九卦 | 银行AI抉择：如何平衡安全、成本与创新？_

作者 | 九卦姐

来源 | 九卦金融圈

从DeepSeek等开源大模型的崛起，到银行自主训练专属AI，科技与金融的融合加速推进。数字金融百人访谈，聚焦银行科技实践，探讨AI如何重塑金融业务，描绘未来智能银行的蓝图。

本期嘉宾：

金融科技专家王丰辉、某城商行资深从业者水袖之舞（笔名）、某城商行科技负责人科技老兵（笔名）、某银行数字银行部负责人陆观溟（化名）、九卦金融圈群一位银行科技资深从业者等

本期主持人：

九卦姐

AI大模型技术正在加速渗透银行业，从风控、营销到交易、合规，银行AI应用正进入深水区。但不同于互联网企业，银行对AI的选择更复杂——既要追求创新，又要确保数据安全，还需符合严格的监管要求。银行如何在这场AI博弈中做出最优抉择？

● 自研：头部银行倾向于自建AI体系，以确保核心技术可控，但高昂的算力和人才成本是难题。

● 采购：中小银行更倾向于采购外部AI解决方案，如腾讯云、阿里云等，但数据安全和定制化能力受限。

● 开源+本地微调：基于开源模型（如DeepSeekV3和R1、Qwen2.5）进行本地优化，正在成为部分银行的新选择。

银行如何在这场AI博弈中做出最优抉择？九卦金融圈采访了多位银行科技高管及金融专家，本文将结合他们的观点，探讨银行AI应用的核心痛点、决策逻辑及未来趋势。

银行AI的真实痛点：不只是技术，更是安全、合规与成本

在银行内部推动AI落地的过程中，最大的挑战是什么？

“不是技术，而是安全、合规、成本。”——某国有大行AI实验室负责人

1️⃣ 数据安全 vs. AI能力

银行掌握着最敏感的金融数据，但AI模型需要大量数据训练，如何确保数据安全成为银行的核心考量。

“银行的数据是最宝贵的资产，不能随便交给第三方模型训练。”——某股份制银行高管

据悉，头部银行往往倾向于自研AI，以确保数据留在本地。但这也带来了更高的训练成本和算力需求。

2️⃣ 监管合规 vs. 创新速度

AI技术的发展速度远超金融监管的调整速度，银行如何在合规框架内推进AI？

“风控、合规部门最关心的是‘AI做的决定是谁负责？’”——某城商行科技部负责人

的确，银行需要确保AI的决策可解释、可追溯，才能让监管机构放心。而目前部分AI模型仍存在“黑箱”问题，难以在风控、信贷审批等关键业务场景中全面应用。

3️⃣ 成本 vs. 效率提升

银行AI的ROI（投资回报率）是高管最关心的问题。

“AI能带来效率提升，但如果成本高到难以承受，落地就是空谈。——某城商行数字化转型负责人如此认为。

他们都认为，自研AI的成本极高，除了算力投入，AI人才成本也是银行面临的难题。而采购外部AI虽然成本较低，但长期依赖外部供应商也存在风险。

银行AI技术路线：自研、采购，还是开源微调？

▶ 头部银行：倾向自研，确保核心可控

“我们更倾向于自研，确保数据不外流。”——某国有大行AI团队负责人

● 代表银行：工行、农行、建行、中行等

● 技术策略：自研大模型 + 采购部分商业AI

● 核心考量：数据安全、合规可控、形成长期竞争力

● 案例：某国有大行AI实验室

该行已成立独立的AI实验室，基于开源大模型+本地训练，打造适配金融业务的专属AI。核心数据不出银行，同时采用少量外部API（如GPT-4）用于低敏感度业务场景。

●挑战：

⚠ 算力成本高：自研AI需要大量GPU资源，硬件投资巨大。

⚠ 人才短缺：银行的AI人才储备不足，难以与互联网大厂竞争。

▶ 中小银行：倾向采购，快速落地AI能力

某银行数字银行部负责人陆观溟（化名）告诉九卦金融圈，“采购AI是现实选择，但数据安全问题需要特别注意。科技团队正在探索打造 AI 基座，计划后续在各业务条线部署垂直领域 AI 助手，预计在行内制度文件解读及内部管理（如员工请假、晋升规定、日常服务等）方面率先取得突破。未来科技人员重点在于研究 AI 供应商，包括架构、选型（开源或购买 API），规划基座功能（如是否支持多模态、语音文字输出、图片视频等）。“

。

●代表银行：股份制银行、城商行、农商行

● 技术策略：采购腾讯云、阿里云、华为云等AI服务

● 核心考量：降低技术门槛，快速落地AI，提高业务效率

● 案例：某股份制银行采购AI客服方案

该行采购外部AI客服解决方案，将客户服务自动化，减少40%人力成本。但由于数据存储问题，部分敏感业务仍采用人工处理。

●挑战：

⚠ 数据隐私合规问题：商业AI的存储和调用方式，必须符合监管要求。

某城商行科技负责人科技老兵（笔名）对九卦金融圈谈到,“AI目前还是辅助，提高效率。另外，基于AI或规则的风控模型已经可以在信贷、反欺诈代替人工，在网贷、反诈等场景发挥重要作用。不过，AI生成的营销方案也是辅助。银行合规应用案例主要是规章制度知识库、外规内化分析、法律审查等场景。”

⚠ 定制化不足：通用AI模型未必能完全适配银行业务。

”在运维上，AIOps可以在根因分析、知识库等方面发挥作用，但目前还不能完全取代人工“，某城商行科技负责人科技老兵（笔名）如此称。

▶ 开源+本地微调：银行AI的新选择？

某城商行科技负责人科技老兵（笔名）对九卦金融圈表示，“开源+本地微调，可能是银行AI的最优解。我们更倾向于本地化部署，毕竟涉及数据安全的问题。如果不涉及数据安全，可以使用API调用外部大模型。另外，通义千问和DeepSeek等开源大模型，其能力不比商用大模型差。

某城商行资深从业者水袖之舞表示，我们AI主要用于RAG知识库、代码辅助、OCR识别等领域，采用开源大模型和银行应用场景相结合，培养自己大模型应用能力。““区域性银行更倾向于训练自己的模型，做到监管的自主可控。AI对于区域性银行最大的挑战是“信息科技的信息差被打破，话语权会下降”。

● 代表银行：部分股份制银行、科技驱动型银行

● 技术策略：基于开源模型（DeepSeek、Qwen2.5）进行本地优化

● 核心考量：平衡安全、成本与灵活性

● 案例：新网银行基于DeepSeek等AI大模型提升金融服务质效

自2024年5月起，新网银行就在系统研发场景中应用DeepSeek大模型，分别构建了研发知识问答助手与代码续写助手，缩短一线工程师在研发过程中查阅技术资料的耗时，通过自研插件的方式将DeepSeek代码大模型的能力，嵌入一线研发人员的工作流程中。2025年1月22日该行还完成了实验环境的R1推理大模型的部署，进入实验探索阶段。

●挑战：

⚠ 算力要求：即使是微调，也需要较高的算力支持。

某城商行科技负责人科技老兵（笔名）告诉九卦金融圈，“AI大模型对于银行而言，最大的挑战是算力和幻觉。中小银行算力不足，从目前看直接使用开源模型不训练和微调也有很好的效果。

在产业和学术圈中，技术领域的从业者对Deepseek及其开源性质给予了较高评价。他们认为，Deepseek的推出带来了两大显著优势。九卦金融圈群一位银行科技资深从业者认为，首先，对于B端使用者而言，性价比将得到显著提升。Deepseek通过其创新的方法，降低了二训和推理的成本，这使得更多企业和机构能够负担得起先进技术的使用费用，从而促进了技术的普及和应用。

其次，Deepseek的伟大之处在于它不仅提出了这种方法，还通过实证证明了其可行性。这一举动为其他产品和技术开发者树立了榜样，激励他们努力提升性价比，以更好地满足市场需求。

⚠ 技术门槛：银行需具备一定的AI研发能力，否则难以定制模型。

金融科技专家王丰辉在讨论中认为，“个人觉得推理能力的提升会进一步前进，这样一些需要更多交流的复杂场景，可以有空间了。DeepSeek的最大贡献主要体现在两个方面：一是显著降低了对硬件依赖的担忧，二是在大模型的某个方向上起到了标杆或导向作用。

关于硬件依赖的问题，过去这是一个巨大的担忧。然而，DeepSeek通过将训练成本降低到原来的1/11，展示了中国在工程和优化方面的优势。这意味着即使国产芯片暂时性能受限，也有机会在这一领域取得成功。

其次，关于大模型的发展方向，业界曾普遍认为遇到了数据墙和知识耗尽的瓶颈，训练规模也达到了极限。然而，DeepSeek的R1模型展示了另一种可能性，即不依赖于大量数据输入，而是通过纯强化学习的方式，让大模型不断反思和优化自己的答案。这一方法不仅在理论上具有价值，而且在一定程度上证明了大模型能够真正理解和执行推理任务。这一方法的灵感来源于AlphaGo的后续版本AlphaZero，DeepSeek重新发掘并推广了这一方法，将其应用于深度学习领域。只要能够深入研究人类思考和推理的顶层逻辑，仍有可能在未来取得突破。这是大模型发展的终极命题。“

⚠幻觉问题：

某城商行科技负责人科技老兵（笔名）告诉九卦金融圈，“最大的合规挑战还是幻觉问题。监管比较关注AI，归类为新技术风险，目前我们对客户不直接提供AI服务，只面向员工提供辅助，例如：柜面助手、坐席辅助、知识库RAG、编码助手等。”