在蛇年春季节附近，DeepSeek推出了一系列大型语言模型，包括V3 Big Models和R1 Big Models。与市场上现有的大型模型相比，培训成本较低，导致银行机构“疯狂”大型模型。笔记。第一天《金融日报》的记者发现，邮政储蓄银行，北京银行，重庆银行，江苏银行，苏珊银行，重庆农村商业银行等许多银行机构最近完成了DeepSeek的本地化部署。
行业内部人士说，当前大型模型在银行业中的应用主要是为了建立内部助理，以提高员工的办公效率。在银行业竞争访问大型模型的时候，越来越多的银行机构将与DeepSeek探索合作，以访问一系列大型模型，例如V3 Big Models和R1 Big Models。对于银行，在连接到最新的大型模型以提高效率的同时，他们还应注意数据安全性，信息泄漏和文本幻觉等风险。
银行探索多幕科应用程序
从智能风险控制，个性化服务，分支机构运营以及多个远程服务，银行和DeepSeek之间的合作正在扩展到多幕科应用程序。
中国邮政储蓄银行在2月8日透露，通过本地部署，其“寻求情报”大型模型将DeepSeek-V3模型和轻量级DeepSeek-R1推断模型集成在一起。邮政储蓄银行领导着将DeepSeek大型模型应用于“ Little Post Assistant”，实现了以下创新的突破：首先，添加了新的逻辑推理功能，以显着提高精确服务的效率；其次，通过深入分析功能，可以更准确地确定用户的需求。 ，然后提供个性化和基于方案的服务解决方案；第三，依靠有效的推理绩效，极大地加速了响应速度和任务处理效率。
在DeepSeek的技术能力的帮助下，邮政储蓄银行已在多财务方案中部署了专业服务。例如，在远程银行服务领域，通过引入多步推理优化功能，在为助理和智能服务的同时，进一步增强了移动银行的陪伴数字员工职能。串联系统经过优化和升级，从而大大提高了客户服务的专业效率和工作效率。
“我们的银行已经与华为紧密合作，并成功介绍并部署了DeepSeek系列大型模型。目前，该模型已在多种核心业务场景中进行了驾驶，例如北京Xing Research，Beijing Xing Think Tank Tank，客户服务助理和客户服务助理和Jingke Tutu。来自北京银行的人说。
江苏银行发布了有关其官方数字金融微博的宣布，指出该银行采用了DeepSeek大语言模型。该公告提到，银行在本地部署和微调的DeepSeek-VL2多模型模型和轻量级DeepSeek-R1推断模型依靠“智能小型”大语言模型服务平台，用于智能合同质量检查和自动估值对分别。帐户方案。
江苏银行的人们说，通过应用R1推理模型并将邮件网关分析和处理能力结合在一起，已完成了电子邮件分类的完整链接自动化处理，产品匹配，交易输入以及估值表分析和和解，并与识别一起实现成功率超过90％。最初实施集中的业务运营，根据平均手动操作水平，每天可以节省9.68小时的工作量。
重庆农村商业银行宣布，它将根据其企业微信的DeepSeek模型启动智能助理申请“ AI Xiaoyu”。将来，它将用于智能风险控制，场景融资，数据决策和其他方案，以实现分钟响应智能客户服务系统的构建。 ，将知识基础结合起来，以实现个性化的财富管理建议等。
来自Sushang Bank的一个人向记者透露，该银行通过其深入的集成DeepSeek Series Model Technology的深入集成，通过“数据算法，计算能力和方案”创建了一个四轮驱动智能决策系统。目前，该系统已在诸如信用风险控制和反欺诈监控之类的20多种业务情况下实施，尽职调查报告的效率增加了40％。
预计将缩小“技术差距”
近年来，银行已经在自发展的财务模型上投入了大量资源，而中小型银行一直无法跟上大型银行访问大型模型的步伐，而“技术差距”正在变得越来越广泛。 。行业内部人士认为，DeepSeek较低的计算能力需求和培训成本可以为中小型银行带来机会，并帮助缩小大型银行的技术差距。
“ DeepSeek的大型模型技术具有强大的推理功能，有效的计算性能，并且推理成本相对较低。它非常适合在特定情况下的高频呼叫和现场应用人工智能领域的发展。”一个城市商业银行的人告诉记者。
根据Zhejiang Securities发布的研究报告，DeepSeek-V3 Big模型的整个培训过程花费了不到280万GPU（图形处理器）小时。相比之下，美国互联网巨头Meta发布的Llama3-405B的训练时间为3080 GPU小时。在培训成本方面，DeepSeek-V3约为557.6万美元，而OpenAI为Chatbot Chatgpt发布的语言型号GPT-4的培训成本为数亿美元。
较低的培训成本为中小型银行带来了跨越“技术差距”的机会。上海金融与发展实验室的董事兼首席专家Zeng Gang指出，DeepSeek为中小型银行提供了一种经济有效的解决方案。首先，中小型银行可以根据自己的业务需求灵活地调整DeepSeek模型的参数和功能。其次，DeepSeek具有开箱即用的建模的能力，中小型银行可以快速部署和应用大型模型，而无需在技术研发上投入大量资源。最后，中小型银行可以直接使用DeepSeek的成熟技术来快速启动智能风险控制，合同验证，客户洞察力和其他功能，从而大大缩短了从技术介绍到实际应用的周期。
“将来，预计更多许可的金融机构将加入AI升级的浪潮，并通过提高传统金融业务的质量和效率，进一步确保财务安全和用户基金帐户的安全。” Su Xizhiyan的高级研究员Su Xiaorui指出，DeepSeek该模型具有多样的应用功能，这不仅在逻辑推理和自然语言处理方面表现良好，而且还可以实现成本效益的部署。人工智能模型在智能营销和智能风险控制等多个分段场景中具有广泛的应用前景。
但是，银行仍处于探索DeepSeek Big Model Technology应用的早期阶段。根据记者的说法，银行业对大型模型的应用主要集中在内部方案，例如智能代码写作，内部AI办公室，智能客户服务和其他中端运营管理，以提高员工的工作效率，但它不涉及核心帐户交易和其他核心问题。业务应用。
此外，尽管DeepSeek可以帮助中小型银行在一定程度上缩小大型模型的范围，但大型银行在资源投资，生态建设和数据积累方面的优势仍然非常重要。
数据风险，“幻觉”挑战
尽管大型模型技术提高了银行的工作效率，但它可能带来的风险不可忽视。最受欢迎的问题是数据隐私和安全性。 “大型模型的应用意味着处理大量的个人和公司数据，增加信息泄漏的风险。在欺诈活动被泄露后可能会非法获得客户信息，从而损害了银行声誉。”一些银行业内部人士这样做。告诉记者。
记者注意到，DeepSeek的隐私政策包括收集个人隐私数据，例如电子邮件地址，电话号码，击键模式等。最近，由于配置错误，DeepSeek的ClickSeek的Clickhouse数据库被暴露，从而导致敏感信息的泄漏。该数据库揭示了超过100万个记录，涵盖了高度敏感的信息，例如聊天记录，API键，操作日志等，并且由于未配置了身份验证机制，因此任何人都可以随意访问此数据。随后，DeepSeek受到意大利个人数据保护局的询问，并从App Store中删除。
上海杜安·海杜安（Heduan）律师事务所的律师律师事务所认为，各个国家的监管机构正在加强对大规模数据处理活动的监督，但确保管理系统可以有效响应合规性要求并不容易。在数据处理的完整生命周期中，AI的使用算法和轨道技术使合规性目标难以捉摸，并为大规模数据的治理带来了新的挑战。
“幻想”问题是另一个大挑战。记者注意到，一些用户发现DeepSeek严重“胡说八道”。例如，在生成学术纸质材料时，DeepSeek会产生不存在的材料，或者指向无关紧要的纸张。行业内部人士告诉记者，大型模型面临的“幻觉”问题的主要根源是培训数据的污染。
Tsinghua University计算机科学技术系教授Sun Maosong认为，尽管生成人工智能在产生光滑文本方面表现良好，但由于缺乏真正的理解，它可能会导致不准确的数据，甚至在数据稀缺或信息的情况下产生不正确的情况不清楚。假内容。 “幻想”可以在高精度任务中带来严重的局限性。
上述金融行业内部人士说，在金融领域，由于对数据准确性的要求非常高，需要确保模型的可解释性和严格的风险控制，因此金融机构在应用大型模型时通常会谨慎行事。
在北京大学情报学院的教授王利维（Wang Liwei）的角度来看，大型模型的“幻觉”现象是一种固有的特征。当前的大型模型主要是通过从大量数据中学习来建立其功能，并且本质上是一种基于统计的方法。由于该方法基于统计定律，而不是逻辑推理，因此无法确保输出结果100％准确。
“要解决这个问题，一方面，我们需要优化算法并从软件工程的角度提高数据质量，以提高大型模型的准确性；另一方面，我们还需要制定行业规范和行业规范和改善大型模型技术的法律和法规可以更安全，可靠地为经济和社会的发展提供服务。”一家大型国有银行金融技术业务部的人建议。