來源 | 零壹智庫

Deepseek正以前所未有的速度滲透到各行各業(yè)，金融領域也不例外。

公開報道顯示，包括工商銀行、建設銀行、微眾銀行、新網銀行、北京銀行、江蘇銀行等在內的約20家銀行宣布完成Deepseek的本地化部署或測試。

例如，工商銀行通過“工銀智涌”大模型平臺引入DeepSeek系列開源模型，并面向全行開放使用，構建了財報分析助手、AI財富管家等10余個場景；郵儲銀行在“小郵助手”中集成DeepSeek-V3和R1模型，應用于智能客服升級、遠程銀行優(yōu)化、風控與反欺詐等場景；江蘇銀行完成DeepSeek-VL2多模態(tài)模型和輕量DeepSeek-R1推理模型的本地化部署，應用于智能合同質檢和自動化估值對賬。

此外，上線DeepSeek大模型的保險和券商機構也均超過10家，應用場景更加豐富，包括日常管理、銷售支持、理賠質檢、代理人培訓等，以及投研分析、信息檢索、文檔解析、輿情監(jiān)測、產業(yè)鏈圖譜生成等數十個業(yè)務場景。

金融業(yè)，一直都被視為人工智能應用落地速度最快、影響程度最大的行業(yè)。這可能與其業(yè)務屬性有關，金融業(yè)依靠高流動性、高杠桿的商業(yè)模式運營運作，新技術的變革對其競爭環(huán)境、競爭優(yōu)勢、運營成本、風險控制等關鍵方面，都有著重大影響。

2月11日，零壹智庫邀請到邀請到兩位在金融行業(yè)深耕多年，且在理論、技術和實踐方面均具備資深經驗的嘉賓，共同深入探討DeepSeek給金融業(yè)帶來的變革，以及金融人如何快速做出反應。

兩位嘉賓圍繞多個關鍵話題，從行業(yè)發(fā)展趨勢、技術變革走向，到個人應用實踐和應對沖擊的策略等方面，分享了豐富的觀點和實用的建議。

訪談嘉賓：謝國忠：北京信用學會 AI 與信用科技的首席專家，歷任埃森哲大中華區(qū)首席數據咨詢專家、IBM 全球企業(yè)服務部大數據與分析中國區(qū)總經理、陽光保險集團 CDO，Teradata 中國區(qū)副總經理。

劉新海：資深人工智能專家，某金融聯合實驗室首席研究員，在世界一流的AI實驗室獲得博士學位，曾擔任北京大學金融智能研究中心主任助理，并且從北京大學成功孵化出AI團隊。

主持人：柏亮 零壹智庫CEO

1、DeepSeek帶來技術普惠，中小金融機構部署AI壓力大減，同時帶來全球 AI 的良性競爭。

柏亮：請兩位老師從金融應用視角、行業(yè)市場等方面，談談 DeepSeek 帶來了哪些變化。我們又該如何適應和調整呢？ 

謝國忠：DeepSeek具有低成本、高性能和開源的特點，這帶來了技術普惠，深刻影響了應用變革。對金融行業(yè)而言，這種變革主要體現在親民化、平民化、普及化三個方面。首先，是應用的親民化，中小金融機構也能應用大模型。過去，大模型價格高昂，讓人望而卻步。但 DeepSeek 出現后，推動了千行百業(yè)快速部署和應用大模型，金融機構也不例外。

很多在金融機構負責數據業(yè)務的朋友告訴我，在大模型出現及應用興起時，中小金融機構非常焦慮。因為按照監(jiān)管要求，大模型部署必須私有化（本地化部署），這就意味著中小金融機構不僅要購買 GPU 算力，還要購買大模型的許可和軟件，同時還需配備高水平的專業(yè)人才，負擔非常沉重。而 DeepSeek 價格便宜且開源，使得部署壓力大大減輕。

在DeepSeek 出現之前，AI 應用長期被巨頭、大廠和大型金融機構壟斷，現在逐步過渡到全民可部署、可開發(fā)階段。如此一來，AI 應用不再高高在上，逐漸走向親民化，這對中小金融機構意義非凡。

第二，是應用的平民化，金融行業(yè)從業(yè)人員和普通百姓都能使用。因為 DeepSeek 是一個推理模型，其思維方式與人類相近，并且免費，普通老百姓會用，也喜歡用，這促進了AI 平民化。就拿我自己來說，之前在手機上下載了豆包，后來又下載了 kimi。這幾種模型各有特色，普通老百姓都能輕松使用。

第三，是端側應用的普及化。小參數模型通過蒸餾技術變小后，未來可以適配于各類端側設備，比如手機、平板電腦、可穿戴設備、智能眼鏡、智能家居、具身機器人等邊緣設備都可以部署。

AI 在端側的應用想象空間巨大，比如保險公司建立了很多康養(yǎng)社區(qū)，關注大健康和老人護理。如果在康養(yǎng)社區(qū)里部署能走路、能思考、能做動作的具身機器人，再灌入大模型后使其具備交流能力，能給老人提供建議、講笑話，還能實時離線服務，效果跟真人差不多，這極有可能帶動一個產業(yè)的發(fā)展。

柏亮：請劉老師聊一下您這段時間觀測或體驗到的與DeepSeek有關的新變化，您覺得最大的變化是什么？

劉新海：我主要從三個方面說說它的優(yōu)勢和獨特之處。

一，DeepSeek 在工程應用上的創(chuàng)新，大幅降低了推理模型的成本。這種創(chuàng)新不是技術方面的，而是把目前很多 AI 大模型最先進的技術，比如 MOE 架構、自動強化學習進行整合，做了很多工程上的優(yōu)化。

推理模型跟前幾年 OPEN AI 推出的生成式（Generative）模型不同，后者主要是生成新的文本、圖像、音頻，依據是數據的分布；而推理（Reasoning）模型則更類似于人，經過邏輯推理思考，去解決復雜問題，進而提高模型的智能化水平。

第二，就像謝總所說，DeepSeek帶來 AI 大模型的親民化和群眾普及。國內很多人春節(jié)的時候就開始用 DeepSeek 做對聯，拜年等，特別是一些老齡人士，Deep Seek讓AI的上手門檻很低，只要有基本認知能力的人都能玩 AI 了。DeepSeek不僅在企業(yè)端普及，在消費者群體中的普及程度也很高；不僅在中國，在印度等新興市場國家，其下載量也很驚人�，F在 DeepSeek 的全球下載量已經超出了 ChatGPT，這是非常好的 AI 普及教育。

第三，DeepSeek 帶來全球 AI 的良性競爭，打破了美國硅谷的 AI 壟斷�？萍歼M步是不斷迭代和優(yōu)化的過程，AI 大模型時代技術的后發(fā)優(yōu)勢明顯。如果趕不上這一波，還可以趕下一波，DeepSeek 未來也可能被更具創(chuàng)新的其他AI公司超越，這是行業(yè)發(fā)展的必然趨勢。

最近，得益于 DeepSeek 帶來的活力，DeepSeek開源，將很多技術細節(jié)公布于眾，有利于行業(yè)的迭代優(yōu)化，OpenAI 的壟斷地位被打破，整個領域取得了很多新進展，很多全球大模型廠商都在不斷推出更好、更便宜、更有潛力的大模型服務和產品。這是一個激動人心的時代，讓基于 AI 的第四次工業(yè)革命可以繼續(xù)推進。

最近圖靈獎得主楊立昆在領英上說，某些圈子存在錯位的優(yōu)越感，喜歡小圈子壟斷所有好生意。雖然DeepSeek 也遭到一些網絡攻擊，但整體來說，它帶來全球 AI 的良性競爭，激發(fā)了創(chuàng)意創(chuàng)新的活力。

2、DeepSeek在金融C端應用尚處于探索期，B端卻有眾多易落地場景，涵蓋智能客服、營銷助手、智能投顧、量化交易助手、投研市場分析等多個領域。

柏亮：結合現在金融業(yè)端側的線上線下影響，具體有哪些方面的應用可能會因為 DeepSeek 產生變化？

謝國忠：端側應用目前還在想象階段。小參數模型通過蒸餾適配到手機端、PC 端、ATM 等還在進行中，但這無疑是未來的發(fā)展趨勢。

我覺得可能要分兩步走，第一步是在金融機構內部人員的 ipad、手機上應用，先在內部使用起來；第二步再面向最終客戶。因為金融機構還面臨很多問題，例如大模型現在還有幻覺問題，如果沒有解決就直接推到用戶端，會有安全和監(jiān)管方面的風險。

所以現在大家還在探索過程中，方向是明確的，但可能要分兩個階段。目前銀行內部可以先利用這個技術，等條件成熟，幻覺問題得到控制、監(jiān)管放松后，金融機構直接面客場景也可以使用大模型。

柏亮：像銀行的智能網點，里面的智能設備呢？

謝國忠：網點的攝像頭、簽到、雙錄等設備可以利用起來，改善智能對話，還可以給客戶一些產品推薦。但最終用戶側的設備大模型應用可能在第二個階段。

柏亮：現在很多大一點的銀行數字化做得比較好，在智能化應用上已經有一定成果，DeepSeek 會給銀行、保險、證券等金融業(yè)現有的應用帶來哪些變化呢？

謝國忠：金融機構在 AI 應用領域有很好的基礎， 20 多年前就有部分 AI 應用。DeepSeek有其獨特之處，它可以處理大量文本數據，幫助生成交易策略，分析歷史數據并預測未來趨勢，還能自動生成報告。DeepSeek在金融行業(yè)有很多容易落地的場景，我大概總結了九個：

第一，智能客服。目前在金融機構落地最多的是智能客服領域，大語言模型能夠支持多人對話、語義理解和情感智能分析，就可以幫助金融機構提升和改善服務質量。現在很多大模型應用都集中在智能客服上，因為大語言模型可以交流、做文本分析，這是目前金融機構最重要的應用之一。

第二，營銷助手。利用大模型強大的語言處理和交互能力，對接金融機構業(yè)務系統(tǒng)，構建知識圖譜，以自然語言方式為理財顧問、銷售經理提供知識服務。但它只是助手，不能代替核心業(yè)務，很多商業(yè)銀行都有這種應用。

第三，智能投顧。證券、銀行等金融機構利用大模型強大的自然語言處理能力和高性能推理能力，能更準確理解客戶意圖，挖掘潛在需求，連接后臺業(yè)務系統(tǒng)進行產品推薦。

第四，量化交易助手。DeepSeek 可以協助量化投資與交易，通過文本處理、互聯網搜索洞察市場情緒，構建情緒因子輔助交易決策，實時監(jiān)測政策變化、企業(yè)公告等事件，通過語義理解觸發(fā)自動交易信號，還能挖掘關聯因子優(yōu)化量化模型。

第五，投研市場分析。DeepSeek 可以進行信息檢索、文檔處理、行業(yè)研究和趨勢研判，幫助撰寫投研報告。這是證券行業(yè)廣泛應用的場景之一。

第六，語音質檢。金融機構的保險公司、銀行等有很多客服接電話，原來通過雙錄（錄音和錄像），把語音轉成文本，再依據預定的關鍵詞、敏感詞或規(guī)則來判斷話務員是否違規(guī)，這就是語音質檢�，F在有了大模型，語音質檢可以重構，因為大模型對自然語言處理、上下文理解以及關鍵詞篩選更準確，效果更好，是金融機構客服語音質檢能快速落地的重要場景。

第七，風險評估。DeepSeek 可以連接后臺數據庫，整合客戶多維數據，分析非結構化數據，構建更精準的風險評估模型，對客戶信用風險、市場風險進行更精準評估，助力風控工作，原有風控模型也能借此進一步增強。

第八，運營管理。DeepSeek 具備代碼編寫等功能，金融科技公司和銀行可以利用它進行內部 AI 辦公，構建內部知識庫，用于智能客服和中臺運營管理，提高員工生產力和工作效率。

第九，合規(guī)管理。很多金融機構要做信息披露，DeepSeek 可以幫助進行文件檢查、制度解答、非結構化數據核對，確保符合監(jiān)管要求。

但DeepSeek也不是萬能的，在原有機構的一些核心業(yè)務領域，它還難以介入，主要能力還是在文本內容生成方面。這九個大場景是最容易落地、增強、優(yōu)化和重構的，這是我的理解。

柏亮：有觀眾提問，我們使用銀行 APP 客服時，經常很難得到正確答案，最終不得不呼喚人工服務。DeepSeek 會對這類服務有較大改進嗎？

謝國忠：應該會有改進。原來的智能客服是把問題和答案預先灌在知識庫中，如果問題不在預設范圍內就無法回答。有了 DeepSeek 這種大模型后，情況會有所不同。它不僅可以理解語義和上下文，還會把知識庫內容灌進去構建知識圖譜，同時進行語義理解和智能對話。而且它知識面廣，回答會更流暢、更準確，未來在語義理解和客戶服務方面會有很大提升。原來的智能客服受限于預設范圍，現在的大模型可以在更大范圍內理解文本和語言，還能聯網搜索，信息范圍和內容更廣更準確。

柏亮：劉老師在數據征信風控領域經驗豐富，DeepSeek 帶來的變革對這些領域有很大改變嗎？現在是否已經開始落地應用？

劉新海：先補充一下剛才謝總說的客服問題�？头�在金融領域很重要，一直在探索改進。我經常遇到有人問征信和信貸問題，用 DeepSeek 等大模型回答會輕松很多，能給出 60% - 70% 準確或有用的信息。

當然，大模型回答也存在不夠準確的問題，但它至少能節(jié)省一部分人力工作，目前的初期可以采用人機協作的模式。比如，簡單的問題由機器回答，復雜的問題讓人來回答。相比之前，一個客服可以同時處理多個問題的接待，特別是在征信和信貸問題處理上。這不僅能節(jié)省人力，還能提升服務質量，是很好的應用場景。

再講講其他變革和影響，主要有三點。

第一，金融領域是 AI 最好的應用場景之一，數字化程度高，IT 和業(yè)務相對標準清晰，金融機構也愿意為有效果的技術買單。從歷史上看，先進技術往往先在金融領域應用。在金融領域的各個環(huán)節(jié)，包括銀行、證券、保險、理財、信托等，都會用到 AI，都會因 AI 發(fā)生改變。

DeepSeek 和其他AI 大模型就像操作系統(tǒng)，不能單一完成目前的工作，還需要具體的軟件和中間件來構建生態(tài)，每個環(huán)節(jié)都要進行 AI 改造和流程優(yōu)化，使其標準化。比如，在我們團隊，研究助理往往把工作流程化后，研發(fā)團隊就可以用 DeepSeek 的模型實現自動化。目前，圍繞AI大模型，有很多現成的軟件和解決方案，但這是一個生態(tài)系統(tǒng)，不能只依賴大模型解決所有實際問題。

第二，金融細分領域在對 AI大模型的應用情況不同，差別很大。銀行信貸是 AI 應用最廣泛的領域，場景豐富、規(guī)模大、市場主體多，但監(jiān)管問題也多；證券是 AI 應用最深入的領域，算法交易很早就開始應用，量化基金也有很好的應用場景（例如Deep Seek的母公司幻方科技就是一個量化投資公司）；保險是 AI 應用最具潛力的領域，雖然數字化進展相對較慢，但未來后發(fā)優(yōu)勢會很明顯。

第三，AI 在金融領域的應用可以分為三個層次：第一個層次提高工作效率，目前 DeepSeek 在這方面有進展，在金融研發(fā)、管理、業(yè)務等方面都有多種用法；第二個層次是改善產品和服務，這不僅需要深入理解業(yè)務，還涉及數據隱私、合規(guī)、倫理等問題；第三個層次是打造新的商業(yè)模式，這非常難，需要在熟練應用 AI、提高效率、改善產品服務、技術進步以及用戶增多、理解加深等多方面條件成熟后才有可能實現。

目前 AI 雖然發(fā)展不錯，但在金融領域目前還沒有出現爆款產品，像自動駕駛、用 AI 研究蛋白質等領域那樣的爆款應用。AI 在金融領域主要還是處于提升工作效率的階段，其他方面還需要時間積累和深入應用來推進。

3、DeepSeek 的推理模型達到中等專家水平，可承擔大量基礎重復性工作，但很難替代高級、頂尖研究員和專業(yè)審計員。

柏亮：謝謝劉老師，給出了一個理解和展望 DeepSeek 應用的框架。最基礎的層次是提高效率。有觀眾問，用大模型做行研效果怎么樣？會不會快速替代行業(yè)研究員？ 

劉新海：中低水平的行業(yè)研究員被替代的概率比較高。目前AI大模型測試結果顯示，DeepSeek 的推理模型基本達到中等專家水平的思考能力，初級行業(yè)研究員的工作基本可以被替代，但高級、頂尖的專家，大模型短時間內還很難替代。

謝國忠：我原來有同事在大券商公司，他們正在部署相關大模型。做行業(yè)報告時，大模型可以完成 50% 以上的基礎性工作，包括資料收集、分析等，能提高效率，在可靠性、全面性和深度方面都有很大提升，但目前還不能完全替代行業(yè)研究員。

柏亮：馬斯克用六個 AI 工程師在一個星期內就查出美國很多部門的賬本，以前審計這些部門需要上千人的團隊花費半年時間。這對審計行業(yè)是不是巨大的替代性沖擊？尤其是 DeepSeek 這樣的大模型應用后，審計、會計行業(yè)會不會受到很大影響？

謝國忠：我覺得這么快查清楚賬本，不太可能只用一個工具，可能是多種工具結合。大語言模型擅長處理文檔、文件等非結構化數據，但審計工作除了處理非結構化數據，還需要對接原始數據庫和交易記錄，可能還會用到其他工具，如RPA機器人。DeepSeek 這樣的大模型有幫助，但不是單個模型就能解決所有問題，應該是多個工具整合才能達到這種效果。而且審計涉及很多原始資料和業(yè)務規(guī)則，實現起來并不簡單。

劉新海：審計場景相比客服和行業(yè)研究更難替代。雖然 AI 可以提升審計效率，實現自動化重復性工作，優(yōu)化風險評估和合規(guī)檢查，但審計工作需要專業(yè)判斷和解釋能力，AI 在這方面還存在不足，對背景的理解也有限。比如讓 AI 寫一些重要工作會議總結，由于對會議背景缺乏足夠的了解，效果往往不盡人意。所以 AI 完全替代審計工作的可能性較小。

4、隨著 DeepSeek 的出現，個人征信的個性化服務將會興起，市場潛力巨大。

柏亮：有個和劉老師工作相關的問題，很多觀眾問征信方面，大模型能不能起到效果？

劉新海：先說企業(yè)征信，企業(yè)征信的數據源很多是公開的，數據庫有時也可開放。企業(yè)征信的基本版報告，我認為大模型基本都能自動化搞定，這樣可以讓征信機構的工作人員可以去深入現場調查，進行更具體的分類和細化工作。

再看個人征信，未來大模型在信用評分方面會有很大作用。目前開發(fā)信用評分的周期長、成本高，但用 DeepSeek 這類大模型，從數據處理、建模到分析，速度會非�？欤�能降本增效。

此外，大模型還能直接處理非結構化的大數據，以往我們需要把非結構化數據處理成結構化數據，現在可以直接將非結構化數據輸入到大模型進行處理。而且，大模型在欺詐模式識別方面，其非監(jiān)督學習能力很強，目前應用效果非常好。

還有一點，有了 DeepSeek 等 AI 大模型后，個性化服務成為可能。我們可以設想把個人征信報告上傳到類似DeepSeek這樣的模型里，或者通過AI中間軟件/信用助理軟件，就能自動分析個人信用情況，查看是否存在問題。

國內的信用體系和美國不同，美國有成熟的面向消費者的信用服務，有公開的信用評分產品，消費者能清楚了解自己的信用狀況。國內個人征信服務還在起步階段，面對個人信用報告有一百多項數據，消費者很難知道問題出在哪里。

現在，類似DeepSeek 這樣的模型有望成為個人信用助理，未來 C 端個性化服務會越來越好。用戶只需上傳個人征信報告，模型就能分析出問題，還能根據個人情況給出貸款、理財和風險方面的建議。

我覺得這會開辟一個新市場。在中國，面向個人消費者的征信業(yè)務還有很大發(fā)展空間，美國征信市場這部分業(yè)務占比約 20%。隨著 DeepSeek 的出現，個人征信的個性化服務將會興起，市場潛力巨大。

我之前從事 AI 工作，后來回國進入央行征信中心，當時 AI 處于低谷期，但是大數據時代到來了，金融領域是大數據應用的豐富場景。

大數據面臨諸多難題，數據量龐大且類型繁雜，包含電信、社保、公積金等多種來源的非結構化數據，與傳統(tǒng)標準化、結構化的信貸數據差異很大，分析難度高，我自己的團隊和相關專家也一直在探索基于大數據的相關信用評估模型�，F在有了DeepSeek，這些基于大數據的金融信貸分析問題未來會得到很大改善。

其實，本次 AI 的重大進展，像 DeepSeek、ChatGPT 等模型的出現，都是因為數據量達到一定程度，技術進步，再加上模型模式的飛躍。這些模型的快速發(fā)展，很好地解決了大數據征信的問題，我認為這一領域發(fā)展空間巨大，能為征信行業(yè)的大數據應用帶來新的活力。

謝國忠：我還見到一個案例，國內某公司把和客戶相關的征信報告拿到后，通過大語言模型進行解讀，衍生出多個變量，并利用這些變量做風險模型。用大模型解讀征信報告，對用戶來說是個很好的途徑，如果用 DeepSeek 可能會更簡單。

柏亮：很多人認為用大模型處理征信難度較大，它更多的是個性化問題。但兩位專家都比較樂觀，一方面已有較多應用案例；另一方面大模型解決個性化問題的能力也在不斷增強。

5、DeepSeek會大幅降低金融業(yè)數字化成本，縮小中小金融機構數字鴻溝，但人才培養(yǎng)和數據打通至關重要。

柏亮：大銀行或盈利好的銀行數字化投入大、水平高，中小銀行或其他金融機構存在 “數字化鴻溝”，因為資本、人才門檻高，投入困難。現在 DeepSeek 會不會大幅降低金融業(yè)數字化成本，縮小中小金融機構與大型金融機構在數字化和技術上的差距？

謝國忠：肯定會的。中小金融機構以前根本不敢想象使用大模型，因為要購買英偉達的算力，哪怕買幾個最基礎的RTX4090，也是一筆不小的投入。比如，搭建一個企業(yè)版的 13B模型，成本也在百萬級以上。而且，買了硬件和軟件后，還需要專業(yè)人才進行部署、微調，并把內部的數據庫導入進去才能使用，周期很長，技術也復雜。

對于中小銀行來說，不僅部署困難，還缺乏相關人才，并且金融機構對數據安全要求高，不能使用云端服務，必須私有化部署，這對他們來說挑戰(zhàn)極大�，F在 DeepSeek 出來后，成本很低，部署推理模型所需的硬件資源和軟件免費，開發(fā)也容易，確實實現了普惠，能在很大程度上拉平大型和小型金融機構的差距。當然，人才培養(yǎng)還是個問題，必須重視。

劉新海：DeepSeek 確實給中小金融機構帶來很多利好，技術門檻大幅降低，以前需要很厲害的專業(yè)人才，現在經過簡單培訓就能上手使用。但原料（數據）也很重要，大銀行數據多、業(yè)務多，能基于這些數據進行建模，利用 DeepSeek 對產品和服務改進、打造商業(yè)模式更有優(yōu)勢。

所以，中小銀行光靠 DeepSeek 還不夠，還需要配套制度層面的改變，比如開放銀行數據。不能讓大機構壟斷數據和技術，現在技術上的壟斷有所打破，但數據也要打通，這非常重要。

6、DeepSeek 給金融科技公司帶來沖擊和機遇，創(chuàng)新、專業(yè)、精細化路線才是未來生存之道。

柏亮：過去兩年，中小型金融科技公司生存越來越困難，大模型研發(fā)投入大，真正投得起的公司較少。DeepSeek 出現，在人工智能賽道上，小的金融科技公司只要專業(yè)，利用低成本的開源大模型服務，有沒有可能獲得更多機會？ 

劉新海：在金融科技領域，DeepSeek 的影響有利有弊。好處是金融科技公司的研發(fā)成本會降低，有了這個好工具，能更好地進行創(chuàng)新和技術迭代。但技術門檻降低后，很多金融機構可能自己就能完成一些技術工作，金融科技公司由于不能掌握業(yè)務和數據資源，也會受到沖擊。

DeepSeek 讓金融科技公司不用在技術研發(fā)上耗費過多精力，可以把重點放在金融業(yè)務理解上。大模型的跨學科能力很強，能幫助金融科技公司快速提升對金融業(yè)務的理解，在此基礎上進行真正的創(chuàng)新和技術迭代。

這意味著金融科技公司如果想在未來生存，就要像歐美發(fā)達國家的金融科技公司一樣，走創(chuàng)新、專業(yè)、精細化路線�，F在國內很多金融科技公司以營銷為主，業(yè)務雜而不精，缺乏優(yōu)質的產品和服務。目前在美國，投資 AI 金融科技公司時，投資人會關注其性能是否比現有技術提升幾倍以上，否則就不投資。

所以，DeepSeek 給金融科技公司帶來沖擊的同時，也帶來了機遇，關鍵在于這些金融科技公司回歸創(chuàng)新的本質。

謝國忠：金融科技公司可以分為兩類：一是各國有大行自己成立的金融科技公司，這是體制內的金融科技公司；還有一些民營企業(yè)性質的、非金融機構所屬的金融科技公司。

體制內的金融科技公司在資源和數據上占有很大優(yōu)勢，比如招商銀行，科技人員有一萬多，搞人工智能和算法的就有 300 多，再加上外圍人員，實力遠超普通金融科技公司。目前，一些體制內的金融科技公司會對外賦能，幫助中小金融機構提升科技水平，這是個好方向。

體制外的金融科技公司生存空間相對艱難，一些大項目會被體制內的金融科技公司拿走。體制外的金融科技公司必須找到垂直領域的應用點，實現突破。當然也有例外，比如新網銀行，規(guī)模較小，員工三四百人，其中 200 多人是科技人員，是科技驅動的金融機構，在大模型和算法方面走在前列。這取決于金融機構的基因以及對外部合力和生態(tài)的利用。

7、在解決500-1000萬的銀行對公業(yè)務方面，DeepSeek潛力很大。銀行對公業(yè)務方面怎么運用 DeepSeek，兩位有什么想法和經驗？

謝國忠：銀行對公業(yè)務可能主要在信貸方面，利用 DeepSeek 進行背景調查、采集外部市場的非結構化資料，協助建模，在風控模型構建上也能發(fā)揮作用。

劉新海：目前對公業(yè)務面臨很多挑戰(zhàn)，對公信貸主要依靠人工，因為企業(yè)情況復雜，不同規(guī)模、類型的企業(yè)差異大，不符合大數定理，信用風險建模比較困難。

但有了大模型后，可以進行精細化建模，針對不同企業(yè)建立多個定制化信用評級模型。其次對公業(yè)務涉及的數據多元化，非結構化數據也多，AI大模型可以自動采集和處理企業(yè)信息。

另外，企業(yè)風險維度多，傳統(tǒng)建模方式難以應對，大模型能提供更多幫助，對公業(yè)務在大模型應用上后發(fā)優(yōu)勢明顯。比如銀行信貸經理主要處理 1000 萬以上的信貸業(yè)務，500 萬以下按小微企業(yè)用個人信用評分處理，500 萬到 1000 萬之間的對公業(yè)務比較尷尬，人工處理成本高，用信用評分風險大，大模型在解決這類問題上潛力很大，值得深入探討。

8、DeepSeek會促進智能體發(fā)展，提升其數據處理能力，但最大的挑戰(zhàn)在于監(jiān)管和合規(guī)，尤其是個人數據的使用。

柏亮：我們春節(jié)前采訪一些金融科技、人工智能公司，大家都說 2025 年會大力發(fā)展智能體（agent）相關服務，智能體成為人工智能領域的熱門話題。智能體在金融領域的應用會不會因為 DeepSeek 的工程性變革變得更容易、普及更快？ 

謝國忠：智能體在金融機構中確實很重要。以前金融機構購買通用大模型后，會結合自身知識庫文檔進行微調。但銀行是流程驅動的，僅靠大模型無法解決所有問題，需要智能體來串通業(yè)務流程。比如完成一個任務分十步，智能體可以連接銀行內部各個系統(tǒng)以及外部系統(tǒng)或其他流程，從而完成整個作業(yè)。

像豆包、百度千帆都有智能體開發(fā)平臺，用起來很簡單，底層是大模型，只要把業(yè)務流程和文檔庫灌進去，就能快速生成智能體，幫助完成特定任務。

不管有沒有 DeepSeek，智能體都是貫穿業(yè)務流程的重要模塊，并且會發(fā)展得更快，還會通過多個智能體編排來完成更復雜的作業(yè)流程。

劉新海：2025 年被很多人認為是智能體（Agent）元年，DeepSeek 推理模型出來后，成本降低，會促進智能體發(fā)展，提升其數據處理能力。但我覺得智能體發(fā)展最大的挑戰(zhàn)在于監(jiān)管和合規(guī)，尤其是個人數據的使用。

全球對個人數據使用限制都很嚴格，中國更是如此，美國也不例外。美國有個消費者金融保護局（CFPB），過去幾年對數據保護過度，影響了傳統(tǒng)金融機構和科技公司發(fā)展；罰款較多，得罪了華爾街大佬和硅谷科技權貴。特朗普上臺后，讓馬斯克成立政府效率部，撤銷了這個機構，還引發(fā)了相關游行。

這說明個人數據監(jiān)管對智能體發(fā)展限制很大，只有解決個人數據流通和應用問題，智能體才能更好發(fā)展，否則技術再進步、業(yè)務理解再深入也沒用。

柏亮：數據過度流通面臨監(jiān)管壓力和消費者保護問題，不流通業(yè)務又難以開展。馬斯克撤銷消費者保護局這種極端做法不可取，而歐洲的數據監(jiān)管被認為過度嚴格，導致其在金融科技和人工智能發(fā)展上落后于美國。在平衡數據流通和保護方面，有什么建議和觀點？

謝國忠：我在個人數據流通方面研究不是很多，但現在有個趨勢是通過數據空間來解決問題。數據空間一方面可以保護數據隱私，另一方面能促進數據應用。國家數據局也在進行相關嘗試，也許通過數據空間能在數據流通和應用之間找到平衡，實現數據可追溯，保障數據安全。

9、金融和金融科技從業(yè)人員要積極擁抱時代，自我學習進化，善用大模型“利器”。

柏亮：DeepSeek 能做的事情越來越多，如審計、行研、數據分析等，對一些人來說工作效率提高了，但對另一些人來說可能面臨失業(yè)。在金融科技和金融行業(yè)變化越來越快的情況下，從業(yè)人員該怎么辦？是學習新東西、轉變思路還是改變工作模式？

謝國忠：確實沖擊比較大，在金融機構中，客服部門受到的沖擊最大。以前客服主要是接打電話，現在大語言模型能做語義理解、上下文分析，還有龐大的知識庫，很多客服工作可以被替代，客服人員壓力很大。

運營部門，比如保險公司的理賠部門也面臨較大壓力。理賠工作一般全國集中處理，所有案子來了后要先預判，現在通過大模型和算法，80% 的理賠可以自動計算完成，不需要那么多人力。

面對這些挑戰(zhàn)，金融從業(yè)人員要擁抱時代，進行自我進化和學習。

對于業(yè)務人員，首先要主動學習新技術，比如人工智能基礎知識，掌握 DeepSeek 的最佳使用方法；其次，在日常工作和生活中要積極使用新技術，通過實踐提高工作效率和全面性，積累經驗，提升自身能力；再者，要儲備跨學科知識，雖然金融業(yè)務知識很重要，但也要關注計算機等科技領域，培養(yǎng)跨學科思維；最后，要關心行業(yè)動態(tài)，了解合規(guī)要求，主動適應變化，考慮崗位轉換的可能性。

對于金融科技人員，要了解大模型的底層邏輯和技術結構，知識儲備越豐富越好；在項目中要積極使用大模型，比如利用其代碼生成、文本生成、代碼注釋等功能提高效率。最重要的是，要思考如何利用大模型推動金融機構的業(yè)務創(chuàng)新和改造，為機構發(fā)展做貢獻；也要關注行業(yè)動態(tài)，滿足安全合規(guī)要求，不斷提升自己。

柏亮：保險代理人會受到什么影響？

謝國忠：目前，大模型在金融領域主要作為金融機構內部人員的助手工具，比如理財經理、銷售經理使用，幫助他們了解客戶、進行產品推薦，提高工作效率。但大模型還不能直接面客使用，因為存在監(jiān)管要求和幻覺等問題，責任重大。對于保險代理人來說，大模型可以作為工具，幫助其了解客戶需求，進行產品知識庫整理和產品推薦，提高工作效率，但無法完全替代保險代理人。

劉新海：關于保險代理人，我也認為大模型是個利好消息。保險代理人積累的客戶網絡和經驗是大模型無法替代的，但大模型可以助力代理人提供更好的個性化服務，幫助代理人更好地了解客戶和保險業(yè)務，解決客戶問題，只要用好這個工具就能提升服務質量。

對于金融從業(yè)者，大模型的出現確實影響很大。毫不夸張地說，現在一半人的工作大模型都能做，甚至教育體系也面臨挑戰(zhàn)，大學學的很多知識都陳舊了，一半的知識對于AI時代是無用的。但我們不用恐慌，要與時俱進，擁抱大模型。

首先，要有 AI 素養(yǎng)，了解 AI 的基本邏輯和知識，能做什么不能做什么，存在哪些紅線和倫理問題等；甚至很多機構很多領導在推動機構上大模型項目時，也應該先了解這些框架知識和專業(yè)素養(yǎng)。

其次，要把 AI 大模型用起來，目前AI大模型的使用門檻很低，有認知能力的人都可以使用，同時根據自己工作和生活的需要，把相關的AI工具（AI大模型的下游應用層面）也要用起來。我們和謝總、零壹財經準備合作編寫一個《DeepSeek大模型使用指南和基礎素養(yǎng)》，希望能幫助大家更好地使用大模型，做個與時俱進、有專業(yè)價值的人。

就像馬車時代到汽車時代的轉變，當時很多馬車夫恐慌失業(yè)，但后來汽車行業(yè)創(chuàng)造了更多崗位，如維修工、造車工人等，工資更高、工作環(huán)境更好。所以，大家要積極擁抱大模型，讓AI成為我們工作和生活中的利器。

-End-

       原文標題 : DeepSeek變革下，金融業(yè)的應對