•
【DeepSeek】DeepSeek變革下，金融業的應對
Deepseek正以前所未有的速度滲透到各行各業，金融領域也不例外。
公開報導顯示，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家銀行宣佈完成Deepseek的本地化部署或測試。
例如，工商銀行通過“工銀智湧”大模型平台引入DeepSeek系列開源模型，並面向全行開放使用，建構了財報分析助手、AI財富管家等10余個場景；郵儲銀行在“小郵助手”中整合DeepSeek-V3和R1模型，應用於智能客服升級、遠端銀行最佳化、風控與反欺詐等場景；江蘇銀行完成DeepSeek-VL2多模態模型和輕量DeepSeek-R1推理模型的本地化部署，應用於智能合同質檢和自動化估值對帳。
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、銷售支援、理賠質檢、代理人培訓等，以及投研分析、資訊檢索、文件解析、輿情監測、產業鏈圖譜生成等數十個業務場景。
金融業，一直都被視為人工智慧應用落地速度最快、影響程度最大的行業。這可能與其業務屬性有關，金融業依靠高流動性、高槓桿的商業模式營運運作，新技術的變革對其競爭環境、競爭優勢、營運成本、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，從行業發展趨勢、技術變革走向，到個人應用實踐和應對衝擊的策略等方面，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首席資料諮詢專家、IBM 全球企業服務部巨量資料與分析中國區總經理、陽光保險集團 CDO，Teradata 中國區副總經理。
劉新海：資深人工智慧專家，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，並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、行業市場等方面，談談 DeepSeek 帶來了那些變化。我們又該如何適應和調整呢？
謝國忠：DeepSeek具有低成本、高性能和開放原始碼的特點，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 出現後，推動了千行百業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資料業務的朋友告訴我，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體，同時還需配備高水平的專業人才，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，金融行業從業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，並且免費，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，後來又下載了 kimi。這幾種模型各有特色，普通老百姓都能輕鬆使用。
第三，是端側應用的普及化。小參數模型通過蒸餾技術變小後，未來可以適配於各類端側裝置，比如手機、平板電腦、可穿戴裝置、智能眼鏡、智能家居、具身機器人等邊緣裝置都可以部署。
AI 在端側的應用想像空間巨大，比如保險公司建立了很多康養社區，關注大健康和老人護理。如果在康養社區裡部署能走路、能思考、能做動作的具身機器人，再灌入大模型後使其具備交流能力，能給老人提供建議、講笑話，還能即時離線服務，效果跟真人差不多，這極有可能帶動一個產業的發展。
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麼？
劉新海：我主要從三個方面說說它的優勢和獨特之處。
一，DeepSeek 在工程應用上的創新，大幅降低了推理模型的成本。這種創新不是技術方面的，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，做了很多工程上的最佳化。
推理模型跟前幾年 OPEN AI 推出的生成式（Generative）模型不同，後者主要是生成新的文字、圖像、音訊，依據是資料的分佈；而推理（Reasoning）模型則更類似於人，經過邏輯推理思考，去解決複雜問題，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。中國很多人春節的時候就開始用 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。現在 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，打破了美國矽谷的 AI 壟斷。科技進步是不斷迭代和最佳化的過程，AI 大模型時代技術的後發優勢明顯。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新的其他AI公司超越，這是行業發展的必然趨勢。
最近，得益於 DeepSeek 帶來的活力，DeepSeek開源，將很多技術細節公佈於眾，有利於行業的迭代最佳化，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，讓基於 AI 的第四次工業革命可以繼續推進。
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越感，喜歡小圈子壟斷所有好生意。雖然DeepSeek 也遭到一些網路攻擊，但整體來說，它帶來全球 AI 的良性競爭，激發了創意創新的活力。
2、DeepSeek在金融C端應用尚處於探索期，B端卻有眾多易落地場景，涵蓋智能客服、行銷助手、智能投顧、量化交易助手、投研市場分析等多個領域。
柏亮：結合現在金融業端側的線上線下影響，具體有那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像階段。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使用者端，會有安全和監管方面的風險。
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、監管放鬆後，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，裡面的智能裝置呢？
謝國忠：網點的攝影機、簽到、雙錄等裝置可以利用起來，改善智能對話，還可以給客戶一些產品推薦。但終端使用者側的裝置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位化做得比較好，在智能化應用上已經有一定成果，DeepSeek 會給銀行、保險、證券等金融業現有的應用帶來那些變化呢？
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，它可以處理大量文字資料，幫助生成交易策略，分析歷史資料並預測未來趨勢，還能自動生成報告。DeepSeek在金融行業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，大語言模型能夠支援多人對話、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、做文字分析，這是目前金融機構最重要的應用之一。
第二，行銷助手。利用大模型強大的語言處理和互動能力，對接金融機構業務系統，建構知識圖譜，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，不能代替核心業務，很多商業銀行都有這種應用。
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，連接後台業務系統進行產品推薦。
第四，量化交易助手。DeepSeek 可以協助量化投資與交易，通過文字處理、網際網路搜尋洞察市場情緒，建構情緒因子輔助交易決策，即時監測政策變化、企業公告等事件，通過語義理解觸發自動交易訊號，還能挖掘關聯因子最佳化量化模型。
第五，投研市場分析。DeepSeek 可以進行資訊檢索、文件處理、行業研究和趨勢研判，幫助撰寫投研報告。這是證券行業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（錄音和錄影），把語音轉成文字，再依據預定的關鍵詞、敏感詞或規則來判斷話務員是否違規，這就是語音質檢。現在有了大模型，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 可以連接後台資料庫，整合客戶多維資料，分析非結構化資料，建構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，營運管理。DeepSeek 具備程式碼編寫等功能，金融科技公司和銀行可以利用它進行內部 AI 辦公，建構內部知識庫，用於智能客服和中台營運管理，提高員工生產力和工作效率。
第九，合規管理。很多金融機構要做資訊披露，DeepSeek 可以幫助進行檔案檢查、制度解答、非結構化資料核對，確保符合監管要求。
但DeepSeek也不是萬能的，在原有機構的一些核心業務領域，它還難以介入，主要能力還是在文字內容生成方面。這九個大場景是最容易落地、增強、最佳化和重構的，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，如果問題不在預設範圍內就無法回答。有了 DeepSeek 這種大模型後，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建構知識圖譜，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於預設範圍，現在的大模型可以在更大範圍內理解文字和語言，還能聯網搜尋，資訊範圍和內容更廣更準確。
柏亮：劉老師在資料徵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。客服在金融領域很重要，一直在探索改進。我經常遇到有人問徵信和信貸問題，用 DeepSeek 等大模型回答會輕鬆很多，能給出 60% - 70% 精準或有用的資訊。
當然，大模型回答也存在不夠準確的問題，但它至少能節省一部分人力工作，目前的初期可以採用人機協作的模式。比如，簡單的問題由機器回答，複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，特別是在徵信和信貸問題處理上。這不僅能節省人力，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，數位化程度高，IT 和業務相對標準清晰，金融機構也願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節，包括銀行、證券、保險、理財、信託等，都會用到 AI，都會因 AI 發生改變。
DeepSeek 和其他AI 大模型就像作業系統，不能單一完成目前的工作，還需要具體的軟體和中介軟體來建構生態，每個環節都要進行 AI 改造和流程最佳化，使其標準化。比如，在我們團隊，研究助理往往把工作流程化後，研發團隊就可以用 DeepSeek 的模型實現自動化。目前，圍繞AI大模型，有很多現成的軟體和解決方案，但這是一個生態系統，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、規模大、市場主體多，但監管問題也多；證券是 AI 應用最深入的領域，演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，雖然數位化進展相對較慢，但未來後發優勢會很明顯。
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、管理、業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務，還涉及資料隱私、合規、倫理等問題；第三個層次是打造新的商業模式，這非常難，需要在熟練應用 AI、提高效率、改善產品服務、技術進步以及使用者增多、理解加深等多方面條件成熟後才有可能實現。
目前 AI 雖然發展不錯，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於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，可承擔大量基礎重複性工作，但很難替代高級、頂尖研究員和專業審計員。
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麼樣？會不會快速替代行業研究員？
劉新海：中低水平的行業研究員被替代的機率比較高。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帳本，以前審計這些部門需要上千人的團隊花費半年時間。這對審計行業是不是巨大的替代性衝擊？尤其是 DeepSeek 這樣的大模型應用後，審計、會計行業會不會受到很大影響？
謝國忠：我覺得這麼快查清楚帳本，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件、檔案等非結構化資料，但審計工作除了處理非結構化資料，還需要對接原始資料庫和交易記錄，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務規則，實現起來並不簡單。
劉新海：審計場景相比客服和行業研究更難替代。雖然 AI 可以提升審計效率，實現自動化重複性工作，最佳化風險評估和合規檢查，但審計工作需要專業判斷和解釋能力，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，由於對會議背景缺乏足夠的瞭解，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，個人徵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，很多觀眾問徵信方面，大模型能不能起到效果？
劉新海：先說企業徵信，企業徵信的資料來源很多是公開的，資料庫有時也可開放。企業徵信的基本版報告，我認為大模型基本都能自動化搞定，這樣可以讓徵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。
再看個人徵信，未來大模型在信用評分方面會有很大作用。目前開發信用評分的周期長、成本高，但用 DeepSeek 這類大模型，從資料處理、建模到分析，速度會非常快，能降本增效。
此外，大模型還能直接處理非結構化的巨量資料，以往我們需要把非結構化資料處理成結構化資料，現在可以直接將非結構化資料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 大模型後，個性化服務成為可能。我們可以設想把個人徵信報告上傳到類似DeepSeek這樣的模型裡，或者通過AI中間軟體/信用助理軟體，就能自動分析個人信用情況，查看是否存在問題。
中國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，消費者能清楚瞭解自己的信用狀況。中國個人徵信服務還在起步階段，面對個人信用報告有一百多項資料，消費者很難知道問題出在那裡。
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。使用者只需上傳個人徵信報告，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。
我覺得這會開闢一個新市場。在中國，面向個人消費者的徵信業務還有很大發展空間，美國徵信市場這部分業務佔比約 20%。隨著 DeepSeek 的出現，個人徵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，後來回國進入央行徵信中心，當時 AI 處於低谷期，但是巨量資料時代到來了，金融領域是巨量資料應用的豐富場景。
巨量資料面臨諸多難題，資料量龐大且類型繁雜，包含電信、社保、公積金等多種來源的非結構化資料，與傳統標準化、結構化的信貸資料差異很大，分析難度高，我自己的團隊和相關專家也一直在探索基於巨量資料的相關信用評估模型。現在有了DeepSeek，這些基於巨量資料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，都是因為資料量達到一定程度，技術進步，再加上模型模式的飛躍。這些模型的快速發展，很好地解決了巨量資料徵信的問題，我認為這一領域發展空間巨大，能為徵信行業的巨量資料應用帶來新的活力。
謝國忠：我還見到一個案例，中國某公司把和客戶相關的徵信報告拿到後，通過大語言模型進行解讀，衍生出多個變數，並利用這些變數做風險模型。用大模型解讀徵信報告，對使用者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徵信難度較大，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會大幅降低金融業數位化成本，縮小中小金融機構數字鴻溝，但人才培養和資料打通至關重要。
柏亮：大銀行或盈利多的銀行數位化投入大、水平高，中小銀行或其他金融機構存在 “數位化鴻溝”，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數位化成本，縮小中小金融機構與大型金融機構在數位化和技術上的差距？
謝國忠：肯定會的。中小金融機構以前根本不敢想像使用大模型，因為要購買輝達的算力，那怕買幾個最基礎的RTX4090，也是一筆不小的投入。比如，搭建一個企業版的 13B模型，成本也在百萬級以上。而且，買了硬體和軟體後，還需要專業人才進行部署、微調，並把內部的資料庫匯入進去才能使用，周期很長，技術也複雜。
對於中小銀行來說，不僅部署困難，還缺乏相關人才，並且金融機構對資料安全要求高，不能使用雲端服務，必須私有化部署，這對他們來說挑戰極大。現在 DeepSeek 出來後，成本很低，部署推理模型所需的硬體資源和軟體免費，開發也容易，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多，技術門檻大幅降低，以前需要很厲害的專業人才，現在經過簡單培訓就能上手使用。但原料（資料）也很重要，大銀行資料多、業務多，能基於這些資料進行建模，利用 DeepSeek 對產品和服務改進、打造商業模式更有優勢。
所以，中小銀行光靠 DeepSeek 還不夠，還需要配套制度層面的改變，比如開放銀行資料。不能讓大機構壟斷資料和技術，現在技術上的壟斷有所打破，但資料也要打通，這非常重要。
6、DeepSeek 給金融科技公司帶來衝擊和機遇，創新、專業、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，大模型研發投入大，真正投得起的公司較少。DeepSeek 出現，在人工智慧賽道上，小的金融科技公司只要專業，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成本會降低，有了這個好工具，能更好地進行創新和技術迭代。但技術門檻降低後，很多金融機構可能自己就能完成一些技術工作，金融科技公司由於不能掌握業務和資料資源，也會受到衝擊。
DeepSeek 讓金融科技公司不用在技術研發上耗費過多精力，可以把重點放在金融業務理解上。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務的理解，在此基礎上進行真正的創新和技術迭代。
這意味著金融科技公司如果想在未來生存，就要像歐美發達國家的金融科技公司一樣，走創新、專業、精細化路線。現在中國很多金融科技公司以行銷為主，業務雜而不精，缺乏優質的產品和服務。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衝擊的同時，也帶來了機遇，關鍵在於這些金融科技公司回歸創新的本質。
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資料上佔有很大優勢，比如招商銀行，科技人員有一萬多，搞人工智慧和演算法的就有 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，在大模型和演算法方面走在前列。這取決於金融機構的基因以及對外部合力和生態的利用。
7、在解決500-1000萬的銀行對公業務方面，DeepSeek潛力很大。銀行對公業務方面怎麼運用 DeepSeek，兩位有什麼想法和經驗？
謝國忠：銀行對公業務可能主要在信貸方面，利用 DeepSeek 進行背景調查、採集外部市場的非結構化資料，協助建模，在風控模型建構上也能發揮作用。
劉新海：目前對公業務面臨很多挑戰，對公信貸主要依靠人工，因為企業情況複雜，不同規模、類型的企業差異大，不符合大數定理，信用風險建模比較困難。
但有了大模型後，可以進行精細化建模，針對不同企業建立多個定製化信用評級模型。其次對公業務涉及的資料多元化，非結構化資料也多，AI大模型可以自動採集和處理企業資訊。
另外，企業風險維度多，傳統建模方式難以應對，大模型能提供更多幫助，對公業務在大模型應用上後發優勢明顯。比如銀行信貸經理主要處理 1000 萬以上的信貸業務，500 萬以下按小微企業用個人信用評分處理，500 萬到 1000 萬之間的對公業務比較尷尬，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會促進智能體發展，提升其資料處理能力，但最大的挑戰在於監管和合規，尤其是個人資料的使用。
柏亮：我們春節前採訪一些金融科技、人工智慧公司，大家都說 2025 年會大力發展智能體（agent）相關服務，智能體成為人工智慧領域的熱門話題。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後，會結合自身知識庫文件進行微調。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以及外部系統或其他流程，從而完成整個作業。
像豆包、百度千帆都有智能體開發平台，用起來很簡單，底層是大模型，只要把業務流程和文件庫灌進去，就能快速生成智能體，幫助完成特定任務。
不管有沒有 DeepSeek，智能體都是貫穿業務流程的重要模組，並且會發展得更快，還會通過多個智能體編排來完成更複雜的作業流程。
劉新海：2025 年被很多人認為是智能體（Agent）元年，DeepSeek 推理模型出來後，成本降低，會促進智能體發展，提升其資料處理能力。但我覺得智能體發展最大的挑戰在於監管和合規，尤其是個人資料的使用。
全球對個人資料使用限制都很嚴格，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），過去幾年對資料保護過度，影響了傳統金融機構和科技公司發展；罰款較多，得罪了華爾街大佬和矽谷科技權貴。川普上台後，讓馬斯克成立政府效率部，撤銷了這個機構，還引發了相關遊行。
這說明個人資料監管對智能體發展限制很大，只有解決個人資料流通和應用問題，智能體才能更好發展，否則技術再進步、業務理解再深入也沒用。
柏亮：資料過度流通面臨監管壓力和消費者保護問題，不流通業務又難以開展。馬斯克撤銷消費者保護局這種極端做法不可取，而歐洲的資料監管被認為過度嚴格，導致其在金融科技和人工智慧發展上落後於美國。在平衡資料流通和保護方面，有什麼建議和觀點？
謝國忠：我在個人資料流通方面研究不是很多，但現在有個趨勢是通過資料空間來解決問題。資料空間一方面可以保護資料隱私，另一方面能促進資料應用。國家資料局也在進行相關嘗試，也許通過資料空間能在資料流通和應用之間找到平衡，實現資料可追溯，保障資料安全。
9、金融和金融科技從業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、資料分析等，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。在金融科技和金融行業變化越來越快的情況下，從業人員該怎麼辦？是學習新東西、轉變思路還是改變工作模式？
謝國忠：確實衝擊比較大，在金融機構中，客服部門受到的衝擊最大。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。
營運部門，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，所有案子來了後要先預判，現在通過大模型和演算法，80% 的理賠可以自動計算完成，不需要那麼多人力。
面對這些挑戰，金融從業人員要擁抱時代，進行自我進化和學習。
對於業務人員，首先要主動學習新技術，比如人工智慧基礎知識，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，雖然金融業務知識很重要，但也要關注電腦等科技領域，培養跨學科思維；最後，要關心行業動態，瞭解合規要求，主動適應變化，考慮崗位轉換的可能性。
對於金融科技人員，要瞭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，比如利用其程式碼生成、文字生成、程式碼註釋等功能提高效率。最重要的是，要思考如何利用大模型推動金融機構的業務創新和改造，為機構發展做貢獻；也要關注行業動態，滿足安全合規要求，不斷提升自己。
柏亮：保險代理人會受到什麼影響？
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，幫助他們瞭解客戶、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，因為存在監管要求和幻覺等問題，責任重大。對於保險代理人來說，大模型可以作為工具，幫助其瞭解客戶需求，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：關於保險代理人，我也認為大模型是個利多消息。保險代理人積累的客戶網路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，幫助代理人更好地瞭解客戶和保險業務，解決客戶問題，只要用好這個工具就能提升服務質量。
對於金融從業者，大模型的出現確實影響很大。毫不誇張地說，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，大學學的很多知識都陳舊了，一半的知識對於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，瞭解 AI 的基本邏輯和知識，能做什麼不能做什麼，存在那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，也應該先瞭解這些框架知識和專業素養。
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》，希望能幫助大家更好地使用大模型，做個與時俱進、有專業價值的人。
就像馬車時代到汽車時代的轉變，當時很多馬車伕恐慌失業，但後來汽車行業創造了更多崗位，如維修工、造車工人等，工資更高、工作環境更好。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。 (零壹財經)