财联社 3 月 14 日讯（记者 郭子硕，罗克关）DeepSeek 爆火之后，银行对大模型的应用正加速从技术探索转向场景落地，其对组织模式、人才储备等方面的影响也在显现。

近日，微众银行宣布要从数字银行迈向 AI 原生银行，成为国内首家宣布向 AI 原生银行转型的商业银行。

微众银行数字金融发展部负责人姚辉亚向财联社记者表示，所谓商业银行 AI 原生阶段，即产品设计、研发、部署、运维等过程都将基于 AI 无处不在的理念进行，AI 成为功能的自然组成部分。目前，微众银行从基础设施、应用、治理三个层次构建 AI 系统化能力。

姚辉亚强调，这一过程将是系统性变化，商业银行需要通过组织架构调整和人员 AI 素养培训等举措做好充分准备。

本轮 DeepSeek 热潮以来，至少有 30 家银行宣布接入。财联社记者注意到，目前强调 AI 内嵌将对组织架构带来影响的银行仍然不多。AI 时代悄然来临，商业银行如何界定大模型应用边界、平衡效率与风险？银行如何依据 AI 特性使用 AI，用好 AI？这些问题都是现实挑战。

AI 变革对银行人才储备挑战正在加大

"AI 原生的理念更强调 AI 不再是产品的补充或附加组件，而是构成产品与体验的有机组成部分。不是简单地将 AI 嵌在流程里，而是流程嵌进 AI 里。" 姚辉亚对财联社记者表示。

他认为，这一变化这将引发系统性的变革——无论在产品设计、研发体系、基础设施，还是组织人才、风险治理层面，AI 能力都将渗透至金融服务的全生命周期，成为功能的自然组成部分。因此，银行需要通过组织架构调整和人员 AI 素养培训等举措做好充分准备。

财联社记者了解到，DeepSeek 开源模型发布后，微众银行已在业内率先成功部署 DeepSeek-R1 满参数模型。

不过，尽管 AI 引入对效率提升显著，但目前仍处于‘辅助驾驶’的阶段。其中核心问题是通用大模型存在一定的幻觉问题，即使用本地数据仍可能出现不准确的情况。姚辉亚认为，银行要充分认知 AI 的约束性和局限性，将大模型应用到合适的场景中。

姚辉亚甚至强调，除了专业人才外，也需要业务人员具备较高的数字化素养和 AI 素养，才能有效发挥 AI 工具的价值。

对于 DeepSeek 之后模型生态持续迭代带来的挑战。姚辉亚认为银行应重点把握两个方面：一是通过架构设计支持开源模型的可插拔特性，二是加强算力资源管理以应对未来巨大的算力消耗需求。

对于商业银行研发大模型过程中的合规要求，姚辉亚告诉财联社记者，此前，中国人民银行、工信部、网安标委曾出台一系列的模型风险管理要求以及数据治理要求，这些规定基本覆盖了大模型可能引发的风险类型。

" 实际上，大模型带来的风险还是拆解到信息科技风险、数据风险和模型风险等几类，所谓的大模型风险只是源于更复杂的模型算法。而在应用大模型之前，是否具备相应的治理能力至关重要。" 姚辉亚对记者表示。

大幅降低成本，超 30 家银行竞相接入大模型

财联社记者注意到，以 DeepSeek-R1 为代表的大模型问世后，因其具备 " 低成本、高性能、开源 " 的优势，近期银行业内掀起一波接入热潮。

某国有大行金融科技子公司人士告诉财联社记者，DeepSeek 大幅降低了推理成本，银行私有化部署后，已经用在生成营销话术、营销预测、分析用户画像上。而且由于 DeepSeek 能提高代码质量，大模型还被用来自动生成代码，大幅提高了开发效率。

梳理应用情况，各行接入 DeepSeek 后也主要落地在风控、营销、客服等业务。工商银行将 DeepSeek 模型接入自主研发的 " 工银智涌 " 大模型矩阵体系，落地三大应用场景：在金融市场领域推出 ChatDealing 数智对话交易产品，实现交易规模提升；远程银行坐席助手 " 工小慧 " 推动通话时长压降 10%；信贷审批风控助手 " 工小审 " 实现对公信贷全流程智能化。

招商银行 "AI 理财顾问 " 依托 DeepSeek-VL2 多模态模型，将客户画像颗粒度提升 5 倍，实现个性化理财建议定制，满足多样化金融服务需求。

从趋势上看，本次引入 DeepSeek 模型的主力部队是城农商行、民营银行等中小银行。而这一部署态势也正好反映了 DeepSeek 的 " 撬动性质 "。新网银行副行长李秀生此前表示，DeepSeek 的低算力要求和低成本特性，为中小银行缩小与大行的技术差距提供了可能。

道乐科技 CEO 卢良楷告诉财联社记者，过去银行在使用外部 AI 服务时，面临数据需要出境或离开银行系统的问题，这不仅增加了合规性风险，还可能威胁到客户隐私的安全性。随着 Deepseek 这类开源大模型的出现，这一问题得到了新的解决方案。

" 这些模型的本地化部署成本显著降低，使得银行能够在内部环境中运行 AI 系统，从而有效避免数据外流的风险。尽管如此，在实施本地化部署的过程中，银行仍然需要高度关注数据安全和隐私保护，确保数据处理流程符合严格的监管要求，并维护客户对银行的信任。" 卢良楷补充。

商业银行还有必要自研大模型吗？

随着 AI 时代来临，一个老问题又摆到了各家商业银行面前：还有必要下场自研大模型吗？

" 银行没必要自行研发通用大模型。由于面临数据规模、算力资源、人才积累等多重资源约束，商业银行在通用大模型训练方面的客观实力与具备万卡级算力的大厂存在显著差距。" 姚辉亚指出，银行的核心优势在于本地化场景与垂直领域数据，AI 落地应聚焦在应用层面，立足实际场景通过‘大小模型结合 + 本地数据’落地应用显然更为务实。

招商银行信息技术部副总经理俞吴杰在近期指出，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。

卢良楷也指出：" 算力是银行 AI 化的核心瓶颈。银行现有的老旧系统难以支撑实时计算与大规模模型训练，而国内 IT 算力厂商能力不足加剧了对国外设备的依赖。"

随着数字化时代的全面来临，技术鸿沟问题日益凸显。姚辉亚坦言，中小金融机构面临技术储备薄弱与研发资源有限的实际困难，亟需通过技术合作与开源生态构建实现技术资源的优势互补，依托行业集体智慧加速数字化转型进程，避免重复性技术投入造成的资源耗损。