中小銀行探索大模型佈局應用

今年以來，中國人工智能平台深度求索（DeepSeek）在各行各業持續引發關注，在金融領域同樣掀起波瀾。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域的應用潛力。

此前，成本高昂一直是制約人工智能大模型普及應用的關鍵問題。儘管金融行業有着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望而卻步。曾有業內人士擔憂，如果訓練成本進一步上漲，金融領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之間的兩極分化，資源雄厚的大型銀行快速搶佔技術高地，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差距。

記者瞭解到，高性能、低成本是DeepSeek的核心優勢，這一優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大模型的十分之一，這一突破為中小銀行提供了彌合技術差距的契機。招聯首席研究員、上海金融與發展實驗室副主任董希淼表示，DeepSeek融合多模態數據處理、知識圖譜構建、智能決策引擎，特別是低算力消耗帶來的低成本優勢，部署應用更具靈活性，更適配中小銀行實際，可能降低中小銀行應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。以往在技術壁壘高築的閉源生態中，中小銀行要受制於外部服務商的技術更新節奏和定製化限制。過去，通用大模型也常常因“廣而不精”飽受詬病，難以滿足金融行業對專業化、定製化的需求，在核心業務中往往發揮不盡如人意。如今，開源的DeepSeek為中小銀行提供了新的技術選擇。銀行可以基於DeepSeek的開源框架進行二次開發，快速上線反欺詐、資產估值等定製化應用。開源大幅降低了技術門檻，縮短了研發週期，對創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”的新模式，減少對外部大模型服務商的過度依賴。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鴻溝，這種轉變將有助於推動金融行業均衡發展，促進行業內良性競爭。

儘管中小銀行看到了技術革新的曙光，但DeepSeek也存在一些人工智能大模型所面臨的共性問題。例如，合規挑戰、數據安全、隱私保護，依然是金融機構在應用人工智能技術時必須直面的難題。“人工智能大模型在提升金融機構運營效率和服務質量的同時，也面臨新的問題需要解決。”中國郵政儲蓄銀行研究員婁飛鵬表示，人工智能大模型往往基於歷史數據進行分析推理，由於模型設計、訓練數據等存在缺陷，可能出現路徑依賴，存在AI幻覺等問題。簡而言之，DeepSeek雖然腦子轉得快，但對金融領域來説，仍需要進一步提升模型的可靠性與準確性，避免因內容偏差導致錯誤決策，造成資金損失。

如何在技術進步與風險防控之間找到平衡點，將是金融機構在應用人工智能技術過程中的關鍵議題。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賦能機遇；另一方面，中小銀行還需要在數據治理、合規框架和風險控制上投入更多資源，確保人工智能技術的安全可靠應用。