難點(diǎn)等問(wèn)題，以避免求大求全。
盡管面臨挑戰(zhàn)，但DeepSeek等AI大模型無(wú)疑將助力銀行業(yè)更高效、精準(zhǔn)地實(shí)現(xiàn)智能化轉(zhuǎn)型，也讓我們對(duì)其在銀行業(yè)更多場(chǎng)景的深入應(yīng)用充滿期待。只要各銀行積極應(yīng)對(duì)，充分發(fā)揮AI大模型的強(qiáng)大優(yōu)勢(shì)，并及早防范可能出現(xiàn)的問(wèn)題，就一定能在金融智能化的浪潮中駛向更加美好的未來(lái)。
掃一掃關(guān)注我們