银行的“DeepSeek时刻”：信贷审核等场景已搭上AI快车(2)

　　相比大型银行，DeepSeek对中小银行的助益则更显著。中小银行在与外部大模型服务商合作时，常面临依赖性高、定制化能力不足等问题。“DeepSeek为中小银行提供了一个高性价比的解决方案，一是通过DeepSeek，中小银行可以根据自身业务需求，灵活调整模型参数和功能，开发出更贴合自身场景的应用，如区域性特色业务、普惠金融服务等。二是DeepSeek提供了开箱即用的模型能力，使中小银行无需投入大量资源进行技术研发，即可快速部署并应用大模型。三是中小银行可以直接利用DeepSeek的成熟能力，快速上线智能风控、合同校验、客户洞察等功能，缩短从技术引入到实际应用的周期。”曾刚说。

　　在何大勇看来，中小银行在对DeepSeek大模型进行指令精调，以及在全行前中后台规模化应用时，还需升级多项软硬件能力，特别是硬件基础设施的算力和稳定性。

　　曾刚也表示，尽管DeepSeek在一定程度上可以缩小中小银行与大型银行在大模型应用方面的差距，但大型银行在资源投入、生态构建和数据积累方面的优势依然显著。一是大型银行在资金、人才、技术上的投入远超中小银行，能够持续优化和扩展自研体系；二是大型银行与政府、企业和科技公司的合作更为深入，可以构建更为完善的金融科技生态系统；三是大型银行长期积累的高质量数据是其核心竞争力所在，短期内中小银行难以赶超。

　　“DeepSeek等大模型的加速应用为金融机构开展业务提供了强有力支持，同时也产生了隐私权、著作权等方面的问题。如何平衡技术进步与风险防控，已成为金融机构在运用人工智能技术过程中不得不正视的关键议题。”招联首席研究员董希淼说。

　　一些业内人士就数据安全与隐私风险表达了担忧。一方面，大模型的训练和运行需要大量客户数据，若数据存储或传输过程中出现漏洞，可能导致客户隐私泄露或数据遭滥用；另一方面，模型本身可能通过训练数据“记住”敏感信息，进一步增加隐私泄露的风险。

　　“银行等金融机构对数据安全性要求较高，这意味着大模型的精调、应用都需要在本地进行，以防止专属数据泄露。”何大勇说，究竟而言，银行可从外部下载大模型，并在私有云环境中进行部署，随后提取、脱敏、转换内部数据，专供模型训练使用，训练后的转换数据会遭安全地存储在内部数据库中，便于后续的微调操作，所有微调工作均在银行的私有云完成，从而避免敏感数据在外部暴露。完成上述流程后，再提供给用户使用。

　　还有业内人士从监管角度提醒金融机构。清华五道口金融学院副院长张晓燕表示，目前各国对于大模型的监管态度分歧较大，使得大模型在金融业中的应用存在监管风险。一旦监管政策发生变化，银行可能需要对大模型进行大规模调整，从而增加了银行的合规成本。

　　一家外资银行信息科技部人士告诉记者，大模型应用面向公众需要考虑监管规则、数据安全等因素，目前可能更适合内部使用以提质增效。

　　除上述问题外，大模型应用的潜在风险还包括幻觉缺陷（指生成的文本在语义或句法上看似合理但实际上不正确或无意义）所带来的操作风险和声誉风险、场景适配性不足、人才短缺问题、算法歧视风险（因训练数据的偏差而产生算法歧视，例如对某些群体或行业的风险评估不公平）等。曾刚认为，银行在引入大模型时，需要完整评估这些潜在风险，并通过技术优化、数据治理、监管适配等手段加以应对。