财联社 2 月 24 日讯，记者林坚报道。DeepSeek 逐渐成为国内券商的标配。在海外市场中，这款是唯一一个被接入的国内大模型，在过去几周内，近 40 家券商成为其接入或本地化部署的对象。不难看出，以 DeepSeek 等一系列大模型为代表，正在对证券业的格局以及未来产生深刻改变。
2023 年 8 月 31 日，11 家大型语言模型顺利通过了《生成式人工智能服务管理暂行办法》的备案程序。这表明大语言模型在监管框架以及应用模式上达到了一个重要的成熟阶段，同时也开始步入大规模推广的时期。大模型的企业级应用呈现出全面井喷的态势，但总体而言仍处于方兴未艾的状态，那么还有哪些细节以及痛点呢？近期，银河证券信息技术部有一个数据与智能应用模块，其负责人是刘永旗。刘永旗与财联社记者进行了一次深度对话，对话聚焦于大模型的企业级应用，尤其着重于 DeepSeek 所带来的变革。
刘永旗称，整体来看，DeepSeek 的出现调动了证券行业内广泛的使用积极性，企业用户的需求急剧增加，应用场景持续拓展，不断增强计算能力并且做到有效利用资源是很重要的。券商应当融合各种尺寸与类型的模型，把推理型大型模型运用到需要复杂推理的领域中，同时在简单问答的场景里使用通用型大型模型。我们可以通过这种方式，让不同模型发挥出独特的优势，它们能够协同工作，以此提升整体的 AI 性能。在提升业务成效的过程中，我们既要兼顾性能方面的考量，又要确保技术能够真正落地应用，同时实现规模效应，这样就能达到降低成本和提高效率的目的。
刘永旗称，银河证券主动去迎合 AI 时代的趋势。在大模型刚开始兴起的时候，就对 GLM、DeepSeekV1 等开源大模型的应用场景进行了深入的探究。并且逐步把通义千问 7B-72B 以及 VL 等不同规模的大语言模型和多模态大模型给引入进来。
今年2月初，银河证券上线了
DeepSeek-R1-Distill-Qwen-32B 版本，并且在 2 月 17 日正式推出了 DeepSeek-R1 的“全尺寸”模型。银河证券通过构建企业内“特性+尺寸”的双维模型库，达成了轻量化部署以及处理复杂任务的双重需求。公司已对 DeepSeek-R1 系列大模型及通义千问模型进行深度适配优化。双模型体系已被成功应用到公司自研的投顾平台 G-Winstar（问 TA 系统）中。由此构建了一个能够覆盖投顾服务全链条的智能中枢。
看点一：算力军备竞赛与模型“组合战法”涌动
2024 年 12 月 26 日，中国 AI 行业迎来了一个历史性时刻。深度求索（DeepSeek）发布了 MoE（混合专家）大模型 DeepSeek-V3，其参数规模达到 6710 亿。在多项评测中，该模型超越了 MetaLlama-3.1、阿里 Qwen2.5 等国际主流模型，其性能直逼 GPT-4o 与 Claude-3.5-Sonnet。其客户端在 7 天内就突破了 1 亿用户，这一点非常引人注目。它刷新了 GPT、TikTok 等国际产品的增长纪录。由技术突破所引发的这场行业地震，正在对全球 AI 竞争版图进行重构。
刘永旗认为，DeepSeek 产生了“破圈”效应，这种效应引发了全球产业链的重构，这是一个不争的事实。
刘永旗觉得，DeepSeek 的影响力要比 2022 年 GPT 面世时更大。其一，云服务的争夺之战已经开始。像微软 Azure、亚马逊 Bedrock 等这些国际云领域的巨头纷纷争相接入 DeepSeek 模型，而华为云、阿里云也推出了“千卡集群 + DeepSeek 适配”这样的国产化方案；其二，硬件生态的绑定正在逐步构建起来。英伟达 NIM 平台将其列为推荐的推理框架。AMD MI300X GPU 针对它进行了性能优化。英特尔实现了酷睿处理器的离线运行。这表明未来的 AIPC 有可能会标配“中国芯+中国脑”。
在金融业场景方面，DeepSeek 应用呈现出爆发的态势。刘永旗称，至少有 37 家国内券商已经部署了 DeepSeek-R1 的本地化方案。某券商的投研部透露，他们的行业报告生成效率从 8 小时被缩短到了 20 分钟，并且实现了宏观数据与产业链图谱的自动关联。
从成本方面来看，刘永旗分析指出，DeepSeek-R1 在模型训练等方面实现了创新，同时还显著降低了成本。从推理能力方面来看，DeepSeek-R1 表现得很突出，为券商应用提供了重要价值。
从应用效果角度来看，刘永旗表示，凭借创新的模型架构以及工程优化，DeepSeek使训练和推理成本大幅降低，DeepSeek - R1 的整体训练成本比 OpenAI 少了一个数量级还多。在模型性能方面，DeepSeek - V3 作为 MoE 模型，在多项测评中超越了主流的开源模型，其性能与顶尖的闭源模型不相上下。DeepSeek-R1 在后续的训练阶段大量运用强化学习技术，这使得模型的推理能力得到了极大提升。它在数学、代码以及自然语言推理等任务上，与 OpenAI o1 正式版不相上下。它蒸馏出的 6 个小模型，在多项能力方面达到了与 OpenAI o1-mini 相对标的效果，同时也拓展了多场景的应用潜力。
看点二：证券业算力、模型、数据和场景全面革新
刘永旗告诉记者，大模型的企业级应用主要涉及场景方面，DeepSeek 对证券行业在这方面产生了显著影响。
国内大模型在算力方面，最初参数规模为 100 多亿，之后逐渐扩展到 700 多亿。此前，主流模型的参数规模仍在千亿以下。不过，DeepSeek-R1 的全尺寸参数规模达到了 6000 多亿。随着模型效果的提升以及尺寸的增大，算力需求呈现出迅猛增长的态势。证券行业对安全和合规有很高要求，叠加这一因素，证券公司不得不面临本地化部署的限制，同时还要支持激增的应用需求，以赋能业务发展。
再者是模型方面。刘永旗表示，当下国内主流大模型存在两种情况，要么部分开源，要么不开源。然而 DeepSeek 与众不同，它不仅效果良好，并且全部开源。这一特性会促使更多商业模型走向开源之路，给企业级应用提供更多的选择余地，让企业能够依据不同的业务场景来适配更多的模型，进而更有效地满足多样化的业务需求。
在数据方面，目前业界较为成熟的方案是把数据转化为知识库，接着利用 RAG（检索增强生成）的方式来赋能业务场景。DeepSeek 凭借其强大的数据分析能力以及推理归因能力，在这个基础上为证券行业提供了更便捷、更高效的应用途径，能够帮助企业更好地挖掘数据价值，进而提升业务决策的准确性和效率。
第四是场景方面。通用大模型一般需要精心设计的提示词来引导其思考与输出，从而达到可上线的业务效果。DeepSeek-R1 在推理过程中，会先依据输入的内容展开思考，接着生成回答。在实际落地时，只需简单的提示词就能取得良好效果，这大大降低了企业级应用的门槛，也加速了业务创新。此外，DeepSeek-R1 在复杂推理方面比通用模型更有优势。它可以结合结构化和非结构化数据，在投顾、投研、投资等业务中去探索更复杂的场景，突破了只是简单进行知识库问答的限制，从而进一步拓展了业务场景的广度和深度。
这些影响在银河证券的探索中有所体现，尤其是公司构建了一个智能中枢，这个智能中枢覆盖了投顾服务的全链条。
一方面，大模型具备深度推理分析能力、智能知识调用能力以及自我修正机制。同时，银河证券自身沉淀了专业数据库、业务数据库与研究资源库。通过这些，能够实现对客户数据的深度挖掘和精准画像，推动投顾服务与产品的精准推送，协助投资顾问快速生成多种形式的客户综合金融解决方案，以满足投资者“千人千面”的财富管理需求，从而给予客户更高效、更定制化的投资体验。
一方面，将自研投顾平台 G-Winstar（问 TA）进行深度融合。该平台基于大模型的复杂任务处理能力与推理能力，把 DeepSeek 等大模型能力运用到投顾展业的全链条中。凭借中国银河证券多年的投顾展业经验，在服务的事前、事中、事后分阶段场景里，逐步把专家经验嵌入其中，以实现多场景的深度对接，保证大模型“答得有用、答得更好”。真正能够帮助一线投顾去灵活应对各种多样化的展业场景需求。当此功能上线之后，会大幅度提升投资顾问在专业服务方面的效率和效果。
