DeepSeek杀入金融科技圈

低成本、低门槛、高效能的优势，加之开源策略支持本地私有化部署，让DeepSeek在近期席卷金融科技圈，从国有大行、互联网大厂金融科技公司到消费金融公司、第三方支付机构、上市金融科技企业纷纷宣布接入DeepSeek，加入这场AI（人工智能）应用大潮。

在这场AI狂欢里，应看到DeepSeek开源版本与某些金融场景需求存在差距，大模型高并发推理对现有基础设施压力较大，且开源模型易受攻击，数据接口需强化防护。此外，DeepSeek推理模型相对于通用模型会产生更大幻觉（即人工智能在信息处理和生成中的误差或错觉），是金融科技企业在AI落地过程中需要解决的另一个关键问题。

DeepSeek席卷金融科技圈

金融科技圈迎来DeepSeek时刻。2月20日，腾讯理财通宣布正式接入DeepSeek-R1模型满血版，同时支持腾讯混元大模型。升级接入DeepSeek后，腾讯理财通进一步整合专业金融信息数据、微信公众号文章等资源，金融服务专业性更强、时效性更高。

多家上市金融科技企业也在近日宣布接入DeepSeek。奇富科技自主研发的大模型产品ChatBI在日前完成关键升级，通过与Deepseek-R1大模型的深度融合，最大化地结合了DeepSeek卓越的MOE（混合专家）模型和COT（思维链）推理能力优势，显著提升了ChatBI处理复杂数据分析任务的能力。

此外，信也科技自主研发的两个大模型平台近日正式接入DeepSeek-R1，使得信也科技能够提升大模型对于复杂问题的语义理解和处理能力，扩大大模型服务边界，更有力地支持决策类场景。连连数字也在近日正式对外宣布已完成DeepSeek大模型的私有化部署，结合自身的技术实力和DeepSeek的自然语言处理、推理等能力，连连数字已将DeepSeek应用到业务、研发、办公等多个关键场景。继去年5月引入DeepSeek－V2版本之后，近期乐信正式接入和部署了DeepSeek－R1版本，通过DeepSeek完善了本地化部署的、乐信专有大模型“奇点”AI大模型，在研发提效、内部工具、业务赋能等方面深入落地应用。

《国际金融报》记者了解到，目前多家消费金融公司通过自研智能平台接入DeepSeek。中原消费金融公司依托自研的智能化平台“元擎Matrix”引入DeepSeek－R1版本，在智能质检、智能问答、意图识别、提示词编写等场景进行探索应用。中邮消费金融公司将DeepSeek作为基座大模型之一，提供智能问答和智能编程辅助服务。中信消费金融公司基于自主研发的“信智”一站式大模型服务平台接入DeepSeek，并应用于智能质检与知识库检索两大业务场景。海尔消费金融公司已经部署了DeepSeek私有化版本，沉淀出海尔消金私有领域大模型，正在打通公域私域大小模型，接入智能体平台，开始全面赋能营销、风险、贷后、客服、运营、研发、数据分析等多个场景。

优刻得董事长兼CEO季昕华告诉记者，DeepSeek性能比肩GPT核心模型，但训练所需算力资源和资金投入更少，显著降低了企业的技术门槛和经济成本。DeepSeek开源策略支持地方政府和金融机构私有化部署，满足国产化适配要求，吸引金融科技企业快速接入。相较于同类模型，DeepSeek的推理成本大幅降低，推动行业应用广泛落地。

合规与数据安全备受关注

由于金融科技行业的特殊性，在接入DeepSeek时，数据安全与合规性备受关注。海尔消费金融首席信息官梁树峰对记者表示，DeepSeek开源版本隐私安全性与金融数据隐私保护需求存在差距，且大模型高并发推理对现有金融基础设施还会产生较大压力。此外，开源模型易受攻击，数据接口须强化防护。

中邮消费金融科技发展部负责人朱威告诉记者，虽然DeepSeek降低了训练和推理成本，但是大模型的资源需求还是较大的，同时由于金融行业严格的数据安全与合规性规定，消费金融企业在涉及数据安全的场景下需要采用私有部署的方式来降低合规风险。在GPU（图形处理单元）资源有限的情况下，如何高效安全地使用DeepSeek模型成为各金融企业需要解决的问题。

针对大模型应用的潜在风险，梁树峰认为，需要采取多维度防控：关于数据安全与隐私保护，可通过本地化部署核心模型，避免敏感数据外流；采用联邦学习与同态加密技术，实现“数据可用不可见”。针对模型失真与合规风险，可建立模型监控体系，定期及时审计模型输出偏差；嵌入监督模型及监管规则引擎，确保决策符合个人信息保护法等要求。针对系统性风险传导，应设计熔断机制，当模型异常时自动切换至传统系统；与行业联盟共建风险预警平台，共享攻击特征与防御方案。

朱威建议，一是选用参数规模合适的模型，将DeepSeek聚焦在需要复杂推理的应用场景，如数据分析、机器人决策等，并与其他大小模型相互结合，保证智能化服务质量；二是借鉴DeepSeek-R1的训练方式，蒸馏更加细分的垂类模型以减少对GPU资源的需求；三是期望在合规前提下，行业推出可信的行业大模型金融云，解决各企业的GPU资源瓶颈。

上海金融与发展实验室首席专家、主任曾刚对记者分析指出，在数据安全和隐私保护方面，可以通过数据加密、脱敏处理和差分隐私技术，确保数据在传输和处理中的安全性。同时，支持本地化部署，避免数据外流，增强企业对数据的掌控力。此外，严格的访问控制和操作审计机制也能进一步保障数据安全。而在合规运营上，DeepSeek需符合欧盟的GDPR（《通用数据保护条例》）、美国的CCPA（《加州消费者隐私法案》）等数据保护法规和金融行业标准（如ISO27001信息安全管理体系认证）。通过提供模型可解释性工具，满足监管对算法透明度的要求，并定期进行模型审计和性能监控，确保合规性和风险可控。

“幻觉”问题仍是一大挑战

DeepSeek系列模型以其出色表现迅速席卷金融科技圈，但“幻觉”问题依然是它面临的一大挑战。在Vectara HHEM人工智能幻觉测试（行业权威测试，通过检测语言模型生成内容是否与原始证据一致，从而评估模型的幻觉率，帮助优化和选择模型）中，DeepSeek-R1显示出14.3%的幻觉率。

“目前有待解决的是幻觉问题。”华泰证券科技与电子行业首席分析师黄乐平对记者直言，数据是金融企业的核心资源，使用OpenAI公司开发的闭源模型时，需要上传私有数据，是金融行业使用大模型的主要痛点。DeepSeek开源，可以以更低的成本部署在金融企业自己的本地服务器上，这解决了数据泄露的风险，为大模型在金融行业普及铺平了道路。

朱威也指出，DeepSeek推理模型相对于通用模型会产生更大幻觉，这是消费金融企业在AI落地过程中需要解决的另一个主要问题。他建议，通过知识库检索增强生成（RAG）、领域微调、人工校验等方式进行缓解，从而确保推理结果的准确性与可靠性。

针对大模型幻觉问题，曾刚建议，通过引入金融领域知识图谱和规则库，限制生成内容在可信范围内；同时，通过高质量数据的监督微调优化模型表现，并结合结果验证机制和人工审核，确保输出的准确性和可靠性。这种多层次的控制能够有效降低幻觉风险，提升模型在金融场景中的可信度。

本文源自：国际金融报