金融机构竞相接入大模型，但其应用效果在金融领域并不理想，面临效率瓶颈、技术局限和“幻觉”问题等挑战。

年初以来，随着DeepSeek爆火，金融机构竞相开展大模型计划。工商银行近日宣布完成DeepSeek大模型私有化部署，“工银智涌”体系已覆盖信贷、风控等20余个业务条线，落地场景超200个，成为大行AI转型标杆。截至3月10日，已有20余家银行宣布接入Deepseek系列模型。目前，尽管金融机构对大模型的热情高涨，实际应用效果却并不如预期。

一方面，大模型在金融领域的应用效率并不理想，比如许多银行在引入大模型后，发现生成的内容需要大量人工干预，甚至在一些关键业务上，AI的可靠性不如人工处理。另一方面，尽管DeepSeek的开源特性推动金融业的“技术普惠”，但金融机构在应用过程中仍面临数据安全与合规的挑战。

业内人士表示，尽管金融机构对AI大模型的应用充满期待，但目前仍面临效率瓶颈、技术局限以及“幻觉”问题等多重挑战，在提升效率的同时解决上述问题，成为金融行业亟待攻克的难题。

高投入、低产出的瓶颈

在采访过程中，记者发现，AI大模型在金融行业的应用实际效果与预期仍有较大差距。

某大行员工对记者表示，在实际工作中，AI系统生成的内容常常需要大量人工干预，在一些关键业务上，AI的表现还不如人工处理可靠。

某股份行的科技部门负责人也表示，目前银行的业务主线流程中，大模型的切入还比较有限，主要集中在所谓的“边缘业务”。例如，智能报告系统虽然被视为一个亮点，但目前仍需要通过人工干预来解决幻觉等问题，无法完全依赖AIGC实现全自动化解决业务痛点。

比如，在辅助合同审核方面，尽管不少金融机构已经引入了AI大模型，但目前准确性欠佳。许多银行虽然优化了柜面流程，但由于机器的准确度不够，人工还需要再检查一遍，这并没有达到省事的效果。一位银行柜员对记者说：“机器审核的结果我们不敢完全信任，最后还是要靠人工复核，反而增加了工作量。”

不仅如此，AI大模型在处理关键金融业务时的专业辨别能力仍存在不足。例如，在信贷审批领域，大模型可能无法准确区分正常的贷款审批和潜在的贷款诈骗行为。

记者还从多家证券机构了解到，尽管一些金融大模型早已深入行业操作流程，但在文件报送、高频交易等重要环节，仍需依赖人工审核。一位证券机构交易员表示：“之前可能两个人做一个环节，花上两三个小时也就结束了，现在先让大模型做，还要给关键词、调整逻辑，最后还要核对一遍，前后花费的时间和自己做差不多，甚至还要多。”

此外，不少银行员工还关心大模型在授信流程中的应用。他们希望大模型能够生成尽调报告，并将数据整理成表格，从而减轻人工负担。然而，目前这一功能的实现也不太理想。一位股份行授信部门员工对记者说：“大模型生成的尽调报告内容不完整，数据表格也经常出错，我们只能当作参考，大部分工作还是要自己来。”

AI大模型“高投入、低产出”也成为金融机构面临的挑战。在成本方面，不少银行科技部门引入大模型的投入巨大，无论是服务采买还是运行所需的硬件资源，都是一笔不小的开支，但效益却难以量化。一位大行科技部门员工向记者透露：“我们引入大模型后，硬件设备的投入增加了近30%，但实际业务效率提升并不明显，这让管理层对后续投入产生了疑虑。”

某股份行员工还向记者透露，该行此前斥巨资打造AI系统，但运行结果不尽如人意。“我们投入了大量资源，但实际收益却微乎其微。”该员工表示，这个系统一半的时间被用于演示PPT，另一半的时间则被用于修复系统漏洞。

去“幻觉”的探索

随着人工智能技术在金融领域的广泛应用，AI大模型的“幻觉”问题逐渐成为行业关注的焦点。所谓“幻觉”，是指AI大模型生成的内容与现实不符或缺乏依据的现象，这在金融领域可能导致严重的信息误导和风险。

“大模型的幻觉现象主要由多个因素共同作用，其中训练数据的质量、金融领域的复杂性以及模型架构设计是关键影响因素。”数字经济学者、工信部信息通信经济专家委员会委员、DCCI互联网研究院院长刘兴亮对记者表示。

北京国家金融科技认证中心副总经理李振指出，金融行业涉及复杂的金融工具、市场动态和专业术语，模型理解这些内容的难度较大。一方面，训练数据的不准确可能导致模型出现缺陷；另一方面，存在偏差的对齐数据可能使模型倾向于迎合用户观点，而非依据客观事实进行判断。

华院计算蔡华博士对记者表示，自回归文本生成方式由于缺乏外部知识验证机制，容易出现幻觉问题。在处理长文本推理和复杂逻辑推理时，这种局限性尤为明显。特别是在跨段落、跨文档推理时，模型容易引入逻辑混乱或错误推断，进一步加大了幻觉出现的概率。

为应对这一挑战，金融机构和科技企业正在积极探索解决方案。记者了解到，目前，金融领域的解决方案主要围绕RAG（搜索增强生成）、高质量指令参数数据集、结合格式化数据和计算能力进行优化。

“RAG技术可以通过改变提示的方式，有效提高回答的准确性。”华院计算董事长宣晓华对记者表示，大模型主要依赖归纳法进行学习和生成，在微调阶段，如果使用高质量的数据集，且该数据集能够全面覆盖所属领域的各个方面，那么大模型的可靠性也会得到显著提升。

大型金融机构更倾向于采用RAG+搜索的方式，结合专业数据库进行金融数据库的标注和分析。某大型外资银行科技部门人士对记者表示，数据是AI大模型的基础，质量直接影响模型的准确性和可靠性，采用RAG技术，让AI在回答问题时能够实时调用专业领域的知识和数据，从而提高输出的准确性和可靠性。

例如，在专业的保险领域，往往需要投入大量人力与时间，对海量的保险条款、PDF文档及Excel数据进行加工与标签化处理，确保数据的准确性和可用性。上海燕道数科负责人娄道永对记者表示，保险大模型往往要通过积累海量数据并运用精算技术，将全国范围内的保险产品、社保规则及相关法律法规等信息进行结构化处理，涵盖全行业寿险产品、社保规则以及养老、医疗等多维度数据，这不仅需要强大的技术支持，更离不开专业精算团队的深度参与。

定制化训练与场景优化也是金融机构在去“幻觉”化中常用的办法。金融机构通过定制化训练，针对特定业务场景优化AI模型。例如，宁波银行接入DeepSeek大模型后，通过业务人员的微调训练和专业语料库支持，尝试降低“幻觉”问题。富国基金则通过将大语言模型应用于量化投资决策，利用情绪因子等技术提升业务效率。

上海人工智能研究院算法专家陆文韬总结，为了能有效避免AI大模型生成错误结果、产生“幻觉”，从技术实现角度应该注意三个方面问题，一是确保训练数据的高质量和多样性至关重要，二是调整模型架构与训练策略，三是完善实时监控与反馈机制。

除了RAG架构之外，还可以采用多种方法来优化模型性能。蔡华对记者表示，例如，强化学习优化（RLHF），通过人类反馈提升输出的真实性和专业性，减少错误。同时，是基于约束的生成，利用外部API校验或规则模板约束，避免生成不符合事实的内容。此外，结合Agent技术，增强模型的工具调用和任务规划能力，减少幻觉，提升在金融等领域的可靠性。

对于场景优化中保护行业核心技术和数据的问题，陆文韬提出，为保障金融科技领域的数据安全与合规，行业可借鉴数据脱敏与加密、可信数据生态构建、合规工具链完善等方法。例如，采用联邦学习实现“数据可用不可见”，确保原始数据不外泄；利用区块链技术进行语料共享存证，实现数据确权与溯源等。