关于DeepSeek和银行的思考

本文并不涉及任何具体投资标的，更多是对于DeepSeek能给银行业带来变化的一种思考。虽然我自己也是计算机科班出身，但是常年并不从事人工智能相关工作所以关于人工智能这块内容难免有理解偏差的地方。如果文章内有任何错误，欢迎大家指正。 首先，我先表明一下我对DeepSeek的是非常支持而且也很看好。应该说DeepSeek的出现让美国妄图通过限制GPU对华出口来扼杀中国人工智能发展的阴谋破产。DeepSeek开源模型及相关算法推动了人工智能在更多领域应用并落地，有利于人工智能的进一步发展。最新的消息是清华团队在显存容量为24G的消费级显卡4090上满血复活了DeepSeek-R1 满血版（671B），这意味着：直接断了英伟达高毛利率产品在推理场景的路。 之前每次新技术一出来总会有人说对某传统行业要颠覆了，比如：互金最热的时候都说要颠覆银行，结果后来大家都看到了，某公司被认定为垄断，挨罚了。这一次还好，还没有人说DeepSeek要颠覆银行业。 不过，确实有粉丝问我有了DeepSeek是不是券商的研究员就要失业了？DeepSeek是否能给出高水平的公司分析？更有甚者拿了一段DeepSeek分析招行的内容，让我评价一下。我拿过来扫了一眼，看着还像那么回事儿。仔细一读，怎么有点似曾相识的感觉。再一看，我去DeepSeek把我在2021年写的分析文章截取了一部分回复给那位粉丝的。这搞得我哭笑不得。 我觉得大家一定要理解DeepSeek虽然能产生一定的推理能力，但是它并不具备真正意义上的创造观点的能力。它只能把网络上现有的观点和文字加以组合加工。它评价对错的标准是根据内容出现的频度，而非正确与否。没有专家系统监督学习的结果就是对于普适性的知识，大模型是可以反馈正确答案的。但是，对于真理掌握在少数人手中的领域，大模型就有些水土不服了。而且，大家平时用的模型都是训练好现成的，模型训练的数据会有时效性，很难针对当前的现状给出最新的结果。 实际上根据我观察到的情况，DeepSeek在投资领域是在制造更多的垃圾信息，反而让有价值的信息淹没在垃圾中。比如，最近我看到好几家金融自媒体或者纸媒的官方号，发类似这种文章：《用DeepSeek对十家上市银行的分析》，《DeepSeek对十三家上市银行快报的解读》等等。我点进去一看，清一色的片汤话，毫无价值可言。我相信，DeepSeek这种生成式大模型未来一定会大范围应用于那些有渠道，有粉丝群的营运型公众号，服务号里面。观点不是每个记者和写手都有的，但是让人工智能抄作业猪头都会。最终的结果就是有灵魂和思想的内容会越来越少，垃圾内容会越来越多。更多的垃圾内容进入到模型训练的数据集中会加强垃圾内容的权重。 所以，对于投资者，DeepSeek更适合作为信息检索工具，而不适合作为投资决策依据。 DeepSeek的现状决定了，它在银行中的应用场景更多集中于信息辅助和客服交互等领域。而且，银行利用DeepSeek模型还有自己独特的优势。目前开源的额DeepSeek框架所使用的训练数据应该是利用网络上其他大模型蒸馏出来的。但是，从最根源看，它的底层知识库是没有经过专家系统校正的。但是，银行自己是掌握着一整套完整的专家校正后的训练数据。如果利用开源的DS模型针对银行专家系统校正过的知识库进行适应性训练，那么调优后的模型针对金融知识的响应准确度会大大提升，甚至超越一般客服人员的知识储备。 一旦这类应用全面上线意味着，招行用1/2的客服团队就可以覆盖几倍于现在的长尾客群。过去我曾经说过，未来银行的客群覆盖模式必然从重资产的网点覆盖转向轻资产的手机银行+ATM/VTM+高净值客户体验中心（网点）的覆盖模型。 我们以招商银行为例，在新模型下，招行的网点可以覆盖更广的地域，更多的客群，也就意味着单店达到盈亏目标对应的居民收入水平会下降。过去，招行的网点主要集中于环渤海，长三角，珠三角等经济发达地区，其他区域招行的网点很少。最主要的原因就是招行对于单店的盈利指标较高，只有潜在客群的收入水平足够高，经济足够活跃，才能达到招行的展业标准。 新技术的应用降低了客群维护的成本，扩大了单店覆盖客群的范围和人数。这就为招行在更多的地域展业打下了坚实的技术基础。反过来说，过去某些国有大行网点密度的竞争优势将会大打折扣，甚至成为新时代的历史包袱。 除了客服的应用场景外，以DS为代表的大模型在协同办公，重复性任务执行，程序框架开发辅助，贷款风控等场景都有非常广阔的场景。 我们以信用卡审批为例，过去银行采用的是打分卡模式，其中某些指标具有较高的权重，比如：是否有稳定的工作，稳定的工资收入，是否有社保等等。但是，这种比较刻板的评估模型容易让某些潜在客户流失。比如：职业股民，我们群里就有这样的情况某大哥坐拥几千万市值的职业股民，去申请招行信用卡的时候就因为没有工作，没有稳定的工资收入就被拒绝了。未来如果能够引入大模型对于信用卡的审批进行弹性审核，去分析客户潜在的违约概率，而不是简单地按照刻板的规则筛掉银行认为“风险高”的客户。那么，银行的风控能力会得到更大的提升。 可以预见，DeepSeek为首的开源大模型将会很快在银行内找到适配的场景，提升银行的营运效率，降低营运成本。更重要的是由于DS本身对硬件的需求降低了1-2个数量级，银行算力和电力的瓶颈在短时间内将得到缓解。