适用的法律法规情况下， 本报告亦 ÿ 能由中信建投 ÿ 国际 Ā 证券 p 限公 ø 在香港提供 2 请务必阅读正文之后的免 责条款和声明 2 证券研究报告 行业深度 DeepSeek 如何加速金融业数字化转型 ? —— 数字金融系列深度之一 分析师：赵然 zhaoran@csc.com.cn 021-68801600 SAC 编 ÷ ： S1440518100009 SFC 编 ÷ S1440522070001 分析师：亓良宸 qi liangchen@csc.com.cn SAC 编 ÷:S1440524080005 本报告的核心逻辑 如何理解 DeepSeek 的出现对于国内金融业数字化转型的价值与意义 ? 一、低成本、高性能。 DeepSeek 通用及推理模型在性能不输头部同类大模型的基础上，成本相较于头部大模型下降至数十 分之一以 下，同时开源、本地化部署特 前瞻研究团队将围绕数字金融与大模型在 金融领域的 应用撰写系列深度，围绕大模型应用于金融业各类子行业的痛点、案例、未来展望等维度进一步展开。 本文作为第一篇综述，第一部分从金融机构数字化转型的核心痛点出发，第二、三部分以数字营销、海外投顾及保险数字化 三个场 景为例探讨大模型赋能金融业务的模式，第四部分归纳总结 DeepSeek 推动金融机构数字化转型的核心逻辑，最后一部分对券

金融业隐私计算互联互通 技术与场景实践 北京金融科技产业联盟 2025 年 6 月 版权声明 本报告版权属于北京金融科技产业联盟，并受法律保护。转 载、编摘或利用其他方式使用本报告文字或观点的，应注明来源。 违反上述声明者，将被追究相关法律责任。 编制委员会 编委会成员： 何 军 聂丽琴 涂晓军 何 朔 高鹏飞 编写组成员： 周雍恺 赵庆杭 李定洲 戚文彬 侯 腾 谢袁源 公司、 科技企业、通信运营商、科研院所和开源社区等 50 余家单位组 建金融业隐私计算互联互通课题工作组。经过两年多的持续攻 关，工作组形成了《金融业隐私计算互联互通技术研究报告》《金 融业隐私计算互联互通平台技术规范》（T-BFIA 031—2024）团 体标准等一系列重要成果。 2 2024 年，金融业隐私计算互联互通进入全面落地阶段，工 作组依据互联互通团体标准进行了多个层面的落地实践。本报告 二、实践总览 工作组将金融业隐私计算互联互通分为四个主要阶段：技术 研究、标准研制、试点落地和行业互通。 图 1 隐私计算互联互通发展阶段 在技术研究阶段（2022 年—2023 年），工作组各参与单位 通过充分讨论弥合分歧，逐步形成了以“管理面与数据面切分， 管理面分模块定义，数据面逐步解耦”为核心特征的金融行业隐 私计算互联互通统一框架，并于 2023 年 5 月发布《金融业隐私 计算互

金融业 AI 大模型智算网络 研究报告 北京金融科技产业联盟 2025 年 5 月 I 版权声明 本报告版权属于北京金融科技产业联盟，并受法律保护。转 载、编摘或利用其他方式使用本报告文字或观点的，应注明来源。 违反上述声明者，将被追究相关法律责任。 II 编制委员会 主任： 聂丽琴 编委会成员： 吴仲阳 张 勇 张志鹏 李建高 成晓强 编写组成员： 陈 鹏 余学山 载力、数据存储力于一体的新型生产力”，针对网络运载力提出 “优化算力高效运载质量、强化算力接入网络能力、提升枢纽网 络传输效率、探索算力协同调度机制”的重点任务，明确通过“算 力+金融”加快算力在金融领域的创新应用，为金融业务发展提 供更为精准、高效的算力支持。 AI大模型智算网络技术是算力集群的重要基础底座，是新型 算力中的网络运载力，是助力大模型实现跨节点分布式训练，提 升大规模训练效率的重要支撑。 本文深入分析 大模型智算网络“高性能连接、高效率 传输、高可维网络、高安全保障”等关键技术进行研究，提供一 套适应金融特征的覆盖数据中心、骨干及分支的 AI 智算网络技 术方案。结合行业业务及技术发展方向，将金融业 AI 智算网建 设演进划分为打造底座、构建系统、完善生态 3 个阶段，并给出 了新技术发展及创新方向，为金融机构开展 AI 大模型智算网络 规划及建设提供参考。 关键词：大模型训练、智算网络、负载均衡、流控技术、拥

金科创新社 金科创新社 金科创新社 金科创新社 金科创新 前言 在数字经济时代，数据作为新型生产要素、算力作为核心生产力，正深刻重塑金融业发展格局。数 据中心作为金融数字基础设施的核心载体，不仅是业务稳定运行的基石，更是驱动创新、赋能转型的重 要引擎。随着金融业务线上化、智能化、场景化程度的不断提升，数据中心的架构设计、运营模式与技 术能力也面临着前所未有的挑战与机遇。 近年来，金融数据中 供电 等创新实践不断涌现。同时，在自主可控的战略要求下，数据库国产化、芯片替代、软硬件适配等工作 稳步推进，构建安全、可信、高性能的金融 IT 底座。 《2025 金融业新一代数据中心创新发展案例集》系统梳理了近年来金融业在数据中心领域的创新 实践与典型成果，涵盖“数据中心智能化与云化升级、灾备与多活数据中心建设、数据库国产化实践、 数据库迁移与运维管理、智能运维与 AI 应用、云网融合 中国人民银行《金融科技发展规划（2022-2025 年）》（以下简称《规划》）明确提出，要加快 构建自主可控的金融业关键信息基础设施安全体系，全面提升金融业关键软硬件基础设施的安全保障能 力。2025 年是《规划》的收官之年，也是金融科技迈向深化发展、提质增效的关键阶段。面对新一轮 技术革新与日益严格的监管要求，数据中心作为金融业的核心基础设施与竞争力载体，必将持续演进、 不断突破创新。本案例集旨在凝聚行业智慧，推

................................... 9 （一） 金融业业务场景痛点 .......................................9 （二） 金融业数字孪生需求方向 ..................................12 （三） 金融业数字孪生建设进展 ..................................13 ......................................... 38 （一）数字孪生有望助力金融机构做好“五篇大文章” ...............38 （二）数字孪生与金融业务联系更加紧密 ...........................38 （三）数字孪生与物联网、5G 等技术的融合逐渐加深 ................ 39 （四）数字孪生与虚拟现实的结合为金融带来了新机遇 （四）数字孪生与虚拟现实的结合为金融带来了新机遇 ...............39 （五）安全意识提升 .............................................40 附录 A：金融业数字孪生应用实践 .....................................41 案例一：中电金信数据孪生实验室 .................................41

例如，据麦肯锡测算，大模型有望给全球金融行业 带来每年 2500 亿 ~ 4100 亿美元的增量价值，对应 约 9% ~15% 的营业利润增厚空间；据清华经管联 合度小满等发布的《2024 年金融业生成式 AI 应用 报告》，大模型驱动的新商业模式有望为金融业带 来 3 万亿元规模的商业价值增量。 当前，金融机构主要将大模型应用于业务场景 简单的非决策类环节，而在核心决策环节应用大模 型仍面临较大挑战。从业务流程角度，大模型已开 出等环节，并在部分任务场景中与传统 AI 互补协 作以提升效率。 （二）展业流程角度 ：大模型正在赋能金 融业务各细分环节 大模型在非核心决策业务环节中已有落地应用且 已能创造一定的业务价值。本文将金融业务流程拆解 为营销运营、分析决策、中后台运营支持（见图 2）。 在营销和运营环节（包括面向客户的营销获客、 产品推介、客户运营等），大模型能够较好地赋能 前台对客环节，提升展业质效。一方面，大模型 大模型 难以胜任 （直接对客） 智能客服 （间接对客） 赋能服务顾问 Co-pilot 数据收集 整理、读取 分析决策 决策结果 输出 风险管理 交易执行 IT/行政/HR 业务流程×金融业务 营 销 和 运 营 分 析 决 策 中 后 台 运 营 资料来源：蚂蚁研究院，OpenAI官网，中金公司研究部 整理多模态数据 生成合成数据 整理多模态数据 征信报告解读 信用评估、定价、

金融行业数据、场景丰富，大模型走上金融大舞台 我们认为，金融行业数据丰富且数据质量高，具备大模型训练的良好基础。同时，金融行业细分领域众多，且大量产品最终服务于 C 端用 户， 大模型应用场景丰富。随着大模型与金融业务的融合，创新应用将层出不穷。 金融行业数字化需求刚性，投入巨大，是大模型应用落地的大舞台 ：根据艾瑞咨询的数据， 2022 年，以银行、保险、证券为主的金融机 构 技术资金投入预计将超过 2023 年系统年中工作座谈 会 资料来源：新华社、华西证券研究所 4 u AI+ 金融并非单纯的技术累加，而是针对不同业务场景需求，运用前沿技术成果推出的创新金融产品、经营模式、业务流程，以及推动金融业 务高质量发展的一系列配套解决方案。 u Al+ 金融更侧重于为传统行业的模式创新和流程再造提供新的思路和方法，促进新经济形态的演进，从而催生新的商业模式，提高运营效率， 带来整个产业的全面升级。 与者。 传统金融机构：具有较好的客户和数据基础；对业务具有更深刻的 理 解；金融牌照相对齐全。 互联网公司：拥有较好的客户和数据基础；研发和创新能力较强； 但 在特定的金融业务上仍然缺乏经验。 人工智能技术公司：独立的技术研发和创新能力是最大的优势；但 在 数据、客户资源和具体业务场景应用上大多依赖于第三方合作机 构。 u AI+ 金融产业链包括三层：其上游为基础层，中游为技术层，下游为

2010-2017 年 2017 年 - 至 今 二十一世纪 随着各项技术的日益成熟 , 有 22.1% 的企业紧跟时代潮流 , 使用先进的 AI 技术结合行业实际打造智能客服系统。 其中金融业占比 8.7% ，智能客服已经逐渐成为金融机构关注的重点。 88.2% 49.2% 38.4% 22.1% 智能客服既是客服的趋势，也是客服产业市场的重要拼图 住宿和餐饮 建筑与房地产 各行业智能客服应用情况 拥有智能客服的企业 有客服业务的企业 建设云客服的企业 4.5 4.3 3.7 3.5 自建客服的企业 数据来源： T 研究 2020/05 金融业 6.1 5.2 8.7 13.5 16.5 17 会话量大，期望智能客服降低坐席人员压力 需要 7x24 小时服务 期望建立覆盖售前到售后的全服务体系 传统客服系统无法同时处理在线和通话服务 京小科智能客服场景化解决方 案 电话营销场景（理财 / 贷款 / 存款产品业 务） 电话催收场景（信用卡 / 个人信贷业 务） 智能终端交互场景（网点大厅业务） 多媒体客服场景（线上金融业务） 移动交互场景（移动金融业务） 电话客服场景（电话金融业务） 智能导航 在线客服 智能质检 电话客服 语音导航 电话客服 语音机器人 坐席辅助 电销机器人 智能质检 导航机器人 电话客服 语音呼叫

一、完整的数据视图；  缺乏支撑智慧税务大数据日常业务运 转的风险评估体系；  缺乏智慧税务大数据客户 360 度视 图，客户行为分析和预测无法实现；  缺乏面向金融业务运营管理的关键绩 效指标体系；  ……  已建立面向整个金融业务的数据仓 库，整合了前台业务运营数据和后台 管理数据，建立了面向金融的管理分 析应用；  智慧税务大数据已开展供应链金融、 人人贷和保理等多种业务，积累了一 等方面，提出了大量分析预测需求；  …… 数据平台、数据应用、数据管控…… 基础数据平台和 BI 应用建设是未来一段时间的重点！  数据平台整体架构；  数据平台各层建设的标准；  较成熟的金融业数据模型；  数据质量治理；  元数据管理；  数据标准建设  数据整合；  数据应用建设；  数据平台的软硬环境  …… 面临的主要问题： 1. 未建立税源信息语义标准及数据采集规范。 应用 实现业务协作和创新 业务人员使用 BI 应用 实现业务协作和创新 BI 分析工具 BI 分析工具 供应链金融系统 POP 系统 其他业务系统 云数据推送平台已实现了 主要零售及金融业务系统 数据清洗、整合，为未来 智慧税务大数据数据平台 提供了丰富的数据源。 通过数据平台和 BI 应用建设，智慧税务大数据将搭建统一的大数据共享和分析平台，对各类业务进 行前瞻性预测及分析，为集

天，累计成交配额 6.30 亿吨，成交额达 430.33 亿元，平均交易价格 68.3 元/吨， 市场规模持续扩大，展现出良好的发展势头。与此同时，我国绿色金融政策体系 不断完善，金融机构积极布局碳金融业务，产品创新层出不穷，涵盖碳债券、碳 远期、碳期权等多个领域。经过十余年的发展，我国已构建起以市场机制为核心、 多层次金融工具为支撑、区域创新与全国统筹协同推进的碳金融政策框架，为实 现 “双碳” 产品，支持低碳转型，推动绿色金 融市场体系建设。 《关于贯彻落实金融 支持粤港澳大湾区建 设意见的实施方案》 2020 年 8 月 广东省、 深圳市相 关部门 依托广东碳交易平台，推动粤港澳 大湾区碳金融业务创新，支持境外 投资者以外汇或人民币参与碳排 放权交易。 《全国碳排放权交易 管理办法（试行）》 2020 年 11 月 生态环境 部 明确重点排放单位（年排放≥2.6 万 吨 CO₂当量），允许使用国家核证 化机构设置和队伍建设方面，明确鼓励金融机构设置绿色金融专业部门或特色分 支机构。这一举措旨在从组织架构层面，为碳金融业务的开展提供专门的运作主 体，保障相关业务能够得到充分的资源支持与专业管理。同时，出台专项激励制 度，通过设立具有吸引力的奖励机制，激发员工投身碳金融业务的积极性与创造 性，促使员工主动提升自身在碳金融领域的专业素养。配置专项资金，为碳金融 碳市场与碳金融发展报告 30