2025年春节期间，DeepSeek因发布最新开源模型R1而火遍全球。其展示出的技术优势和创新模式，为银行大模型应用带来了诸多启发。

一、注重底层创新

DeepSeek证明了底层创新的价值。DeepSeek v3采用了MLA（Multi-head Latent Attention）架构，通过低秩压缩键值对减少缓存需求，显著提高了Transformer模型的推理效率。此外，其MoE（Mixture of Experts）模型设计也进一步提升了模型的性能，以较低成本达到顶尖模型水平。银行在应用大模型时，可以借鉴这种架构设计，尝试寻找类似创新点，敢于探索新的模型结构和算法，提升模型性能和效率，突破传统技术瓶颈，以便在处理复杂金融业务时更加高效。

二、合理利用资源

DeepSeek的高性价比优势显著，以DeepSeek-V3为例，其在训练过程中仅用了558万美元和55天时间，用十分之一的成本就达到了GPT-o1级别的表现。银行在大模型应用中，需综合考虑成本与收益。在硬件选择上，不必盲目追求最先进的设备，可通过类似DeepSeek的轻量化模型，用相对较低的算力资源实现较好的效果。同时，优化内部流程，合理规划数据存储和管理，减少不必要的资源浪费，以有限的投入获取更高的价值。

三、坚持开源共享

DeepSeek的开源策略吸引了大量开发者参与，形成了一个活跃的开源生态，为其赢得了广泛关注和支持。银行可与金融科技公司、科研机构等合作，建立开源社区，共同开发和完善大模型。通过共享代码、数据和技术经验，加速大模型的创新和应用，还能降低开发成本，提高模型的可靠性和适用性。比如，多家银行联合建立一个开源的金融大模型项目，共同推动行业发展。

四、聚焦专业人才

DeepSeek凭借一群优秀年轻人对技术的热爱和高效的组织，在有限条件下取得了巨大成就。银行应重视培养和引进既懂人工智能又熟悉银行业务的复合型人才，组建专业团队。同时，优化内部组织架构，提高团队协作效率，营造创新氛围，让人才能够充分发挥其专业优势，为大模型应用提供有力支持。

五、关注长期目标

DeepSeek没有选择短平快地做应用，而是以通用人工智能为目标，坚持长期探索。银行在应用大模型时，也应树立长远目标，避免短期行为。不能仅仅满足于解决眼前的问题，要从战略高度规划大模型的发展，为未来的金融创新和业务拓展奠定基础。比如，提前布局人工智能在智能投顾、风险管理、客户服务等领域的长期应用，打造具有竞争力的金融服务体系。

六、强化数据安全

DeepSeek的开源策略虽然推动了技术发展，但也催发了对数据安全的关注，银行数据有其特殊性，大模型依赖大量客户敏感数据（如交易记录、信用信息），一旦泄露可能引发信任危机。银行在应用大模型时尤其要加强数据安全管理，一是做好数据隐私保护，建立严格的数据脱敏机制和访问权限控制，探索联邦学习等隐私计算技术，确保客户数据的安全，防止数据泄露和滥用；二是合规性考量，大模型的决策过程需要符合金融行业的合规要求，银行在应用大模型时，需要确保生成的内容和决策符合法律法规和监管要求。

DeepSeek在技术上的突破为银行大模型应用提供了宝贵的技术可行性与实践范本，但其长远价值取决于银行能否在效率提升与风险可控之间找到平衡。随着大模型技术的不断发展，银行将面临更多的机遇和挑战。银行需要在技术创新、应用场景拓展、数据安全与合规、生态合作等方面持续发力，推动大模型技术在金融领域的深度应用，实现银行业数字化转型和智能化升级。

（文章系作者投稿，文中内容不代表中国电子银行网观点和立场）

责任编辑：王煊