《計算機行業金融+AI系列報告（一）：銀行或為下游最先崛起的AI應用場景-250512（57頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業金融+AI系列報告（一）：銀行或為下游最先崛起的AI應用場景-250512（57頁）.pdf（57頁珍藏版）》請在三個皮匠報告上搜索。

1、 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 Table_Info1 計算機計算機 Table_Date 發布時間：發布時間：2025-05-12 Table_Invest 優于大勢優于大勢 上次評級:優于大勢 Table_PicQuote 歷史收益率曲線 Table_Trend 漲跌幅（%）1M 3M 12M 絕對收益 8%-6%28%相對收益 3%-5%23%Table_Market 行業數據 成分股數量（只）336 總市值（億）41734 流通市值（億）36305 市盈率（倍）259.86 市凈率（倍）3.99 成分股總營收（億）12390 成分股總凈利潤（億）178 成分

2、股資產負債率（%）44.08 相關報告 中國 AI 崛起：技術突破與應用落地-20250326 Table_Author 證券分析師：陳俊如證券分析師：陳俊如 執業證書編號：S0550523100004 13621875259 Table_Title 證券研究報告/行業深度報告 銀行或為下游最先崛起的銀行或為下游最先崛起的 AI 應用場景應用場景-金融金融+AI 系列報告（一）系列報告（一）Table_Summary 考慮到較為充裕的考慮到較為充裕的 IT 預算資金、市場化的系統以及整合程度高的內部預算資金、市場化的系統以及整合程度高的內部數據，我們認為，銀行有望成為國內數據，我們認為，銀行有

3、望成為國內 AI 落地先鋒。落地先鋒。DeepSeek-R1 推理成本僅為對標推理成本僅為對標 OpenAI o1 系列的系列的 1/30，推動行業進入，推動行業進入“AI 普惠化”新階段。普惠化”新階段。自 2023 年 7 月成立以來，DeepSeek 在一年多的時間內推出了多個知名的開源模型。截至 2025 年 5 月，DeepSeek 發布的模型可分為通用語言模型（V 系列）、推理專用模型（R 系列）、多模態模型等五大類。其中 DeepSeek-R1 在數學、代碼和推理任務方面均達到了與 OpenAI-o1 相當的性能，但推理成本僅為 OpenAI o1 系列的 1/30。我們認為，D

4、eepSeek 之所以能做到訓練/推理成本優化，歸功于混合專家模型（MoE）架構、多頭潛在注意力（MLA）機制，以及數據蒸餾與強化學習的結合，推動行業進入“AI 普惠化”新階段。2025 年年 AI Agent 元年開啟，元年開啟，Agent 成為海內外大廠兵家必爭之地。成為海內外大廠兵家必爭之地。AI Agent 有望在辦公助手、客戶服務、內容推薦、制造和供應鏈管理、個人助手等領域率先落地。我們認為模型、數據和場景是構建 AI 產品競爭力的三個關鍵要素，其中數據最為重要。大行積極進行大模型業務布局，大行積極進行大模型業務布局，AI 已經在投研、客服、員工助手、輔助已經在投研、客服、員工助手、

5、輔助編碼、信貸審批等場景應用落地。編碼、信貸審批等場景應用落地。AI 技術不僅顯著地提升了金融服務的智能化程度，還在運維、代碼開發、知識庫管理、監管&風控等方面展現出廣闊的前景。自 2023 年 2 月開始，大行積極進行大模型業務布局，AI已經在投研、客服、員工助手、輔助編碼、信貸審批等場景應用落地。IDC 預測 2024-2028 年全球 AI 解決方案支出最多的行業是銀行業的金融服務，占所有 AI 支出的 20%以上。（1）宇信科技：）宇信科技：產品體系全面接入 DeepSeek 模型，重點涵蓋信貸、數據和營銷渠道等應用領域；同時，在數據分析/智能決策場景，宇信科技ChatBI 攜手 De

6、epSeek 推出星辰 ChatBI，與知識庫進一步融合，并了解每一個結論背后的邏輯推導。（2）京北方：）京北方：已正式發布 AI 大模型服務平臺以及智能測試助手、智能資管業務助手、企業知識助手 4 個重量級產品，已助力眾多客戶在智能反欺詐、智能投顧及智能化運維等方面實現了 AI 應用突破，落地案例涉及銀行、非銀金融、醫療、商貿等多個行業。（3）高偉達：）高偉達：全面實現 DeepSeek 與信貸業務的深度融合，提升授信效率&財報分析與預測功能的智能化，并將 DeepSeek 應用于智能分析與數據治理、智能運維、UI 自動化測試、供應鏈金融的風控、流程自動化、客戶服務等多個環節。（4）天陽科技

7、：）天陽科技：發布智能測試分析和案例設計系統，可以精準解析業務需求，智能生成測試大綱和測試案例。同時，推出監管合規大模型，包括 400+智能模型，可提前 6-18 個月捕獲風險企業。此外，發布智能問數平臺，為銀行業打造可解釋、可追溯、可閉環的智能數據分析解決方案。（5）神州信息：）神州信息：升級了“金融知識問答”和“金融代碼助手”兩大 Agent，同時全新推出了業務建模領域的“流程建模助手”、“數據建?！?、“產品建?！比齻€ Agent，以及 IT 服務領域的“測試案例助手”和“運維診斷助手”兩個 Agent。金融智能編碼平臺已在多家銀行落地應用，開發效率提升 20%、30%功能模塊代碼由 AI

8、 生成。監管領域，產品可以對監管政策跟蹤解讀、同時進行監管報送。風險提示：風險提示：模型迭代不及預期、客戶謹慎商業化模型迭代不及預期、客戶謹慎商業化緩慢緩慢、AI 應用競爭激烈應用競爭激烈 Table_CompanyFinance -40%-20%0%20%40%60%80%2024/52024/8 2024/11 2025/2計算機滬深300 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 2/57 計算機計算機/行業深度行業深度 目錄目錄 1.為什么我們看好為什么我們看好 AI 在銀行的落地？在銀行的落地？.5 2.大行積極進行大模型業務布局，大行積極進行大模型業務布局，2024

9、-2029 年國內銀行在年國內銀行在 AI 及大數據投入及大數據投入CAGR 有望為有望為 24%.9 3.Deepseek 問世，問世，AI 應用的“諾曼底時刻”來臨應用的“諾曼底時刻”來臨.13 3.1.Deepseek 模型盤點：訓練/推理成本優化構筑核心競爭力.13 3.2.Deepseek 核心優勢的歸因：混合專家模型、多頭潛在注意力機制.20 3.3.Deepseek 為“AI 普惠”創造可能，AI 應用的星辰大海就此開啟.22 4.2025 年年 AI Agent 元年開啟，元年開啟，Agent 成為海內外大廠兵家必爭之地成為海內外大廠兵家必爭之地.23 4.1.AI Agent

10、 是什么？.23 4.2.谷歌：產品線廣泛，從通用到多步驟任務、編程/游戲 Agent.26 4.3.微軟：打造世界最大 AI Agent 生態系統，使得客戶自建成為可能.29 4.4.字節跳動.30 5.海外映射：海外銀行海外映射：海外銀行 AI 應用發展如火如荼，已在貸款、反欺詐、資產定價、應用發展如火如荼，已在貸款、反欺詐、資產定價、資金管理等領域落地資金管理等領域落地.33 5.1.Upstart：依靠人工智能及大數據開展助貸業務，顯著提升審批的快捷度和準確性.33 5.2.國外多家知名銀行 AI 應用在客服、知識庫、AI 編程、反欺詐、資產定價、監管、資金管理等領域落地.36 6.國

11、內銀行國內銀行+AI 的發展現狀、標的分析的發展現狀、標的分析.43 6.1.宇信科技.43 6.2.京北方.47 6.3.高偉達.48 6.4.天陽科技.49 6.5.神州信息.53 7.風險提示風險提示.55 圖表目錄圖表目錄 圖圖 1：2010-2024 年中國商業銀行凈息差年中國商業銀行凈息差.5 圖圖 2：北京銀行構建可信金融訓練集：北京銀行構建可信金融訓練集.6 圖圖 3：統一集中管理模式下的外部數據管理流程：統一集中管理模式下的外部數據管理流程.7 圖圖 4：AI 在銀行業不同領域和職能中的潛在價值在銀行業不同領域和職能中的潛在價值.9 圖圖 5：2023 以及以及 2028 年

12、中國銀行業年中國銀行業 IT 解決方案市場規模（億元）解決方案市場規模（億元）.10 圖圖 6：大模型技術迭代與產品模式應用分析大模型技術迭代與產品模式應用分析.10 圖圖 7：2024 以及以及 2028 年年 AI 解決方案支出最多的行業解決方案支出最多的行業.12 圖圖 8：匯豐銀行預測短期：匯豐銀行預測短期 AI 應用落地較快的領域應用落地較快的領域.12 圖圖 9：2024 以及以及 2029 年銀行業科技投入情況分析年銀行業科技投入情況分析.13 圖圖 10：2024-2029 年銀行業前沿技術投入規模拆分（億元）年銀行業前沿技術投入規模拆分（億元）.13 圖圖 11：DeepSe

13、ek 公司發展歷程公司發展歷程.13 圖圖 12：DeepSeek-V2 與其他主流模型的性能比較與其他主流模型的性能比較.14 圖圖 13：DeepSeek-V2 活躍參數（十億）活躍參數（十億）.14 圖圖 14：DeepSeek-V3 的表現優于其他開源模型，并達到了與領先的閉源模型相當的性能的表現優于其他開源模型，并達到了與領先的閉源模型相當的性能.14 圖圖 15：DeepSeek-R1 在數學、代碼和推理任務均達到了與在數學、代碼和推理任務均達到了與 OpenAI-o1 相當的性能相當的性能.16 圖圖 16：DeepSeek-R1-Distill 模型基于開源模型進行了微調模型基

14、于開源模型進行了微調.17 圖圖 17：DeepSeekMath7B 性能接近性能接近 Gemini-Ultra 和和 GPT-4.18 mUlYlXjWkYbWiZmObRcMbRoMrRsQnQiNmMrMjMmNtPbRmMyRwMmQmRwMtRsQ 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 3/57 計算機計算機/行業深度行業深度 圖圖 18：DeepSeek-Coder-V2 在編碼和數學基準測試方面的表現優于在編碼和數學基準測試方面的表現優于 GPT4-Turbo、Claude3Opus 和和Gemini1.5Pro 等閉源模型等閉源模型.18 圖圖 19：Dee

15、pSeekLLM67BBase 在推理、編碼、數學和中文理解等領域的表現優于在推理、編碼、數學和中文理解等領域的表現優于 Llama270BBase.19 圖圖 20：Gshard 在在 Transformer 論文中實現論文中實現 MoE，引入了隨機路由和專家容量等新概念，引入了隨機路由和專家容量等新概念.20 圖圖 21：在：在 MHA、GQA 中大量存在于中大量存在于 keysvalues 中的中的 KV 緩存（緩存（帶陰影表示帶陰影表示），），MLA 中只有一小部分的被中只有一小部分的被壓縮壓縮 Compressed 的的 LatentKV.21 圖圖 22：數據集蒸餾原理數據集蒸餾原

16、理.22 圖圖 23：強化學習的特點：強化學習的特點.22 圖圖 24：結合：結合 DeepSeek 的邏輯能力與知識圖譜技術，模型實現從“粗放關聯”到“精準推演”的邏輯能力與知識圖譜技術，模型實現從“粗放關聯”到“精準推演”.23 圖圖 25：AI Agent 核心特點核心特點.24 圖圖 26：AI Agent 運作流程運作流程.24 圖圖 27：2025 年企業機構需要探索的十大戰略技術趨勢年企業機構需要探索的十大戰略技術趨勢.25 圖圖 28：AI Agent 三大競爭力：模型、數據和場景三大競爭力：模型、數據和場景.26 圖圖 29：谷歌：谷歌 Project Mariner 執行任

17、務演示界面執行任務演示界面.27 圖圖 30：谷歌：谷歌游戲游戲 Agent 演示界面演示界面.28 圖圖 31：微軟智能體：微軟智能體界面界面.29 圖圖 32：扣子空間主要聚焦于日常辦公場景：扣子空間主要聚焦于日常辦公場景.30 圖圖 33：扣子空間核心功能之一是“生產力全面提升”：扣子空間核心功能之一是“生產力全面提升”.30 圖圖 34：扣子空間核心功能之一是“專家能力深度支持”：扣子空間核心功能之一是“專家能力深度支持”.31 圖圖 35：扣子空間“專家能力深度支持”股票投資價值分析案例：扣子空間“專家能力深度支持”股票投資價值分析案例.31 圖圖 36：扣子空間“專家能力深度支持”

18、用戶調研報告案例：扣子空間“專家能力深度支持”用戶調研報告案例.31 圖圖 37：扣子空間“專家能力深度支持”股票：扣子空間“專家能力深度支持”股票 K 線分析案例線分析案例.32 圖圖 38：扣子空間：扣子空間 MCP 集成帶來的旅游規劃、景點報告、飛書文檔撰寫功能集成帶來的旅游規劃、景點報告、飛書文檔撰寫功能.32 圖圖 39：扣子空間集成高德地圖生成香格里拉行程規劃：扣子空間集成高德地圖生成香格里拉行程規劃.33 圖圖 40：Upstart 的人工智能貸款在的人工智能貸款在 2022 年至年至 2023 年中期的凈年化回報率高出年中期的凈年化回報率高出 11%至至 27%.34 圖圖 4

19、1：Upstart 貸款合作伙伴的貸款參與可以為信用合作社提供扣除損失和費用后貸款合作伙伴的貸款參與可以為信用合作社提供扣除損失和費用后 8%以上的收益率以上的收益率.35 圖圖 42：早在：早在 2023 年摩根大通已將人工智能商業價值目標提升至年摩根大通已將人工智能商業價值目標提升至 15 億美元億美元.37 圖圖 43：匯豐銀行預測的銀行業：匯豐銀行預測的銀行業 AI 應用場景應用場景.38 圖圖 44：銀行：銀行 AI2D 聊天機器人客服聊天機器人客服.38 圖圖 45：智能驅動型虛擬人運作流程：智能驅動型虛擬人運作流程.39 圖圖 46：生成式：生成式 AI 在銀行精準營銷帶來的作用

20、在銀行精準營銷帶來的作用.40 圖圖 47：AI 編程界面編程界面.41 圖圖 48：生成式：生成式 AI 在銀行智能風控帶來的作用在銀行智能風控帶來的作用.42 圖圖 49：網商銀行通過“百靈”的感知智能識別并驗證小微個性化資產：網商銀行通過“百靈”的感知智能識別并驗證小微個性化資產.43 圖圖 50：2019-2024 年宇信科技營業收入、同比增速（億元）年宇信科技營業收入、同比增速（億元）.44 圖圖 51：2019-2024 年宇信科技歸母凈利潤、同比增速（億元）年宇信科技歸母凈利潤、同比增速（億元）.44 圖圖 52：宇信科技：宇信科技全面接入全面接入 DeepSeek，并通過獨創的

21、，并通過獨創的1+3+N架構實現智能化躍遷架構實現智能化躍遷.44 圖圖 53：宇信科技：宇信科技 DeepSeek 大模型場景一體機架構圖大模型場景一體機架構圖.45 圖圖 54：宇信科技星辰：宇信科技星辰 ChatBI 可實現可實現專業數據解讀專業數據解讀.46 圖圖 55：宇信科技星辰：宇信科技星辰 ChatBI 結合結合 DeepSeek 能力優化歸因分析場景能力優化歸因分析場景.46 圖圖 56：2019-2024 年京北方營業收入、同比增速（億元）年京北方營業收入、同比增速（億元）.47 圖圖 57：2019-2024 年京北方歸母凈利潤、同比增速（億元）年京北方歸母凈利潤、同比增

22、速（億元）.47 圖圖 58：2019-2024 年高偉達營業收入、同比增速（億元）年高偉達營業收入、同比增速（億元）.48 圖圖 59：2019-2024 年高偉達歸母凈利潤（億元）年高偉達歸母凈利潤（億元）.48 圖圖 60：2019-2024 年天陽科技營業收入、同比增速（億元）年天陽科技營業收入、同比增速（億元）.49 圖圖 61：2019-2024 年天陽科技歸母凈利潤、同比增速（億元）年天陽科技歸母凈利潤、同比增速（億元）.49 圖圖 62：天陽科技智能測試需求分析和案例設計系統三大特點推動智能測試天陽科技智能測試需求分析和案例設計系統三大特點推動智能測試.50 圖圖 63：天陽科

23、技天陽科技-Deepseek 金融信貸助手訓推一體機解決方案金融信貸助手訓推一體機解決方案.51 圖圖 64：天陽科技監管合規：天陽科技監管合規 DeepSeek 大模型包括基礎設施層、數據層、大模型層、知識庫層和應用場景層大模型包括基礎設施層、數據層、大模型層、知識庫層和應用場景層.52 圖圖 65：天陽科技監管合規：天陽科技監管合規 DeepSeek 大模型匯聚多維知識，實現智能問答大模型匯聚多維知識，實現智能問答.52 圖圖 66：天陽問數：天陽問數 AI Agent 產品用時間序列預測分析未來產品用時間序列預測分析未來 3 天的交易規模天的交易規模.53 請務必閱讀正文后的聲明及說明請

24、務必閱讀正文后的聲明及說明 4/57 計算機計算機/行業深度行業深度 圖圖 67：2019-2024 年神州信息營業收入、同比增速（億元）年神州信息營業收入、同比增速（億元）.53 圖圖 68：2019-2024 年神州信息歸母凈利潤（億元）年神州信息歸母凈利潤（億元）.53 圖圖 69：神州信息金融代碼智能輔助平臺：神州信息金融代碼智能輔助平臺 CodeMaster 可實現可實現金融場景化代碼智能生成金融場景化代碼智能生成.54 圖圖 70：“神州靈境”具有多優勢能力特點“神州靈境”具有多優勢能力特點.55 表表 1：2018 年至今銀保監會、央行年至今銀保監會、央行涉及數據治理的相關政策涉

25、及數據治理的相關政策.6 表表 2：2024 年四大行信息科技投入、占營業收入比例以及同比增速年四大行信息科技投入、占營業收入比例以及同比增速.9 表表 3：2023 年年 2 月至今銀行機構大模型布局月至今銀行機構大模型布局.11 表表 4：Deepseek 模型分類、各領域重點模型、核心優勢（截至模型分類、各領域重點模型、核心優勢（截至 2025 年年 5 月）月）.19 表表 5：DeepSeek 與對標的與對標的 ChatGPT 模型推理成本對比模型推理成本對比.20 表表 6：2019 年年 Upstart 收取的助貸服務費收取的助貸服務費.36 請務必閱讀正文后的聲明及說明請務必閱

26、讀正文后的聲明及說明 5/57 計算機計算機/行業深度行業深度 1.為什么為什么我們我們看好看好 AI 在在銀行銀行的落地的落地？考慮到較為充裕的考慮到較為充裕的 IT 預算資金、市場化的系統以及整合程度高的內部數據，我們預算資金、市場化的系統以及整合程度高的內部數據，我們認為，銀行有望成為國內認為，銀行有望成為國內 AI 落地先鋒。落地先鋒。（1）2024 年中國商業銀行凈息差持續收窄，銀行整體的盈利能力下降，凈利潤增幅下降，降本增效成為 2023-2024 年銀行業普遍的關注重點，銀行業步入精細化管銀行業步入精細化管理的新發展階段。理的新發展階段。我們認為，我們認為，IT 系統建設有助于系

27、統建設有助于銀行內部降本增效、是銀行精細化銀行內部降本增效、是銀行精細化管理的基石。管理的基石。圖圖 1：2010-2024 年中國商業銀行凈息差年中國商業銀行凈息差 數據來源：wind，國家金融監督管理總局，東北證券 （2）銀行銀行展業過程中展業過程中積累了海量的用戶數據、交易數據以及外部數據積累了海量的用戶數據、交易數據以及外部數據，為，為 AI 大規大規模應用奠定基礎模應用奠定基礎。在數據層面，銀行業是數據驅動型行業，在提供金融服務的過程中，積累了海量的用戶數據、交易數據以及外部數據。數據已經成為銀行業的重要資產。銀行業通過數據挖掘、分析和應用。一方面，可以賦能現有業務的發展，更好地實現

28、數字化轉型；另一方面，能夠對客戶群體進行精準畫像，充分了解客戶需求，構建真正“以客戶為中心”的金融產品與服務。（3）銀行銀行數據治理架構完善數據治理架構完善，數據治理數據治理已已成為商業銀行風險監管的評價指標成為商業銀行風險監管的評價指標。2018年，銀保監會在銀行業金融機構數據治理指引中首次明確了數據治理的定義，隨著 銀行業金融機構數據治理指引 的發布，銀行業數據治理監管開始不斷升級。之后，銀保監會、央行等又發布多項相關政策推進銀行業數據治理工作，涉及數據治理體系評價、治理能力提升、治理體系構建等多方面內容。其中，2021 年 9 月，銀保監會發布商業銀行監管評級辦法，將“數據治理”首次納入

29、了評價體系，權重占比 5%。這意味著數據治理正式成為了商業銀行風險監管的評價指標。銀行業數據治理邁入了“強監管”階段。六大國有銀行均建立了自上而下的數據治理架構，設立了專門的數據治理歸口單位，推動數據標準建設，通過建設企業級數據標準及數據標準管理系統，實現數據的統一性。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 6/57 計算機計算機/行業深度行業深度 表表 1：2018 年至今銀保監會、央行年至今銀保監會、央行涉及數據治理的相關政策涉及數據治理的相關政策 時間時間 部門部門 政策政策 主要內容主要內容 2018/5 銀保監會 銀行業金融機構數據治理指引 在數據治理架構、數據管理

30、、數據質量控制等五方面提出明確要求，并對數據治理進行了定義。2020/5 銀保監會 關于監管數據質量專項治理自查自評事項的通知 要求金融機構對自身的數據質量和治理工作進行自評估。2020/5 銀保監會 銀保監會監管數據質量專項治理方案 摸底金融機構數據質量。2021/2 央行 金融業數據能力建設指引 將數據治理列入了金融數據管理能力域，明確了數據治理的評價標準。2021/9 銀保監會 商業銀行監管評級辦法 將“數據治理”首次納入了評價體系，權重占比 5%。2022/1 央行 金融科技發展規劃（2022-2025 年）要求全面加強數據能力建設。2022/1 銀保監會 中國銀保監會辦公廳關于銀行業

31、保險業數字化轉型的指導意見 健全數據治理體系，包括制定大數據發展戰略，確定企業級的數據管理部門，完善數據治理制度等。數據來源：零壹智庫，騰訊網，東北證券 銀行銀行數據質量管控嚴格數據質量管控嚴格。交通銀行制定了數據分類分級管理辦法及技術規范，明確了數據處理流程和要求，加強了外部數據的穩定性和安全性。農業銀行建立了總行統籌負責的外部數據全流程一體化管理機制。這一機制明確了外部數據的需求、立項、預算、接入、發布、共享使用、質量評價等各環節流程規范，促進了總分行各部門之間的協同合作，避免了數據重復引入、分散應用的問題，保障了外部引入數據與行內自有數據融合共享的便捷性易用性。圖圖 2：北京銀行北京銀行

32、構建可信金融訓練集構建可信金融訓練集 數據來源：北京銀行，極客傳媒，東北證券 金融機構對于外部數據的質量要求較高，通常在事前、事中和事后三個階段分別開金融機構對于外部數據的質量要求較高，通常在事前、事中和事后三個階段分別開展質量檢測展質量檢測。事前通過驗證測試評估數據質量，事中通過系統功能實時監測外部數據質量，事后可由外部數據歸口管理部門匯總各業務部門在使用過程中發現的質量問題，形成數據質量監測報告。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 7/57 計算機計算機/行業深度行業深度 圖圖 3：統一集中管理模式下的外部數據管理流程統一集中管理模式下的外部數據管理流程 數據來源：C

33、CSA，金融機構外部數據管理實踐白皮書，東北證券 銀行銀行數據模型建設規范。數據模型建設規范。商業銀行數據模型白皮書指出，構建企業級數據模型可以幫助銀行厘清數據分布關系，優化數據架構，確保數據的一致性、完整性和易用性，進而提升數據應用效率，激發數據的業務價值。（4）在數據打通層面，銀行業數據打通、流轉程度在國內位于前列。在數據打通層面，銀行業數據打通、流轉程度在國內位于前列。工商銀行早于工商銀行早于 2002 年就開始建設數據應用體系。年就開始建設數據應用體系。以工商銀行為例，其自 2002 年開始建設數據應用體系，經歷了數據集市、數據倉庫、大數據平臺、數據中臺等多次迭代發展，通過 20 年的

34、打磨，構建了涵蓋批量計算、流式計算、聯機分析、對象存儲、數據交換、BI 分析、安全管控、數據交付、數據安全管控等多方面技術能力的大數據技術平臺，實現全流程一站式數據處理，建立了可看、可懂、可得的用數賦智體系，為業務場景注入有廣度、有深度、有速度、有精度的數據服務，加速數據價值變現。工商銀行不僅實現了全業務、全集團、全類型、全來源的數據上云工作，同時也構工商銀行不僅實現了全業務、全集團、全類型、全來源的數據上云工作，同時也構建了全面、快速、精準、融合的數據體系。建了全面、快速、精準、融合的數據體系。在數據接入層面，工商銀行通過將集團全量貼源數據納入統一的數據湖，形成了貼源數據、主題數據、知識數據

35、分層存儲的“一湖兩庫”結構，同時積極參與數據要素市場建設，大力引入外部數據，不僅實現了全業務、全集團、全類型、全來源的數據上云工作，同時也構建了全面、快速、精準、融合的數據體系。為滿足準實時性的產品服務推薦和客戶行為洞察等數 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 8/57 計算機計算機/行業深度行業深度 據使用需要，研發數據庫復制等高時效數據采集技術，完善標準數據接入能力，實現 MySQL、Oracle、GauseDB、GoldenDB、KVA、MPPDB、Hive 等主流數據庫準實時接入，全行數據得以向大數據平臺的快速匯集。在數據管理方面，工商銀行建立全集團數據資產的統一

36、目錄，覆蓋在數據管理方面，工商銀行建立全集團數據資產的統一目錄，覆蓋 20+類數據資產。類數據資產。工商銀行建設大數據資產管理平臺，形成數據資產全視圖，建立以“數據驅動、數智融合”的運營機制。一是建立全集團數據資產的統一目錄，覆蓋 20+類數據資產，實現數據資產的可見、可感，建立數據資產自動化、標準化盤點能力。二是建立數據資產全生命周期管理機制，對數據確權、數據質量、數據安全等核心內容進行有序管理，實現數據資產可信、可管，建立標準化、智能化、體系化管控能力。三是建立數據資產憑證、標簽體系、全鏈路血緣溯源機制，實現數據資產易用、易懂，建立可視化、數字化分析能力。除了工商除了工商銀行銀行，其他大型

37、國有銀行業實現了數據中臺建設、實現對其他大型國有銀行業實現了數據中臺建設、實現對源業務系統數據源業務系統數據的集中采集，建設的數據中臺可以整合、加工全行的風險數據。的集中采集，建設的數據中臺可以整合、加工全行的風險數據。建行建設企業級全流程數據管控，每天從建行建設企業級全流程數據管控，每天從 200 多個內部系統和多個內部系統和 60 多個外部系統中多個外部系統中獲取數據。獲取數據。建設銀行依托新一代實現了企業級的全流程數據管控，支撐全行實施全生命周期的管理，同時建立了企業元數據資產庫和數據質量平臺，提供可定制的數據質量監測服務，目標是讓數據的使用者在正確的時間、正確的環境能用正確的方式拿到最

38、正確的數據。建行每天從 200 多個內部系統和 60 多個外部系統中獲取數據，對這些數據進行深加工，形成客戶、員工、機構等維度信息以及對應的數據圖譜和畫像。農業銀行早于農業銀行早于 2019 年啟動了數據中臺建設，將數據資產作為生產資料融入業務經年啟動了數據中臺建設，將數據資產作為生產資料融入業務經營流程，廣泛應用于精準營銷、智能風控、產品創新、管理決策等業務場景。營流程，廣泛應用于精準營銷、智能風控、產品創新、管理決策等業務場景。2019年，農業銀行啟動了數據中臺建設。農業銀行以功能化、自助化、智能化為思路降低用數門檻，將數據資產作為生產資料融入業務經營流程，廣泛應用于精準營銷、智能風控、產

39、品創新、管理決策等業務場景，致力于打造“一線員工依靠數據作業、各級行依靠數據經營、總行依靠數據決策”的嶄新格局。目前，中國銀行統一數據平臺已將集團內各業務系統數據結構納入統一管理目前，中國銀行統一數據平臺已將集團內各業務系統數據結構納入統一管理，共收共收錄企業級數據字典近十萬項錄企業級數據字典近十萬項。中國銀行大數據項目組在 2021 年 2 月投產上線了企業級數據湖、中國銀行統一數據門戶、數據協同平臺；在 4 月上線了數據字典平臺、統一數據服務中心、分析師工作臺；在 6 月上線了湖倉一體的企業級數據倉庫；在7 月正式投產了第一個新線試點應用。截至 2021 年底，中國銀行的大數據平臺已基本建

40、成。目前，中國銀行統一數據平臺已將集團內各業務系統數據結構納入統一管理，共收錄企業級數據字典近十萬項。同時，通過數據需求管控、規范 OLTP 系統的開發設計，實現了一套數據字典既支持 OLAP 系統，又支持 OLTP 系統，開創了業界的先河；大數據平臺日處理文件數十萬個、處理數據上百億條，全面打通了數據供應鏈，為數據應用分析奠定了基礎。此外，中國銀行已經在統一數據平臺分析師工作臺上開展深度學習模型構建工作，實現在交易銀行部“國際貿易市場份額自動計算與預測模型”和“票據融資業務 BI 報表”中每月自動計算中國銀行各分行及全轄的涉外收支量，跨境、境內貿易結算量，市場份額，票據融資等指標數據，并對全

41、轄未來 3 個月的市場份額趨勢進行預測分析，將原本復雜的計算工作和抽象的分析工作用技術手段進行精確計算和量化分析，將業務人員計算時間由 1 周減少至10 分鐘以內，進一步為業務人員減負，開創了技術與業務結合的新方式。郵儲銀行以新一輪大數據五年規劃為基礎，完成了全行系統數據的整合，并融合了郵儲銀行以新一輪大數據五年規劃為基礎，完成了全行系統數據的整合，并融合了稅務、工商等外部數據稅務、工商等外部數據。完善金融十大主題數據模型，建成客戶、風險等六大數據集市，累計上線 18 類 1600 余個零售客戶標簽，實現客戶精準畫像。同時，上線手機銀行千人千面等 200 多項數據服務，支撐客戶分析、風險監控等

42、 9 大場景，實現 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 9/57 計算機計算機/行業深度行業深度 全流程端到端的應用。截至目前，該行部署分析模型和策略規則 8000 多個，提升了客戶識別、集約運營、風險防控等領域的效能。（5）資金方面，我們認為，在宏觀經濟不確定、中美博弈的背景下，國有大行 IT 投入較為剛性。國有四大行 2024 年 IT 投入均占營業收入的 3-4%，且仍處于小幅提升狀態，充裕的充裕的 IT 投入資金有望使得銀行成為國內投入資金有望使得銀行成為國內 AI 應用落地推廣先行者。應用落地推廣先行者。表表 2：2024 年四大行年四大行信息科技投入信息科技投

43、入、占營業收入比例占營業收入比例以及同比增速以及同比增速 信息科技投入信息科技投入 占營業收入比例占營業收入比例 同比增速同比增速 工商銀行工商銀行 285.18 3.47%4.67%農業銀行農業銀行 249.7 3.51%0.48%中國銀行中國銀行 238.09 3.76%6.30%建設銀行建設銀行 244.33 3.26%-2.36%數據來源：公司公告，東北證券 （6）系統市場化、監管嚴格、系統市場化、監管嚴格、服務業服務業人員密集，為人員密集，為 AI 創造潛在價值。創造潛在價值。銀行業面向客戶，擁有許多 B2C 和小型企業客戶，系統較為市場化。同時，銀行業依賴于大量的服務代表，如呼叫中

44、心代理商和財富管理金融顧問。此外，作為一個受到嚴格監管的行業，銀行業有大量的風險、合規和法律需求，監管報送內容的自動化生成具有強烈需求。根據匯豐銀行財富管理與個人銀行的全球首席架構師夏勇博士的演講，匯豐預見到的 AI 在銀行業的潛在應用領域與職能，包括投資銀行、資產管理、對公業務、財富管理、零售銀行等等。圖圖 4：AI 在銀行業不同領域和職能中的潛在價值在銀行業不同領域和職能中的潛在價值 數據來源：匯豐銀行，騰訊網，東北證券 2.大行積極進行大模型業務布局，大行積極進行大模型業務布局，2024-2029 年國內銀行在年國內銀行在 AI及大數據投入及大數據投入 CAGR 有望為有望為 24%工信

45、部賽迪研究院2023 中國銀行業 IT 解決方案市場預測分析報告指出，2023年度中國銀行業整體 IT 投資規模達到 2,707.13 億元，其中，中國銀行業 IT 解決方案 2023 年市場規模為 604.71 億元，增長幅度進一步放緩。在數字化轉型、信創在數字化轉型、信創與與 AIGC 的共同推動下，的共同推動下，2028 中國銀行業中國銀行業 IT 解決方案市場規解決方案市場規模將達到模將達到 927.75 億元億元，2024-2028 年年 CAGR 為為 8.67%。根據賽迪顧問，未來三到五年大模型將繼續加快數字化轉型與自主創新的步伐，并逐步成為推動中國銀行業 IT解決方案市場穩健增

46、長的新的重要推動力，中國銀行業 IT 解決方案市場將步入智 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 10/57 計算機計算機/行業深度行業深度 能化升級的新時期。在加快數字化轉型、自主創新與 AIGC 以及相關政策的共同推動下，中國銀行業 IT 解決方案市場將會繼續保持穩健增長的態勢，預計到 2028 年,中國銀行業 IT 解決方案市場規模將達 927.75 億元,2024 到 2028 年的年均復合增長率為 8.67%。圖圖 5：2023 以及以及 2028 年年中國銀行業中國銀行業 IT 解決方案市場規模解決方案市場規模（億元）（億元）數據來源：賽迪顧問，搜狐，東北證券

47、近年來，生成式人工智能（AIGC）和大模型技術作為人工智能（AI）領域的重要分支，發展迅猛，對金融科技產生了極為深刻的影響。AI 技術不僅顯著地提升了金融技術不僅顯著地提升了金融服務的智能化程度，還在風險控制、客戶服務、產品創新等諸多方面展現出廣闊的服務的智能化程度，還在風險控制、客戶服務、產品創新等諸多方面展現出廣闊的應用前景。應用前景。圖圖 6：大模型技術迭代與產品模式應用分析大模型技術迭代與產品模式應用分析 數據來源：艾瑞咨詢，東北證券 自自 2023 年年 2 月開始，大行積極進行大模型業務布局，月開始，大行積極進行大模型業務布局，AI 已經在已經在投研、客服、員工投研、客服、員工助手

48、、輔助編碼、信貸審批等場景應用落地。助手、輔助編碼、信貸審批等場景應用落地。根據 2024 年中期報告，建設銀行大模型技術應用于智能客服、信貸審批等環節，單筆工單處理效率提升 15-20 秒。此外，農業銀行推出了基于開源自研的金融 AI 大模型 ChatABC，具備自由閑聊、行內知識問答、內容摘要等多種任務的服務能力。同時，2023 年 6 月，興業銀行發布了行內私有化的百億級大模型 ChatCIB，ChatCIB 聚焦量化投研、營銷財富、知識問答、報告生成、辦公輔助、代碼服務等金融垂直領域。其中在知識庫檢索問答場景中，知識問答解決率超過 90%，還能提供 24 小時不間斷支持。在反洗錢領域中

49、，通過訓練反洗錢可疑案宗智能生成模型，分析反洗錢可疑主體信息、客戶行為和交易特征，并智能生成可疑交易報告，實現文本撰寫效率提升 300%和 80%的特征覆蓋率。興業銀行將繼續深化大模型在更多業務場景中的應用，如智能營銷、投研投顧、智能風控等，進一步提升金融服務的智能化水平。604.71927.7501002003004005006007008009001,00020232028中國銀行業IT解決方案市場規模 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 11/57 計算機計算機/行業深度行業深度 表表 3：2023 年年 2 月至今銀月至今銀行機構大模型布局行機構大模型布局 機構名

50、稱機構名稱 大模型布局大模型布局 工商銀行工商銀行 2023 年建成全棧自主可控的千億級 AI 大模型技術體系，覆蓋金融市場、信貸風控、網絡金融等 50+場景，實現投資、融資、交易全流程自動化。上線基于大模型的網點員工智能助手，全年處理業務量 3.2 億筆，智能分流率同業領先。2024 年：深化大模型在投研、跨境金融、供應鏈金融等核心業務場景的深度應用，2024 年公司中報顯示，AI 大模型已在金融市場、信貸風控等 56 個場景落地，推出員工助手“工曉辦。農業銀行農業銀行 2023 年：發布金融 AI 大模型應用 ChatABC，以多輪問答助手、工單自動化回復助手等形式面向內部員工開放試用。中

51、國銀行中國銀行 2023 年：探索大模型技術在內部知識服務、輔助編碼等場景的應用，運用人工智能、大數據等信息技術提高信用風險評估能力。建設銀行建設銀行 2023 年啟動大模型“方舟計劃”，深耕計算機視覺、智能語音、自然語言處理、知識圖譜、智能決策等五大領域專業能力，自主研發的人工智能平臺累計服務調用 433 億次。2024 年中期業績披露，大模型技術應用于智能客服、信貸審批等環節，單筆工單處理效率提升 15-20 秒。交通銀行交通銀行 2023 年：深化 AI 在客戶服務、產品推介、風險防控等場景的應用，探索大模型在辦公助手、客服問答等場景的應用，并將“構建內嵌風控要素的生成式 AI 框架”列

52、入 2024 年工作重點 郵儲銀行郵儲銀行 2023 年：打造融合大模型技術的“郵儲大腦”，從文本生成、代碼生成、文本提煉和多模態理解生成等方向探索大模型技術應用，提交超過 5 件專利申請 招商銀行招商銀行 2023 年：啟動大模型生態建設，搭建大模型體驗平臺，接入多個國內主流大模型，數字員工在眾多場景中承擔 3 萬余個自然人的工作量，為員工減負賦能 中信銀行中信銀行 與華為、雄安新區成立聯合創新實驗室，布局大模型等聯創課題，并部署千億級開源大模型，完成代碼生成、智能操作等場景驗證。興業銀行興業銀行 2023 年 6 月發布了行內私有化的百億級大模型 ChatCIB，聚焦量化投研、營銷財富、知

53、識問答、報告生成、辦公輔助、代碼服務等金融垂直領域，打造了 6 類數字助手，平安銀行平安銀行 推出理財大模型 BankGPT，實現客戶需求意圖判斷、產品推薦話術自動化生成，虛擬數字人通過大模型技術提升交互功能。江蘇銀行江蘇銀行 開發“智慧小蘇”大模型平臺，實現客服錄音自動化處理與客戶需求分析。北京銀行北京銀行 發布 AIB 平臺，推出 7 個問答機器人（如運營助手、客服助手）及“北銀投顧 GPT”。數據來源：百度，公司公告，東北證券 據據 IDC 預測，預測，全球全球 AI 方面的支出方面的支出 2024-2028 年的復合增長率年的復合增長率預計預計達到達到 29.0%。2024年 10 月

54、 IDC 發布了最新全球人工智能和生成式人工智能支出指南。數據顯示，到 2028 年，全球在 AI 方面的支出，包括支持 AI 技術的應用程序、基礎設施以及相關的 IT 和商業服務，將增加一倍以上，預計將達到 6,320 億美元，2024-2028 年的復合增長率達到 29.0%。IDC 預測，預測，2024-2028 年，年，AI 解決方案支出最多的行業是銀行業的金融服務，占所解決方案支出最多的行業是銀行業的金融服務，占所有有AI支出的支出的 20%以上。以上。AI支出第二大行業是軟件和信息服務，第三大行業是零售。未來五年，這三個行業加起來將占 45%的 AI 支出。請務必閱讀正文后的聲明及

55、說明請務必閱讀正文后的聲明及說明 12/57 計算機計算機/行業深度行業深度 運維、運維、代碼開發、代碼開發、知識庫管理、監管知識庫管理、監管&風控有望在銀行率先落地。風控有望在銀行率先落地。據 IDC 預測，銀行排名前三的使用場景是欺詐分析&調查、威脅情報及防范、運維。據匯豐財富管理與個人銀行的全球首席架構師夏勇博士的演講，目前 AI 技術的應用主要集中在銀行后臺 stafffacing 的員工使用領域，預計代碼開發輔助、私有數據問答及處理、IT 開發運維自動化&智能化等領域有望在短期率先跑出。圖圖 7：2024 以及以及 2028 年年 AI 解決方案支出最多的行業解決方案支出最多的行業

56、數據來源：IDC，東北證券 圖圖 8：匯豐銀行預測短期匯豐銀行預測短期 AI 應用落地較快的領域應用落地較快的領域 數據來源：匯豐銀行，騰訊網，東北證券 國內銀行國內銀行“創新業務”日?；厔菝黠@，“創新業務”日?；厔菝黠@，2024-2029 年年 AI 及大數據領域銀行投入復及大數據領域銀行投入復合增速有望高達合增速有望高達 24%。據艾瑞咨詢預測，銀行近年以 AIGC 為代表的技術側產業發展顯著的推動了銀行業對于前沿技術產品的期待，銀行業對于“創新技術”的日?；瘧泌厔萦语@著，應用新技術針對性的解決端到端的業務場景問題成為新階段前沿科技的實踐重點。對于傳統 IT 建設投入來說，雖然在投

57、資比例上略有縮減但考慮到銀行業的科技投入以約 11.85%的復合增長率穩步提升，在絕對數值方面傳統 IT建設投入將從 2024 年約 1090 億元增長至 2029 年近 1700 億元，五年內整體漲幅近56%，CAGR 為 9.30%。同時，預計 AI 及大數據相關產品的投入將在未來五年迎來爆發式增長，以約 24%的復合增長率于 2029 年突破 200 億元。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 13/57 計算機計算機/行業深度行業深度 圖圖 9：2024 以及以及 2029 年年銀行業科技投入情況分析銀行業科技投入情況分析 圖圖 10：2024-2029 年銀行業前

58、沿技術投入規模拆分年銀行業前沿技術投入規模拆分（億元）（億元）數據來源：艾瑞咨詢，東北證券 數據來源：艾瑞咨詢，東北證券 3.Deepseek 問世問世，AI 應用的“諾曼底時刻”來臨應用的“諾曼底時刻”來臨 3.1.Deepseek 模型盤點：訓練/推理成本優化構筑核心競爭力 自自2023年年7月成立以來，月成立以來，DeepSeek在一年多的時間內推出了多個在一年多的時間內推出了多個知名知名的開源模型。的開源模型。DeepSeek（杭州深度求索人工智能基礎技術研究有限公司）,由幻方量化的聯合創始人梁文峰創立。公司自 2023 年 7 月年成立以來，始終專注于大語言模型(LLM)及其相關技術

59、的深度研發。自 2023 年 7 月成立以來，DeepSeek 在一年多的時間內推出了多個知名的開源模型，包括 DeepSeekCoder、DeepSeekLLM、DeepSeek-V2、DeepSeek-V3 和 DeepSeek-R1。圖圖 11：DeepSeek 公司發展歷程公司發展歷程 數據來源：CSDN，DeepseekAPI 文檔，東北證券 截至截至 2025 年年 5 月，月，DeepSeek 發布的模型可分為通用語言模型（發布的模型可分為通用語言模型（V 系列）系列）、推理專用推理專用模型（模型（R 系列）系列）、多模態模型多模態模型、數學與代碼專用模型數學與代碼專用模型、以及

60、基礎模型及開源生態、以及基礎模型及開源生態五大五大類類。（1）在在通用語言模型通用語言模型方面，方面，DeepSeek 推出推出 DeepSeek-V2、DeepSeek-V3 及其及其 2025年年 3 月升級版月升級版 DeepSeek-V3-0324 等模型，其中重點模型是等模型，其中重點模型是 DeepSeek-V3。2024 年年 5 月發布月發布 DeepSeek-V2，核心優勢體現為訓練成本優化，相較同規模稠密模核心優勢體現為訓練成本優化，相較同規模稠密模型節省型節省 42.5%計算資源，同時支持計算資源，同時支持 128K 超長上下文處理能力。超長上下文處理能力。DeepSee

61、k-V2 于 2024年 5 月發布，采用混合專家（MoE）架構，總參數量達 2360 億，每個 token 動態激活 210 億參數。該模型在 8.1 萬億 token 的多樣化語料庫上完成預訓練，通過引入 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 14/57 計算機計算機/行業深度行業深度 多頭潛在注意力（MLA）技術，顯著降低 KV 緩存至原有規模的 6.7%，推理吞吐量提升至前代模型的 5.76 倍。其核心優勢體現為訓練成本優化，相較同規模稠密模型節省 42.5%計算資源，同時支持 128K 超長上下文處理能力。在性能層面，DeepSeek-V2 在 MMLU 知識問答

62、基準中準確率達 78.5%，代碼生成任務 HumanEval 基準通過率提升 8 個百分點至 53%，中文理解能力更在 C-Eval 評測中突破 81.7%，展現多領域均衡發展態勢。圖圖 12：DeepSeek-V2 與其他主流模型的性能比較與其他主流模型的性能比較 圖圖 13：DeepSeek-V2 活躍參數（十億）活躍參數（十億）數據來源：Deepseek 官網，東北證券 數據來源：Deepseek 官網，東北證券 2024 年年 12 月月推出迭代版本推出迭代版本 DeepSeek-V3，采用采用 FP8 混合精度框架實現高效訓練，混合精度框架實現高效訓練，總成本較同類閉源模型降低總成本

63、較同類閉源模型降低 90%以上以上。DeepSeek-V3 作為 2024 年 12 月推出的迭代版本，參數規模擴展至 6710 億，每次推理激活 370 億參數，預訓練數據量達 14.8萬億 token。該模型創新性融合無輔助損失負載均衡策略與多 token 預測（MTP）訓練目標，采用 FP8 混合精度框架實現高效訓練，總成本僅 557.6 萬美元，較同類閉源模型降低 90%以上。技術突破方面，其生成速度達每秒 60token，支持 128K 上下文窗口，在數學競賽題庫測試中超越所有開源閉源模型，代碼生成能力接近 Claude-3.5-Sonnet 水平。值得注意的是，DeepSeek-V

64、3 在斯坦福大學 SWE-Bench 工程代碼場景評測中展現出與頂尖商業模型相當的工程實踐能力，成為首個在復雜編碼任務中達到閉源標桿水平的開源模型。圖圖 14：DeepSeek-V3 的表現優于其他開源模型，并達到了與領先的閉源模型相當的的表現優于其他開源模型，并達到了與領先的閉源模型相當的性能性能 數據來源：Deepseek 官網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 15/57 計算機計算機/行業深度行業深度 2025 年年 3 月月發布發布 DeepSeek-V3-0324，編程能力實現跨越式提升編程能力實現跨越式提升、數學推理能力進數學推理能力進一步強化一

65、步強化、支持蘋果支持蘋果 M3Ultra 等消費級硬件部署等消費級硬件部署，以及，以及在學術研究、教育輔導等場在學術研究、教育輔導等場景中實用性顯著增強景中實用性顯著增強。作為 2025 年 3 月的重要升級版本，參數規模微調至 6850 億，延續 MoE 架構設計。此次升級聚焦三大維度：編程能力實現跨越式提升，可穩定生成 800 行無錯誤代碼，在動態網頁開發等場景中達到 Claude3.7 的工業級標準；數學推理能力進一步強化，對 AIME 競賽題等復雜問題的解析精度提升 15%；前端設計輸出質量優化，SVG 圖像生成與響應式布局代碼的視覺呈現效果顯著改善。技術生態層面，該版本采用 MIT

66、開源協議，支持蘋果 M3Ultra 等消費級硬件部署，推理功耗低于 200 瓦，大幅降低企業應用門檻。用戶體驗方面，默認關閉“深度思考”模式使響應速度提升 40%，輸出風格更趨技術專業化，在學術研究、教育輔導等場景中實用性顯著增強。（2）在在推理專用模型（推理專用模型（R 系列）系列）中中，重點模型是重點模型是 DeepSeek-R1，在數學、代碼和推在數學、代碼和推理任務方面均達到了與理任務方面均達到了與 OpenAI-o1 相當的性能相當的性能，但，但推理成本僅為推理成本僅為 OpenAI o1 系列系列的的 1/30。DeepSeek 推出 DeepSeek-R1-Zero、DeepSe

67、ek-R1、DeepSeek-R1-Distill-Qwen-7B，以及 DeepSeek-R1-Distill-Qwen-32B 等模型，其中核心模型為 DeepSeek-R1。其中R1通過思維鏈機制為高風險決策提供審計軌跡，而蒸餾版本DeepSeek-R1-Distill-Qwen-7B，以及 DeepSeek-R1-Distill-Qwen-32B 則通過模型壓縮技術推動 AI 普惠化落地。當前，R1 系列已在智慧醫療領域實現 CT 影像輔助診斷系統部署，誤診率較傳統模型降低 42%，在金融量化交易中實現多因子策略生成準確率提升至 89%。DeepSeek-R1-Zero 無需預先進行監

68、督微調無需預先進行監督微調(SFT)，在推理方面表現出色，在推理方面表現出色，后為了，后為了進進一步提升推理性能，推出了一步提升推理性能，推出了 DeepSeek-R1。此前，DeepSeek 推出了第一代推理模型DeepSeek-R1-Zero。DeepSeek-R1-Zero 是一個通過大規模強化學習(RL)訓練的模型，無需預先進行監督微調(SFT)，在推理方面表現出色。在強化學習的加持下，DeepSeek-R1-Zero 自然而然地展現出了許多強大而有趣的推理行為。然而，DeepSeek-R1-Zero 面臨著諸如無休止重復、可讀性差以及語言混合等挑戰。為了解決這些問題并進一步提升推理性

69、能，推出了 DeepSeek-R1，它在強化學習之前引入了冷啟動數據。DeepSeek-R1 引入顯式思維鏈輸出機制引入顯式思維鏈輸出機制，為，為金融決策、醫療診斷等高敏感領域提供金融決策、醫療診斷等高敏感領域提供可驗證的透明化分析路徑可驗證的透明化分析路徑。DeepSeek-R1 作為系列旗艦模型，采用混合專家（MoE）架構，參數量達 6710 億，每次推理激活 370 億參數，支持 128K 超長上下文處理。其核心突破體現在純強化學習訓練范式的應用，通過動態門控機制與機器生成數據自動判分，模型可自主優化推理邏輯鏈，突破傳統監督微調的局限性。在技術實現層面，R1 引入顯式思維鏈（Chain-

70、of-Thought）輸出機制，能夠分步驟呈現中間推理過程，為金融決策、醫療診斷等高敏感領域提供可驗證的透明化分析路徑。DeepSeek-R1 在數學、代碼和推理任務方面均達到了與在數學、代碼和推理任務方面均達到了與 OpenAI-o1 相當的性能相當的性能，但，但推理成本僅為推理成本僅為 OpenAI o1 系列的系列的 1/30。性能表現上，R1 在 AIME2024 數學競賽中取得 79.89%的準確率，MATH-500 基準測試通過率達 97.32%，Codeforces 編程競賽評分超越96.3%的人類選手。尤為突出的是，其推理成本僅為OpenAI o1系列的1/30，通過 NVID

71、IANIM 微服務部署時，單臺配備 8 塊 H200GPU 的服務器可實現每秒3872 個 Token 的高吞吐量，充分滿足實時性要求。該模型已通過英偉達官方平臺開放 API 測試，支持企業私有化部署以保障數據安全 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 16/57 計算機計算機/行業深度行業深度 圖圖 15：DeepSeek-R1 在數學、代碼和推理任務均達到了與在數學、代碼和推理任務均達到了與 OpenAI-o1 相當的性能相當的性能 數據來源：Deepseek 官網，東北證券 DeepSeek-R1-Distill-Qwen-7B 是是 R1 的知識蒸餾版本的知識蒸餾版

72、本，也是，也是輕量化推理的效能典范輕量化推理的效能典范，顯卡顯卡（如（如 RTX3090）即可運行）即可運行。作為 R1 系列的知識蒸餾版本，DeepSeek-R1-Distill-Qwen-7B 通過遷移學習技術將 6710 億參數模型的推理能力濃縮至 70 億規模。其核心技術優勢在于多階段蒸餾策略：首先利用 R1 生成 80 萬條精選樣本進行微調，再結合動態層剪枝與 FP8 量化技術，使模型在保持 92.8%的 MATH-500 基準準確率的同時，將硬件需求降低至消費級 GPU（如 RTX3090）即可運行。該模型特別強化了長文本理解能力，支持 16K 上下文窗口，在企業級智能客服場景中可

73、實現多輪對話狀態跟蹤，在代碼生成任務中可穩定輸出 500 行無邏輯錯誤程序。部署靈活性方面，其推理功耗低于 150 瓦，響應速度較原版提升 3 倍，適配邊緣設備與移動端應用，例如在工業物聯網場景中實現實時故障診斷推理。值得注意的是，其多語言處理能力覆蓋中、英、日、韓等 12 種語言，在跨語言技術文檔翻譯任務中的 BLEU 評分達 68.7，顯著優于同規模競品。DeepSeek-R1-Distill-Qwen-32B集合千問集合千問 Qwen2.5-32B架構架構以及以及 DeepSeek-R1的的優優勢勢，在保持高，在保持高基準準確率的同時，將推理功耗控制基準準確率的同時，將推理功耗控制在在低

74、水平。低水平。DeepSeek-R1-Distill-Qwen-32B 設計理念聚焦于該模型基于 Qwen2.5-32B 架構，將 DeepSeek-R1（6710億參數 MoE 架構）的復雜推理能力遷移至更高效的部署框架，形成參數規模為 320億的密集模型。通過多階段知識蒸餾策略，從原版 R1 模型提取 80 萬條精選樣本進行微調，在保持 92.8%的 MATH-500 基準準確率的同時，將推理功耗控制在 200 瓦以內。核心優勢體現在三個維度：（1）數學推理能力突破，在 AIME2024 競賽題解析中達到 72.6%的準確率，GPQADiamond 測試中邏輯推理準確率 62.1%，接近O

75、penAI o1-mini 的工業級標準；（2）代碼生成效率優化，支持 500 行無邏輯錯誤程序輸出，LiveCodeBench 評分達 57.2，較同規模模型提升 23%；（3）多模態交互擴展，支持語音、圖像與文本的綜合理解，在多語言技術文檔翻譯任務中 BLEU 評分達 68.7，覆蓋 12 種語言場景。DeepSeek-R1-Distill-Qwen-32B 充分體現充分體現能力與效率的平衡取舍能力與效率的平衡取舍，部署成本降低至部署成本降低至原版的原版的 1/15，顯著提升了顯著提升了企業級應用的可行性企業級應用的可行性。原版 R1 作為 6710 億參數的混合專家模型（MoE），每次推

76、理激活 370 億參數，模型需 16 塊 NVIDIAA100GPU 集群部署，推理功耗超過 1500 瓦，僅適用于國家級超算中心等高端場景。而 Distill-Qwen-請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 17/57 計算機計算機/行業深度行業深度 32B 通過參數壓縮技術，在單卡 A10080GB 環境下即可運行，將部署成本降低至原版的 1/15，雖在極端復雜任務中表現稍遜，卻實現了企業級應用的可行性。與與同系列同系列 7B 版本版本相比相比，32B 版本版本準確度較高，有望在準確度較高，有望在醫療醫療 CT 影像輔助診斷影像輔助診斷、金金融量化融量化等場景中大規模應

77、用等場景中大規模應用。DeepSeek-R1-Distill-Qwen-7B 在 AIME 競賽題的通過率降至 50.4%，代碼生成評分 1205，較 32B 版本分別下降 30.6%與 22.5%。32B 版本通過擴大參數規模強化了專業領域適應性，在醫療 CT 影像輔助診斷場景中誤診率較 7B 降低 42%，金融量化策略生成準確率提升至 89%。硬件需求方面，32B 需至少 30GB 顯存，而 7B 僅需 16GB，形成從邊緣計算到云端服務的完整產品矩陣。圖圖 16：DeepSeek-R1-Distill 模型基于開源模型進行了微調模型基于開源模型進行了微調 數據來源：Deepseek 官網

78、，東北證券 我們認為，我們認為，推理專用模型（推理專用模型（R 系列）系列）一方面通過知識蒸餾實現能力遷移，在保持核一方面通過知識蒸餾實現能力遷移，在保持核心功能的前提下降低部署門檻心功能的前提下降低部署門檻，為應用的大規模推廣奠定基礎，為應用的大規模推廣奠定基礎；另一方面構建參數；另一方面構建參數梯度生態，形成從梯度生態，形成從 1.5B 到到 671B 的全場景覆蓋的全場景覆蓋，形成從邊緣計算到云端服務的完整形成從邊緣計算到云端服務的完整產品矩陣產品矩陣。（3）在在數學代碼模型數學代碼模型領域領域，DeepSeek 主要模型成果有主要模型成果有 DeepSeek-Prover-V2-671

79、B、DeepSeek-Math、DeepSeek-Coder 等。等。與與通用語言模型（通用語言模型（V 系列）系列）、推理專用模型推理專用模型（R 系列）系列）不同，上述不同，上述三大模型形成梯度化產品矩陣三大模型形成梯度化產品矩陣，聚焦，聚焦 AI 編程、編程、AI 教育，以教育，以及科研領域及科研領域。開源戰略推動生態繁榮，。開源戰略推動生態繁榮，Prover 系列在系列在 GitHub 建立建立 400 余個衍生項余個衍生項目，目，Coder 插件在插件在 VSCode 擴展商店下載量突破擴展商店下載量突破 120 萬次。萬次。DeepSeek-Prover-V2-671B 是是作為全

80、球首個千億級開源數學推理模型作為全球首個千億級開源數學推理模型，聚焦于高精聚焦于高精度度科研科研領域領域。作為全球首個千億級開源數學推理模型，該模型基于混合專家（MoE）架構，參數規模達 6710 億，隱藏層維度擴展至 7168，采用 61 層 Transformer 堆疊結構。在性能層面，其 MiniF2F 測試通過率 88.9%，PutnamBench 難題解決量達 49道，較前代 V1.5 提升 3.2 倍，微分拓撲領域形式化驗證準確率達數學年刊審稿標準。商業落地場景聚焦于高精度驗證需求領域：在芯片設計中實現邏輯驗證效率提升 10 倍，縮短流片周期至傳統方法的 1/5；在密碼學領域構建自

81、動化安全證明系統，使 RSA 算法漏洞檢測周期從 3 個月壓縮至 72 小時。商業化部署方面，模型采用 MIT 協議開源，支持 FP8 量化壓縮技術，單張 NVIDIAH200 顯卡即可完成推理，已在中國科學院數學研究所的橢圓曲線猜想驗證項目中實現部署，日均處理證明量超 2000 項。DeepSeek-Math 聚焦聚焦輕量化數學推理的輕量化數學推理的，當前主要應用于當前主要應用于高中數學競賽高中數學競賽，可用，可用邊緣邊緣計算方案計算方案部署部署。該模型參數規模為 70 億，基于 DeepSeek-Coder-v1.5 架構初始化，請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 1

82、8/57 計算機計算機/行業深度行業深度 通過 1200 億數學相關 Token 訓練數據構建知識體系，數學推理能力逼近 GPT-4 水平。DeepSeekMath7B 在競賽級 MATH 基準測試中取得了 51.7%的準確率，無需依賴外部工具包和投票技術，性能接近 Gemini-Ultra 和 GPT-4。訓練策略突破體現在多階段課程學習機制，將復雜問題拆解為帶前提條件與獨立子目標組合，形成漸進式學習路徑。商業化應用已滲透教育智能化領域：集成于數智課堂教育平臺，實現高中數學競賽題目的動態難度適配與解題步驟生成，在長三角地區 300 所中學試點中，學生數學競 賽獲獎 率提升 27%。部署采 用

83、邊緣計算方 案，基于NVIDIAJetsonOrin 平臺實現 5ms 級響應，單位設備年運維成本低于 2000 元。圖圖 17：DeepSeekMath7B 性能接近性能接近 Gemini-Ultra 和和 GPT-4 數據來源：Deepseek 官網，東北證券 DeepSeek-Coder 激活參數激活參數 210 億，支持億，支持 338 種編程語言種編程語言，目前，目前代碼生成日均調用代碼生成日均調用量突破量突破 1.2 億次。億次。最新迭代的 Coder-V2 版本參數規模 2360 億（MoE 架構），激活參數 210 億，支持 338 種編程語言，較初代模型語言覆蓋率提升 293

84、%。技術突破體現在語義圖譜分析框架，將代碼生成分解為抽象語法樹構建、領域專家調用、對抗驗證三階段，使 Python 代碼生成 HumanEval 基準準確率達 78.9%，超越 GPT-4Turbo2.3個百分點。架構創新包括動態內存分配機制，在保持128K上下文窗口下，顯存消耗降低至同規模模型的 1/4。工業部署已形成標準化解決方案：提供包含 8 塊NVIDIAH20 顯卡的推理訓練一體化服務器，年服務費 45 萬元，支持私有數據微調與 CI/CD 流水線集成。當前已覆蓋金融、智能制造、物聯網三大領域，簽約客戶包括阿里云、國家電網等 200 余家企事業單位，代碼生成日均調用量突破 1.2 億

85、次。圖圖 18：DeepSeek-Coder-V2 在編碼和數學基準測試方面的表現優于在編碼和數學基準測試方面的表現優于 GPT4-Turbo、Claude3Opus 和和 Gemini1.5Pro 等閉源模型等閉源模型 數據來源：Deepseek 官網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 19/57 計算機計算機/行業深度行業深度 在開源模型方面，DeepSeek 推出 DeepSeekLLM，一個包含 670 億個參數的高級語言模型，該模型基于包含 2 萬億個中英文詞條的龐大數據集，目前 DeepSeek 已將DeepSeekLLM7B/67BBase 和

86、DeepSeekLLM7B/67BChat 開源，供研究社區使用。DeepSeekLLM 在在通用能力通用能力、編程和數學編程和數學等方面表現優異。等方面表現優異。通用能力方面，DeepSeekLLM67BBase 在推理、編碼、數學和中文理解等領域的表現優于Llama270BBase。（2）編 程 和 數 學 方 面，DeepSeekLLM67BChat 在 編 程（HumanEvalPass1：73.78）和數學（GSM8K0-shot：84.1，數學 0-shot：32.6）方面表現出色。此外，它還展現出卓越的泛化能力，在匈牙利國家高中考試中取得了65 分的優異成績。圖圖 19：Deep

87、SeekLLM67BBase 在推理、編碼、數學和中文理解等領域的表現優于在推理、編碼、數學和中文理解等領域的表現優于Llama270BBase 數據來源：Deepseek 官網，東北證券 表表 4：Deepseek 模型分類、各領域重點模型、核心優勢（截至模型分類、各領域重點模型、核心優勢（截至 2025 年年 5 月）月）類型類型 重點模型重點模型 核心特性核心特性/優勢優勢 通用語言模型通用語言模型 DeepSeek-V3 6710 億參數，128K 上下文，FP8 混合精度訓練，性能對標 GPT-4o 推理模型推理模型 DeepSeek-R1 強化學習優化邏輯鏈推理，成本僅為 Open

88、AI 的 1/30 多模態模型多模態模型 Janus-Pro 文生圖性能超越 DALL-E3，支持開源部署 數學數學/代碼模型代碼模型 DeepSeek-Prover-V2-671B 超長上下文支持，FP8 量化提升推理效率 基礎開源模型基礎開源模型 DeepSeekLLM67B 開源支持，在編碼、數學任務中表現卓越 數據來源：Deepseek 官網，東北證券 我們認為，我們認為，DeepSeek 的核心優勢的核心優勢為訓練為訓練/推理成本優化推理成本優化，為，為 AI 應用的星辰大海創造應用的星辰大海創造可能可能。比如（1）DeepSeek-V2，采用混合專家（MoE）架構，相較同規模稠密模

89、型節省 42.5%計算資源；（2）DeepSeek-V3，采用 FP8 混合精度框架實現高效訓練，總成本較同類閉源模型降低 90%以上；（3）在推理專用模型（R 系列）中，DeepSeek-R1 通過大規模強化學習(RL)訓練，引入顯式思維鏈輸出機制，可自主優化推理邏輯鏈，在數學、代碼和推理任務方面均達到了與 OpenAI-o1 相當的性能，但推理成本僅為OpenAI o1系列的 1/30。（4）同時，通過知識蒸餾，推出R1 的蒸餾版本DeepSeek-R1-Distill-Qwen-7B、DeepSeek-R1-Distill-Qwen-32B，其中DeepSeek-R1-Distill-Q

90、wen-請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 20/57 計算機計算機/行業深度行業深度 32B 在保持高基準準確率的同時，將推理功耗控制在低水平，顯著提升了企業級應用的可行性。表表 5：DeepSeek 與對標的與對標的 ChatGPT 模型推理成本對比模型推理成本對比 模型模型 輸入成本輸入成本（元（元/百萬百萬tokens）輸出成本輸出成本（元（元/百萬百萬tokens）ChatGPT模型模型 輸入成本輸入成本（元（元/百萬百萬tokens）輸出成本輸出成本（元（元/百萬百萬tokens）DeepSeek-V3 0.5-2 8 GPT-4o 2.50 10 DeepS

91、eek-R1 1-4 16 GPT-o1 0.15-15 0.60-60 DeepSeekCoderV2 1 2 GPT-4.5 75 150 數據來源：Deepseek/OpenAI 官網，東北證券 3.2.Deepseek 核心優勢的歸因：混合專家模型、多頭潛在注意力機制 我們認為，我們認為，DeepSeek 之所以能做到之所以能做到訓練訓練/推理成本優化推理成本優化，歸功于，歸功于混合專家模型（混合專家模型（MoE）架構、多頭潛在注意力（架構、多頭潛在注意力（MLA）機制，以及數據蒸餾與強化學習的結合。）機制，以及數據蒸餾與強化學習的結合?；旌蠈＜夷Ｐ停ɑ旌蠈＜夷Ｐ停∕oE）架構）架構，

92、充分利用專家的計算能力，還能顯著降低計算資源的，充分利用專家的計算能力，還能顯著降低計算資源的消耗消耗?；旌蠈＜夷Ｐ停∕oE）架構是一種高效且靈活的模型設計方式。它采用了稀疏化專家分配策略，這種策略使得每個 MoE 層都包含 1 個共享專家和 256 個路由專家。在實際運行過程中，每個詞元僅激活其中的 8 個路由專家。這種設計不僅能夠充分利用專家的計算能力，還能顯著降低計算資源的消耗。此外，MoE 架構還支持動態選擇領域專家，例如在醫療、翻譯等不同領域中，可以根據具體需求靈活選擇相應的專家模塊。這一特性有效避免了傳統模型“全激活”所導致的算力浪費問題。經過實際測試，采用 MoE 架構的模型訓練

93、成本僅為行業同級別模型的 1/15，顯著地提高了模型的性價比。圖圖 20：Gshard 在在 Transformer 論文中實現論文中實現 MoE，引入了隨機路由和專家容量等新引入了隨機路由和專家容量等新概念概念 數據來源：GopenAI 社區，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 21/57 計算機計算機/行業深度行業深度 多頭潛在注意力（多頭潛在注意力（MLA）機制）機制能夠將顯存占用降至傳統能夠將顯存占用降至傳統 Transformer 模型的模型的 5%-13%，降低了對硬件資源的需求，降低了對硬件資源的需求。MHA（多頭注意力）通過將輸入向量分割成多個并

94、行的注意力“頭”，每個頭獨立地計算注意力權重并產生輸出，然后將這些輸出通過拼接和線性變換進行合并以生成最終的注意力表示。MLA（多頭潛在注意力）的是 MLA 將多頭注意力機制與潛在表示學習相結合，解決 MHA 在高計算成本和 KV緩存方面的局限性。多頭潛在注意力（MLA）通過低秩聯合壓縮鍵值緩存（KVCache）技術，能夠將顯存占用降至傳統 Transformer 模型的 5%-13%。這種顯著的顯存優化使得模型在處理大規模數據時更加高效，同時也降低了硬件資源的需求。此外，MLA機制還結合了旋轉位置編碼（RoPE）技術，這一技術使得模型能夠支持 32K 以上長文本的處理，極大地拓展了模型的應用

95、范圍。在實際應用中，這種結合方式還能夠進一步減少內存占用，最高可減少 50%。這使得模型在處理長文本任務時，不僅能夠保持高效，還能有效降低硬件資源的負擔。圖圖 21：在在 MHA、GQA 中大量存在于中大量存在于 keysvalues 中的中的 KV 緩存緩存（帶陰影表示帶陰影表示），MLA中只有一小部分的被壓縮中只有一小部分的被壓縮 Compressed 的的 LatentKV 數據來源：火山引擎開發者社區，公眾號“大模型自然語言處理”，東北證券 數據蒸餾與強化學習：機器學習中的高效訓練范式與自適應決策理論數據蒸餾與強化學習：機器學習中的高效訓練范式與自適應決策理論。數據集蒸餾是合成小數據集

96、的任務，以便在其上訓練的模型在原始大數據集上實現高性能。數據集蒸餾算法將要蒸餾的大型真實數據集（訓練集）作為輸入，并輸出一個小的合成蒸餾數據集，該數據集通過在單獨的真實數據集（驗證/測試集）上在該蒸餾數據集上訓練的測試模型進行評估。強化學習(RL)作為機器學習的一個子領域，其靈感來源于心理學中的行為主義理論，即智能體如何在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，產生能獲得最大利益的習慣性行為。它強調如何基于環境而行動，以取得最大化的預期利益。數據蒸餾與強化學習結合，使用數據蒸餾技術可以生成高質量的訓練數據，同時結數據蒸餾與強化學習結合，使用數據蒸餾技術可以生成高質量的訓練數據，同時

97、結合無監督獎勵機制降低了數據準備的成本和難度。合無監督獎勵機制降低了數據準備的成本和難度。首先，通過數據蒸餾技術，可以生成高質量的訓練數據。這一過程能夠有效提升模型的泛化能力，使得模型在面對不同類型的輸入時，都能保持良好的性能表現。其次，結合無監督獎勵機制，例如代碼可執行性驗證等，可以驅動強化學習中的 GRPO 算法。這種機制減少了對人工標注數據的依賴，從而降低了數據準備的成本和難度。這種結合方式使得模型在數學推理任務中的準確率提升了 15%，顯著提高了模型的性能和實用性。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 22/57 計算機計算機/行業深度行業深度 圖圖 22：數據集蒸

98、餾數據集蒸餾原理原理 圖圖 23：強化學習的特點強化學習的特點 數據來源：機器之心，東北證券 數據來源：CSDN，東北證券 3.3.Deepseek 為“AI 普惠”創造可能，AI 應用的星辰大海就此開啟 DeepSeek 的的混合專家架構（混合專家架構（MoE）、低秩注意力機制低秩注意力機制，以及，以及負載均衡優化和鍵值緩負載均衡優化和鍵值緩存節省技術存節省技術，顯著降低了硬件需求顯著降低了硬件需求，推動行業進入推動行業進入“AI 普惠化普惠化”新階段新階段。DeepSeek 通過“邏輯先行”的訓練策略，提升了傳統大模型高效推理的能力；同時，其混合專家架構（MoE）與低秩注意力機制，在保證模

99、型性能的同時，將訓練成本降至傳統模型的 1/20。第三，通過負載均衡優化和鍵值緩存節省技術，DeepSeek 在復雜任務推理中表現出色，顯著降低了硬件需求，為金融機構提供低成本、高效率的智能化底座，成為銀行構建產融分析、風險控制、客戶服務的核心引擎，推動行業進入“AI 普惠化”新階段。以天陽科技為例，以天陽科技為例，2024 年年天陽科技與湖南大學金融超算聯合創新中心開展產融大模天陽科技與湖南大學金融超算聯合創新中心開展產融大模型應用創新型應用創新。產融大模型快速解析海量公開產業數據和產業專家知識庫，精準識別產業鏈上下游關系，挖掘潛在關聯企業。同時，通過 50+智能 Agent 協同矩陣，在數

100、分鐘內生成專業級產融報告，覆蓋企業競爭力評估、營銷策略、融資方案設計等客群經營全流程。依托依托 DeepSeek 技術技術，本次產融大模型升級版本，實現了四大核心能力提升。本次產融大模型升級版本，實現了四大核心能力提升。（1）在產業鏈建模中，實現從在產業鏈建模中，實現從“粗放關聯粗放關聯”到到“精準推演精準推演”，建模精度提升建模精度提升 50%。結合 DeepSeek 的邏輯能力與知識圖譜技術，模型可動態修正產業鏈關系（例如芯片行業突發政策變動時，自動調整上下游企業風險評估權重），建模精度提升 50%。智能體協同機制突破傳統串行流程限制，效率提升數倍以上。請務必閱讀正文后的聲明及說明請務必閱

101、讀正文后的聲明及說明 23/57 計算機計算機/行業深度行業深度 圖圖 24：結合結合 DeepSeek 的邏輯能力與知識圖譜技術，模型實現從“粗放關聯”到“精的邏輯能力與知識圖譜技術，模型實現從“粗放關聯”到“精準推演”準推演”數據來源：天陽科技公眾號，東北證券 （2）在原有的智能體集群協同調度中，實現工作流的效率倍增。在原有的智能體集群協同調度中，實現工作流的效率倍增。以“上市企業公告工作流”為例，模型通過智能 Agent 分工（研報解析關鍵數據提取融資提示生成），將信息處理速度提升 6 倍，且支持多任務并行響應。（3）融資建議變得更加個性化。融資建議變得更加個性化?；谄髽I實際需求（如某

102、制造企業需供應鏈金融支持），模型可生成包含利率測算、擔保方式、還款周期的定制化方案，并通過強化學習持續優化建議合理性。（4）引入以引入以“模?！敝浦啤澳Ｄ！钡脑O計思路對數據源進行驗證。的設計思路對數據源進行驗證。結合 DeepSeek 的邏輯驗證能力，確保產融報告中的企業關系、行業預測等結論可追溯、可解釋。同時，同時，DeepSeek 憑借其低成本以及訓練方法的創新，為未來產融大模型在支撐場景憑借其低成本以及訓練方法的創新，為未來產融大模型在支撐場景創新方面提供了更為靈活和高效的交付方式。創新方面提供了更為靈活和高效的交付方式。對于大型銀行而言，對于大型銀行而言，DeepSeek 的高效推理和

103、低硬件需求為其分行提供了更多自主的高效推理和低硬件需求為其分行提供了更多自主性場景探索的空間，以小基座性場景探索的空間，以小基座+小場景的方式廣泛驗證，加速大規模場景的建設應小場景的方式廣泛驗證，加速大規模場景的建設應用推廣。對于中小銀行來說，用推廣。對于中小銀行來說，DeepSeek 的推出的推出為為直接從場景切入直接從場景切入提供提供寶貴機遇。小寶貴機遇。小規?；幠；?垂直場景應用或一體機的方式，將垂直場景應用或一體機的方式，將顯著顯著地激發商用潛力。地激發商用潛力。4.2025 年年 AI Agent 元年開啟元年開啟，Agent 成為海內外大廠兵家必成為海內外大廠兵家必爭之地爭之

104、地 4.1.AI Agent 是什么？AI Agent 可以被定義為一個應用程序，可以被定義為一個應用程序，使使 AI 系統能夠調用系統能夠調用 API 獲取實時信息，完獲取實時信息，完成實際的任務執行。成實際的任務執行。AgenticAI 是一種高級的人工智能系統，它能夠自主規劃和采取行動以實現用戶定義的目標。AlAgent 通過將大語言模型與各種工具和執行環境相結合，真正打破了只能對話的限制，使 AI 系統能夠調用 API 獲取實時信息、執行文件操作和數據處理、進行網絡搜索、與其他系統交互，完成實際的任務執行。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 24/57 計算機計算

105、機/行業深度行業深度 圖圖 25：AI Agent 核心特點核心特點 數據來源：CSDN，東北證券 Agent 架構中有三個核心組件架構中有三個核心組件，包括，包括模型組件、工具組件、代理執行器模型組件、工具組件、代理執行器。（1）模型組件(Model)，模型是 AlAgent 的大腦,負責理解用戶輸入并做出決策。模型的主要職責理解用戶的自然語言輸入、判斷是否需要使用工具、解析工具返回的結果、生成合適的回復。（2）工具組件(Tools)，工具是 AlAgent 與外界交互的接口。工具的特點是功能單一明確、有標準化的輸入輸出接口、可以動態添加和組合、支持異步操作。（3）代理執行器(AgentEx

106、ecutor)，執行器是連接模型和工具的核心組件，它使用 ReAct(ReasoningandActing)范式來協調整個系統，執行器的工作流程包括接收用戶輸入、調用模型理解意圖、決定是否使用工具、執行工具調用、處理結果并生成回復。圖圖 26：AI Agent 運作流程運作流程 數據來源：CSDN，東北證券 2024 年 10 月，Gartner 發布了 2025 年企業機構需要探索的十大戰略技術趨勢，排在第一的是代理型 AI（AgenticAI）。Gartner 預測，到到 2028 年，至少年，至少 15%的日常工的日常工作決策將由代理型作決策將由代理型 AI 自主做出，而自主做出，而 2

107、024 年這一比例為年這一比例為 0%，33%的企業軟件應用的企業軟件應用程序也將包含程序也將包含 Agentic Al。這項技術的目標導向型功能將實現適應性更強、能夠完成各種任務的軟件系統。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 25/57 計算機計算機/行業深度行業深度 圖圖 27：2025 年企業機構需要探索的十大戰略技術趨勢年企業機構需要探索的十大戰略技術趨勢 數據來源：Gartner，東北證券 AI Agent 有望在辦公助手、客戶服務、有望在辦公助手、客戶服務、內容內容推薦、推薦、制造和供應鏈管理、個人助手制造和供應鏈管理、個人助手等等領域率先落地。領域率先落地。

108、在辦公環境中，大模型 Agent 能夠處理日常文檔、安排會議、管理日程等任務，大大提高了辦公效率。例如，智能助手可以幫助你處理郵件，安排日程，并提醒你重要的截止日期。例如，它能夠自動操作金蝶云系統完成訂單下載，全程無需人工干預。從登錄系統、篩選訂單條件到完成下載，每一個步驟都能精準無誤地執行。大模型 Agent 在客戶服務中發揮重要作用，能夠實時響應客戶的咨詢、解決問題并提供幫助。通過自然語言處理技術，Agent 可以理解客戶的問題，并提供詳細準確的回答，提高客戶滿意度。在電子商務和內容推薦領域，大模型 Agent 能夠分析用戶的行為和偏好，提供個性化的推薦。例如，在購物網站上，Agent 可

109、以根據用戶的瀏覽歷史和購買記錄，推薦相關產品，從而提高銷售額。在制造和供應鏈管理等領域，大模型 Agent 可以自動化處理各種復雜的流程任務,如生產調度、庫存管理和物流優化，從而提高整體效率和準確性。對于電商企業而言，實在 Agent 實現了庫存監控與價格策略自動化，可以實時監控庫存水平，根據市場動態和預設規則自動調整商品價格，確保企業在競爭激烈的電商市場中始終保持優勢。在個人場景方面，用戶只需通過語音指令，它就能操作手機訂票，規劃出行行程。而且，它還能根據用戶提供的素材生成個性化報告，無論是工作匯報還是學習總結，都能快速生成高質量內容，成為人們生活和工作中的得力助手。我們認為模型、數據和場景

110、是構建我們認為模型、數據和場景是構建 AI 產品競爭力的三個關鍵要素產品競爭力的三個關鍵要素，其中數據最為，其中數據最為重要重要。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 26/57 計算機計算機/行業深度行業深度 圖圖 28：AI Agent 三大競爭力：三大競爭力：模型、數據和場景模型、數據和場景 數據來源：CSDN，東北證券 模型下一步的重點是成本和性能的優化。模型下一步的重點是成本和性能的優化。模型層面，目前公域數據已經被挖掘得相對充分，下一步的重點可能會轉向成本和性能的優化。在這方面,像 DeepSeek 這樣的技術正在加速推動相關變革。AI Agent 依賴于大量數

111、據進行訓練和優化，以提高其智能性和準確性，同時，它們依賴于大量數據進行訓練和優化，以提高其智能性和準確性，同時，它們通過與客戶的互動收集和分析數據，為企業帶來深刻的市場洞察和決策支持。通過與客戶的互動收集和分析數據，為企業帶來深刻的市場洞察和決策支持。私域數據是每個公司的核心壁壘。企業需要充分挖掘私域數據,沉淀優質數據，并持續優化，以釋放最大的客戶價值，只要生產資源足夠優質，并且有底層模型的生產力支持，就可以實現持續演進。AI Agent 的核心是，每個應用都能夠從客戶那里收集和沉淀數據，這些數據是實現個性化和專業性的基礎。其次,每個領域都有其獨特的專業數據和標準操作流程(SOP)，將這些專業

112、數據與客戶數據相結合，可以更高效地解決客戶的問題。場景方面，需要找到自己領域內高頻、結構化且風險可控的場景，并逐步延伸場景場景方面，需要找到自己領域內高頻、結構化且風險可控的場景，并逐步延伸場景的專業性，從而幫助客戶提升效率。的專業性，從而幫助客戶提升效率。例如，在 DeVops 領域,智能編碼就是一個很好的例子。AI Agent 已經成為全球巨頭必爭之地。已經成為全球巨頭必爭之地。4.2.谷歌：產品線廣泛，從通用到多步驟任務、編程/游戲 Agent 2024 年年 12 月，月，谷歌宣布了對谷歌宣布了對 AI Agent 實驗性功能的更新，包括通用實驗性功能的更新，包括通用 AI Agent

113、 Project Astra、多步驟任務、多步驟任務 AI Agent Project Mariner、AI 編程編程 Agent Jules、游戲、游戲Agent。1、通用通用 AI Agent Project Astra：記?。河涀?10 分鐘視頻，分鐘視頻，通過文本、語音、圖像和視頻通過文本、語音、圖像和視頻回答問題并執行任務，在需要時調用谷歌搜索、回答問題并執行任務，在需要時調用谷歌搜索、Lens、地圖等應用、地圖等應用 谷歌通用 AI 助手研究原型 Project Astra 是一個全視、全聽和全記憶的實驗性 AI 助手，展示了通用 AI 助手的未來功能，可以幫助用戶通過安卓 App

114、 或原型眼鏡來記錄看到的世界，同時還可以實時處理文本、圖像、視頻、音頻，分析它所看到的內容并回答廣泛的問題，還精通多國語言。此次 2024 年 12 月發布的、由 Gemini 2.0 提供支持的 Project Astra 更新版本，可以實現 Agent（代理）能力。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 27/57 計算機計算機/行業深度行業深度 其最新改進包括：（1）更好的記憶更好的記憶，能記住，能記住 10 分鐘的視頻、以及用戶的個人偏好分鐘的視頻、以及用戶的個人偏好：今年 5 月谷歌展示了早期版本只能記住 45 秒的視頻，現在它已經能記憶 10 分鐘的視頻了，可以記

115、住用戶與其進行的更多對話和個人偏好，更具個性化。（2）更好的對話更好的對話，可以，可以使用多種語言和混合語言進行交談使用多種語言和混合語言進行交談：能使用多種語言和混合語言進行交談，并且能夠更好地理解口音和不常見的單詞。（3）新工具用途新工具用途，調用谷歌搜索、調用谷歌搜索、Lens、地圖等應用、地圖等應用：使用 Gemini 2.0 的內置 Agent框架，通過文本、語音、圖像和視頻回答問題并執行任務，在需要時調用谷歌搜索、Lens、地圖等應用。（4）改善延遲，與人類對話相同的延遲理解語言：借助新的流媒體功能和本機音頻理解，Agent 以與人類對話相同的延遲理解語言，使對話感覺更自然。2、多

116、步驟任務多步驟任務 AI Agent Project Mariner：最佳工作結果：最佳工作結果 83.5%，在用戶執行某些在用戶執行某些購買等敏感操作之前要求用戶進行最終確認購買等敏感操作之前要求用戶進行最終確認。Project Mariner 作為單一作為單一 Agent 設置實現了設置實現了 83.5%的最佳工作結果。的最佳工作結果。Project Mariner是谷歌在 Gemini 2.0 模型基礎上發布的一個實驗性功能，其可以完成多步驟的復雜任務。作為研究原型，Project Mariner能夠理解和推理瀏覽器屏幕上的信息，包括像素和文本、編程、圖像和表單等網絡元素，然后通過實驗性

117、的谷歌擴展程序使用這些信息完成任務。谷歌官方博客顯示，根據 WebVoyager 基準進行評估，該基準測試Agent 在端到端真實世界網絡任務上的性能，Project Mariner 作為單一 Agent 設置實現了 83.5%的最佳工作結果。在演示中，Project Mariner 可以同時完成獲取表單、找到公司官網、聯系方式等多步驟任務，Agent 會自動執行在谷歌搜索中查找電子郵件的過程，且這一過程中用戶可以隨時點擊暫停和停止。同時，用戶可以看到 Agent 每一步行動的推理步驟和計劃。圖圖 29：谷歌：谷歌 Project Mariner 執行任務執行任務演示界面演示界面 數據來源：3

118、6Kr，谷歌 Project Mariner 官網，東北證券 目前，該代理在完成任務時需要人類介入目前，該代理在完成任務時需要人類介入，在用戶執行某些購買等敏感操作之前要在用戶執行某些購買等敏感操作之前要求用戶進行最終確認求用戶進行最終確認。如 Project Mariner 只能在瀏覽器的活動選項卡中鍵入、滾動或點擊，并且它會在用戶執行某些購買等敏感操作之前要求用戶進行最終確認。3、AI 編程編程 Agent Jules：直接集成：直接集成 GitHub，長期目標是構建通用，長期目標是構建通用 Agent 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 28/57 計算機計算機/行

119、業深度行業深度 谷歌還在探索 Agent Jules 的更新。Jules 是一種直接集成到 GitHub 工作流程中的實驗性 AI 驅動的編程 Agent。Jules 可以解決問題、制定計劃并執行它，所有過程都在開發人員的指導和監督下進行。在這一領域，谷歌的長期目標是構建在所有領域（包括編程）都有幫助的 AI Agent。4、游戲、游戲 Agent：視頻游戲導航，根據游戲動作推理、實時對話充當游戲交流：視頻游戲導航，根據游戲動作推理、實時對話充當游戲交流 谷歌使用 Gemini 2.0 構建了游戲 Agent，可以幫助用戶在視頻游戲的虛擬世界中導航。Agent 可以僅根據屏幕上的動作來推理游戲

120、，并在實時對話中提供下一步操作的建議。圖圖 30：谷歌：谷歌游戲游戲 Agent 演示界面演示界面 數據來源：36Kr，谷歌，東北證券 目前，研究人員在與 Supercell 等游戲開發商合作，探索這些 Agent 從部落沖突等策略游戲到Hay Day等農業模擬器，在各種游戲中解釋規則和挑戰的能力。未來，谷歌還在試驗可以通過將 Gemini 2.0 的空間推理功能應用于機器人技術來在物理世界中提供幫助的 Agent。5、基于基于 AI Agent，探索保護用戶敏感信息、遵循用戶指令策略，探索保護用戶敏感信息、遵循用戶指令策略 在安全方面，谷歌在對多個實驗原型進行研究的基礎上，正通過迭代實施安全

121、培訓、與測試人員和外部專家合作，進行廣泛的風險評估以及安全和保證評估。谷歌與責任與安全委員會（RSC）合作以識別和了解潛在風險。Gemini 2.0 的推理功能使其 AI 輔助方法取得重大進步，包括從簡單地檢測風險到自動生成評估和訓練數據以減輕風險的能力。由于 Gemini 2.0 的多模態功能增加了潛在輸出的復雜性，其將繼續在圖像和音頻輸入和輸出方面評估和訓練模型，以幫助提高安全性。通過 Project Astra，谷歌正在探索針對用戶無意中與代理共享敏感信息的潛在緩解措施，并且其已經內置了隱私控制功能，使用戶可以輕松刪除會話。他們還在繼續研究以確保 AI 代理充當可靠的信息來源，并且不會代

122、表您采取意外操作。通過 Project Mariner，谷歌正在努力確保模型學會優先考慮用戶指令，而不是第三方的提示注入嘗試，以便它可以識別來自外部來源的潛在惡意指令并防止濫用。這可以防止用戶通過電子郵件、文檔或網站中隱藏的惡意指令等方式受到欺詐和網絡釣魚攻擊。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 29/57 計算機計算機/行業深度行業深度 蘋果有望在蘋果有望在2025年中期推出健康教練年中期推出健康教練AI Agent，利用可穿戴設備收集的健康數據，利用可穿戴設備收集的健康數據，為用戶提供高度個性化的健身指導和營養建議。為用戶提供高度個性化的健身指導和營養建議。2025

123、年 4 月，據報道，蘋果公司正加速開發其內部代號為 Project Mulberry 的健康教練 AI Agent。該 Agent 旨在利用Apple Watch 等可穿戴設備收集的健康數據，為用戶提供高度個性化的健身指導和營養建議。預計這項功能將在 2025 年中期作為 iOS 19.4 的一部分正式推出。4.3.微軟：打造世界最大 AI Agent 生態系統，使得客戶自建成為可能 世界最大世界最大 AI Agent 生態系統，生態系統，目前目前已有超過已有超過 10 萬家萬家客戶客戶通過其通過其 Copilot Studio 創建或編輯過創建或編輯過 AI 智能體智能體。2024 年 11

124、 月，微軟發布了大量云和人工智能服務更新，展示了其 Microsoft 365 Copilot 平臺的多項改進，同時建立起一個超級 AI 智能體生態。在 Ignite 大會上，微軟公布了最大的企業 AI 智能體生態的發展狀況。自推出以來，該生態聯盟已有超過 10 萬家組織通過其 Copilot Studio 創建或編輯過 AI 智能體，生態建設聯盟的數量每個季度幾乎都在實現倍增。微軟推出適配微軟推出適配 1800 種大模型的智能體種大模型的智能體，以便客戶自主開發選擇，以便客戶自主開發選擇。在 Ignite 大會上，微軟公司宣布將允許企業通過這些智能體隨意挑選 Azure 目錄所提供的 180

125、0 種大語言模型（LLM）。同時，微軟還推出了能夠獨立運作的自主智能體。智能體生態平臺智能體生態平臺平臺集成了平臺集成了 1400 多種企業系統和數據源多種企業系統和數據源，客戶可以選擇，客戶可以選擇從頭開始從頭開始構建自定義智能體構建自定義智能體，或者使用微軟，或者使用微軟預構建預構建的的智能體智能體。平臺集成了 1400 多種企業系統和數據源，范圍從 SAP 到 ServiceNow、再到 SQL 數據庫。這種廣泛的連接性使得組織能夠輕松建立起可直接訪問并處理其現有 IT 環境內數據的智能體。企業除了選擇從頭開始構建自定義智能體之外，微軟還提供十種專門面向銷售、服務、財務、供應鏈等核心業務

126、職能的預構建自主智能體，借此加快常見企業用例的推進速度。圖圖 31：微軟智能體：微軟智能體界面界面 數據來源：新智元，36Kr，東北證券 2024 年 10 月，微軟重磅宣布在微軟重磅宣布在 Dynamics 365 中集成了中集成了 10 個自主個自主 AI Agent，并進，并進行行公測。公測。這些智能體基于 OpenAI 的最新模型 o1，具備自主學習能力，能夠自動執行跨平臺的超復雜業務，能夠自動執行客服、銷售、財務、倉儲等業務流程，為企業帶來全新的智能自動化工作模式。微軟的 AI Agent 通過從 Microsoft 365 Graph、Dataverse 以及其他業務系統的數據中分

127、析工作數據，識別工作模式、趨勢，以及潛在的改進領域，從而更好地自動執行業務流程。在學習過程中，在學習過程中，AI Agent 利用算法和大量數據不斷優化自己的性能。利用算法和大量數據不斷優化自己的性能。通過持續的模型訓練，能夠預測業務流程中的變化，并通過與銷售人員、客戶服務代表等用戶互 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 30/57 計算機計算機/行業深度行業深度 動以及使用反饋，進一步訓練和優化自己的行為。AI Agent 還具備持續自我改進的能力，能夠自主學習解決新問題。例如，客戶 AI Agent 能夠從客戶對話中不斷發現新的意圖，并將解決方案映射到其知識庫中，從而

128、提供更準確的服務。4.4.字節跳動 2025 年年 4 月月字節跳動字節跳動通用通用 Agent 產品產品扣子空間開啟內測，扣子空間開啟內測，主要聚焦于主要聚焦于日常辦公場日常辦公場景景。2025 年 4 月 18 日，字節跳動扣子空間開啟內測，定位通用 Agent。字節的扣子空間主要入口為網頁端，更易于接觸日常辦公場景下的軟件資源；同時希望用 AI 深度嵌入工作流，正如其廣告語“和 Agent 一起開始你的工作”。平臺上用戶可以選擇精通各項技能的通用實習生，也可以選擇行業的領域專家，通過與 A1 的互動完成工作任務。圖圖 32：扣子空間扣子空間主要聚焦于主要聚焦于日常辦公場景日常辦公場景 數

129、據來源：扣子空間官網，東北證券 扣子空間扣子空間希望實現希望實現生產力全面提升生產力全面提升，從回答問題，到解決問題全線打通，自動分析，從回答問題，到解決問題全線打通，自動分析需求，拆解為多個子任務需求，拆解為多個子任務。字節希望把 Agent 當作辦公過程中的“AI 實習生”或者，主動幫助用戶處理文件檢索、表格制作、報告生成等任務。從回答問題，到解決問題全線打通，自動分析需求，拆解為多個子任務:自主調用工具(瀏覽器、代碼編輯器等)，執行任務;輸出完整的結果報告，例如網頁、PPT、飛書文檔等。圖圖 33：扣子空間核心功能之一是“生產力全面提升”：扣子空間核心功能之一是“生產力全面提升”數據來源

130、：扣子空間官網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 31/57 計算機計算機/行業深度行業深度 此外，扣子空間核心特色是此外，扣子空間核心特色是擁有專家擁有專家 Agent 生態生態：華泰華泰 A 股觀察助手可以為用戶進股觀察助手可以為用戶進行每日早報生成、行每日早報生成、生成調研訪談記錄、形成深度調研報告，或基于調研問卷結果生生成調研訪談記錄、形成深度調研報告，或基于調研問卷結果生成分析報告等。成分析報告等。圖圖 34：扣子空間核心功能之一是“專家能力深度支持”：扣子空間核心功能之一是“專家能力深度支持”數據來源：扣子空間官網，東北證券 圖圖 35：扣子空間“

131、專家能力深度支持”股票投資價值分析案例：扣子空間“專家能力深度支持”股票投資價值分析案例 數據來源：扣子空間官網，東北證券 圖圖 36：扣子空間“專家能力深度支持”用戶調研報告案例：扣子空間“專家能力深度支持”用戶調研報告案例 數據來源：扣子空間官網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 32/57 計算機計算機/行業深度行業深度 圖圖 37：扣子空間“專家能力深度支持”股票：扣子空間“專家能力深度支持”股票 K 線分析案例線分析案例 數據來源：扣子空間官網，東北證券 扣子空間還有一個核心特色就是扣子空間還有一個核心特色就是 MCP 擴展集成擴展集成。目前扣子空間

132、已上線飛書云文檔、墨跡天氣、高德地圖、Github 等主流應用，用戶可根據實際需求選擇擴展組件。解決模型實際應用中調用數據的問題，也為未來更多應用接入生態提供了入口。圖圖 38：扣子空間：扣子空間 MCP 集成帶來的旅游規劃、景點報告、飛書文檔撰寫功能集成帶來的旅游規劃、景點報告、飛書文檔撰寫功能 數據來源：扣子空間官網，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 33/57 計算機計算機/行業深度行業深度 圖圖 39：扣子空間集成高德地圖生成香格里拉行程規劃：扣子空間集成高德地圖生成香格里拉行程規劃 數據來源：扣子空間官網，東北證券 5.海外映射：海外銀行海外映射：海

133、外銀行 AI 應用發展如火如荼，已在應用發展如火如荼，已在貸款、貸款、反反欺詐、資產定價、資金管理欺詐、資產定價、資金管理等領域落地等領域落地 5.1.Upstart：依靠人工智能及大數據開展助貸業務，顯著提升審批的快捷度和準確性 Upstart 專注于貸款業務，專注于貸款業務，平臺包括個人貸款、汽車零售和再融資貸款、房屋凈值信平臺包括個人貸款、汽車零售和再融資貸款、房屋凈值信貸額度和小額貸額度和小額“救濟救濟”貸款貸款等。等。UpstartHoldings,Inc.（美國股票代碼：UPST）成立于2012 年，其平臺包括個人貸款、汽車零售和再融資貸款、房屋凈值信貸額度和小額“救濟”貸款。根據

134、公司招股說明書，截至 2024 年，90%由 Upstart 支持的貸款無需人工干預即可處理，平臺核心貸款客戶通常在 28 歲。公司將數百萬消費者與 100 多家銀行和信用合作社聯系起來，這些銀行和信用合作社利用 Upstart 的人工智能模型和云應用程序提供優質的信貸產品。公司還推出了針對高凈值借款人的 T-Prime貸款計劃，進一步拓展其在高端市場的業務。Upstart 的核心業務聚焦于構建智能化的信貸平臺的核心業務聚焦于構建智能化的信貸平臺，并不局限于傳統征信數據，并不局限于傳統征信數據，對對海量的非傳統數據點進行深度分析與挖掘，從而全面、精準地評估借款人的信用狀海量的非傳統數據點進行深

135、度分析與挖掘，從而全面、精準地評估借款人的信用狀 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 34/57 計算機計算機/行業深度行業深度 況與還款能力。況與還款能力。Upstart 的核心業務聚焦于構建智能化的信貸平臺，連接借款人和貸款機構。其獨特的競爭優勢在于運用先進的人工智能算法，對海量的非傳統數據點進行深度分析與挖掘，如教育背景、就業歷史、消費行為等，從而全面、精準地評估借款人的信用狀況與還款能力。此類此類數據驅動的信貸評估模式相較于傳統方式具有顯著優勢。數據驅動的信貸評估模式相較于傳統方式具有顯著優勢。（1）它能夠更細致地刻畫借款人的信用畫像，降低因信息不對稱導致的信貸風

136、險，使信用良好但缺乏傳統信用記錄（如剛畢業的大學生或新移民）的人群也有機會獲得合理的貸款額度與利率；（2）通過提高信貸審批的效率與準確性，Upstart 幫助貸款機構降低運營成本、提高資金配置效率，實現借貸雙方的雙贏。個人消費貸款領域個人消費貸款領域可能在極短時間內就可能在極短時間內就利用其強大的算法完成信用評估，利用其強大的算法完成信用評估，審批速度審批速度比傳統方法高出比傳統方法高出 101%，并為符合條件的借款人匹配最合適的貸款方案并為符合條件的借款人匹配最合適的貸款方案。例如，在個人消費貸款領域，Upstart 與眾多銀行和金融機構合作，為消費者提供額度從數千美元到數十萬美元不等的貸款

137、產品，用于購車、家居裝修、教育支出、債務合并等多種用途。借款人只需在 Upstart 的平臺上填寫一份簡單的在線申請，平臺便能在數秒內利用其強大的算法完成信用評估，并為符合條件的借款人匹配最合適的貸款方案，整個過程高效便捷，極大地改善了傳統信貸申請繁瑣、審批周期長的痛點。Upstart 的模型能夠比傳統方法更精準地區分風險，個人貸款承保模型能夠梳理出的模型能夠比傳統方法更精準地區分風險，個人貸款承保模型能夠梳理出2,500 多個變量之間的關系多個變量之間的關系，提高審批的快捷度和準確性。，提高審批的快捷度和準確性。根據 Upstart 官網，通過使用海量數據集，Upstart 的模型能夠比傳統

138、方法更精準地區分風險，效率高達 3-6倍。依賴于匯總信用數據的傳統方法不同，我們先進的個人貸款承保模型能夠梳理出 2,500 多個變量之間的關系，這些變量已在 8,200 萬次借款人每月還款事件中進行了訓練，從而幫助信用合作社提高審批準確性，從而安全地批準信用良好的借款人。根據 Upstart 官網，與 DV01 的無擔保消費貸款基準組相比，包括 Upgrade、Sofi、LendingClub、Marlette、Prosper 和 Avant 等在線貸款機構，Upstart 的人工智能貸款的人工智能貸款在在 2022 年至年至 2023 年中期的凈年化回報率高出年中期的凈年化回報率高出 11

139、%至至 27%。圖圖 40：Upstart 的人工智能貸款在的人工智能貸款在 2022 年至年至 2023 年中期的凈年化回報率高出年中期的凈年化回報率高出 11%至至 27%數據來源：Upstart 官網，東北證券 Upstart 領先的信用合作社合作伙伴正在提供由 Upstart 提供支持的高收益、短期貸款參與貸款池，有助于提高回報并實現資產負債表多元化。Upstart 貸款合作伙伴的貸款合作伙伴的貸款參與可以為信用合作社提供扣除損失和費用后貸款參與可以為信用合作社提供扣除損失和費用后 8%以上的收益率。以上的收益率。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 35/57 計

140、算機計算機/行業深度行業深度 圖圖 41：Upstart 貸款合作伙伴的貸款參與可以為信用合作社提供扣除損失和費用后貸款合作伙伴的貸款參與可以為信用合作社提供扣除損失和費用后8%以上的收益率以上的收益率 數據來源：Upstart 官網，東北證券 此外，貸款池還可以根據信用合作社的具體信貸政策、貸款審慎期限和目標損失率進行定制。2025 年年 1 月迭代汽車零售平臺上的融資解決方案，提供了一個數據打通且定制化的月迭代汽車零售平臺上的融資解決方案，提供了一個數據打通且定制化的零售平臺零售平臺，可以將交易時間減半，可以將交易時間減半。2025 年 1 月 15 日 Upstart 進一步迭代其汽車零

141、售平臺上的店內和融資解決方案，提供了一個完全連接且定制化的零售平臺，可以將交易時間減半，并推動更多銷售無論經銷商是通過單一聯系點還是多個團隊銷售，還是先進行信用評估還是先填寫購車意向書，使經銷商能夠更輕松地配置和高效管理銷售流程、處理交易、簡化融資工作流程，并更快地完成銷售。到了到了 2024 年底年底個人貸款承保模型個人貸款承保模型變量變量超過超過 2,500 個，模型基于超過個，模型基于超過 5800 萬筆還款萬筆還款事件進行訓練。事件進行訓練。Upstart 的 AI 模型使用的數據量顯著增長。截至 2014 年底，個人貸款承保模型包括 23 個變量，到了 2024 年底這個數據超過 2

142、,500 個，這些變量包括信用經驗、就業、教育歷史、銀行賬戶交易、生活成本和貸款申請互動。截至 2024年底，模型基于超過 5800 萬筆還款事件進行訓練，此外公司還有 29 個機器學習模型。模型中使用的變量數量和訓練數據量是相互聯系的，需要復雜的機器學習算法來梳理它們之間的聯系。隨著時間的推移，公司已經能夠部署和混合更復雜的建模技術，從而獲得更準確的系統。根據根據 2019 年年 Upstart 的招股說明書數據的招股說明書數據，Upstart 將自身的將自身的貸款貸款環節分為了三個部環節分為了三個部分：分：referralfee（對應國內引流費）、（對應國內引流費）、platformfee

143、（對應國內輔助風控費用）和（對應國內輔助風控費用）和servicefee（對應國內貸后催收費）。（對應國內貸后催收費）。Upstart 的商業模式：一部分是對于向金融機構提供的貸款營銷與風險初篩服務，按照貸款發放規模的一定比例收取一次性費用；另一部分是對于貸款存續期內的客服、還款服務、催收服務等服務，則按照存續貸款規模每年收取一定比例的費用。（1）引流費為貸款本金的 3%4%，基于展示、點擊量與轉化率；（2）輔助風控費用為貸款本金的 2%，輔助風控具體包括風險評估、擔保、反欺詐等服務。此外，（3）Upstart 還向貸款持有人收取 0.5%至 1%的年度服務費（servicefee），作為提供

144、跟蹤、催收等服務的費用。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 36/57 計算機計算機/行業深度行業深度 表表 6：2019 年年 Upstart 收取的助貸服務費收取的助貸服務費 收費項目收費項目 收費比例收費比例 1 Upstart 引流及平臺費收益率 6.10%2 Upstart 服務費收益率 0.75%3 發起貸款的加權平均貸款期限 55 個月 4 發起貸款的加權平均貸款利率（對客）19.01%5 Upstart 助貸收費占貸款利息收入比例 18%數據來源：Upstart 招股書，國內外助貸業務實踐、發展與監管研究,東北證券 2024 財年營收同比增長財年營收同比增

145、長 24%，扭虧為盈。，扭虧為盈。2024 財年公司營業收入為 6.37 億美元同比增長 24%?？偸掷m費收入為 6.35 億美元，同比增長 13%；放貸款 697,092 筆，總額 59 億美元，同比增長 28%，化率在 2024 年為 16.5%，高于 2023 年的 9.7%。營業利潤為-1.73 億美元，相對 2023 年的-2.57 億美元虧損有所收窄。GAAP 凈虧損為1.29 億美元，相對 2023 年虧損的 2.40 億美元相對收窄；2023 年，調整后凈虧損為1780 萬美元，相對 2023 年的 4690 萬美元也有所收窄。GAAP 稀釋每股收益為-1.44美元，稀釋調整后

146、每股收益為-0.20 美元。)根據年內已發行在外的加權平均普通股計算。調整后 EBITDA 為 1060 萬美元，高于 2023 年的-1720 萬美元；2024 年調整后 EBITDA 利潤率占總收入的比例為 2%，高于 2023 年的-3%。5.2.國外多家知名銀行 AI 應用在客服、知識庫、AI 編程、反欺詐、資產定價、監管、資金管理等領域落地 摩根大通：摩根大通：預計預計 2025 年開發超年開發超 800 個個 AI 應用場景應用場景 摩根大通摩根大通 AI 團隊已有超過團隊已有超過 2000 名人員，目前開發了名人員，目前開發了 450 個個 AI 應用場景應用場景，投入了投入了2

147、0 億美元億美元左右左右。根據 2025 年 3 月摩根大通 CEO 杰米戴蒙 JamieDimon 的訪談，摩根大通早在 2012 年就開始布局人工智能技術，公司成立了專門的研究部門，專注于自然語言處理和通用人工智能的研究。此后，摩根大通逐步擴大其 AI 團隊規模，目前已有超過 2000 名專業人員，包括數據科學家、機器學習工程師等，致力于將 AI技術應用于各個業務領域。目前摩根大通有 450 個 AI 應用場景，投入了 20 億美元左右。預計預計到到 25 年年底，年年底，應用場景應用場景可能會增長到可能會增長到 800 個個，同時摩根大通已經將，同時摩根大通已經將 AI 使用在使用在風險

148、管理、營銷、風險管理、營銷、對沖股權投資組合對沖股權投資組合、客服中心等領域。、客服中心等領域。（1）預計到 25 年年底，可能會增長到 800 個應用場景，這些應用場景包括風險管理、欺詐檢測、營銷、資金轉移、老年人詐騙防護等。（2）同時，AI 已經在對沖股權投資組合中發揮作用，被交易員和交易系統廣泛使用。（3）此外，客服中心也在使用 AI 預測客戶來電原因，并為客服人員提供即時信息以回答問題。（4）預計在短期 AI 就會通過 AI Agent 形式，直接處理丟失的借記卡補發或代表公司做出決策。在交易風險監控領域，摩根大通開發了智能風險評估模型，能夠實時監測外匯交易在交易風險監控領域，摩根大通

149、開發了智能風險評估模型，能夠實時監測外匯交易中的各類風險因素、中的各類風險因素、計算出風險敞口計算出風險敞口及及時向交易員發出預警時向交易員發出預警、自動調整交易倉位自動調整交易倉位。在交易風險監控領域，摩根大通利用 AI 技術開發了智能風險評估模型，能夠實時監測外匯交易中的各類風險因素，包括匯率風險、利率風險、信用風險等。當市場出現異常波動時，AI 風險評估模型能夠迅速做出反應，通過復雜的算法計算出風險敞口，并及時向交易員發出預警。同時，模型還會根據預設的風險控制策略，自動調整交易倉位，降低風險損失。在一次新興市場貨幣危機中，摩根大通的 AI 風險評估模型提前一周就預測到了相關貨幣的大幅貶值

150、風險，并及時調整了外匯投資組合，成功避免了數億美元的潛在損失。高盛也利用高盛也利用 AI 對歷史外匯交易數據以及全球宏觀經濟數據進行深度分析對歷史外匯交易數據以及全球宏觀經濟數據進行深度分析、并、并自動自動執行了外匯交易操作執行了外匯交易操作，交易效率提升了交易效率提升了 30%，交易成本降低了，交易成本降低了 20%。高盛也將 AI 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 37/57 計算機計算機/行業深度行業深度 應用于外匯交易，構建了一套先進的 AI 交易系統，該系統利用機器學習算法，對歷史外匯交易數據以及全球宏觀經濟數據進行深度分析。通過不斷學習和優化，這套系統能夠自

151、主識別出具有高盈利潛力的交易機會。例如，在面對某一時期全球經濟數據波動頻繁的情況，高盛的 AI 交易系統能夠快速捕捉到不同貨幣之間的價格差異和波動規律?；谶@些分析結果，系統自動執行了一系列外匯交易操作，不僅抓住了短暫的價格套利機會，還通過合理的風險對沖策略，有效控制了交易風險。據高盛內部數據顯示，在應用 AI 交易系統后，其外匯交易部門在特定時間段內的交易效率提升了 30%，交易成本降低了 20%，盈利能力顯著增強。摩根大通摩根大通還在內部還在內部為員工提供為員工提供 AI 助手。助手。這項名為 LLMSuite 的計劃已經為超過 6 萬名員工提供了服務，幫助他們處理日常工作中的寫作任務，比

152、如撰寫郵件和報告。圖圖 42：早在早在 2023 年摩根大通年摩根大通已將人工智能商業價值已將人工智能商業價值目標提升至目標提升至 15 億美元億美元 數據來源：MarketsMedia，摩根大通，東北證券 匯豐銀行：匯豐銀行：匯豐銀行部署匯豐銀行部署 ContextualAI、AIMarkets 平臺平臺，提供市場展望、，提供市場展望、市場洞市場洞察，以及察，以及運營文件來研究洞察和流程指導支持。運營文件來研究洞察和流程指導支持。匯豐銀行計劃使用 ContextualAI，通過檢索并綜合相關的市場展望、財經新聞和運營文件來提供研究洞察和流程指導支持。ContextualAIRAG2.0 平臺

153、適合在知識密集型金融服務場景中構建企業 AI 應用程序，可為尋求優化運營并提供新的生成式 AI產品的金融服務企業帶來準確、可審計的 AI。ContextualAI 也是使用 NVIDIATriton推理服務器和開源的 NVIDIATensorRT-LLM 庫來加速和優化大語言模型的推理性能。據匯豐銀行香港高管介紹，匯豐銀行正在探索 100 多個生成式 AI 用例，以簡化其服務并增強面向客戶的功能。面向機構投資者面向機構投資者開發開發數字助理數字助理，提供，提供定價定價、執行交易執行交易、實時市場評論實時市場評論的數據。的數據。匯豐在 AIMarkets 平臺內開發了一個聊天機器人，這是一個面向

154、機構投資者的數字助理，為客戶提供來自匯豐全球市場部門的專有數據，這些數據可用于定價和執行交易或生成實時市場評論。AIMarkets 平臺與匯豐銀行的集中式本地數據庫集成，從內部通信和客戶互動等廣泛來源獲取信息，提供可操作的專有市場洞察。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 38/57 計算機計算機/行業深度行業深度 圖圖 43：匯豐銀行預測的匯豐銀行預測的銀行業銀行業 AI 應用場景應用場景 數據來源：匯豐銀行，騰訊網，東北證券 按照應用領域分類，按照應用領域分類，Tonik 銀行銀行、NatWest 銀行銀行、新韓新韓銀行等均銀行等均在在客服客服領域推出推領域推出推出數字

155、人、出數字人、聊天機器人聊天機器人等產品。等產品。圖圖 44：銀行銀行 AI2D 聊天機器人客服聊天機器人客服 數據來源：廣州硅基技術開發官網，江西省農村信用社，東北證券 菲律賓菲律賓 Tonik銀行銀行預計在未來三年內，預計在未來三年內，GenAI聊天機器人將節省超過聊天機器人將節省超過 2000萬美元萬美元。Tonik 銀行成立于 2021 年，總部位于菲律賓，是東南亞首家數字銀行。Tonik 銀行需要解決客戶在獲取服務時可能遇到的長時間等待問題，提升響應時間。Tonik 銀行在其移動應用中推出了生成式 AI 聊天機器人，預計在未來三年內，GenAI 聊天機器人將為 Tonik 銀行節省超

156、過 2000 萬美元。NatWest 銀行銀行創建了虛擬助理創建了虛擬助理 Cora+，客戶客戶可以比較產品和服務可以比較產品和服務、查找相關信息。、查找相關信息。NatWest 銀行成立于 1968 年，總部位于英國，是全球最大、資本質量最佳的銀行集團之一。NatWest 銀行利用 IBM 的企業級人工智能和數據平臺 WatsonX 創建了一個虛擬助理 Cora+，為客戶提供更具互動性和對話性的體驗?？蛻艨梢员容^產品和服務，詢問有關銀行和工作機會的信息。新韓銀行新韓銀行推出了推出了 GenAI 銀行柜員機銀行柜員機，可在數字辦公桌和智能自助服務終端上提供可在數字辦公桌和智能自助服務終端上提供

157、24/7 全天候全天候的、的、逼真的對話逼真的對話。新韓銀行是韓國最大的商業銀行之一。通過與DeepBrainAI 合作，推出了 GenAI 銀行柜員機。這些 AI 柜員機以實際銀行員工為原型，提供交互式實時客戶服務。它們集成了語音和視頻合成功能，可在數字辦公桌和智能自助服務終端上提供逼真的對話。GenAI 技術克服了 ATM 功能有限和缺乏情感的數字交互等挑戰。GenAI 銀行柜員機可處理 64 項任務，從存款到貸款申請，請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 39/57 計算機計算機/行業深度行業深度 這既提高客戶滿意度，也減少了銀行的等待時間和運營成本，同時提供 24/

158、7 全天候服務。德國商業銀行德國商業銀行開發開發虛擬助手虛擬助手 BankingAvatar，以處理，以處理客戶客戶查詢等需求。查詢等需求。德國商業銀行于 1870 年成立，是德國三大銀行之一。德國商業銀行希望通過數字和人機交互融合來優化客戶服務體驗。德國商業銀行利用 MicrosoftAzureOpenAI 開發了BankingAvatar，這是一種能夠使用自然語言與客戶交談的虛擬助手，BankingAvatar可以回應客戶詢問以及給予關于德國商業銀行的服務建議。在早期的測試中，客戶體驗、銀行流程等均有顯著的改善。ING 銀行銀行聯合麥肯錫打造了一款聯合麥肯錫打造了一款 GenAI 聊天機器

159、人聊天機器人，為客戶提供更詳細、更個性為客戶提供更詳細、更個性化的響應化的響應。ING（荷蘭國際集團）擁有員工 113,000 人，在全球 50 個國家為 6 千多萬客戶提供銀行、保險及資產管理服務。ING 每周都會通過電話和在線聊天服務85,000 名客戶，荷蘭是其核心市場之一。雖然這些聊天中 40%-45%的請求通?？梢酝ㄟ^當前的傳統聊天機器人解決，但每周仍有 16,500 名客戶需要與現場坐席交談以尋求幫助。ING 聯合麥肯錫打造了一款 GenAI 聊天機器人，該機器人可為客戶提供即時定制幫助。在測試期間，新一代 AI 聊天機器人面向荷蘭 10%使用移動應用支持聊天功能的客戶發布。它提供

160、的客戶體驗明顯優于傳統聊天機器人，為客戶提供更詳細、更個性化的響應，并幫助他們更快地解決疑問。圖圖 45：智能驅動型虛擬人運作流程智能驅動型虛擬人運作流程 數據來源：艾瑞咨詢，東北證券 富國銀行富國銀行、Erste 銀行銀行結合自身知識庫，為客戶提供結合自身知識庫，為客戶提供快速便捷的快速便捷的個性化服務個性化服務。富國銀行富國銀行開發了開發了移動端移動端虛擬助手虛擬助手-Fargo，提供每月消費情況提供每月消費情況、月趨勢、一站式月趨勢、一站式賬單賬單管理管理等個性化服務。等個性化服務。美國富國銀行（WELLSFARGO），創立于 1852 年，總部設在舊金山，是美國唯一一家獲得 AAA 評

161、級的銀行。富國銀行希望為年輕客戶的財務查詢提供幫助，開發了虛擬助手-Fargo，并嵌入到富國銀行的應用程序中，用戶可以通過搜索的方式輸入需求解決問題，Fargo 能夠提供“通過個性化洞察比較每月消費情況和月趨勢、一站式管理你的付款并查看即將到期的賬單等幫助”,通過這種便捷的交互方式，從而提升客戶的體驗和財務狀況。Erste 銀行銀行與與 ChatGPT 合作，合作，根據知識庫根據知識庫推出推出文本聊天機器人文本聊天機器人。Erste 銀行成立于1819 年，是奧地利最大的商業銀行。ErsteBank 希望為客戶提供個性化金融服務助手，在幾秒鐘內為客戶解答他們的財務健康度以及其他與資產相關的話題

162、，目的是讓客戶以一種易于使用的方式獲取財務知識。Erste 銀行在其網站上提供了一個使用 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 40/57 計算機計算機/行業深度行業深度 自然語言的文本聊天機器人，可以全天候回答金融相關問題，這些答案反映了該銀行 200 多年來積累的金融知識。Erste 銀行將 ChatGPT 的常識和對話能力與具體的金融知識相結合，從 Erste 銀行的所有網站、出版物和知識文件中提取內容，并將其輸入知識庫，然后將其作為模型的基礎，該數據庫總共包含 3,400 多個條目。在測試階段，該解決方案與金融專家進行了 3,300 次聊天，收到了 1,700 多條

163、反饋，彌補了 457 個知識缺口。加拿大帝國商業銀行加拿大帝國商業銀行旨在員工旨在員工篩選信息的時間篩選信息的時間，2024 年底在全國范圍內推廣年底在全國范圍內推廣，從而從而更準確地響應客戶咨詢更準確地響應客戶咨詢。加拿大帝國商業銀行啟動了一個生成式 AI 試點項目，旨在通過類似 ChatGPT 的界面簡化一線團隊成員獲取信息的方式。通過生成式 AI 界面，員工可以輸入問題，系統會利用認知搜索能力提供簡潔、易于理解的答案，從而減少他們篩選信息的時間。這個試點項目計劃分階段進行，目標是到 2024 年底在全國范圍內推廣。生成式 AI 的引入使得一線團隊成員能夠更快地訪問所需信息，從而更準確地響

164、應客戶咨詢，提高了服務效率。圖圖 46：生成式生成式 AI 在銀行精準營銷帶來的作用在銀行精準營銷帶來的作用 數據來源：艾瑞咨詢，東北證券 西太平洋銀行西太平洋銀行、澳新銀行澳新銀行等機構使用等機構使用智能編碼助手智能編碼助手，編程效率，編程效率分別顯著分別顯著提升提升 46%、40%。西太平洋銀行西太平洋銀行啟動了人工智能編碼助手的實驗啟動了人工智能編碼助手的實驗，編碼效率全面提高了編碼效率全面提高了 46%。西太平洋銀行是澳大利亞四大銀行之一，是成立于 1817 年的澳洲第一家銀行。西太平洋銀行增長實驗室啟動了人工智能編碼助手的實驗。將 60 名工程師聚集在一起，隨機分成四組，其中一組是對

165、照組、三組是實驗組。對照組必須手工編碼，基本做做平時會做的事情；其他三組則分別使用微軟、亞馬遜和 OpenAI 的人工智能編碼助手工具，并用三、四個小時熟悉基礎知識。每個小組被分配了七項任務，涉及各種編碼語言，包括提取和導出數據、創建單元測試和數據轉換。與按常規方法編碼的對照組相比，在人工智能編碼助手的支持下，三個實驗組的編碼效率全面提高了 46%。澳 新 銀 行澳 新 銀 行 使 用使 用 GitHubCopilot，編 碼 任 務 完 成 速 度 提 高編 碼 任 務 完 成 速 度 提 高 40%，并 擴 大，并 擴 大Microsoft365Copilot 的使用范圍的使用范圍。澳新銀

166、行是澳大利亞主要商業銀行之一，該銀行已將 GitHubCopilot 部署到 3,000 名開發人員，幫助他們將編碼任務完成速度提高40%。此外，澳新銀行還擴大了 Microsoft365Copilot 的使用范圍，在成功試用后又 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 41/57 計算機計算機/行業深度行業深度 提供了 3,000 個許可證。這些工具使員工能夠簡化任務，騰出時間進行戰略思考和人際互動。加拿大帝國商業銀行加拿大帝國商業銀行開發內部人工智能平臺以開發內部人工智能平臺以快速總結文檔、生成會后材料和起草快速總結文檔、生成會后材料和起草電子郵件電子郵件，同時使用，同時

167、使用 GitHubCoPilot，開發人員社區的生產力提高了開發人員社區的生產力提高了 10%至至 15%。加拿大帝國商業銀行（CIBC）是加拿大主要的商業銀行之一，CIBC 宣布推出兩款人工智能驅動的工具，旨在提高生產力并支持其以客戶為中心的戰略。（1）CIBC 人工智能平臺，該平臺通過自動化日常任務來促進創新和簡化運營，使 CIBC 團隊成員能夠快速總結文檔、生成會后材料和起草電子郵件，從而讓他們能夠專注于更高價值、以客戶為中心的活動。CIBC 人工智能平臺的試點階段于 7 月底啟動，包括加拿大、美國和英國的員工，并將為更廣泛的實施提供重要見解。（2）另一個是GitHubCoPilot，目

168、前已向銀行開發人員廣泛推廣。GitHubCoPilot 通過提供代碼建議、自動執行重復任務和提高整體編碼效率來幫助開發人員。實踐證明，該工具在加快開發周期和提高代碼質量方面非常有價值，在試點項目中表明，整個企業各個系統上工作的開發人員社區的生產力提高了 10%至 15%。圖圖 47：AI 編程界面編程界面 數據來源：JavaEdge，網易，東北證券 南州銀行與南州銀行與 ChatGPT 合作，建立知識庫以便員工快速查詢合作，建立知識庫以便員工快速查詢銀行產品和法規銀行產品和法規，并，并綜綜合和匯總知識、分析開源代碼、匯總電子郵件、撰寫銀行營銷文案合和匯總知識、分析開源代碼、匯總電子郵件、撰寫銀

169、行營銷文案等，同時等，同時檢測欺檢測欺詐交易、提供個性化金融建議、回答客戶常見問題、接待新客戶。詐交易、提供個性化金融建議、回答客戶常見問題、接待新客戶。2024 年下半年，摩根大通與 OpenAI 合作推出生成式 AI 助手-LLMSuite，截止 8 月份已面向 6 萬多名員工開放，幫助他們完成撰寫電子郵件和報告等任務。除了摩根大通，南州銀行，美國南部地區最具影響力的區域銀行之一，旨在利用 ChatGPT 提高員工的工作效率，增強員工對銀行產品和法規的了解。員工使用企業版 ChatGPT執行各種任務，如綜合和匯總知識、生成圖形、分析開源代碼和綜合代碼庫、匯總電子郵件、撰寫銀行營銷文案、起草

170、電子郵件和法律合同；員工還使用 ChatGPT 來檢測欺詐交易、提供個性化金融建議、回答客戶常見問題、接待新客戶，以及為工作產品提供信息。摩根大通、盧森堡國際銀行摩根大通、盧森堡國際銀行、花旗銀行花旗銀行使用生成式使用生成式 AI 進行反欺詐、獲取進行反欺詐、獲取金融犯罪金融犯罪情報、以及監管政策解讀。情報、以及監管政策解讀。摩根大通摩根大通用用 AI 捕捉電子郵件中的欺詐跡象以及欺詐行為。捕捉電子郵件中的欺詐跡象以及欺詐行為。摩根大通使用大語言模型來捕捉電子郵件中的欺詐跡象以及銀行經常遇到的許多其他類型的欺詐行為。摩根大通的欺詐檢測技術從最開始使用基本業務規則和決策樹發展到使用機器學習，請務

171、必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 42/57 計算機計算機/行業深度行業深度 現在使用更高級的人工智能從非結構化數據中提取實體，如公司和人名，并分析它們是否有欺詐跡象。TemenosGenAI 解決方案已集成到盧森堡國際銀行的核心銀行業務和反金融犯罪系解決方案已集成到盧森堡國際銀行的核心銀行業務和反金融犯罪系統中，從數據中提取情報。統中，從數據中提取情報。盧森堡國際銀行（BIL）創建于 1856 年，是盧森堡歷史最悠久的銀行集團，盧森堡國際銀行采用了 Temenos 的 GenAI 解決方案，通過替換過時的遺留系統實現了核心銀行業務的現代化。TemenosGenAI 解決方

172、案已集成到盧森堡國際銀行的核心銀行業務和反金融犯罪系統中。在核心銀行業務中，GenAI優化了工作流程，改善了日常任務，簡化了產品創建和賬戶管理。這一升級大大提高了銀行的運營效率和客戶服務質量。在減少金融犯罪方面，GenAI 可從數據中提取可操作的情報，顯著提高直通式處理(STP)的效率?；ㄆ煦y行花旗銀行使用生成式使用生成式 AI 進行進行監管合規政策解讀監管合規政策解讀。當聯邦監管機構發布了新的資本規定時，花旗銀行的風險與合規團隊利用生成式 AI 技術評估新聯邦法規對銀行風險和合規戰略的影響?；ㄆ煦y行使用生成式 AI 審查了長達 1,089 頁的有關美國銀行業的新資本規定，生成式 AI 將提案

173、分塊整理，并撰寫了關鍵要點，由團隊提交給即將離任的財務主管。圖圖 48：生成式：生成式 AI 在銀行在銀行智能風控智能風控帶來的作用帶來的作用 數據來源：艾瑞咨詢，東北證券 澳大利亞國民銀行澳大利亞國民銀行與與 Trovata 合作合作，打造，打造資金管理助手資金管理助手。澳大利亞國民銀行澳大利亞國民銀行與與 Trovata 合作合作，該平臺可自動執行大量現金管理工作流程該平臺可自動執行大量現金管理工作流程。澳大利亞國民銀行成立于 1858 年，是澳大利亞四大銀行之一。澳大利亞國民銀行與Trovata 合作，為該銀行的企業客戶提供 Liquidity+解決方案。通過 Liquidity+解決方

174、案，財務團隊可以將銀行余額和交易數據無縫集成到一個平臺中，該平臺可自動執行大量現金管理工作流程，包括現金定位、現金流分析和預測。通過 Liquidity+解決方案將有助于減少企業財務和司庫部門在匯編、處理和規范化財務數據方面所花費的時間。三井住友信托銀行三井住友信托銀行與與 ZapataAI 合作合作，進行高級金融建模進行高級金融建模，提升提升衍生品等衍生品等產品定價產品定價效率效率。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 43/57 計算機計算機/行業深度行業深度 三井住友信托銀行是一間日本的信托銀行，隸屬于住友集團。三井住友信托銀行與ZapataAI 合作，利用量子科學增

175、強的 GenAI 進行高級金融建模，旨在改變金融時間序列數據的處理和理解方式。交易者和投資者將受益于由更復雜的市場情景模擬產生的更強大的決策工具。此外，這項合作還將完善衍生品定價和價值調整，提高金融業務的精確度。西太平洋銀行西太平洋銀行、BankWell 銀行銀行打造打造信貸審批助手信貸審批助手，進行貸款資料審核，提升，進行貸款資料審核，提升貸款審貸款審批批效率效率。BankWell 銀行銀行利用利用 AI 助手助手進行進行貸款貸款資格預審并發放貸款資格預審并發放貸款。BankWell 銀行成立于2002 年，是美國的一家中小型商業銀行。BankWell 銀行利用 Casca 的 AI 助手對

176、潛在的小企業借款人進行資格預審并發放貸款。在試點中，AI 助手會驗證客戶提交的資格預審信息，并對申請進行分析，以確定哪些貸款可以獲得批準；隨時向借款人通報貸款申請狀態；提供客戶需要提供的其他信息或文件。人工跟蹤確保每個案例都經過額外審查，以確保準確性。Casca 還在貸款發放系統中提供完整的審計日志，以便提供可解釋性。西太平洋銀行西太平洋銀行使用使用 AI 檢查客戶所提交信息的質量檢查客戶所提交信息的質量，提升，提升貸款審批貸款審批效率。效率。西太平洋銀行在貸款申請流程中使用生成式 AI 技術，幫助一線業務人員、聯絡中心客服和抵押貸款工作人員檢查客戶所提交信息的質量，并通過避免與客戶來回溝通來

177、簡化貸款流程。預計該工具將幫助貸款工作人員檢查客戶提交的信息質量，并使貸款審批過程無縫、直接。圖圖 49：網商銀行通過“百靈”的感知智能識別并驗證小微個性化資產網商銀行通過“百靈”的感知智能識別并驗證小微個性化資產 數據來源：網商銀行，東北證券 6.國內國內銀行銀行+AI 的發展現狀、標的分析的發展現狀、標的分析 6.1.宇信科技 宇信科技是國內規模最大的金融科技解決方案市場領先者，通過提供咨詢規劃、軟件產品、軟件開發及服務、運營維護、系統集成、業務運營等科技服務，向國內以銀行為主的金融機構、受金融監督管理總局監管的非銀金融機構，以及海外市場金融機構全方位提供金融科技賦能。公司產品和解決方案全

178、面覆蓋業務類、渠道類、運營類和管理類等，并始終保持在網絡銀行、信貸管理、商業智能、風險管理和監管報送等多個細分解決方案領域的領先地位。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 44/57 計算機計算機/行業深度行業深度 圖圖 50：2019-2024 年宇信科技營業收入、同比增速（億年宇信科技營業收入、同比增速（億元）元）圖圖 51：2019-2024 年宇信科技歸母凈利潤、同比增速年宇信科技歸母凈利潤、同比增速（億元）（億元）數據來源：wind，東北證券 數據來源：wind，東北證券 2025 年年 2 月，宇信科技產品體系已全面接入月，宇信科技產品體系已全面接入 DeepS

179、eek 模型，重點涵蓋信貸、數據模型，重點涵蓋信貸、數據和營銷渠道等應用領域，全面升級公司已有的智能化解決方案和營銷渠道等應用領域，全面升級公司已有的智能化解決方案。在信貸場景，基于DeepSeek 模型在文本和多模態處理方面的卓越能力，宇信科技升級了覆蓋信貸全生命周期的智能信貸助手。該助手顯著提升了各類報告和文書的精準閱讀與生成效率，助力金融機構高效管理金融風險。在營銷場景在營銷場景以以“AI+RPA+大數據大數據”三位一體的技術矩陣，為企業微信生態中的銀行私三位一體的技術矩陣，為企業微信生態中的銀行私域運營構建起智能中樞域運營構建起智能中樞。在營銷場景，針對傳統企微運營模式難以滿足高效、精

180、準、合規需求的痛點，宇信科技正式推出的 AI-SCRM 私域智慧運營平臺 4.0 版本，集成DeepSeek 等諸多金融大模型，以“AI+RPA+大數據”三位一體的技術矩陣，為企業微信生態中的銀行私域運營構建起智能中樞。（1）依托 DeepSeek 多模態理解能力，實現 AI 智能助手 7*24 小時在線，自動回復產品活動介紹、交易操作等常見問題；（2）新增多輪對話，精準理解客戶意圖，提供千人千面個性化服務，提升客戶滿意度。（3）分析銷冠與客戶的溝通記錄、服務流程、問題解決方式等，用 AI 復制銷冠能力智能推薦最佳服務方案。（4）基于客戶畫像和行為數據，自動生成個性化營銷內容及話術，精準觸達目

181、標客戶，提高理財產品、保險產品等營銷的轉化率。圖圖 52：宇信科技宇信科技全面接入全面接入 DeepSeek，并通過獨創的，并通過獨創的1+3+N架構實現智能化躍遷架構實現智能化躍遷 數據來源：宇信科技微信公眾平臺，東北證券 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 45/57 計算機計算機/行業深度行業深度 大幅拓展金融云能力大幅拓展金融云能力，提供，提供本地部署本地部署、云端調用云端調用、智能化運營維護智能化運營維護以及以及算力租賃算力租賃等等多類服務多類服務。宇信科技深知金融行業對數據安全的高標準要求，擁有從 IaaS、PaaS、到 SaaS 層的整體服務能力和體系，致力

182、于為金融機構提供一體化的解決方案。公司的“金融云”業務已完成 DeepSeek 模型的接入，具備全面能力，滿足信創要求，支持多類型客戶的本地部署、云端調用、智能化運營維護、算力租賃和業務應用持續升級等多種需求。通過與各類云平臺的深度合作，宇信金融云將解決方案和本地部署融為一體，滿足金融行業的特殊需求。同時，融合了全面的信創能力和優勢，在多種類項算力搭建和集成上，為不同客戶提供多樣化、多層次的從底座到應用的一體化方案和服務。宇信率先推出面向銀行業務場景的宇信率先推出面向銀行業務場景的 AI 一體機，通過“硬件一體機，通過“硬件+軟件”一體化方式，為軟件”一體化方式，為金融機構的業務場景賦能。金融

183、機構的業務場景賦能。（1）金融監管一體機，集成先進大模型技術，滿足金融監管部門對數據的嚴格要求。（2）智能營銷一體機現已落地某國有大型銀行分行，自 2024 年 7 月成功測試上線后，幫助該分行開展智能化營銷業務，顯著提升了銀行的營收規模和服務水平。（3）2025 年 3 月，隆重推出 DeepSeek 大模型場景一體機，重點涵蓋信貸、數據、營銷渠道等應用領域，支持多類型客戶的業務應用升級、智能化運營維護等多種需求。精準分析客戶畫像、風險評估、市場預測等，為決策提供更全面、精準的信息支持。圖圖 53：宇信科技宇信科技 DeepSeek 大模型場景一體機架構圖大模型場景一體機架構圖 數據來源：宇

184、信科技微信公眾平臺，東北證券 在在數據分析數據分析/智能決策場景智能決策場景，宇信科技宇信科技 ChatBI 攜手攜手 DeepSeek 推出推出星辰星辰 ChatBI。依托 DeepSeek 強大的邏輯推理能力，宇信科技星辰 ChatBI 實現了思考過程透明化從數據歸因到結論生成，每一步推導均清晰可見，用戶不僅能追溯結論源頭，更能參與邏輯驗證，顯著提升分析結果的可信度與決策效率。宇信科技宇信科技星辰星辰 ChatBI 可實現可實現專業數據解讀專業數據解讀，與知識庫進一步融合，并了解每一個與知識庫進一步融合，并了解每一個結論背后的邏輯推導結論背后的邏輯推導。（1）思考路徑可視化：思考路徑可視化

185、：借助于 DeepSeek 強大的推理能力，星辰 ChatBI 將數據解讀的思考過程層層拆解，清晰呈現給用戶，用戶不再只是被動接受解讀結果，而是能夠深入了解每一個結論背后的邏輯推導，來提高分析結論的可靠性。（2）角色化分析視角：角色化分析視角：ChatBI 將能夠結合用戶在企業中的角色與職責差異，支持基于提問者角色進行差異化數據解讀，在分析時有所側重。（3）知識融合決策：知識融合決策：數據解讀與知識庫進一步融合，在解讀過程中也將參考知識庫中規章制度、管理辦法等業務文檔，輸出更豐富、更專業的解讀結果，為決策提供更全面、精準的信息支持。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 46

186、/57 計算機計算機/行業深度行業深度 圖圖 54：宇信科技宇信科技星辰星辰 ChatBI 可實現可實現專業數據解讀專業數據解讀 數據來源：宇信科技微信公眾號，東北證券 星辰星辰 ChatBI 結合結合 DeepSeek 能力優化歸因分析場景，致力于為用戶帶來更精準、個能力優化歸因分析場景，致力于為用戶帶來更精準、個性化的分析體驗。性化的分析體驗。宇信科技星辰 ChatBI 在維度拆解基礎上，新增了自定義血緣拆解分析的方式，打破了傳統分析局限，幫助用戶從多角度進行歸因分析，構建完整業務視角。此外，一鍵歸因分析助力用戶對關鍵影響因子下鉆，一鍵獲取更深度的分析結果。利用 DeepSeek 能力，能

187、夠引導業務分析思路，確保分析過程順暢、精準。圖圖 55：宇信科技宇信科技星辰星辰 ChatBI 結合結合 DeepSeek 能力優化歸因分析場景能力優化歸因分析場景 數據來源：宇信科技微信公眾號，東北證券 接入接入Deepseek后，宇信科技為某股份制銀行開發的新一代智能客服系統成功上線，后，宇信科技為某股份制銀行開發的新一代智能客服系統成功上線，有望顯著提升有望顯著提升服務效率服務效率、服務質量和客戶滿意度服務質量和客戶滿意度。2025 年 2 月宇信科技為某股份制 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 47/57 計算機計算機/行業深度行業深度 銀行開發的新一代智能客服

188、系統成功上線。（1）系統可在信用卡客戶通過任意線上渠道咨詢時，根據其需求自動識別問題類型并實時提供智能響應。無論是信用卡還款、分期辦理，還是賬單查詢等常見問題，智能客服均能識別客戶意圖并快速提供解決方案，大幅提升了該銀行業務部門的服務效率。（2）同時，該系統還為后臺人員提供了強大的智能輔助支持，幫助他們更好地聚焦于解決復雜問題和服務高價值客戶，從而優化人力資源配置，提升整體服務質量和客戶滿意度。中標了某消費金融公司的智能營銷服務項目中標了某消費金融公司的智能營銷服務項目，提升運營效率的同時落地營銷運營一提升運營效率的同時落地營銷運營一體機體機。2024 年，公司與合作伙伴在多場景第三代人機協同

189、平臺上攜手中標了某消費金融公司的智能營銷服務項目，將運用先進的 AI 技術，幫助該客戶實現更精準的用戶洞察和營銷管理，提升運營效率的同時，促進獲客與轉化，并與數字基建云服務商合作，落地營銷運營一體機，共同打造信創業務新模式。6.2.京北方 國內領先的金融科技服務商，雙主業協同發展。國內領先的金融科技服務商，雙主業協同發展。京北方向以銀行業為主的金融機構和央國企為主的非金融機構提供信息技術服務和業務流程外包服務。在信息技術服務領域，公司提供軟件及數字化轉型服務、軟件產品及解決方案、IT 基礎設施服務；在業務流程外包領域，公司提供客戶服務及數字化營銷、數據處理及業務處理服務。圖圖 56：2019-

190、2024 年京北方營業收入、同比增速（億年京北方營業收入、同比增速（億元）元）圖圖 57：2019-2024 年京北方歸母凈利潤、同比增速（億年京北方歸母凈利潤、同比增速（億元）元）數據來源：wind，東北證券 數據來源：wind，東北證券 2024 年，京北方研究院已正式發布年，京北方研究院已正式發布 AI 大模型服務平臺以及智能測試助手、智能資大模型服務平臺以及智能測試助手、智能資管業務助手、企業知識助手管業務助手、企業知識助手 4 個重量級產品，個重量級產品，深度融合阿里開源 AI 技術，成功將人工智能領域的技術儲備全面轉換為先進的數智生產力。公司 AI 產品已助力眾多客戶在智能反欺詐、

191、智能投顧及智能化運維等方面實現了 AI 應用突破，落地案例涉及銀行、非銀金融、醫療、商貿等多個行業。京北方智能運維助手開啟自動化運維新時代。京北方智能運維助手開啟自動化運維新時代。京北方智能運維助手基于阿里通義千問大模型的自然語言處理能力，深度融合阿里通義千問大模型，以提升數據查詢的便捷性。該助手結合語義理解技術，可識別運維人員查詢意圖，并自動調用相關數據接口，目標是優化查詢流程，提高響應速度。未來，京北方將探索更廣泛的智能運維應用，助力金融機構提升數智化運維水平?；诎⒗镩_源大模型基于阿里開源大模型，智能反欺詐助力銀行風控提升智能反欺詐助力銀行風控提升。京北方智能反欺詐助手基于阿里開源大模型

192、，并在此基礎上優化模型，使其更適應金融場景，通過分析交易行為、地理位置、時間間隔等多維數據，提升欺詐檢測的精準度。該技術還可應用于反洗錢監控，結合歷史交易數據和市場環境，輔助金融機構識別潛在風險交易，提升風控系統的靈活性和前瞻性。未來，該方案將繼續深入優化，助力金融機構構建0%10%20%30%40%01020304050201920202021202220232024營業收入同比增速-40%-20%0%20%40%60%80%01234201920202021202220232024歸母凈利潤同比增速 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 48/57 計算機計算機/行業深

193、度行業深度 更智能、高效的風控體系。2025 年 2 月，據京北方官微消息，京北方已完成私有化部署 DeepSeek 系列的大模型，正在積極探索推理大模型、Janus-Pro 模型在內部管理等多場景的應用，包括信息提取、文案撰寫等。京北方京北方 AI 大模型服務平臺搭載智能運維解決方案，能夠實現更智能的資源調度、大模型服務平臺搭載智能運維解決方案，能夠實現更智能的資源調度、自動化運維和精準的故障預測，從而降低運營成本并提高系統穩定性。自動化運維和精準的故障預測，從而降低運營成本并提高系統穩定性。該平臺結合阿里通義千問大模型的自然語言處理能力，探索智能化數據查詢方案，利用語義理解技術識別運維人員

194、的查詢意圖，并自動調用相關數據接口，優化查詢流程，提高數據獲取的便捷性和響應速度。京北方突破了傳統運維系統的能力邊界，為智能運維解決方案在金融領域的規?；涞貏撛炝诵聶C遇。未來，京北方將持續加碼研發投入，通過 Manus 等技術工具構建 ToB 金融客戶前中后業務場景的垂類 AI Agent，為金融行業數智化轉型注入核心驅動力。6.3.高偉達 高偉達是國內領先的銀行 IT 服務商，向以銀行、保險、證券為主的金融企業客戶提供軟件開發及服務和系統集成及服務。圖圖 58：2019-2024 年高偉達營業收入、同比增速（億年高偉達營業收入、同比增速（億元）元）圖圖 59：2019-2024 年高偉達歸

195、母凈利潤（億元）年高偉達歸母凈利潤（億元）數據來源：wind，東北證券 數據來源：wind，東北證券 2025 年 2 月，高偉達金融領域解決方案將對接 DeepSeek 平臺，開啟人工智能技術在金融領域的創新應用。公司有望全面實現公司有望全面實現 DeepSeek 與信貸業務的深度融合，提升授信效率與信貸業務的深度融合，提升授信效率&財報分析與財報分析與預測功能的智能化，并自動生成智能信貸報告預測功能的智能化，并自動生成智能信貸報告。高偉達計劃在 2025 年全面實現DeepSeek 與信貸業務的深度融合。（1）通過構建智能審批決策體系，提升授信效率，強化風險管控。（2）同時，借助智能化風險

196、預警模型及實時監控系統，有效保障業務安全。（3）高偉達還將利用 DeepSeek 的分析能力，實現財報分析與預測功能的智能化，進一步提升信貸決策準確性。（4）此外，由 DeepSeek 協助生成的智能信貸報告，可以為審批決策提供有力支持。（5）最后，DeepSeek 還將賦能智能進件功能，通過自動化數據采集與智能風控模型，提升進件效率與準確性。數據領域數據領域:智能分析與數據治理。智能分析與數據治理。（1）借助 DeepSeek 的智能分析能力，金融機構能夠從海量數據中提取有價值的信息，構建精準的用戶畫像，精準把握客戶需求與偏好。（2）此外，數據治理平臺通過 DeepSeek，可以自動識別并修

197、復數據質量問題，確保數據的準確性與一致性，為數據分析與決策提供可靠的數據基礎。高偉達在數據挖掘、數據分析、人工智能應用等領域的探索，將進一步提升市場競爭力。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 49/57 計算機計算機/行業深度行業深度 推動測試領域的智能化升級推動測試領域的智能化升級，實現自動化與精準測試，實現自動化與精準測試。通過大模型蒸餾出銀行業務模型，實現自動化需求影響分析、案例生成及測試腳本生成。結合 AI 技術和 OCR技術，解決 UI 自動化測試中頁面元素識別準確率低的問題，大幅提升測試效率。此外，Deepseek 的推理能力將助力精準測試，自動判斷迭代版本測

198、試中的范圍，推薦和補充回歸測試案例，實現測試全流程的自動化。在運維領域，高偉達將在運維領域，高偉達將 DeepSeek 引入運維平臺生成引入運維平臺生成 Copilot 智能助手，提升運維效智能助手，提升運維效率。率。運維知識庫問答系統將便捷獲取既往解決問題的方法，運維腳本助手將根據變更要求生成日常運維操作的腳本程序。運維操作助手將通過對話方式，逐步引導復雜變更場景的處置過程，提升員工能力。故障分析助手將智能分析各種應用系統關聯配置和性能數據，為用戶提供決策輔助，快速解決故障。高偉達將高偉達將 DeepSeek 的的 AI 技術應用于供應鏈金融的風控、流程自動化、數據分析、技術應用于供應鏈金融

199、的風控、流程自動化、數據分析、客戶服務等多個環節?？蛻舴盏榷鄠€環節。采用智能風控分析供應鏈各環節企業的歷史交易、財務數據及市場表現，提供更精準的信用評估。自動化流程集成 AI 自動審核合同條款，識別潛在風險，確保合規性，減少人工審核成本。分析與預測模塊將基于 AI 分析歷史數據與市場趨勢，幫助金融機構更準確預測資金需求，優化資金配置。在在汽車金融汽車金融領域，利用領域，利用 DeepSeek 平臺構建平臺構建智能風控與產品推薦智能風控與產品推薦。在汽車金融領域，高偉達利用 DeepSeek 平臺構建智能風控和反欺詐模型，提升風險管控能力，并根據產品參數，計算還款計劃和 IRR，并通過 Dee

200、pSeek 進行驗證。同時，高偉達還將訓練平臺產品推薦模型，實現智能推薦目標，提升客戶體驗。6.4.天陽科技 公司服務于以銀行為主的金融行業客戶，為客戶提供咨詢、金融科技、數字金融及金融 IT 等產品和服務，致力于幫助客戶提升在營銷、獲客、風控、業務流程處理和運營管理等業務環節的效率。公司業務板塊主要有咨詢、金融科技、數字金融和金融 IT 服務，主要圍繞銀行的關鍵業務領域、關鍵業務環節以及關鍵科技領域展開。金融科技包括信貸管理、信用卡；數字金融包括數據中臺、風險管理、營銷、監管科技、合規/內控/審計、財務/資產負債、運營服務；金融 IT 服務包括 PMO、測試、運維等。公司的產品和解決方案超過

201、 400 個，承建了數千個銀行里重要的 IT 系統，這些系統協助金融機構管理了數十萬億元的資產。圖圖 60：2019-2024 年天陽科技營業收入、同比增速（億年天陽科技營業收入、同比增速（億元）元）圖圖 61：2019-2024 年天陽科技歸母凈利潤、同比增速年天陽科技歸母凈利潤、同比增速（億元）（億元）數據來源：wind，東北證券 數據來源：wind，東北證券 -20%-10%0%10%20%30%40%0510152025201920202021202220232024營業收入同比增速-50%0%50%100%0112201920202021202220232024歸母凈利潤同比增速 請

202、務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 50/57 計算機計算機/行業深度行業深度 2025 年年 2 月，天陽科技智能測試分析和案例設計系統正式發布，集成月，天陽科技智能測試分析和案例設計系統正式發布，集成 DeepSeek，可以精準解析業務需求，智能生成測試大綱和測試案例?？梢跃珳式馕鰳I務需求，智能生成測試大綱和測試案例。此次在專業測試領域接入DeepSeek。眾所周知，在金融科技領域，系統復雜性與日俱增高并發交易、實時風控、跨平臺數據交互、嚴苛的合規要求，每一項都是對測試能力的極限挑戰。傳統測試模式依賴人工需求分析、手工編寫案例，效率低、耗時長、覆蓋率不足，已成為金融科技

203、創新的“隱形瓶頸”。天陽科技智能測試需求分析與案例設計系統，在自身大量需求數據、案例數據、腳本數據及方法論數據等優質資產加持下，為金融科技企業提供從需求解析到測試落地的全流程智能化測試解決方案，優勢效果顯著。圖圖 62：天陽科技智能測試需求分析和案例設計系統三大特點推動智能測試天陽科技智能測試需求分析和案例設計系統三大特點推動智能測試 數據來源：天陽科技微信公眾號，東北證券 2025 年年 2 月，天陽科技月，天陽科技 DeepSeek 大模型金融信貸助手訓推一體機正式發布。大模型金融信貸助手訓推一體機正式發布。金融信貸助手一體機，致力于為金融機構打造 AI 信貸決策引擎，通過深度融合 Dee

204、pSeek大模型訓練與實時推理能力，一站式解決全流程信貸業務中的效率提升、風險控制、合規管理等核心痛點，助力銀行實現從“經驗驅動”到“數智驅動”的跨越式提升。天陽科技一體機覆蓋天陽科技一體機覆蓋四大應用場景四大應用場景，包括，包括貸前智能盡調貸前智能盡調、貸中合規審查貸中合規審查、貸后資產貸后資產保全保全以及以及快速產品創新快速產品創新。（1）貸前智能盡調，10 分鐘內完成客戶盡職調查報告。（2）貸中合規審查，自動完成信貸資料完整性、信貸業務合規性、客戶基本情況審查、客戶經營情況審查。（3）貸后資產保全，預測逾期概率，智能推薦最優催收策略。（4）快速產品創新，基于產業鏈、行業、區域、客群金融需

205、求特征，設計差異化信貸產品方案。天陽科技金融信貸助手訓推一體機解決方案包括天陽科技金融信貸助手訓推一體機解決方案包括信貸智能體部署軟件信貸智能體部署軟件、AI 工具智工具智能體部署軟件能體部署軟件，以及信貸，以及信貸 AI 定制化服務定制化服務。其中信貸智能體部署軟件包括（1）智能財報助手，可實現企業財務指標分析；2）智能報告助手，實現貸前盡職調查報告和貸后各類檢查報告；（3）智能風控助手，實現精準風控智能決策；（4）智能分析助手:實現產業鏈、重點行業發展趨勢及特征分析。AI 工具智能體部署軟件則包括 AI模型對話、聯網智搜、AI 思維導圖、智能體編輯器、多模態圖文互生器等。信貸 AI定制化服

206、務包括信貸知識庫體系梳理、領域適配訓練工具培訓、信貸報告模版配置及編排。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 51/57 計算機計算機/行業深度行業深度 圖圖 63：天陽科技天陽科技-Deepseek 金融信貸助手訓推一體機解決方案金融信貸助手訓推一體機解決方案 數據來源：天陽科技微信公眾號，東北證券 2025 年年 3 月月正式推出監管合規正式推出監管合規 DeepSeek 大模型。大模型。2025 年 3 月，天陽科技依托DeepSeek 在自然語言處理、知識圖譜構建等方面的優勢，正式推出監管合規DeepSeek 大模型。本次監管合規大模型的升級，將有效支撐監管合規知識

207、的深度挖掘和應用。與此同時，天陽科技監管合規 DeepSeek 大模型針對金融行業特點進行了深度優化和微調，更貼合金融監管合規場景需求，有效提升對金融專業術語的理解能力和對監管政策法規的解讀能力，在提高風險識別準確性的同時，大大節省人工解讀法規和分析業務合規性的時間成本，為行業客戶提供更為精準的風險提示與合規建議。天陽科技提出天陽科技提出三大維度支撐金融合規管理的監管合規大模型架構三大維度支撐金融合規管理的監管合規大模型架構。面對復雜的監管環境和潛在風險，金融行業的合規建設面臨著巨大挑戰，如何有效提升合規能力和風險管理水平一直是金融機構的重大課題。對此，天陽科技提出三大維度支撐金融合規管理的監

208、管合規大模型架構。合規大模型包括合規大模型包括 400+智能模型，覆蓋貸款、票據、理財、存款、信用卡等業務領域，智能模型，覆蓋貸款、票據、理財、存款、信用卡等業務領域，以及機構治理、員工行為等合規風險點以及機構治理、員工行為等合規風險點，可，可提前提前 6-18 個月捕獲風險企業個月捕獲風險企業?；跉v年監管處罰案例、金融機構 east 數據，開發 400+智能模型，覆蓋貸款、票據、理財、存款、信用卡等業務領域，以及機構治理、員工行為等合規風險點?？蓪崿F全方位、精準掃描，提前識別業務風險，確保金融機構業務合規無憂。除此之外，基于機器學習的客戶風險預測模型，利用大數據因子，對企業未來違約風險進行

209、模型訓練，覆蓋上市公司、發債企業、城投公司、集團客戶、供應鏈企業、垂直產業客群等模型專題，提前 6-18 個月捕獲風險企業。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 52/57 計算機計算機/行業深度行業深度 圖圖 64：天陽科技監管合規天陽科技監管合規 DeepSeek 大模型大模型包括基礎包括基礎設施層、數據層、大模型層、知識庫層和應用場景層設施層、數據層、大模型層、知識庫層和應用場景層 圖圖 65：天陽科技監管合規天陽科技監管合規 DeepSeek 大模型大模型匯聚匯聚多維多維知識知識，實現，實現智能問答智能問答 數據來源：天陽科技官網，東北證券 數據來源：天陽科技官網，

210、東北證券 發布發布天陽科技智能問數平臺天陽科技智能問數平臺 DeepSeek 版本版本，為銀行業打造可解釋、可追溯、可閉為銀行業打造可解釋、可追溯、可閉環的智能數據分析解決方案環的智能數據分析解決方案。2025 年 3 月，天陽科技智能問數平臺 DeepSeek 版本（“天陽問數”）正式發布，基于 DeepSeek 大模型+粒度模型+業務指標體系，構建“精準語義解析+高效邏輯計算”雙引擎，為銀行業打造可解釋、可追溯、可閉環的智能數據分析解決方案，助力金融機構實現數據資產的深度賦能。在數字經濟高速發展的當下，金融業正面臨數據規模激增與業務敏捷性需求的雙重在數字經濟高速發展的當下，金融業正面臨數據

211、規模激增與業務敏捷性需求的雙重挑戰。挑戰。如何從海量數據中提煉業務價值、如何將復雜分析轉化為直觀決策、如何規避大模型“幻覺”風險，成為金融機構數字化轉型的核心痛點。天陽問數天陽問數 AI Agent 產品產品可可展示出完整的分析思維過程和分析結果，通過多步邏輯展示出完整的分析思維過程和分析結果，通過多步邏輯推演構建完整分析鏈條推演構建完整分析鏈條。天陽科技將 DeepSeek-R1 出色的模型性能與高效的算力利用率無縫融入天陽問數，在原有高精準度的語義解析的基礎上，增加了 DeepSeek 擅長的高效推理計算能力，展示出完整的分析思維過程和分析結果，通過多步邏輯推演構建完整分析鏈條，針對金融場

212、景優化數值計算算法，確保利率預測、風險測算等高精度和高效率的需求，進一步提升數據資產賦能業務能力。區別于直接新建區別于直接新建 AI 數據智能體，天陽問數通過粒度模型數據智能體，天陽問數通過粒度模型+業務指標體系業務指標體系+DeepSeek大模型，將不同用戶的業務習慣用語精準的匹配到實際的數據邏輯中大模型，將不同用戶的業務習慣用語精準的匹配到實際的數據邏輯中。天陽問數支持交互式對話分析、圖表展示、歸因分析、模型預測、決策建議、報告生成等分析功能。同時，可按照智能問數中固化的場景分析模版進行數據導入，快速搭建交互分析主題，已沉淀流動性風險監測與分析、中收業務收入分析、資金流行為分析等眾多業務主

213、題應用分析場景。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 53/57 計算機計算機/行業深度行業深度 圖圖 66：天陽問數天陽問數 AI Agent 產品用產品用時間序列預測分析未來時間序列預測分析未來 3 天的交易規模天的交易規模 數據來源：天陽科技官網，東北證券 6.5.神州信息 神州信息堅持自主創新、打磨核心技術，通過自主研發已經形成八大金融產品族，覆蓋超過 300 款金融軟件解決方案產品，累計服務金融機構超過 1900+、農業用戶700 萬+、中小微 110 萬+、ICT 客戶 3200+。同時，連續 5 年入選 IDC 全球金融科技百強，并在銀行核心業務系統、渠道管理

214、系統、開放銀行等細分市場連續蟬聯占有率第一。圖圖 67：2019-2024 年神州信息營業收入、同比增速（億年神州信息營業收入、同比增速（億元）元）圖圖 68：2019-2024 年神州信息歸母凈利潤（億元）年神州信息歸母凈利潤（億元）數據來源：wind，東北證券 數據來源：wind，東北證券 2024 年公司積極探索和應用年公司積極探索和應用 AIGC 技術，升級了“金融知識問答技術，升級了“金融知識問答 FinancialMaster”和“金融代碼助手和“金融代碼助手 CodeMaster”兩大”兩大 Agent，同時全新推出了業務建模領域的“流，同時全新推出了業務建模領域的“流程建模助手

215、”、“數據建?！?、“產品建?！比齻€程建模助手”、“數據建?！?、“產品建?！比齻€ Agent，以及，以及 IT 服務領域的“測試案服務領域的“測試案例助手”和“運維診斷助手”兩個例助手”和“運維診斷助手”兩個 Agent。接入接入 DeepSeek，神州信息開啟金融智能編碼新時代。，神州信息開啟金融智能編碼新時代。在數字化轉型浪潮下，金融行業對軟件開發的效率、安全性及合規性提出了更高要求。神州信息在短時間內迅速完成了 DeepSeek-R1 滿血版開源模型的本地化部署，并接入金融代碼智能輔助平臺CodeMaster，實現從代碼生成到質量管控的全生命周期賦能。（1）垂直訓練方面，基于銀行場景的代碼

216、庫模型微調，支持 Java/Python/Js 等主流語言。（2）業務語義理解方面，依托 RAG 技術，DeepSeek-R1 通過持續智能思考與反復推敲，根據輸入的業務需求生成經過多輪迭代優化、高質量的代碼；（3）多級可控方面，支持生成模 請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 54/57 計算機計算機/行業深度行業深度 式調節（完整代碼/代碼片段）、注釋自動補充。同時，智能代碼補全與審查方面，公司金融代碼智能輔助平臺 CodeMaster 可以上下文感知，基于函數語義提供精準補全建議，減少基礎代碼輸入；并支持企業自定義代碼規范庫，確保開發標準統一。圖圖 69：神州信息神州

217、信息金融代碼智能輔助平臺金融代碼智能輔助平臺 CodeMaster 可實現可實現金融場景化代碼智能生成金融場景化代碼智能生成 數據來源：神州信息官網，東北證券 與互聯網大廠的低代碼開發平臺相比，神州信息金融智能編碼平臺融合公司在核心系統、支付清算、風控平臺等領域超 300 個金融項目經驗，模型更懂業務本質，避免通用模型“技術正確但業務錯誤”的硬傷。目前，公司金融智能編碼平臺已在多家銀行落地應用目前，公司金融智能編碼平臺已在多家銀行落地應用，開發效率提升開發效率提升 20%、30%功功能模塊代碼由能模塊代碼由 AI 生成生成。（1）案例一某股份制銀行 AI 生成代碼提效 20%，針對網關開發、核

218、心系統等高復雜度場景，該行在三大團隊部署 AI 代碼生成技術，覆蓋組件開發、框架封裝及業務代碼。實踐顯示開發效率提升 20%，生成代碼規范性與可讀性媲美資深工程師，代碼注釋率提升30%，研發重心轉向架構設計與核心邏輯優化。（2）案例二，某城商行代碼生成+智能測試雙輪驅動，交付效率突破性增長。為應對快速迭代壓力，該城商行部署 AI 代碼生成與單元測試系統，形成開發-測試-修復的自動化閉環。30%功能模塊代碼由 AI 生成，其中 20%經優化后直接采納，驗證了生成+測試雙引擎模式對敏捷交付的支撐作用。神州信息基于基于神州信息基于基于 DeepSeek 大模型，率先推出運維智能體、辦公智能體和業務管

219、大模型，率先推出運維智能體、辦公智能體和業務管理智能體。理智能體?；?DeepSeek 大模型在多任務、多模態和多語言以及知識問答領域的優勢，結合多行業場景智能化升級和應用調優，率先推出運維智能體、辦公智能體和業務管理智能體。（1）其中運維智能體場景內嵌 DeepSeek 大模型，融合 AIOps 理念，幫助可以完成多模態智能報障、智能運維流程處理和零線數字人等運維場景的智能升級。（2）辦公智能體場景中，結合 DeepSeek 大模型在知識問答、檢索、邏輯推理等領域的優勢特點，幫助客戶實現在公文處理、會議服務、合同管理領域的智能化改造。（3）業務管理智能體場景中，結合 DeepSeek 大模

220、型，幫助客戶提升在 AI質檢/內部審計/法務管理的智能化處理。監管領域，監管領域，大模型產品大模型產品可以可以對監管政策跟蹤解讀對監管政策跟蹤解讀、同時進行監管報送、同時進行監管報送。在金融監管領域，公司落地某外資銀行監管報送智能化項目，憑借大模型能力對監管政策的跟蹤解讀，同時對接銀行核心業務系統、客戶關系管理系統和交易流水系統等各類數據源，依據監管報送的業務流程和規則，完成需求梳理、數據字典映射、數據提取等重要環節的自動化操作，打造需求和開發兩端系統閉環，從而降低監管合規成本和政策變化的響應時間，增強金融機構的風險管理能力。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 55/57

221、 計算機計算機/行業深度行業深度 圖圖 70：“神州靈境”具有多優勢能力特點“神州靈境”具有多優勢能力特點 數據來源：神州信息微信公眾號，東北證券 7.風險提示風險提示 （1）大模型技術迭代不及預期。目前 AI 應用的推廣還是基于大模型本身的性能，受制于大模型幻覺等問題，有可能大模型迭代不及預期，導致 AI 應用推廣暫緩。（2）金融機構謹慎態度，導致商業化落地不及預期。金融機構涉及資金流轉、國計民生，合規、風控意識較強，比較謹慎的態度可能影響商業化落地進程。（3）AI 應用競爭激烈。AI 應用業務對于上市公司而言，主要還是以私有化部署等項目制為主，可能涉及到競爭激烈、人員費用增加的問題，從而影

222、響利潤率。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 56/57 計算機計算機/行業深度行業深度 研究團隊簡介：研究團隊簡介：Table_Introduction 陳俊如：英國倫敦大學學院經濟學碩士，曾就職于浙商證券擔任計算機行業研究員，有 5 年行業研究經驗。2022 年加入東北證券數字經濟團隊，主要覆蓋信創、AI 算力、AI 應用、企業服務等板塊。分析師聲明分析師聲明 作者具有中國證券業協會授予的證券投資咨詢執業資格，并在中國證券業協會注冊登記為證券分析師。本報告遵循合規、客觀、專業、審慎的制作原則，所采用數據、資料的來源合法合規，文字闡述反映了作者的真實觀點，報告結論未受任

223、何第三方的授意或影響，特此聲明。投資投資評級說明評級說明 股票 投資 評級 說明 買入 未來 6 個月內，股價漲幅超越市場基準 15%以上。投資評級中所涉及的市場基準：A 股市場以滬深 300 指數為市場基準，新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對做市轉讓標的）為市場基準；香港市場以摩根士丹利中國指數為市場基準；美國市場以納斯達克綜合指數或標普 500指數為市場基準。增持 未來 6 個月內，股價漲幅超越市場基準 5%至 15%之間。中性 未來 6 個月內，股價漲幅介于市場基準-5%至 5%之間。減持 未來 6 個月內，股價漲幅落后市場基準 5%至 15%之間。賣出 未來

224、6 個月內，股價漲幅落后市場基準 15%以上。行業 投資 評級 說明 優于大勢 未來 6 個月內，行業指數的收益超越市場基準。同步大勢 未來 6 個月內，行業指數的收益與市場基準持平。落后大勢 未來 6 個月內，行業指數的收益落后于市場基準。請務必閱讀正文后的聲明及說明請務必閱讀正文后的聲明及說明 57/57 計算機計算機/行業深度行業深度 重要聲明重要聲明 本報告由東北證券股份有限公司（以下稱“本公司”）制作并僅向本公司客戶發布，本公司不會因任何機構或個人接收到本報告而視其為本公司的當然客戶。本公司具有中國證監會核準的證券投資咨詢業務資格。本報告中的信息均來源于公開資料，本公司對這些信息的準

225、確性和完整性不作任何保證。報告中的內容和意見僅反映本公司于發布本報告當日的判斷，不保證所包含的內容和意見不發生變化。本報告僅供參考，并不構成對所述證券買賣的出價或征價。在任何情況下，本報告中的信息或所表述的意見均不構成對任何人的證券買賣建議。本公司及其雇員不承諾投資者一定獲利，不與投資者分享投資收益，在任何情況下，我公司及其雇員對任何人使用本報告及其內容所引發的任何直接或間接損失概不負責。本公司或其關聯機構可能會持有本報告中涉及到的公司所發行的證券頭寸并進行交易，并在法律許可的情況下不進行披露；可能為這些公司提供或爭取提供投資銀行業務、財務顧問等相關服務。本報告版權歸本公司所有。未經本公司書面

226、許可，任何機構和個人不得以任何形式翻版、復制、發表或引用。如征得本公司同意進行引用、刊發的，須在本公司允許的范圍內使用，并注明本報告的發布人和發布日期，提示使用本報告的風險。若本公司客戶（以下稱“該客戶”）向第三方發送本報告，則由該客戶獨自為此發送行為負責。提醒通過此途徑獲得本報告的投資者注意，本公司不對通過此種途徑獲得本報告所引起的任何損失承擔任何責任。東北證券股份有限公司東北證券股份有限公司 地址地址 郵編郵編 中國吉林省長春市生態大街 6666 號 130119 中國北京市西城區錦什坊街 28 號恒奧中心 D 座 100033 中國上海市浦東新區楊高南路 799 號 200127 中國深圳市福田區福中三路 1006 號諾德中心 34D 518038 中國廣東省廣州市天河區冼村街道黃埔大道西 122 號之二星輝中心 15 樓 510630