DeepSeek的浪潮蔓延至消費金融領域，其創(chuàng)新性、科學性和革命性受到業(yè)內認可，同時展現(xiàn)出顯著的技術優(yōu)勢和應用潛力。但也有從業(yè)者指出，部分金融機構接入DeepSeek更多是出于追逐熱點，而非實質性提升科技能力，實際落地充滿挑戰(zhàn)。

一位從業(yè)者表示，DeepSeek在消費金融領域現(xiàn)階段最常見的方向是客服和營銷，其它環(huán)節(jié)仍需人工輔助，“一方面因為金融數(shù)據(jù)還沒有打通；另一方面受準確性等因素限制。”

關于在消費金融領域的挑戰(zhàn)，DeepSeek App回答：主要體現(xiàn)在數(shù)據(jù)安全、模型可靠性、算力經濟性、合規(guī)適配及人才資源等方面。

01 降本增效在路上

據(jù)《財經》新媒體統(tǒng)計，目前，中郵消費金融、中原消費金融、樂信、宜人智科、信也科技、奇富科技等十余家金融科技類公司已經接入DeepSeek。

目前，接入的主要版本是DeepSeek-R1、DeepSeek V2、DeepSeek V3等。

據(jù)DeepSeek官網介紹，DeepSeek-R1-Zero和DeepSeek-R1是第一代推理模型。DeepSeek-R1在數(shù)學、代碼和推理任務上的表現(xiàn)與OpenAl-o1相似。DeepSeek-V2是一個強大的專家混合Mixture-of-Experts，即MoE語言模型，其特點是經濟高效的訓練和推理。DeepSeek-V3則是一個強大MoE語言模型，總參數(shù)為671B，每個標記激活37B。

招聯(lián)首席研究員、上海金融與發(fā)展實驗室副主任董希淼認為，當前，金融業(yè)對大模型的應用基本上為兩種模式：一種是自行開發(fā)模式，如多家銀行先后披露了其在大模型領域的探索及應用；另一種是合作模式，如一些銀行選擇與科技公司合作，利用科技公司大模型為自身業(yè)務賦能。

現(xiàn)階段，金融公司接入DeepSeek的模式主要包括協(xié)同模式、全云端部署、全本地化部署以及分層調用。其中，協(xié)同模式是指本地處理實時低風險任務，云端處理高價值分析，如中原消費金融采用的是“本地輕量化模型+云端大模型”協(xié)同模式。

中原消費金融首席信息官許志鋒表示，采用協(xié)同模式基于效率與成本平衡；數(shù)據(jù)隱私與合規(guī)；資源彈性擴展；模型迭代靈活性等方面的考量。

宜人智科相關負責人稱，接入DeepSeek將為公司帶來顯著的降本增效成果。“通過智能化手段，在營銷、客服、風險管理等業(yè)務領域的效率將進一步提升，包括提升語音交互效率，加強客戶轉化率，顯著降低運營成本等。”

中郵消費金融科技發(fā)展部負責人朱威認為，DeepSeek為消費金融領域智能化建設長期存在的痛點與瓶頸提供了創(chuàng)新解決方案，同時也為業(yè)務創(chuàng)新帶來了眾多新機會。

據(jù)樂信相關負責人介紹，DeepSeek的融合為樂信的運營和業(yè)務帶來效率提升和體驗優(yōu)化。如在研發(fā)提效方面，公司大模型已實現(xiàn)研發(fā)人員100%落地應用，2024年月均輔助生成代碼86萬次、全年提出質量改進建議21萬次，有效助力研發(fā)人員編碼效率提升約35%。

在蘇商銀行特約研究員武澤偉看來，DeepSeek兼顧了低成本和高性能，意味著金融機構接入大模型的效益成本比明顯提高，這將激勵更多的金融機構積極擁抱大模型。

整體而言，DeepSeek在消費金融領域的應用場景包括營銷、風控、客服、貸后以及企業(yè)內部運營。其中，營銷場景可利用DeepSeek的推理能力，打造智能營銷機器人復雜場景下的智能化營銷服務；風控則是高效識別業(yè)務風險點，自動生成風險分析報告；DeepSeek可提升智能客服機器人處理復雜任務的能力等。

02 數(shù)據(jù)安全與模型幻覺

不過，也有從業(yè)者直言，目前DeepSeek在消費金融領域的應用還是以客服和營銷為主，其它環(huán)節(jié)面臨多重挑戰(zhàn)。

首先是數(shù)據(jù)安全與隱私保護。

某金融機構相關負責人表示，金融行業(yè)涉及大量敏感數(shù)據(jù)，如何在利用DeepSeek的同時確保數(shù)據(jù)安全和用戶隱私，是金融機構必須面對的難題。

朱威稱，雖然DeepSeek降低了訓練和推理成本，但是大模型的資源需求還是較大的，同時由于金融行業(yè)嚴格的數(shù)據(jù)安全與合規(guī)性要求，消費金融企業(yè)在涉及數(shù)據(jù)安全的場景下需要采用私有部署的方式來降低合規(guī)風險。

然后是技術層面的挑戰(zhàn)。

一方面，模型可解釋性不足。DeepSeek的“黑盒”特性使得其決策過程難以解釋，這在金融業(yè)務中可能影響決策的公信力。

在朱威看來，DeepSeek推理模型相對于通用模型會產生更大幻覺，也是消費金融企業(yè)在落地過程中需要解決的另一個主要問題。“關于幻覺，需要通過知識庫檢索增強生成、領域微調、人工校驗等方式進行緩解，從而確保推理結果的準確性與可靠性。”

另一方面，模型需要更新與適配。許志鋒解釋，在金融場景中，政策調整、用戶行為遷移等變化都要求模型持續(xù)優(yōu)化。

此外，DeepSeek與消費金融領域融合還面臨計算資源限制，云端大模型推理成本高昂，尤其是長文本、多輪對話場景；本地部署需平衡硬件投入與性能（如GPU算力）。

某金融機構相關負責人直言，部分金融機構的現(xiàn)有系統(tǒng)難以支持DeepSeek的部署，需要投入更多資源進行技術升級。

武澤偉表示，DeepSeek可能只是大模型“親民化”的初試啼聲，未來，大模型的接入和使用門檻一定會不斷降低，從而顯著拓展大模型在各個領域的覆蓋范圍和使用深度，很有可能重塑各個領域的思維慣性和經營模式，帶來革命性的生產效率提升。

在董希淼看來，當數(shù)字技術創(chuàng)新不斷涌現(xiàn)，如何實現(xiàn)技術進步和金融、社會安全的平衡，越來越受關注。人工智能在金融領域的巨大發(fā)展前景，為塑造產業(yè)新業(yè)態(tài)打開大門，有望形成新質生產力。

來源：36氪