DeepSeek大模型银行业应用遇冷

今年1月，DeepSeek推出号称媲美OpenAI o1的R1模型，迅速引发市场高度关注，成为科技圈和金融圈的热门话题。短短半年过去，银行业对它的态度已悄然发生变化。记者近日调研发现，目前DeepSeek在银行业的应用整体未达预期，尚未诞生真正意义上的突破性成果。

多位银行金融科技人士指出，DeepSeek在应用中面临三大难题。首先是数据复杂度高。银行每天处理的数据量庞大，来源分散，质量参差不齐，而DeepSeek在处理这类数据时表现并不理想。其次，算力成本不低。尽管DeepSeek以低成本著称，但要支撑全行级应用，仍需大量高性能硬件支持。第三，适配性不高。作为通用大模型，DeepSeek与银行原有技术路线存在差异，需大量改造才能融合。目前，已有部分银行尝试将其与内部“小模型”结合，但仍在摸索阶段。

尽管如此，业内人士普遍认为，DeepSeek的价值仍不可忽视。它降低了中小银行进入大模型领域的门槛，让更多机构有机会参与人工智能转型。不过，随着国内大模型技术的快速进步，DeepSeek已逐渐从“焦点”回归“众多模型之一”。如今，大型银行更倾向于强调自主研发，对DeepSeek的应用趋于低调，甚至避谈。相比之下，中小银行在宣传和尝试上更为积极，但实际成果仍有待观察。