陈华

经济学博士（后），金融学教授，

山东财经大学当代金融研究所所长，

中泰证券－中泰高质量发展联合研究中心

研究员。

褚文蓉

通讯作者，

山东财经大学金融硕士研究生在读，

研究方向为金融理论与实务。

目前数字金融科技呈现出快速发展的趋势，这种发展态势使商业银行面临前所未有的发展机遇与诸多挑战。传统商业银行经营模式在面对持续增长的客户需求和日渐激烈的市场竞争时，已显露出一定局限性，无法全面适应现代金融业务发展要求，亟需通过数字化转型来提升服务效率、降低运营成本以及提升风控水平等。

本文对DeepSeek与其他主流大语言模型进行了系统比较，经由对比分析发现DeepSeek在诸多方面展现出明显优势。通过对DeepSeek核心功能的深入剖析，梳理出3条DeepSeek推动商业银行创新发展的路径，与其他数字技术在金融领域应用的情况类似，商业银行应用DeepSeek时或许会面临数据安全、系统兼容等问题。针对这些潜在问题给出了前瞻性的改进手段，目的是协助银行摆脱发展瓶颈，更充分地发挥DeepSeek的技术优势。

DeepSeek在金融领域的实践加速了我国商业银行的数字化转型步伐，革新了现存的金融市场格局，也为全球范围内数字科技与金融行业的深度融合提供了可借鉴的范例。

1. 引言与文献综述

1.1 研究背景与研究意义

2024年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》。该方案明确提出，以数据要素和数字技术为关键驱动，加快推进金融机构数字化转型，支持金融机构利用数字技术赋能，全面提升金融服务质效，推动我国数字经济高质量发展。

2025年3月，《国务院办公厅关于做好金融“五篇大文章”的指导意见》再次提出要推动数字金融高质量发展，加快推进金融机构数字化转型，增强数字化经营服务能力。一系列政策和指导意见的出台为商业银行数字化转型提供了明确的政策指引和发展方向。发展数字经济和数字金融，已成为推动银行业拥抱新一轮科技革命、实现高质量发展的重要途径。

随着人工智能、大数据、区块链等技术快速发展，金融机构正面临着前所未有的机遇与挑战。商业银行作为金融体系的核心组成部分，亟需通过数字化转型提升服务效率、降低运营成本、增强风险防控能力，以应对日益复杂的市场环境和客户需求。在这一背景下，DeepSeek作为新兴人工智能技术，凭借其强大的数据处理能力和智能决策支持，为商业银行创新发展提供了全新技术支撑。

1.2 相关文献综述

1.2.1 商业银行数字化转型方面

随着金融科技的发展，商业银行正经历着全面且深刻的变革，陆岷峰和高伦特别强调商业银行数字化转型是金融强国发展战略的关键，新兴技术的出现会对商业银行数字化转型带来新的根本性变革。

宋清华等研究证实，银行要充分发挥金融科技市场化手段，通过引入数字化信息技术等能够降低人工干预程度，疏通企业融资渠道，扩大银行的信贷规模，使银行能够更好地服务实体经济。

余明桂等说明了数字化转型对商业银行所需岗位的双重影响，金融科技在催生大量新兴就业机会的同时，也对银行柜员、票据审核员等依靠手工操作以及重复性任务的传统岗位产生了冲击，让其面临被自动化系统取代而消失的风险。这种变化要求银行在重视技术创新的同时，还需注重员工数字技能的培养与发展，形成适应数字化时代的人才队伍。

王道平等运用实证分析查明，尽管商业银行数字化转型程度的加深会使银行的风险承担倾向以及系统性风险加剧，但宏观审慎监管能有效削弱这些负面影响，他们提出了渐进式的金融科技推广途径，提议把国有银行作为数字化转型发展的试点对象，逐步推广至其他银行，以此使金融创新与金融稳定之间实现动态平衡。

从商业信用与银行信用角度出发，卢垚与战明华通过实证分析得出，商业银行数字化转型显著增强了银行信用对商业信用的替代效应，有助于实现资源配置的优化以及增强信贷市场抵御风险的能力。

从更本质的方面来说，张德茂和蒋亮认为金融科技本质上是现代信息技术为金融赋能，强调商业银行需凭借金融科技创新为数字化转型发展赋能，推动经营模式从“经营资金”向“经营数据”转变。这种转变不只是应对客户需求多元化难题的战略抉择，更是加强风险管理、增强金融服务实体经济质效的关键着眼点。

1.2.2 数字金融科技应用现状与研究进展方面

就目前而言，数字金融科技在商业银行的应用日益广泛，深刻改变了传统银行的业务模式与服务模式。施志晖和陆岷峰经案例研究发现，数字金融科技在减少运营成本以及提升客户体验等多方面效果十分显著，但在实际应用时商业银行要妥善调整数据安全与隐私保护、技术投入规模以及短期收益回报之间的平衡关系。

宋科等从流动性创造视角分析认为，金融科技发展会通过降低银行成本效率和利润效率，以及抑制风险承担，对银行流动性创造产生负向影响，要鼓励银行进行数字化转型以提高经营效率和风险承担水平，从而增加银行流动性创造。

项后军和高鹏飞同样认为银行数字化转型通过提升信息透明度与削减信贷业务运营成本，能够有效抑制流动性囤积现象，并且这一抑制作用在较小规模银行中表现得尤为显著。

赵绍阳等通过微观数据分析得出，数字金融技术有效缓解了中小企业融资的约束，使更多中小企业和个人可以获得金融服务，推动普惠金融不断发展。

陆岷峰与欧阳文杰认为在数字化浪潮下，金融服务模式和金融产品方面越来越需要数字化思维和数字化技术。这要求金融机构的数据处理能力和智能系统整合能力要达到更高水平。

商业银行开展数字金融科技推广面临诸多挑战：施志晖和陆岷峰认为员工技能转变和组织架构调整带来了管理上的困境，怎样切实有效地培训员工并平稳过渡到新的工作模式成为关键问题；高昂的技术投入成本对中小银行形成了巨大压力，中小银行往往无力承担大规模的技术升级费用；肖宇和李博文提出数字金融科技在实际应用阶段面临一系列可信度和安全性问题，比如生成“幻觉”、数据隐私泄露风险以及科技伦理争议等突出问题。

1.2.3 DeepSeek技术创新与在商业银行的应用潜力方面

DeepSeek作为一种基于改进Transformer架构的大语言模型，主要由深度搜索、自适应优化算法、机器学习与自然语言处理技术等构成，能够为商业银行提供强大的技术支持。

蔡兴与彭彦烨研究表明，商业银行人工智能应用水平的提升对其经营绩效具有显著的积极影响，不过要求在人工智能应用深化的同时能够保持风险可控。

施志晖和陆岷峰指出，DeepSeek不仅可以用于风险管理、智能决策、自动化审批和跨场景金融服务等多个核心业务单元，还能根据金融市场动态变化和资产波动调整路径计算和参数配置，提高决策的稳定性和精确度。

DeepSeek具有本地化部署的优势，使银行在提升自主管理AI能力的同时保障数据安全与合规，达到金融行业的监管要求。在实际应用阶段，DeepSeek仍面临诸多挑战。

• 首先是孟添和陆岷峰提出的缺乏数据隐私保护与合规性要求复杂化的双重挑战，在影响用户信用的同时也会影响DeepSeek在商业银行的大规模全面部署。

• 再者是技术适配性与系统融合难题凸显，银行需要对现有的IT基础设施开展全面升级改造以支持DeepSeek运行。

• 最后是商业银行要面对资金投入与投资回报的平衡问题，银行必须在高昂的前期投资与未来的投资回报之间找到平衡点。

通过文献梳理可以发现，不少研究都聚焦于金融科技和人工智能在商业银行的实际应用探索，对于DeepSeek这类大规模语言模型具体使用模式及赋能作用的系统性研究还未形成体系，现有研究大多把精力集中到已成熟的技术领域，却忽略了DeepSeek在获客能力、风险把控、风险定价等方面的优势。尽管现阶段围绕DeepSeek在商业银行应用的研究不太全面，但其潜在应用前景十分广阔。随着技术不断进步和应用场景的拓展，DeepSeek有望成为商业银行数字化转型的重要驱动力量，帮助银行在激烈市场竞争中脱颖而出，未来研究要努力弥补此领域现存空白，为商业银行给出更具前瞻性及实用性的指导。

1.3 国内商业银行DeepSeek技术应用现状

从国有银行到股份制银行再到城商行、农商行以及民营银行，多家银行机构均已完成了DeepSeek系列模型的本地化部署进程（见表1）。国有商业银行率先实施数字化转型布局：工商银行实施DeepSeek开源大模型的定制化私有部署，并且将其整合入“工银智涌”技术体系内；邮储银行则借助其自有的大模型“邮智”，集成了DeepSeekV3和轻量DeepSeek-R1推理模型，打造智能客服系统“小邮助手”。

表1 部分银行部署应用DeepSeek大模型现状

数据来源：公开资料整理。

股份制银行也迅速积极跟进：浦发银行依托昇腾服务器架构顺利部署了DeepSeek-R1-671B千亿参数大模型；兴业银行基于DeepSeek-R1模型构建“智能兴业”大模型训练推理一体化解决方案；中信百信银行通过部署轻量级DeepSeek-R1模型重点优化智能编程辅助工具。

城商行方面，江苏银行采用DeepSeek-VL2多模态模型与R1推理模型的组合方案，应用到智能合同质检、自动化估值对账等工作中；北京银行在完成DeepSeek-V3和R1模型的部署优化后，将其深度整合至其打造的人工智能创新平台。青岛农商行以及重庆农商行等多家农商行也已完成DeepSeek模型的本地化部署并广泛应用到智能客服、员工培训等多个业务场景。民营银行苏商银行创新性地运用DeepSeek-VL2模型处理非标准化业务材料，同时基于R1模型搭建智能编程平台。

我国商业银行正积极主动地采用DeepSeek等前沿大模型技术，推动业务创新与技术升级。虽然银行业在推进DeepSeek大模型部署时，面临数据安全、系统兼容和人才短缺等多重挑战，但各银行依旧持续投入资源以强化技术改进与优化工作，保证DeepSeek稳定高效地赋能银行业务。

2. DeepSeek与主流大模型的对比分析

近年来，随着人工智能领域中大规模预训练模型的迅猛发展，多个行业迎来了智能化转型的新机遇。特别是在金融行业，大模型展现了广阔的应用前景。通过与ChatGPT（GPT-4）、Kimi、文心一言、通义等主流大模型对比分析，发现DeepSeek在多个方面展现出独特核心竞争优势。

2.1 当前主流大模型技术概述

目前大部分大模型核心技术基础都是基于Transformer 架构。传统的Transformer架构主要由输入嵌入层（Input  Embedding）、多头注意力机制（Multi-Head SelfAttention）、前馈神经网络（ Feed-Forward Network, FFN）、残差连接与层归一化（Residual Connection &  Layer Normalization）、编码器—解码器结构（EncoderDecoder）等模块组成。

多模态能力是指人工智能系统能够同时处理和理解多种类型的数据，如文本、图像、音频、视频、3D模型等，并通过跨模态的融合与推理，实现更接近人类认知的智能任务的能力。多模态人工智能的核心在于整合不同模态的信息，以提供更全面、准确的理解和输出，从而增强模型的适应性和应用范围。目 前，许多领先的大模型已经具备多模态能力，但不同模型的支持程度和模态范围会有所不同。（未完，完整内容，请订阅杂志。）

责任编辑 | 余健仪

文献来源：陈华、褚文蓉.DeepSeek赋能商业银行创新发展： 功能特色、面临挑战及应对策略[J].科技与金融,2025(6):63-74.