深度|“AI原生銀行”來了，人工智能時代商業銀行加速“變形”
財聯社3月14日訊（記者 郭子碩，羅克關）DeepSeek爆火之後，銀行對大模型的應用正加速從技術探索轉向場景落地，其對組織模式、人才儲備等方面的影響也在顯現。
近日，微衆銀行宣佈要從數字銀行邁向AI原生銀行，成爲國內首家宣佈向AI原生銀行轉型的商業銀行。
微衆銀行數字金融發展部負責人姚輝亞向財聯社記者表示，所謂商業銀行AI原生階段，即產品設計、研發、部署、運維等過程都將基於AI無處不在的理念進行，AI成爲功能的自然組成部分。目前，微衆銀行從基礎設施、應用、治理三個層次構建AI系統化能力。
姚輝亞強調，這一過程將是系統性變化，商業銀行需要通過組織架構調整和人員AI素養培訓等舉措做好充分準備。
本輪DeepSeek熱潮以來，至少有30家銀行宣佈接入。財聯社記者注意到，目前強調AI內嵌將對組織架構帶來影響的銀行仍然不多。AI時代悄然來臨，商業銀行如何界定大模型應用邊界、平衡效率與風險？銀行如何依據AI特性使用AI，用好AI？這些問題都是現實挑戰。
AI變革對銀行人才儲備挑戰正在加大
“AI原生的理念更強調AI不再是產品的補充或附加組件，而是構成產品與體驗的有機組成部分。不是簡單地將AI嵌在流程裡，而是流程嵌進AI裡。”姚輝亞對財聯社記者表示。
他認爲，這一變化這將引發系統性的變革——無論在產品設計、研發體系、基礎設施，還是組織人才、風險治理層面，AI能力都將滲透至金融服務的全生命週期，成爲功能的自然組成部分。因此，銀行需要通過組織架構調整和人員AI素養培訓等舉措做好充分準備。
財聯社記者瞭解到，DeepSeek開源模型發佈後，微衆銀行已在業內率先成功部署DeepSeek-R1滿參數模型。
不過，儘管AI引入對效率提升顯著，但目前仍處於‘輔助駕駛’的階段。其中核心問題是通用大模型存在一定的幻覺問題，即使用本地數據仍可能出現不準確的情況。姚輝亞認爲，銀行要充分認知AI的約束性和侷限性，將大模型應用到合適的場景中。
姚輝亞甚至強調，除了專業人才外，也需要業務人員具備較高的數字化素養和AI素養，纔能有效發揮AI工具的價值。
對於DeepSeek之後模型生態持續迭代帶來的挑戰。姚輝亞認爲銀行應重點把握兩個方面：一是通過架構設計支持開源模型的可插拔特性，二是加強算力資源管理以應對未來巨大的算力消耗需求。
對於商業銀行研發大模型過程中的合規要求，姚輝亞告訴財聯社記者，此前，中國人民銀行、工信部、網安標委曾出臺一系列的模型風險管理要求以及數據治理要求，這些規定基本覆蓋了大模型可能引發的風險類型。
“實際上，大模型帶來的風險還是拆解到信息科技風險、數據風險和模型風險等幾類，所謂的大模型風險只是源於更復雜的模型算法。而在應用大模型之前，是否具備相應的治理能力至關重要。”姚輝亞對記者表示。
大幅降低成本，超30家銀行競相接入大模型
財聯社記者注意到，以DeepSeek-R1爲代表的大模型問世後，因其具備“低成本、高性能、開源”的優勢，近期銀行業內掀起一波接入熱潮。
某國有大行金融科技子公司人士告訴財聯社記者，DeepSeek大幅降低了推理成本，銀行私有化部署後，已經用在生成營銷話術、營銷預測、分析用戶畫像上。而且由於DeepSeek能提高代碼質量，大模型還被用來自動生成代碼，大幅提高了開發效率。
梳理應用情況，各行接入DeepSeek後也主要落地在風控、營銷、客服等業務。工商銀行將DeepSeek模型接入自主研發的 “工銀智涌”大模型矩陣體系，落地三大應用場景：在金融市場領域推出ChatDealing數智對話交易產品，實現交易規模提升；遠程銀行坐席助手 “工小慧”推動通話時長壓降10%；信貸審批風控助手 “工小審” 實現對公信貸全流程智能化。
招商銀行“AI理財顧問”依託DeepSeek-VL2多模態模型，將客戶畫像顆粒度提升5倍，實現個性化理財建議定製，滿足多樣化金融服務需求。
從趨勢上看，本次引入DeepSeek模型的主力部隊是城農商行、民營銀行等中小銀行。而這一部署態勢也正好反映了DeepSeek的“撬動性質”。新網銀行副行長李秀生此前表示，DeepSeek的低算力要求和低成本特性，爲中小銀行縮小與大行的技術差距提供了可能。
道樂科技CEO盧良楷告訴財聯社記者，過去銀行在使用外部AI服務時，面臨數據需要出境或離開銀行系統的問題，這不僅增加了合規性風險，還可能威脅到客戶隱私的安全性。隨着Deepseek這類開源大模型的出現，這一問題得到了新的解決方案。
“這些模型的本地化部署成本顯著降低，使得銀行能夠在內部環境中運行AI系統，從而有效避免數據外流的風險。儘管如此，在實施本地化部署的過程中，銀行仍然需要高度關注數據安全和隱私保護，確保數據處理流程符合嚴格的監管要求，並維護客戶對銀行的信任。”盧良楷補充。
商業銀行還有必要自研大模型嗎？
隨着AI時代來臨，一個老問題又擺到了各家商業銀行面前：還有必要下場自研大模型嗎？
“銀行沒必要自行研發通用大模型。由於面臨數據規模、算力資源、人才積累等多重資源約束，商業銀行在通用大模型訓練方面的客觀實力與具備萬卡級算力的大廠存在顯著差距。”姚輝亞指出，銀行的核心優勢在於本地化場景與垂直領域數據，AI落地應聚焦在應用層面，立足實際場景通過‘大小模型結合+本地數據’落地應用顯然更爲務實。
招商銀行信息技術部副總經理俞吳傑在近期指出，不建議盲目跟風，尤其是一次性的大投入，目前大模型的發展還有很多變數，包括通用大模型哪個更優，怎麼部署等，都還在變化過程當中。
盧良楷也指出：“算力是銀行AI化的核心瓶頸。銀行現有的老舊系統難以支撐實時計算與大規模模型訓練，而國內IT算力廠商能力不足加劇了對國外設備的依賴。”
隨着數字化時代的全面來臨，技術鴻溝問題日益凸顯。姚輝亞坦言，中小金融機構面臨技術儲備薄弱與研發資源有限的實際困難，亟需通過技術合作與開源生態構建實現技術資源的優勢互補，依託行業集體智慧加速數字化轉型進程，避免重複性技術投入造成的資源耗損。