•
低成本、低門檻、高效能的優勢，加上開源策略支援本地私有化部署，讓DeepSeek在近期席捲金融科技圈，從國有大行、網際網路大廠金融科技公司到消費金融公司、第三方支付機構、上市金融科技企業紛紛宣佈接入DeepSeek，加入這場AI（人工智慧）應用大潮。
在這場AI狂歡裡，應看到DeepSeek開源版本與某些金融場景需求存在差距，大模型高並行推理對現有基礎設施壓力較大，且開源模型易受攻擊，資料介面需強化防護。此外，DeepSeek推理模型相對於通用模型會產生更大幻覺（即人工智慧在資訊處理和生成中的誤差或錯覺），是金融科技企業在AI落地過程中需要解決的另一個關鍵問題。
金融科技圈迎來DeepSeek時刻。2月20日，騰訊理財通宣佈正式接入DeepSeek-R1模型滿血版，同時支援騰訊混元大模型。升級接入DeepSeek後，騰訊理財通進一步整合專業金融資訊資料、微信公眾號文章等資源，金融服務專業性更強、時效性更高。
多家上市金融科技企業也在近日宣佈接入DeepSeek。奇富科技自主研發的大模型產品ChatBI在日前完成關鍵升級，通過與Deepseek-R1大模型的深度融合，最大化地結合了DeepSeek卓越的MOE（混合專家）模型和COT（思維鏈）推理能力優勢，顯著提升了ChatBI處理複雜資料分析任務的能力。
此外，信也科技自主研發的兩個大模型平台近日正式接入DeepSeek-R1，使得信也科技能夠提升大模型對於複雜問題的語義理解和處理能力，擴大大模型服務邊界，更有力地支援決策類場景。連連數字也在近日正式對外宣佈已完成DeepSeek大模型的私有化部署，結合自身的技術實力和DeepSeek的自然語言處理、推理等能力，連連數字已將DeepSeek應用到業務、研發、辦公等多個關鍵場景。繼去年5月引入DeepSeek－V2版本之後，近期樂信正式接入和部署了DeepSeek－R1版本，通過DeepSeek完善了本地化部署的、樂信專有大模型“奇點”AI大模型，在研發提效、內部工具、業務賦能等方面深入落地應用。
《國際金融報》記者瞭解到，目前多家消費金融公司通過自研智能平台接入DeepSeek。中原消費金融公司依託自研的智能化平台“元擎Matrix”引入DeepSeek－R1版本，在智能質檢、智能問答、意圖識別、提示詞編寫等場景進行探索應用。中郵消費金融公司將DeepSeek作為基座大模型之一，提供智能問答和智能程式設計輔助服務。中信消費金融公司基於自主研發的“信智”一站式大模型服務平台接入DeepSeek，並應用於智能質檢與知識庫檢索兩大業務場景。海爾消費金融公司已經部署了DeepSeek私有化版本，沉澱出海爾消金私有領域大模型，正在打通公域私域大小模型，接入智能體平台，開始全面賦能行銷、風險、貸後、客服、營運、研發、資料分析等多個場景。
優刻得董事長兼CEO季昕華告訴記者，DeepSeek性能比肩GPT核心模型，但訓練所需算力資源和資金投入更少，顯著降低了企業的技術門檻和經濟成本。DeepSeek開源策略支援地方政府和金融機構私有化部署，滿足國產化適配要求，吸引金融科技企業快速接入。相較於同類模型，DeepSeek的推理成本大幅降低，推動行業應用廣泛落地。
由於金融科技行業的特殊性，在接入DeepSeek時，資料安全與合規性備受關注。海爾消費金融首席資訊官梁樹峰對記者表示，DeepSeek開源版本隱私安全性與金融資料隱私保護需求存在差距，且大模型高並行推理對現有金融基礎設施還會產生較大壓力。此外，開源模型易受攻擊，資料介面須強化防護。
中郵消費金融科技發展部負責人朱威告訴記者，雖然DeepSeek降低了訓練和推理成本，但是大模型的資源需求還是較大的，同時由於金融行業嚴格的資料安全與合規性規定，消費金融企業在涉及資料安全的場景下需要採用私有部署的方式來降低合規風險。在GPU（圖形處理單元）資源有限的情況下，如何高效安全地使用DeepSeek模型成為各金融企業需要解決的問題。
針對大模型應用的潛在風險，梁樹峰認為，需要採取多維度防控：關於資料安全與隱私保護，可通過本地化部署核心模型，避免敏感資料外流；採用聯邦學習與同態加密技術，實現“資料可用不可見”。針對模型失真與合規風險，可建立模型監控體系，定期及時審計模型輸出偏差；嵌入監督模型及監管規則引擎，確保決策符合個人資訊保護法等要求。針對系統性風險傳導，應設計熔斷機制，當模型異常時自動切換至傳統系統；與行業聯盟共建風險預警平台，共享攻擊特徵與防禦方案。
朱威建議，一是選用參數規模合適的模型，將DeepSeek聚焦在需要複雜推理的應用場景，如資料分析、機器人決策等，並與其他大小模型相互結合，保證智能化服務質量；二是借鑑DeepSeek-R1的訓練方式，蒸餾更加細分的垂類模型以減少對GPU資源的需求；三是期望在合規前提下，行業推出可信的行業大模型金融雲，解決各企業的GPU資源瓶頸。
上海金融與發展實驗室首席專家、主任曾剛對記者分析指出，在資料安全和隱私保護方面，可以通過資料加密、脫敏處理和差分隱私技術，確保資料在傳輸和處理中的安全性。同時，支援本地化部署，避免資料外流，增強企業對資料的掌控力。此外，嚴格的存取控制和操作審計機制也能進一步保障資料安全。而在合規營運上，DeepSeek需符合歐盟的GDPR（《通用資料保護條例》）、美國的CCPA（《加州消費者隱私法案》）等資料保護法規和金融行業標準（如ISO27001資訊安全管理體系認證）。通過提供模型可解釋性工具，滿足監管對演算法透明度的要求，並定期進行模型審計和性能監控，確保合規性和風險可控。
DeepSeek系列模型以其出色表現迅速席捲金融科技圈，但“幻覺”問題依然是它面臨的一大挑戰。在Vectara HHEM人工智慧幻覺測試（行業權威測試，通過檢測語言模型生成內容是否與原始證據一致，從而評估模型的幻覺率，幫助最佳化和選擇模型）中，DeepSeek-R1顯示出14.3%的幻覺率。
“目前有待解決的是幻覺問題。”華泰證券科技與電子行業首席分析師黃樂平對記者直言，資料是金融企業的核心資源，使用OpenAI公司開發的閉源模型時，需要上傳私有資料，是金融行業使用大模型的主要痛點。DeepSeek開源，可以以更低的成本部署在金融企業自己的本地伺服器上，這解決了資料洩露的風險，為大模型在金融行業普及鋪平了道路。
朱威也指出，DeepSeek推理模型相對於通用模型會產生更大幻覺，這是消費金融企業在AI落地過程中需要解決的另一個主要問題。他建議，通過知識庫檢索增強生成（RAG）、領域微調、人工校驗等方式進行緩解，從而確保推理結果的精準性與可靠性。
針對大模型幻覺問題，曾剛建議，通過引入金融領域知識圖譜和規則庫，限制生成內容在可信範圍內；同時，通過高品質資料的監督微調最佳化模型表現，並結合結果驗證機制和人工稽核，確保輸出的精準性和可靠性。這種多層次的控制能夠有效降低幻覺風險，提升模型在金融場景中的可信度。 (國際金融報)