每经记者：陈植 每经编辑：马子卿

3月5日，第十四届全国人民代表大会第三次会议在北京人民大会堂开幕。今年的政府工作报告提出，持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人等新一代智能终端以及智能制造装备。

近年来，人工智能技术在金融场景的应用日益广泛，成为银行等金融机构推动数字化转型的“新基建”。记者获悉，当前AI在金融场景的应用正呈现“百花齐放”趋势，无论是信贷风控、交易安全、财富管理、客户管理，还是合规审查、远程银行等金融业务领域，都能看到AI科技赋能的身影。

为了更好地推进“AI+金融”融合发展，越来越多银行还专门设立AI中台，集成光学字符识别、语音识别和语音合成、生物识别比对、深度学习等AI科技，驱动AI能力与金融场景的深度融合，为银行各项业务高质量发展“融智赋能”。

尤其在DeepSeek等大模型相继面世后，银行正进一步拥抱AI科技。一位城商行金融科技部门人士向记者分析说：“相比传统AI应用模式，大模型技术在数据分析推理、内容自动生成、模型深度学习等方面更具智能性。”在接入DeepSeek等大模型进行数据训练后，他所在的银行发现大模型技术在金融市场投研分析、企业知识问答、代码生成审查、信贷风控报告准确性等方面发挥更高的降本增效作用。

他认为，在政府工作报告提出“支持大模型广泛应用”后，银行将持续增强AI大模型在金融场景下语义理解、逻辑推理、多轮交互等方面的适应性，将AI技术应用能力更快转化成业务价值，构筑AI时代下更强的金融服务能力与业务核心竞争力。

银行要建立AI中台，仍面临提高实时分析与反馈循环效率等挑战

上海交通大学上海高级金融学院副院长李峰此前接受《每日经济新闻》记者专访时表示，金融机构提供卓越金融服务的一大基础，就是高效专业的数据分析处理能力。人工智能技术最擅长的，恰恰是高效准确地分析处理海量数据。

记者多方了解到，AI近年来在银行场景的应用日益广泛，在身份验证、智能风险控制、精准营销、投资研究、投资咨询、运营管理、合规监管、客户运营、客户服务等各个业务环节，都能看到大量AI科技赋能的身影。

在信用风险评估环节，AI机器学习技术对历史数据进行训练，以更全面的维度预测用户的信用价值并详尽评估用户信贷相关的风险，提升银行的信贷风控控制与信贷利率精准定价能力。

在客户运营环节，AI技术深度分析用户的消费习惯、交易行为、职业发展状况等各方面数据，向银行提供不同细分客群的差异化营销建议，助力银行实现千人千面式的个性化金融服务。

在反欺诈风控环节，AI技术能实时分析大量交易数据，迅速识别与电信网络诈骗等非法金融活动相关的异常交易状况，助力银行主动采取风控举措，全力保护用户的钱袋子。

在财富管理环节，AI技术可以协助客户经理进行客户财富状况分析、市场趋势解读与产品推介，持续提升财富管理服务能力。

但是，由于不同规模银行在AI研发人才储备、AI技术研发应用经验、AI研发投入等方面存在差异，他们在AI应用方面的实施路径与业务规划也截然不同。

“相比大型银行早早建立AI中台，赋能大量金融业务场景实现AI科技赋能，中小银行由于AI研发人才与预算投入有限，只能先在单个业务场景先引入AI科技，再逐步由点及面地推广更多场景的AI赋能。”上述城商行金融科技部门人士告诉记者。所幸的是，随着近年AI在金融场景的应用日益广泛并取得显著的降本增效作用，越来越多城商行与农商行也相继设立AI中台。

例如，齐鲁银行建立了一体化的全行人工智能中台——泉智AI中台，通过将整合多项AI技术，推动AI能力与金融场景的充分融合，为全行运营、风控、营销等各类业务发展“赋能”；长沙银行打造以人工智能模型管理平台为核心的AI中台，实施以应用落地为目标的AI训练、以价值挖掘为导向的数据治理、以存续周期为闭环的模型管理，加速释放AI数智化潜能。

前述城商行金融科技部门人士指出，相比传统AI技术开发应用普遍存在建模成本高、部署周期长、管理不完善、监控不到位、模型资产分散、部署流程不统一等问题，银行建设AI中台，可以更高效释放数据价值，加快银行基础数据的资产化建模进程，对数据到模型、训练到应用、评估到改进的全链路AI赋能金融发展，提供更全面与强有力的支持。

在其看来，银行要建立AI中台仍面临诸多挑战。一是持续增强高性能计算，分布式计算与并行处理等技术，大幅提升AI任务的执行效率；二是完善智能化服务编排，自动化组合与调度多个AI服务的能力，从而实现复杂业务流程的智能化管理；三是提升模型管理能力，提供一站式的模型开发、测试、部署和监控平台，且支持多种机器学习和深度学习框架，从而满足银行不同业务的多样化建模需求；四是提高实时分析与反馈循环效率，即银行AI中台需与营销平台、运营平台打通，实时收集和分析用户行为及业务数据，及时调整AI策略和服务模式，持续优化AI模型的准确性和响应速度；五是强化安全性能，确保金融交易和客户信息的绝对安全；六是推进灵活的定制化服务，能根据不同部门和业务线的特定需求，提供定制化的AI解决方案，并支持快速原型设计和实验验证，加速新业务的孵化进程。

一位股份制银行IT部门负责人向记者表示，当前银行在AI能力建设与推广应用还面临其他挑战，包括用于建模的数据资产数量有限；数据质量还需提升；训练数据处理、模型训练调优、模型发布监控等环节缺乏统一管理与平台支撑等。

“在实际操作环节，有时数据质量不高导致AI风控模型误判某些客户的信用评级，也会导致银行做出错误的信贷决策，影响客户的金融服务满意度。此外，金融行业具有数据密集型特点，用户信息往往在金融服务过程频繁流动，AI技术在提升金融服务效率同时如何做好数据隐私保护，也是一大挑战。”他向记者指出。随着AI大模型的面世，他认为这些难题或能随着AI技术迭代升级而“迎刃而解”。

DeepSeek大模型将驱动银行的研发应用向“轻量化”与“高效化”发展

随着DeepSeek等AI大模型相继面世，银行看到深化“AI+金融”应用的新操作空间。

今年春节后，越来越多银行纷纷接入DeepSeek大模型，在金融场景开启新的AI大模型应用征途。《每日经济新闻》记者了解到，大连银行依托开源RAG框架，在行内金融信创云平台部署DeepSeek-R1模型，并在金融投研分析、企业知识问答、代码生成审查、办公行文辅助等领域进行试点应用，加速金融智能化转型进程。

近日，内蒙古银行在行内数据中心完成DeepSeek-R1蒸馏版模型的私有化部署，基于Ollama和Dify等平台实现智能问答、企业知识管理、个性化文档处理能力等，在探索AI赋能金融方面迈出新步伐。

一位金融科技公司负责人向记者透露，通过初步测试，DeepSeek大模型在部分金融场景呈现更好的降本增效作用。具体而言，一是它的低算力配置要求，显著降低银行在AI算力基础建设方面的投入，二是它的强推理能力，令银行在远程银行、信贷风控管理、财富管理服务等方面有望产生更高的业务效率。

他告诉记者，在对公信贷领域，DeepSeek所生成的企业信用报告具有更高的自动填充率与舆情风险分析准确度；在远程银行领域，DeepSeek可帮客服人员根据客户个性化标签自动生成回答话术并协助质检复核，以替代传统流程慢效率低的人工检索，大幅提升业务效率。

苏商银行高级研究员孙扬也表示，苏商银行已应用DeepSeek VL2多模态模型处理非标材料，如表格、影像资料、文档图片等识别，将提升信贷材料综合识别准确率至97%。此外，苏商银行将DeepSeek的蒸馏技术应用于信贷风控、反欺诈等20多个场景，使尽调报告生成效率提升40%，欺诈风险标签准确率提升35%。

上述金融科技公司负责人向记者透露，就发展趋势而言，DeepSeek大模型的兴起，将驱动银行的金融大模型研发应用，向“轻量化”与“高效化”发展，持续提升资源利用率。尤其是随着金融行业对大模型应用的需求持续增长，为了提升大模型的可用性，金融大模型需面向轻量化模型发展，通过模型压缩、知识蒸馏等技术，保持大模型性能同时降低算力等资源的消耗。特别是在需要实时快速响应的金融服务场景，轻量化的大模型可以灵活快速处理各类数据，全面提升金融机构的金融服务能力。

但是，AI大模型生成内容的“幻觉”挑战与数据训练过程的数据安全保护问题，金融机构仍需找到更稳妥的解决方案，以满足严格的金融业务合规性要求。

记者获悉，部分银行已尝试采取多项应对举措，比如引入合规机器人技术，对AI大模型自动生成的内容话术进行“合规性”审核，逐步解决大模型“幻觉”问题，二是着手升级数据处理与数据分析架构，提升数据信息保护水准，确保大模型数据训练过程不会发生个人数据敏感信息泄露。

李峰此前向记者透露，不少金融机构会将AI大模型率先应用在内部办公场景，一个重要原因是AI大模型即便出现幻觉风险，其危害性相对较小，金融机构内部员工能迅速联系IT部门解决这些幻觉问题，不会影响业务正常运转；此外，部分金融机构还将AI大模型视为财富管理服务的辅助工具，即便大模型出现幻觉风险，金融机构员工也可以拒绝采纳大模型生成的某些“财富管理建议”，将金融服务风险降至可控水准。

“银行等金融机构在AI大模型应用方面，都会考虑先在回报最大的场景应用。毕竟，AI大模型在金融领域的最大价值，就是降本增效，若没有良好的经济回报，金融机构对AI大模型的使用热情难以持续。”李峰强调说。