中小银行探索大模型布局应用

今年以来，中国人工智能平台深度求索（DeepSeek）在各行各业持续引发关注，在金融领域同样掀起波澜。目前，多家银行已进行了DeepSeek系列大模型本地化部署，逐步释放其在金融领域的应用潜力。

此前，成本高昂一直是制约人工智能大模型普及应用的关键问题。尽管金融行业有着相对充足的资金支持，但动辄上千万元的训练成本仍使不少金融机构望而却步。曾有业内人士担忧，如果训练成本进一步上涨，金融领域能坚持做人工智能大模型的厂商可能不超过10家。不仅如此，人工智能大模型可能会加剧金融机构之间的两极分化，资源雄厚的大型银行快速抢占技术高地，中小银行恐无法跟上步伐。对此，中小银行亟需寻找突破口，弥合与大型银行之间的技术差距。

记者了解到，高性能、低成本是DeepSeek的核心优势，这一优势精准契合了当下中小银行降本增效的迫切需求。披露信息显示，DeepSeek在保持高性能的同时可将训练成本压缩至传统大模型的十分之一，这一突破为中小银行提供了弥合技术差距的契机。招联首席研究员、上海金融与发展实验室副主任董希淼表示，DeepSeek融合多模态数据处理、知识图谱构建、智能决策引擎，特别是低算力消耗带来的低成本优势，部署应用更具灵活性，更适配中小银行实际，可能降低中小银行应用大模型的门槛和成本。

与此同时，开源也是中小银行青睐DeepSeek的重要因素。以往在技术壁垒高筑的闭源生态中，中小银行要受制于外部服务商的技术更新节奏和定制化限制。过去，通用大模型也常常因“广而不精”饱受诟病，难以满足金融行业对专业化、定制化的需求，在核心业务中往往发挥不尽如人意。如今，开源的DeepSeek为中小银行提供了新的技术选择。银行可以基于DeepSeek的开源框架进行二次开发，快速上线反欺诈、资产估值等定制化应用。开源大幅降低了技术门槛，缩短了研发周期，对创新效率的提升也带来了极大帮助。长期来看，中小银行会逐步迈向“开源+微调”的新模式，减少对外部大模型服务商的过度依赖。通过共享DeepSeek的衍生模型，中小银行能够有效缩小与大型银行之间的技术鸿沟，这种转变将有助于推动金融行业均衡发展，促进行业内良性竞争。

尽管中小银行看到了技术革新的曙光，但DeepSeek也存在一些人工智能大模型所面临的共性问题。例如，合规挑战、数据安全、隐私保护，依然是金融机构在应用人工智能技术时必须直面的难题。“人工智能大模型在提升金融机构运营效率和服务质量的同时，也面临新的问题需要解决。”中国邮政储蓄银行研究员娄飞鹏表示，人工智能大模型往往基于历史数据进行分析推理，由于模型设计、训练数据等存在缺陷，可能出现路径依赖，存在AI幻觉等问题。简而言之，DeepSeek虽然脑子转得快，但对金融领域来说，仍需要进一步提升模型的可靠性与准确性，避免因内容偏差导致错误决策，造成资金损失。

如何在技术进步与风险防控之间找到平衡点，将是金融机构在应用人工智能技术过程中的关键议题。一方面，DeepSeek的开源、高性能、低成本为中小银行提供了前所未有的技术赋能机遇；另一方面，中小银行还需要在数据治理、合规框架和风险控制上投入更多资源，确保人工智能技术的安全可靠应用。