在數(shù)字化時(shí)代，金融行業(yè)正經(jīng)歷深刻變革，金融大模型作為人工智能（AI）與金融科技結(jié)合的前沿技術(shù)，正在重塑行業(yè)格局。顯然，大模型已經(jīng)成為推動(dòng)產(chǎn)業(yè)創(chuàng)新和釋放新質(zhì)生產(chǎn)力的關(guān)鍵驅(qū)動(dòng)力。尤其在數(shù)字金融蓬勃發(fā)展的當(dāng)下，通過深度賦能金融科技，大模型正在顯著提升金融服務(wù)實(shí)體經(jīng)濟(jì)的效率和質(zhì)量，為經(jīng)濟(jì)高質(zhì)量發(fā)展注入新的活力。

2025年被視為AI技術(shù)普及與行業(yè)融合的關(guān)鍵節(jié)點(diǎn)，DeepSeek系列大模型憑借其強(qiáng)大的功能和廣泛的應(yīng)用前景，迅速在金融行業(yè)走紅。銀行、證券、保險(xiǎn)等金融機(jī)構(gòu)紛紛接入該大模型，以提升自身的數(shù)字化水平和服務(wù)效率。

然而，隨著應(yīng)用場(chǎng)景的不斷拓展，大模型的局限性也逐漸暴露。AI大模型的“幻覺”現(xiàn)象，即生成的信息與實(shí)際情況不符或缺乏可靠依據(jù)，正引發(fā)行業(yè)的高度關(guān)注。大模型在一些關(guān)鍵業(yè)務(wù)環(huán)節(jié)的表現(xiàn)并不如預(yù)期，甚至需要大量人工干預(yù)來保證結(jié)果的可靠性。

盡管如此，金融機(jī)構(gòu)在金融科技領(lǐng)域的投入仍在持續(xù)增加。據(jù)Wind數(shù)據(jù)統(tǒng)計(jì)，2024年國(guó)有六大行在金融科技領(lǐng)域的投入合計(jì)達(dá)到1254.59億元，較上年末增長(zhǎng)約2%。然而，部分銀行的投入并未獲得預(yù)期回報(bào)，出現(xiàn)了“高投入、低產(chǎn)出”的現(xiàn)狀，這成為金融機(jī)構(gòu)面臨的重大挑戰(zhàn)。

與此同時(shí)，金融機(jī)構(gòu)也在積極探索解決方案，以應(yīng)對(duì)大模型的“幻覺”問題。RAG（搜索增強(qiáng)生成）技術(shù)、高質(zhì)量指令參數(shù)數(shù)據(jù)集、定制化訓(xùn)練與場(chǎng)景優(yōu)化等方法正在被廣泛采用。此外，智能體（Agent）技術(shù)的興起也為金融機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型帶來了新的機(jī)遇。

大模型在金融領(lǐng)域“狂飆”

在數(shù)字化浪潮的推動(dòng)下，金融行業(yè)與科技的深度融合已成為必然趨勢(shì)。這種融合本身具有天然的契合性。一方面，金融行業(yè)高度依賴數(shù)據(jù)驅(qū)動(dòng)的決策和高效的業(yè)務(wù)流程；另一方面，科技的不斷創(chuàng)新為金融行業(yè)提供了強(qiáng)大的工具和解決方案。

DeepSeek系列大模型在春節(jié)前后迅速走紅，銀行等金融機(jī)構(gòu)紛紛接入該大模型，以提升自身的數(shù)字化水平和服務(wù)效率。DeepSeek大模型的接入已成為今年金融領(lǐng)域一個(gè)無法回避的熱門話題。

事實(shí)上，在近期舉行的2024年業(yè)績(jī)發(fā)布會(huì)上，多家商業(yè)銀行已表示，DeepSeek大模型已成功部署并運(yùn)行于行內(nèi)系統(tǒng)，廣泛應(yīng)用于智慧辦公、智慧營(yíng)銷等場(chǎng)景，取得了顯著成效。

在談及人工智能模型部署時(shí)，工商銀行副行長(zhǎng)張守川表示，近期工行已率先實(shí)現(xiàn)DeepSeek大模型的私有化部署，并成功融入“工銀智涌”大模型矩陣體系，進(jìn)一步拓展了工行新質(zhì)生產(chǎn)力的布局。

農(nóng)業(yè)銀行也在積極推進(jìn)相關(guān)工作。據(jù)農(nóng)業(yè)銀行行長(zhǎng)王志恒介紹，該行已成功完成DeepSeek全系列大模型的行內(nèi)部署與運(yùn)行，并在智慧辦公、智慧營(yíng)銷等多個(gè)領(lǐng)域進(jìn)行了深度應(yīng)用，目前應(yīng)用效果顯著。

中國(guó)銀行副行長(zhǎng)蔡釗表示：“中國(guó)銀行已完成DeepSeek-R1模型的內(nèi)部部署，并基于行內(nèi)數(shù)據(jù)進(jìn)行推理和調(diào)優(yōu)。目前，該模型已向行內(nèi)員工開放，用于探索應(yīng)用場(chǎng)景，并在營(yíng)銷助手、遠(yuǎn)程銀行、授信報(bào)告生成等多個(gè)場(chǎng)景中深入推進(jìn)應(yīng)用。”

今年2月，建設(shè)銀行完成金融大模型的私有化部署，覆蓋全集團(tuán)超半數(shù)員工、46個(gè)業(yè)務(wù)領(lǐng)域及200多個(gè)場(chǎng)景，顯著提升效率和質(zhì)量，有效控制風(fēng)險(xiǎn)。郵儲(chǔ)銀行的“郵智”大模型引入DeepSeek能力，在多模態(tài)處理、多任務(wù)執(zhí)行、算力優(yōu)化和效能提升等方面顯著增強(qiáng)，推動(dòng)金融大模型行業(yè)應(yīng)用。

大行在積極推進(jìn)的同時(shí)，股份制銀行和城商行也在加速引入DeepSeek。招商銀行首席信息官周天虹表示：“招商銀行高度重視大模型技術(shù)。DeepSeek的R1和V3模型推出后不久，我們就在招行的私有云環(huán)境中完成了全尺寸模型的部署，并且構(gòu)建了模型的后訓(xùn)練能力，能夠針對(duì)金融場(chǎng)景的特殊需求對(duì)模型進(jìn)行微調(diào)。”

浙商銀行管理層也在業(yè)績(jī)會(huì)現(xiàn)場(chǎng)表示，該行成立金融科技研究院，開展大模型、數(shù)字人、量子技術(shù)等新技術(shù)研究應(yīng)用，推進(jìn)大模型通用產(chǎn)品建設(shè)，集成智能問答、公文寫作等能力。目前，浦發(fā)銀行、平安銀行、北京銀行、江蘇銀行等多家銀行已紛紛宣布引入DeepSeek大模型，并積極探索相關(guān)應(yīng)用。

公募基金行業(yè)也在加速引入人工智能大模型技術(shù)，包括匯添富、富國(guó)基金、諾安基金在內(nèi)的十余家頭部公募機(jī)構(gòu)已宣布完成DeepSeek大模型的部署。其中，匯添富基金率先完成DeepSeek系列開源模型的私有化部署，并將其深度應(yīng)用于投資研究、產(chǎn)品銷售、風(fēng)控合規(guī)、客戶服務(wù)等核心業(yè)務(wù)環(huán)節(jié)。

在保險(xiǎn)業(yè)，多家頭部保險(xiǎn)機(jī)構(gòu)加速應(yīng)用人工智能大模型技術(shù)。例如，中國(guó)平安通過全面數(shù)字化轉(zhuǎn)型工程，進(jìn)一步深化大數(shù)據(jù)開源平臺(tái)的融合與部署，致力于構(gòu)建“綜合金融+醫(yī)療養(yǎng)老”生態(tài)圈，同時(shí)以技術(shù)創(chuàng)新驅(qū)動(dòng)金融主業(yè)提質(zhì)增效。

證券行業(yè)數(shù)字化轉(zhuǎn)型步伐同步加快，國(guó)泰君安、國(guó)金證券、廣發(fā)證券、興業(yè)證券、國(guó)元證券、華福證券等多家頭部券商相繼官宣，已完成DeepSeek-R1模型的本地化部署。

大模型技術(shù)的火爆推動(dòng)信托行業(yè)加速入局，包括上海國(guó)際信托、華鑫信托、中建投信托、陸家嘴信托、長(zhǎng)安信托、華能信托、中鐵信托在內(nèi)的多家信托公司相繼完成DeepSeek大模型的部署。

全面部署大模型：提升效率、縮小技術(shù)鴻溝

在2024年年報(bào)中，人工智能、大模型、算力、算法和數(shù)據(jù)體系等關(guān)鍵詞頻現(xiàn)，成為年報(bào)中的“熱詞”，從側(cè)面反映出行業(yè)趨勢(shì)。與此同時(shí)，AI技術(shù)正從外圍服務(wù)領(lǐng)域向核心業(yè)務(wù)領(lǐng)域滲透，其應(yīng)用場(chǎng)景和影響力持續(xù)擴(kuò)大。這一趨勢(shì)在金融機(jī)構(gòu)的實(shí)踐中尤為明顯，各大銀行紛紛加速AI技術(shù)的落地與應(yīng)用。

例如，工商銀行在金融大模型的規(guī)模化應(yīng)用方面取得了突破性進(jìn)展，成功構(gòu)建了企業(yè)級(jí)千億級(jí)金融大模型技術(shù)體系“工銀智涌”，覆蓋20多個(gè)核心業(yè)務(wù)領(lǐng)域及200多個(gè)應(yīng)用場(chǎng)景，累計(jì)調(diào)用量已突破10億次。再比如，招商銀行的2024年年報(bào)中，“智能”“AI”“大模型”等人工智能相關(guān)詞匯累計(jì)出現(xiàn)超過100次，凸顯了其對(duì)AI技術(shù)的高度關(guān)注與深度應(yīng)用。

隨著DeepSeek大模型技術(shù)的推出，中小金融機(jī)構(gòu)有望憑借其強(qiáng)大的推理能力、高效的計(jì)算性能以及較低的推理成本，突破數(shù)字化轉(zhuǎn)型瓶頸，加速在金融科技賽道上的發(fā)展進(jìn)程。而從技術(shù)角度來看，DeepSeek-V3大模型在訓(xùn)練效率和成本控制上的優(yōu)勢(shì)，使其成為金融機(jī)構(gòu)的理想選擇。

據(jù)浙商證券研報(bào)，DeepSeek-V3大模型在訓(xùn)練效率和成本控制上表現(xiàn)優(yōu)異。其訓(xùn)練耗時(shí)不到280萬GPU小時(shí)，遠(yuǎn)低于Meta的Llama3-405B模型（3080萬GPU小時(shí)）。訓(xùn)練成本方面，DeepSeek-V3僅需約557.6萬美元，而OpenAI的GPT-4訓(xùn)練成本高達(dá)數(shù)億美元。這顯示DeepSeek-V3在訓(xùn)練效率和成本優(yōu)化上具有顯著優(yōu)勢(shì)，為大模型的商業(yè)化應(yīng)用提供了高性價(jià)比。這種高性價(jià)比的解決方案，為中小金融機(jī)構(gòu)跨越“技術(shù)鴻溝”提供了有力支持。

上海金融與發(fā)展實(shí)驗(yàn)室主任、首席專家曾剛指出，DeepSeek大模型憑借其較低的訓(xùn)練成本和高效的技術(shù)特性，為中小銀行跨越“技術(shù)鴻溝”提供了高性價(jià)比的解決方案。具體而言，中小銀行可根據(jù)自身業(yè)務(wù)需求靈活調(diào)整DeepSeek模型的參數(shù)與功能，實(shí)現(xiàn)精準(zhǔn)適配。此外，DeepSeek的“開箱即用”能力使中小銀行無需巨額研發(fā)投入即可快速部署大模型技術(shù)。

在數(shù)字化浪潮席卷金融行業(yè)的背景下，金融機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型已不再是選擇題，而是關(guān)乎生存與發(fā)展的必答題和搶答題。招聯(lián)首席研究員、上海金融與發(fā)展實(shí)驗(yàn)室副主任董希淼指出，金融機(jī)構(gòu)若想在數(shù)字金融領(lǐng)域?qū)崿F(xiàn)突破，必須深度運(yùn)用以大模型為代表的生成式人工智能（GAI）技術(shù)，將其作為推動(dòng)數(shù)字化轉(zhuǎn)型的核心引擎。

“幻覺”問題：人工智能仍靠“人工”

隨著人工智能技術(shù)在金融領(lǐng)域的深度滲透，AI大模型的“幻覺”現(xiàn)象正引發(fā)行業(yè)的高度關(guān)注。所謂“幻覺”，是指AI大模型生成的信息與實(shí)際情況不符，或者缺乏可靠依據(jù)。在金融領(lǐng)域，這種現(xiàn)象可能導(dǎo)致嚴(yán)重的誤導(dǎo)性信息傳播，進(jìn)而引發(fā)潛在風(fēng)險(xiǎn)。

具體來看，這種“幻覺”現(xiàn)象在實(shí)際業(yè)務(wù)場(chǎng)景中已經(jīng)帶來了諸多問題。例如，在銀行對(duì)貸款申請(qǐng)人進(jìn)行信貸審核時(shí)，大模型可能會(huì)錯(cuò)誤評(píng)估申請(qǐng)人的資質(zhì)，導(dǎo)致拒絕貸款或批準(zhǔn)的額度低于實(shí)際需求等情況；又如，在金融機(jī)構(gòu)員工利用大模型生成工作相關(guān)材料時(shí)，DeepSeek可能會(huì)生成不存在的信息，或者提供與主題無關(guān)的參考內(nèi)容。業(yè)內(nèi)人士在接受記者采訪時(shí)表示，大模型目前出現(xiàn)的“幻覺”問題，其主要根源在于訓(xùn)練數(shù)據(jù)存在質(zhì)量問題，即數(shù)據(jù)被“污染”。

而從學(xué)術(shù)界的分析來看，這種“幻覺”現(xiàn)象的成因更為復(fù)雜。清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系教授孫茂松指出，雖然生成式人工智能在生成連貫流暢的文本方面表現(xiàn)出色，但由于其缺乏真正的理解能力，當(dāng)面對(duì)數(shù)據(jù)不足或信息模糊的情況時(shí)，很容易生成不準(zhǔn)確甚至虛假的內(nèi)容。這種“幻覺”現(xiàn)象在對(duì)精度要求較高的任務(wù)中可能會(huì)帶來嚴(yán)重的限制。

北京大學(xué)智能學(xué)院教授王立威認(rèn)為，大模型的“幻覺”現(xiàn)象是其內(nèi)在特性之一。目前的大模型主要通過從海量數(shù)據(jù)中學(xué)習(xí)來構(gòu)建自身能力，其本質(zhì)是一種基于統(tǒng)計(jì)的方法。由于這種方法依賴于統(tǒng)計(jì)規(guī)律，而非邏輯推理，因此無法確保輸出結(jié)果完全準(zhǔn)確。

為應(yīng)對(duì)這一挑戰(zhàn)，金融機(jī)構(gòu)和科技企業(yè)正在積極探索解決方案。記者了解到，目前，金融領(lǐng)域的解決方案主要圍繞RAG（搜索增強(qiáng)生成）、高質(zhì)量指令參數(shù)數(shù)據(jù)集、結(jié)合格式化數(shù)據(jù)和計(jì)算能力進(jìn)行優(yōu)化。其中，RAG技術(shù)被認(rèn)為是提升大模型準(zhǔn)確性的有效手段之一。

“RAG技術(shù)可以通過改變提示的方式，有效提高回答的準(zhǔn)確性。”華院計(jì)算董事長(zhǎng)宣曉華對(duì)記者表示，大模型主要依賴歸納法進(jìn)行學(xué)習(xí)和生成，在微調(diào)階段，如果使用高質(zhì)量的數(shù)據(jù)集，且該數(shù)據(jù)集能夠全面覆蓋所屬領(lǐng)域的各個(gè)方面，那么大模型的可靠性也會(huì)得到顯著提升。

某大型外資銀行科技部門人士對(duì)記者表示，數(shù)據(jù)是AI大模型的基礎(chǔ)，質(zhì)量直接影響模型的準(zhǔn)確性和可靠性，采用RAG技術(shù)，讓AI在回答問題時(shí)能夠?qū)崟r(shí)調(diào)用專業(yè)領(lǐng)域的知識(shí)和數(shù)據(jù)，從而提高輸出的準(zhǔn)確性和可靠性。

定制化訓(xùn)練與場(chǎng)景優(yōu)化也是金融機(jī)構(gòu)在去“幻覺”化中常用的辦法。金融機(jī)構(gòu)通過定制化訓(xùn)練，針對(duì)特定業(yè)務(wù)場(chǎng)景優(yōu)化AI模型。例如，寧波銀行接入DeepSeek大模型后，通過業(yè)務(wù)人員的微調(diào)訓(xùn)練和專業(yè)語(yǔ)料庫(kù)支持，嘗試降低“幻覺”問題。富國(guó)基金則通過將大語(yǔ)言模型應(yīng)用于量化投資決策，利用情緒因子等技術(shù)提升業(yè)務(wù)效率。

上海人工智能研究院算法專家陸文韜認(rèn)為，為了能有效避免AI大模型生成錯(cuò)誤結(jié)果、產(chǎn)生“幻覺”，從技術(shù)實(shí)現(xiàn)角度應(yīng)該注意三個(gè)方面問題，一是確保訓(xùn)練數(shù)據(jù)的高質(zhì)量和多樣性至關(guān)重要，二是調(diào)整模型架構(gòu)與訓(xùn)練策略，三是完善實(shí)時(shí)監(jiān)控與反饋機(jī)制。

此外，智能體（Agent）技術(shù)的興起也為金融機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型帶來了新的機(jī)遇。2025年以來，智能體（Agent）已成為人工智能領(lǐng)域備受矚目的新方向。據(jù)Research and Markets預(yù)測(cè)，AI智能體市場(chǎng)規(guī)模將從2024年的51億美元增長(zhǎng)至2030年的471億美元，年均復(fù)合增長(zhǎng)率達(dá)到44.8%。

金融機(jī)構(gòu)正通過技術(shù)創(chuàng)新，努力提升業(yè)務(wù)效率，優(yōu)化用戶體驗(yàn)，并探索差異化、特色化的發(fā)展路徑。例如，某銀行消費(fèi)金融中心通過引入視頻作業(yè)機(jī)器人，已實(shí)現(xiàn)90%的貸款面簽業(yè)務(wù)遠(yuǎn)程辦理，年放款金額超過350億元。業(yè)內(nèi)人士指出，這種技術(shù)應(yīng)用不僅提升了業(yè)務(wù)效率，還顯著降低了運(yùn)營(yíng)成本，為金融機(jī)構(gòu)的智能化升級(jí)提供了有力支持。

“高投入、低產(chǎn)出”：實(shí)際效果待考

盡管AI大模型在金融行業(yè)被寄予厚望，但“幻覺”現(xiàn)象的存在使其實(shí)際應(yīng)用效果與預(yù)期仍存在顯著差距。隨著應(yīng)用場(chǎng)景的不斷拓展，大模型應(yīng)用的局限性也逐漸暴露，往往需要大量人工干預(yù)來保證結(jié)果的可靠性。

從金融機(jī)構(gòu)內(nèi)部員工的實(shí)際反饋來看，某大型銀行內(nèi)部員工向記者表示，AI系統(tǒng)在實(shí)際業(yè)務(wù)操作中生成的內(nèi)容往往需要大量的人工校對(duì)與調(diào)整。特別是在一些關(guān)鍵業(yè)務(wù)環(huán)節(jié)，AI的處理結(jié)果甚至不如人工操作來得精準(zhǔn)可靠。

在銀行業(yè)務(wù)流程中，大模型的應(yīng)用面臨類似的困境。某股份行的科技部門負(fù)責(zé)人表示，目前銀行的業(yè)務(wù)主線流程中，大模型的切入還比較有限，主要集中在所謂的“邊緣業(yè)務(wù)”。

在具體的業(yè)務(wù)場(chǎng)景中，這種局限性表現(xiàn)得尤為明顯。比如，在輔助合同審核方面，盡管不少金融機(jī)構(gòu)已經(jīng)引入了AI大模型，但目前準(zhǔn)確性欠佳。許多銀行雖然優(yōu)化了柜面流程，但由于機(jī)器的準(zhǔn)確度不夠，人工還需要再檢查一遍，并沒有達(dá)到省事的效果。

在授信流程中，大模型的應(yīng)用也未能達(dá)到預(yù)期效果。一位股份行授信部門員工對(duì)記者說：“大模型生成的盡調(diào)報(bào)告內(nèi)容不完整，數(shù)據(jù)表格也經(jīng)常出錯(cuò)，我們只能當(dāng)作參考，大部分工作還是要自己來。”

在證券行業(yè)，類似的情況也普遍存在。記者從多家證券機(jī)構(gòu)了解到，盡管一些金融大模型早已深入行業(yè)操作流程，但在文件報(bào)送、高頻交易等重要環(huán)節(jié)，仍需依賴人工審核。一位證券機(jī)構(gòu)交易員表示：“之前可能兩個(gè)人做一個(gè)環(huán)節(jié)，花上兩三個(gè)小時(shí)也就結(jié)束了，現(xiàn)在先讓大模型做，還要給關(guān)鍵詞、調(diào)整邏輯，最后還要核對(duì)一遍，前后花費(fèi)的時(shí)間和自己做差不多，甚至還要多。”

然而，從上市銀行的年報(bào)數(shù)據(jù)來看，金融機(jī)構(gòu)在金融科技領(lǐng)域的投入?yún)s持續(xù)增加且投入巨大。據(jù)Wind數(shù)據(jù)統(tǒng)計(jì)，國(guó)有六大行2024年在該領(lǐng)域投入合計(jì)達(dá)到1254.59億元，較上年末增長(zhǎng)約2%。

其中，中國(guó)銀行在信息科技領(lǐng)域的投入達(dá)到238.09億元，占其營(yíng)業(yè)收入的3.76%，同比上升了0.27個(gè)百分點(diǎn)。與此同時(shí)，郵儲(chǔ)銀行在報(bào)告期內(nèi)的信息科技投入為122.96億元，同比增長(zhǎng)9.03%，占其營(yíng)業(yè)收入的3.53%。

股份制銀行金融科技投入額度也不容小覷。其中，招商銀行、中信銀行的金融科技投入分別為133.5億元、109.45億元，均超過百億元。中小銀行也在積極布局，以重慶銀行為例，其科技投入總額達(dá)到5.74億元，同比增長(zhǎng)高達(dá)20%。常熟銀行在金融科技領(lǐng)域的投入金額達(dá)到了3.85億元，相較于去年增長(zhǎng)了27.65%。

從實(shí)際運(yùn)行結(jié)果來看，部分銀行的投入并未獲得預(yù)期回報(bào)。某股份行員工還向記者透露，該行此前斥巨資打造AI系統(tǒng)，但運(yùn)行結(jié)果不盡如人意。“我們投入了大量資源，但實(shí)際收益卻微乎其微。”該員工表示，這個(gè)系統(tǒng)一半的時(shí)間被用于演示PPT，另一半的時(shí)間則被用于修復(fù)系統(tǒng)漏洞。

一位大行科技部門員工向記者透露：“我們引入大模型后，硬件設(shè)備的投入增加了近30%，但實(shí)際業(yè)務(wù)效率提升并不明顯，這讓管理層對(duì)后續(xù)投入產(chǎn)生了疑慮。”

這種“高投入、低產(chǎn)出”的現(xiàn)狀，成為金融機(jī)構(gòu)面臨的重大挑戰(zhàn)。在成本方面，不少銀行科技部門引入大模型的投入巨大，無論是服務(wù)采買還是運(yùn)行所需的硬件資源，都是一筆不小的開支，但效益難以量化。