银行加速部署DeepSeek，不同类型银行各有算盘

银行加速DeepSeek系列模型本地化部署的情况，以工商银行接入该模型为例，介绍了其应用效果，同时分析了大中型银行布局相对缓慢的原因以及不同类型银行的布局趋势。

当下，银行正紧锣密鼓地推进DeepSeek系列模型的本地化部署工作，一场激烈的“含D量”比拼之战愈演愈烈。就在3月8日，工商银行对外宣布，已于近期完成了DeepSeek最新开源大模型的私有化部署，并将其顺利接入行内“工银智涌”大模型矩阵体系。据北京商报记者不完全统计，在工商银行之前，已经有22家银行官宣接入DeepSeek系列模型，其应用领域广泛，涵盖了智能客服、信贷审批、智能营销、风险管理、经营办公等多个重要的业务场景。

在这场“含D量”的激烈比拼中，与那些跃跃欲试的中小银行形成鲜明对比的是，大型银行的步伐显得有些迟缓。国有银行、股份制银行中官宣布局DeepSeek系列模型的可谓是屈指可数。

“宇宙行”入局

银行布局DeepSeek的脚步并未停下。3月8日，工商银行传来重磅消息，其在同业中率先完成了DeepSeek最新开源大模型的私有化部署，并将其融入行内“工银智涌”大模型矩阵体系。

据悉，“工银智涌”是工商银行企业级金融大模型技术应用体系，它集算力、算法、数据、工具、安全、应用、生态等多种要素于一体。目前，该体系已实现大模型对行内20多个主要业务领域的赋能，落地场景多达200余个。

接入DeepSeek后的“工银智涌”在产品创新、客户服务、风险防控等方面都实现了显著提升。工商银行介绍，在金融市场领域，该行打造了ChatDealing数智对话交易产品，对金融市场交易流程进行了重塑，大幅提升了交易规模。同时，还打造了远程银行坐席助手“工小慧”，实现了“智能全旅程陪伴”，推动重点场景通话时长压降约10%。此外，围绕信贷全流程，打造了专属授信审批风控助手“工小审”，它集信贷制度查询、报告编写、风险评估、数据分析、审贷建议等多种能力于一体，实现了对公信贷全场景的“智慧审贷”。

北京社科院副研究员王鹏认为，随着工商银行宣布完成DeepSeek最新开源大模型的私有化部署，国有银行在金融科技领域的布局又迈出了重要一步。这一举措不仅体现了银行对金融科技的高度重视，也预示着DeepSeek技术在银行业务中具有广阔的应用前景。

DeepSeek的开源模式就如同乐高积木一样，具备可拼可改的性能。这使得正处于数字化转型进程中的银行可以将其接入，用于丰富现有自研大模型的可能性。

在工商银行之前，邮储银行依托自有大模型“邮智”，进行了本地部署并集成了DeepSeek - V3模型和轻量DeepSeek - R1推理模型。首先将DeepSeek大模型应用于智能客服“小邮助手”，新增了逻辑推理功能，并将进一步探索在数字员工多模态交互、产业链产品智能推荐分析、反欺诈风险防控等金融场景的特色化服务应用。

建设银行也传出正在部署DeepSeek相关应用的消息。有消息称，该行已引入DeepSeek模型并进行定制化训练，积极推进生成式人工智能在全集团的体系化应用，或将集成AI工具供下属机构使用，旗下建信理财已开始研究DeepSeek在理财业务部分场景的应用。

大中型银行缘何姗姗来迟

DeepSeek以深度搜索与自适应优化算法为核心，融合了机器学习、自然语言处理及大数据分析技术。对于数据丰富的银行业来说，它能够进一步赋能业务经营发展。

北京商报记者梳理发现，除了上述3家国有银行之外，还有20家银行也已接入DeepSeek系列模型。从银行类型来看，在这场“含D量”大模型部署战中，国有银行、股份制银行布局DeepSeek系列模型的数量寥寥无几。

股份制银行方面，此前浦发银行宣布，在昇腾服务器上部署了DeepSeek - R1671B千亿级大模型，并嵌入数字员工助手应用，赋能智能问答、指标问答、财务分析、报告写作等多个应用场景，在业内率先实现了全栈国产化算力平台 + DeepSeek大模型的金融应用。兴业银行则表示，已正式接入DeepSeek - R1大模型。

从各家银行的布局及官宣节点来看，民营银行、地方银行抢先占据了市场声量。新网银行、百信银行、苏商银行均透露自2024年开始关注并引入DeepSeek，并在2025年进一步深化其应用。城商行方面，在DeepSeek春节假期爆火出圈之后，2月3日，江苏银行率先官宣将DeepSeek应用于智能合同质检和自动化估值对账场景；北京银行、江苏银行、重庆银行、成都银行、北部湾银行、内蒙古银行、北京农商行、重庆农商行、四川农商联合银行等也相继展开布局。

谈及大中型银行布局DeepSeek步伐相对缓慢的原因，中国企业资本联盟副理事长柏文喜指出，国有银行和股份制银行的决策流程相对复杂，对新技术的稳定性和可靠性要求更高。在引入DeepSeek时，需要经过多轮测试和评估，以确保其不会对现有业务产生负面影响。这些银行通常拥有更复杂的业务体系和庞大的技术基础设施，需要投入更多资源进行技术研发和系统适配。同时，部分国有大行和股份制银行在早期已投入大量资源自主研发金融大模型，对开源模型的依赖程度相对较低。此外，国有银行和股份制银行客户数据量大且敏感度高，对数据安全和隐私保护的要求极为严格。因此，在引入新技术时需要更谨慎地评估数据泄露风险和合规压力。

整体来看，相较于大型银行引入DeepSeek赋能已有大模型，中小银行则倾向于直接接入DeepSeek系列模型或与外部云服务商合作，对智能客服、信贷审批、智能营销、风险管理、经营办公等不同业务场景进行功能或业务的优化。

而地方银行、民营银行积极应用的背后，是它们急于缩小与大型银行技术差距的核心诉求。新网银行副行长李秀生表示，“DeepSeek等大模型技术的广泛应用为缩小中小银行与大型银行在大模型领域的技术差距提供了可能。”低算力要求和低数据训练成本的特性，让中小银行能够以更低成本引入和应用这些先进技术。大模型将不再是大型银行的专属，而是能够广泛应用于中小银行之中。

DeepSeek开源模型有助于减少银行利用AI相关领域的成本及使用“门槛”。虽然挑战仍然存在，但业内人士认为，银行部署DeepSeek的动力仍然存在，且不同类型银行布局或将呈现一定差异。

王鹏表示，随着工商银行的成功实践，其他国有银行与股份制银行可能会加速布局DeepSeek，这一技术将在银行业务场景中发挥更大作用。未来，不同类型银行在布局DeepSeek时将呈现不同趋势。大型国有银行与股份制银行将更加注重DeepSeek在核心业务领域的应用，并积极探索新业务场景。中小银行可能会更加注重成本效益和实用性，选择将DeepSeek应用于关键业务领域或痛点问题。而民营银行与互联网银行则可能利用DeepSeek的技术优势，拓展新的业务模式和服务方式。

本文围绕银行对DeepSeek系列模型的本地化部署展开，介绍了工商银行等银行的接入情况及应用效果，分析了大中型银行布局滞后的原因。不同类型银行因自身特点在布局上存在差异，但DeepSeek开源模型为银行业带来了新机遇，未来其在银行业务中的应用将更加广泛和深入。