DeepSeek之后，金融大模型将迎哪些变化？(2)

目前DeepSeek-R1已开源，这不仅意味着各大金融机构多了一个成本更低的开源模型选择，更重要的是，DeepSeek正搅动起一轮闭源开源之争，这实际上有助于推动人工智能的整体开发和应用进程。

从应用层面划分，大模型大致可以分为两类，一类是通用大模型，另一类是垂类大模型。在知识门槛技术较高的金融领域，业内普遍认为垂类大模型的性能匹配度会更高。

BloombergGPT是垂类大模型的典型之一。2023年3月30日，Bloomberg（彭博）正式发布金融行业大模型BloombergGPT，该机构彼时表示，基于LLM（Large language Model，大型语言模型）的人工智能最新进展已经为许多领域展示了令人兴奋的新应用，然而，金融领域的复杂性和独特术语需要特定领域的模型。

据官方介绍，彭博的数据分析师在四十年时间里收集并维护了金融语言文件，该团队从庞大的金融数据档案中提取数据，创建了一个由英文金融文档组成的完整的3630亿个token数据集。然后使用3450亿个token的公共数据进行扩充，从而创建了一个包含超过7000亿个token的大型训练语料库。

该模型将帮助彭博改进现有的金融NLP（Natural Language Processing, 自然语言处理）任务，例如情绪分析、实体识别、新闻分类和问答等。

招商银行信息技术部副总经理俞吴杰亦曾表示，招行重点不在搭建通用模型，而是搭建金融行业的领域模型。

俞吴杰表示，招商银行不会在通用大语言模型上花费更多精力，因为通用大语言模型在银行业的运用有其弱点——对专业知识理解有限，在专业领域数据处理能力较弱。囿于此，招行会在比较好的通用模型基础之上，将足够的专业领域知识给到大模型，“最起码是银行业，未来还可能扩展到证券、保险等与银行关联性大的行业”。

如何“喂料”是其中的关键问题之一，而Deepseek-R1有望在这方面帮助银行“提质增效”。

“Deepseek-R1是通用大模型，知识量很广，包括信贷业务等金融领域的知识，这可以作为语料支持。将金融内部数据与外部数据结合优化，亦可以降低训练成本。”周城雄表示。

“大模型对于业务模式的重构是一个循序渐进的过程，R1深度思考模式的引入，不仅有利于复杂推理场景下的AI技术应用；同时也可以作为招联自研模型‘自构建数据’的引擎，结合足够多且高质量的数据，带来更优异的推理效果。”王耀南亦强调。

金融领域是AI应用最具潜力的领域之一。

“因为金融领域的数据结构化程度比较高，并且金融机构对数据的管理相对合规完善，这对于生成式AI训练而言是比较好的数据基础。但是因为金融数据涉及到用户隐私以及跨地域、跨部门的监管问题，如果要对这些数据进行训练，其实也存在一定的壁垒。”周城雄表示。

而在金融机构之间，实际上存在着明显的技术鸿沟。

此前有业内人士表示，从行业角度看，大语言模型是一项持续的、规模大的投资，包括建集群、招聘人才等，且资源都比较稀缺，并非所有银行都适合大规模投入其中。银行业之间的交流非常多，中小银行机构可以复用一些业内经验。对于中小银行，并不建议盲目跟风，尤其是一次性的大投入，目前大模型的发展还有很多变数，包括通用大模型哪个更优，怎么部署等，都还在变化过程当中。建议中小银行机构更多地做好行业交流学习，针对自身实际情况量力而为才是更合适的。

Deepseek-R1有望带来新的竞争路径。