作 者 | 九卦姐

來 源 | 九卦金融圈

從DeepSeek等開源大模型的崛起，到銀行自主訓練專屬AI，科技與金融的融合加速推進。數字金融百人訪談，聚焦銀行科技實踐，探討AI如何重塑金融業務，描繪未來智能銀行的藍圖。

本期嘉賓：

金融科技專家王豐輝、某城商行資深從業者水袖之舞（筆名）、某城商行科技負責人科技老兵（筆名）、某銀行數字銀行部負責人陸觀溟（化名）、九卦金融圈群一位銀行科技資深從業者等

本期主持人：

九卦姐

AI大模型技術正在加速滲透銀行業，從風控、營銷到交易、合規，銀行AI應用正進入深水區。但不同于互聯網企業，銀行對AI的選擇更復雜——既要追求創新，又要確保數據安全，還需符合嚴格的監管要求。銀行如何在這場AI博弈中做出最優抉擇？

● 自研：頭部銀行傾向于自建AI體系，以確保核心技術可控，但高昂的算力和人才成本是難題。

● 采購：中小銀行更傾向于采購外部AI解決方案，如騰訊云、阿里云等，但數據安全和定制化能力受限。

● 開源+本地微調：基于開源模型（如DeepSeekV3和R1、Qwen2.5）進行本地優化，正在成為部分銀行的新選擇。

銀行如何在這場AI博弈中做出最優抉擇？九卦金融圈采訪了多位銀行科技高管及金融專家，本文將結合他們的觀點，探討銀行AI應用的核心痛點、決策邏輯及未來趨勢。

1

銀行AI的真實痛點：不只是技術，更是安全、合規與成本

在銀行內部推動AI落地的過程中，最大的挑戰是什么？

“不是技術，而是安全、合規、成本。”——某國有大行AI實驗室負責人

1?? 數據安全 vs. AI能力

銀行掌握著最敏感的金融數據，但AI模型需要大量數據訓練，如何確保數據安全成為銀行的核心考量。

“銀行的數據是最寶貴的資產，不能隨便交給第三方模型訓練。”——某股份制銀行高管

據悉，頭部銀行往往傾向于自研AI，以確保數據留在本地。但這也帶來了更高的訓練成本和算力需求。

2?? 監管合規 vs. 創新速度

AI技術的發展速度遠超金融監管的調整速度，銀行如何在合規框架內推進AI？

“風控、合規部門最關心的是‘AI做的決定是誰負責？’”——某城商行科技部負責人

的確，銀行需要確保AI的決策可解釋、可追溯，才能讓監管機構放心。而目前部分AI模型仍存在“黑箱”問題，難以在風控、信貸審批等關鍵業務場景中全面應用。

3?? 成本 vs. 效率提升

銀行AI的ROI（投資回報率）是高管最關心的問題。

“AI能帶來效率提升，但如果成本高到難以承受，落地就是空談。——某城商行數字化轉型負責人如此認為。

他們都認為，自研AI的成本極高，除了算力投入，AI人才成本也是銀行面臨的難題。而采購外部AI雖然成本較低，但長期依賴外部供應商也存在風險。

2

銀行AI技術路線：自研、采購，還是開源微調？

? 頭部銀行：傾向自研，確保核心可控

“我們更傾向于自研，確保數據不外流。”——某國有大行AI團隊負責人

● 代表銀行：工行、農行、建行、中行等

● 技術策略：自研大模型 + 采購部分商業AI

● 核心考量：數據安全、合規可控、形成長期競爭力

● 案例：某國有大行AI實驗室

該行已成立獨立的AI實驗室，基于開源大模型+本地訓練，打造適配金融業務的專屬AI。核心數據不出銀行，同時采用少量外部API（如GPT-4）用于低敏感度業務場景。

●挑戰：

? 算力成本高：自研AI需要大量GPU資源，硬件投資巨大。

? 人才短缺：銀行的AI人才儲備不足，難以與互聯網大廠競爭。

? 中小銀行：傾向采購，快速落地AI能力

某銀行數字銀行部負責人陸觀溟（化名）告訴九卦金融圈，“采購AI是現實選擇，但數據安全問題需要特別注意。科技團隊正在探索打造 AI 基座，計劃后續在各業務條線部署垂直領域 AI 助手，預計在行內制度文件解讀及內部管理（如員工請假、晉升規定、日常服務等）方面率先取得突破。未來科技人員重點在于研究 AI 供應商，包括架構、選型（開源或購買 API），規劃基座功能（如是否支持多模態、語音文字輸出、圖片視頻等）。“

●代表銀行：股份制銀行、城商行、農商行

● 技術策略：采購騰訊云、阿里云、華為云等AI服務

● 核心考量：降低技術門檻，快速落地AI，提高業務效率

● 案例：某股份制銀行采購AI客服方案

該行采購外部AI客服解決方案，將客戶服務自動化，減少40%人力成本。但由于數據存儲問題，部分敏感業務仍采用人工處理。

●挑戰：

? 數據隱私合規問題：商業AI的存儲和調用方式，必須符合監管要求。

某城商行科技負責人科技老兵（筆名）對九卦金融圈談到,“AI目前還是輔助，提高效率。另外，基于AI或規則的風控模型已經可以在信貸、反欺詐代替人工，在網貸、反詐等場景發揮重要作用。不過，AI生成的營銷方案也是輔助。銀行合規應用案例主要是規章制度知識庫、外規內化分析、法律審查等場景。”

? 定制化不足：通用AI模型未必能完全適配銀行業務。

”在運維上，AIOps可以在根因分析、知識庫等方面發揮作用，但目前還不能完全取代人工“，某城商行科技負責人科技老兵（筆名）如此稱。

? 開源+本地微調：銀行AI的新選擇？

某城商行科技負責人科技老兵（筆名）對九卦金融圈表示，“開源+本地微調，可能是銀行AI的最優解。我們更傾向于本地化部署，畢竟涉及數據安全的問題。如果不涉及數據安全，可以使用API調用外部大模型。另外，通義千問和DeepSeek等開源大模型，其能力不比商用大模型差。

某城商行資深從業者水袖之舞表示，我們AI主要用于RAG知識庫、代碼輔助、OCR識別等領域，采用開源大模型和銀行應用場景相結合，培養自己大模型應用能力。““區域性銀行更傾向于訓練自己的模型，做到監管的自主可控。AI對于區域性銀行最大的挑戰是“信息科技的信息差被打破，話語權會下降”。

● 代表銀行：部分股份制銀行、科技驅動型銀行

● 技術策略：基于開源模型（DeepSeek、Qwen2.5）進行本地優化

● 核心考量：平衡安全、成本與靈活性

● 案例：新網銀行基于DeepSeek重塑金融服務模式

自2024年5月起，新網銀行就在系統研發場景中應用DeepSeek大模型，分別構建了研發知識問答助手與代碼續寫助手，極大縮短一線工程師在研發過程中查閱技術資料的耗時。另外，新網銀行還通過自研插件的方式將DeepSeek代碼大模型的能力，嵌入到代碼編輯器這類開發工具中，形成Copilot助駕的研發模式，使得專業大模型的能力可以無縫嵌入一線研發人員的工作流程中。2025年1月22日該行還完成了實驗環境的R1推理大模型的部署，進入實驗探索階段。

●挑戰：

? 算力要求：即使是微調，也需要較高的算力支持。

某城商行科技負責人科技老兵（筆名）告訴九卦金融圈，“AI大模型對于銀行而言，最大的挑戰是算力和幻覺。中小銀行算力不足，從目前看直接使用開源模型不訓練和微調也有很好的效果。

在產業和學術圈中，技術領域的從業者對Deepseek及其開源性質給予了較高評價。他們認為，Deepseek的推出帶來了兩大顯著優勢。九卦金融圈群一位銀行科技資深從業者認為，首先，對于B端使用者而言，性價比將得到顯著提升。Deepseek通過其創新的方法，降低了二訓和推理的成本，這使得更多企業和機構能夠負擔得起先進技術的使用費用，從而促進了技術的普及和應用。

其次，Deepseek的偉大之處在于它不僅提出了這種方法，還通過實證證明了其可行性。這一舉動為其他產品和技術開發者樹立了榜樣，激勵他們努力提升性價比，以更好地滿足市場需求。

? 技術門檻：銀行需具備一定的AI研發能力，否則難以定制模型。

金融科技專家王豐輝在討論中認為，“個人覺得推理能力的提升會進一步前進，這樣一些需要更多交流的復雜場景，可以有空間了。DeepSeek的最大貢獻主要體現在兩個方面：一是顯著降低了對硬件依賴的擔憂，二是在大模型的某個方向上起到了標桿或導向作用。

關于硬件依賴的問題，過去這是一個巨大的擔憂。然而，DeepSeek通過將訓練成本降低到原來的1/11，展示了中國在工程和優化方面的優勢。這意味著即使國產芯片暫時性能受限，也有機會在這一領域取得成功。

其次，關于大模型的發展方向，業界曾普遍認為遇到了數據墻和知識耗盡的瓶頸，訓練規模也達到了極限。然而，DeepSeek的R1模型展示了另一種可能性，即不依賴于大量數據輸入，而是通過純強化學習的方式，讓大模型不斷反思和優化自己的答案。這一方法不僅在理論上具有價值，而且在一定程度上證明了大模型能夠真正理解和執行推理任務。這一方法的靈感來源于AlphaGo的后續版本AlphaZero，DeepSeek重新發掘并推廣了這一方法，將其應用于深度學習領域。只要能夠深入研究人類思考和推理的頂層邏輯，仍有可能在未來取得突破。這是大模型發展的終極命題。“

?幻覺問題：

某城商行科技負責人科技老兵（筆名）告訴九卦金融圈，“最大的合規挑戰還是幻覺問題。監管比較關注AI，歸類為新技術風險，目前我們對客戶不直接提供AI服務，只面向員工提供輔助，例如：柜面助手、坐席輔助、知識庫RAG、編碼助手等。”

3

銀行AI的未來趨勢：如何在博弈中尋找突破口？

1. “自研+商業API”混合模式成為主流

?頭部銀行：以自研為主，采購部分API

?中小銀行：以采購為主，結合開源模型微調

2. AI驅動風控、營銷、交易三大核心業務

?風控：AI+大數據精準識別金融風險，優化授信策略

?營銷：AIGC驅動智能營銷，提高獲客精準度

?交易：AI優化交易策略，提高市場預測能力

● 3. AI監管要求日趨嚴格

某城商行資深從業者水袖之舞對九卦金融圈表示，"對于AI在監管層面的應用，其實監管已經在關注它的發展，并已經在監管應用中進行了嘗試"。監管機構將重點關注AI決策透明度和數據安全，銀行需加強AI合規能力，確保技術符合監管標準。

4

結語：銀行的AI選擇，決定未來競爭力

? 頭部銀行：長期投入，自研AI大模型，確保數據安全與自主可控。

? 中小銀行：快速落地，采購商業AI，降低技術門檻，實現業務賦能。

? 混合模式：基于開源模型，本地微調，兼顧成本、安全與效率。

你的銀行，AI應用到哪個階段了？是選擇自研，還是采購？歡迎在評論區分享你的觀點！