4月1日发布的金融监管总局、科技部、国家发展改革委联合发布《银行业保险业科技金融高质量发展实施方案》，聚焦金融支持科技创新的重点领域和薄弱环节，多个部门政策组合，增加金融资源供给，畅通科技三资循环，促进科创产业融合，持续推进科技金融服务提质、扩面、增效，加快实现高质量发展。

科技金融，离不开大模型。在人工智能快速发展的今天，我们正站在技术革命和产业升级的关键时刻。像“深度求索”这样的新型“推理-生成融合型”大模型，正在引领社会生产力实现质的飞跃。

和传统的生成式人工智能，比如ChatGPT相比，“深度求索”通过将知识推理和内容创造结合起来，实现了从技术架构到产业形态的全面革新。本报告从技术突破、产业升级和社会变革三个方面，深入分析了这种质变效应。同时，我们以马上消费金融等企业的实践为例，提出了具有特色的智能化转型路径。

一、技术，产业，和社会领域面的８个质变

（一）技术领域三个质变

1. 从“被动响应”到“主动思考”

传统模型只能完成预先设定好的任务，比如分类或者检索信息，完全依赖人类明确的指令才能行动。而“推理+生成模型”能够自己主动拆解复杂问题，就像有逻辑思维一样。比如在医疗诊断方面，它可以先结合患者的症状，生成可能的病因，然后通过一步步的推理，把错误的选项排除掉。在法律分析方面，它可以从案例库中找到类似的判例，生成一份法律意见，并且还能论证这份意见的合理性。

2. 从“单模态”到“多模态协同推理”

传统模型只能处理单一类型的数据，比如要么是文字，要么是图片。但现在的模型可以同时处理多种类型的数据，比如文字、图像、代码等，还能把它们结合起来进行逻辑推理，形成一个完整的跨模态逻辑闭环。举个例子，在工业质检中，模型可以分析产品的图像，生成缺陷报告，还能进一步推理出生产线需要调整的方案。在教育领域，它可以解析学生手写的数学解题步骤，生成纠错建议，并推导出正确答案。

3. 从“静态输出”到“动态演化”

以前的模型只能给出一个固定的答案，但现在的模型像DeepSeek，可以通过强化学习人类反馈（RLHF）的方式，让生成的结果根据交互实时修正。这就像是人类在讨论问题时，不断修正自己的观点一样。比如，在企业客服场景中，AI可以根据用户的反馈动态调整回答策略。如果用户对某个回答不满意，AI会根据用户的反馈重新调整回答内容，直到用户满意为止。

（二）产业应用的三个质变

1. 生产流程重构

在制造业，生成式AI可以设计产品原型，推理模型则可以优化供应链参数，比如成本、交货期等，从而实现从“设计—生产—物流”的全链条自动化决策。比如，AI可以根据市场需求快速设计出产品原型，同时推理模型会分析供应链的各个环节，找出最优的生产成本和交货时间，让整个生产过程更加高效。在金融业，生成式AI可以生成投资报告，而推理模型则会验证报告中的数据逻辑，从而降低人为错误带来的风险。

2. 服务模式升级

在医疗领域，生成式AI可以先生成个性化的健康建议，推理模型则会进一步追问用户的生活习惯，以此来修正和优化建议方案。这种服务方式更接近于“全科医生”的体验，能够根据用户的实际情况提供更精准的建议。

在零售行业，AI不仅能生成营销文案，还能通过推理分析消费者的画像变化趋势，从而动态调整推荐策略。比如，如果发现某个消费者最近的购买行为发生了变化，AI会根据这些变化调整推荐的商品，让营销更加精准和有效。

3. 人机协作范式革新

员工和AI之间可形成类似“共脑”的关系，比如人类员工提出“降低库存成本”的目标，AI就会生成多个解决方案，并通过自己的推理能力找出最优的方案。人类员工只需要对AI提供的方案进行最终验证，看是否符合实际需求。

（三）社会影响的质变

1. 知识获取民主化

现在，生成式模型可以提供知识，而推理模型则会确保这些知识的正确性。这就让知识获取变得更加公平和便捷。比如学生在提问时，不再只是得到一个简单的答案，而是能得到分步骤推导的详细解答。这样一来，学生不仅能知道“是什么”，还能明白“为什么”。而对于农民来说，他们可以用方言询问种植问题，AI会生成相关的技术要点，并通过推理判断这些技术是否适合当地的气候条件。这样一来，无论是学生还是农民，都能根据自己的需求，方便地获取到准确的知识。

2. 创造力门槛降低

初创企业可以通过“生成+推理”的方式，快速验证自己的商业计划。企业可以先利用生成式模型快速生成一份市场分析报告，了解市场现状和需求；接着，推理模型会分析这份报告，找出其中的竞争壁垒，帮助企业明确自身的优势和差异化点；最后，再利用生成式模型生成一份融资方案，为企业的资金需求提供支持。这样一来，初创企业即使没有太多的专业知识和经验，也能够快速地将自己的想法落地，大大降低了创业的门槛，激发了更多人的创造力。

3. 伦理与风险的新挑战

随着技术的发展，我们面临了一些新的问题。比如，现在有些AI生成的内容可能并不真实，甚至可能会伪造一些看起来很真实的证据（深度伪造）。为了应对这些问题，社会需要建立新的规范。比如，可以要求AI在生成内容的时候，标注出它是怎么推理出来的，这样人类就可以像检查作业一样，审计AI的推理过程，确保内容的真实可靠。

关键案例对比

二、企业应用DeepSeek推理大模型的四大核心挑战

（一）四大核心挑战

挑战一：知识融合难——让AI真正"懂业务"

企业的业务知识通常分散在各种文档、工单等非结构化的数据里，AI很难准确理解其中的专业术语和业务逻辑。同时，企业内部的数据往往比较稀疏、分散，企业又希望保留自己的核心竞争力，把数据留在企业内部。这就需要在大模型的基础上进行融合或微调，而这需要专业的团队和人工智能专家来设计。更棘手的是，行业知识是会不断更新的，比如政策法规的变化。但每次更新都需要对模型进行微调，这会带来很高的成本。

挑战二：协同决策难——从"单打独斗"到"团队作战"

虽然DeepSeek的推理能力可以分解复杂问题，但在分解后的各个子任务中，不同的智能体（比如不同的工具或模型）需要协同工作。然而，协同过程中常常会遇到问题，比如目标冲突或者业务流程过于复杂。比如，采购智能体为了降低成本减少了订单，结果却导致库存告急；客服智能体为了快速响应客户承诺了某个解决方案，但技术团队却没办法及时实施。要解决这些问题，需要一个系统性的设计，包括计划、执行、反馈和优化的完整流程。目前，企业中能够系统地进行业务流程设计和优化的人才比较稀缺，而且需要业务人才、技术人才和人工智能专家通力合作。更关键的是，现有的模型缺乏动态协商机制。当遇到突发事件（比如供应链中断）时，各个智能体无法快速达成全局最优策略，反而可能会互相掣肘。这就需要企业不断优化协同决策的机制。

挑战三：算力成本高——技术红利与经济效益的博弈

大模型的推理需要很强的计算能力，处理复杂任务时，成本会急剧上升。比如，分析一份10万字的合同文档，单次推理可能就会消耗价值数千元的GPU资源。即使采用云计算来分摊成本，遇到突发流量（比如促销季的海量咨询）时，系统响应还是会变慢。某企业案例显示，AI系统一个月能创造4800万元的收入，但为了支持这个系统，硬件投入却高达4.5亿元，投资回报周期远远超出了预期。

挑战四：数据基础弱——智能化的"地基"危机

高质量的数据是AI应用的基础，但很多企业在数据方面面临三大困境：一是数据质量差，企业内部的数据往往存在很多噪声，比如人工记录时容易出错。如果用这样的数据去训练自己的大模型，效果不好。而清洗和标注这些数据要花费大量的时间和精力，大约会占到整个实施成本的45%。二是数据整合难，企业里的数据种类很多，比如文本报告、设备日志、图像视频等，这些多模态数据没有统一的标准。在训练模型的时候，需要花很多时间把它们整合在一起。三是实时性不足，有些关键业务数据更新不及时，比如风险预警这种需要实时决策的场景，如果数据不能及时更新，就会影响决策的准确性。

（二）破局之道

1.构建构建知识中枢

把行业知识整理成结构化的图谱，然后用“通用模型+企业高质量数据”的混合架构来打造企业专属的大模型。这样，AI就能更好地理解企业的业务逻辑，同时也能保留企业的核心竞争力。

2.解决复杂任务的智能体联邦学习

在多智能体协同工作时，设置一个“虚拟协商层”，就像一个协调中心，让各个智能体的目标能够对齐。同时，建立全局决策机制，确保在复杂任务中能够快速做出最优决策。业务团队、技术团队和AI团队需要不断迭代和纠错，就像一个紧密合作的团队，通过不断磨合来优化协同效果。

3.算力精打细算

采用算力虚拟化技术，就像把有限的算力资源变成一个“共享池”，按需分配，避免浪费。同时，设计新一代智算中心，不断优化GPU参数和模型架构，就像给汽车调校发动机，让算力的使用更加高效，从而降低成本。

4. 数据治理先行

建立一个数据质量评估体系，就像给数据做个“体检”，找出哪些数据是高质量的、可以用的。优先在数据完备的环节启动AI应用，就像先从最容易爬的山峰开始攀登，逐步积累经验，再逐步扩展到其他环节。

三、马上消费金融AI创新与应用实践总结

在数字化浪潮的推动下，马上消费金融积极探索人工智能技术的创新与应用，致力于打造智能化金融服务体系。公司拥有3500多名技术人员，累计申请了2400多件技术专利，其中大模型相关专利达到150件，还被麻省理工学院技术评论评为全球大模型专利排名第7。公司拥有上万台服务器和4000多张GPU卡，在企业实际大模型应用领域处于全国领先水平。通过构建自研的“天镜”大模型和PowerAgent平台，马上消费金融在AI应用领域取得了显著成果，形成了具有“多、快、好、省、心”五大特点的创新实践模式，为金融行业的智能化转型提供了宝贵经验。

（一）AI应用的“多”与“快”

1.全面应用与用户普及

马上消费金融的AI应用已经渗透到了金融服务的方方面面，包括销售、服务、运营、风险内控、企业智能以及泛金融等多个领域。从基础层的视觉识别、语音识别、多模态技术，到平台层的交互分析平台、智能体平台、大模型开发平台、AI心理学平台，再到应用层的广泛布局，形成了一个完整的AI应用生态。

2023年，马上消费金融率先开发了大模型PowerAgent开发和应用平台。通过这个平台，企业实现了大模型应用的平权化，让各个业务部门都能像使用水电煤一样方便地获取AI基础服务。这种大模型开发的标准化能力全面升级，不仅推动了AI平权，还让更多的用户能够享受到AI带来的便利。同时，马上消费金融通过PowerAgent平台、人机协同平台和学习洞察平台，构建了三位一体的智能中枢。这个智能中枢能够支持实时策略调优、知识沉淀以及合规预警等功能，大大提升了企业的运营效率和智能化水平。

2.高效训练与快速迭代

在模型训练和响应速度方面，马上消费金融采用了LLMOps（大语言模型运维）的方式，将训练数据的采集、处理、模型训练、评估以及部署整合成一站式的AI开发能力。这种集成化的方法不仅保障了服务的可靠性，还提升了系统的容错性，即使在部分环节出现问题，也能快速恢复和调整。同时，马上消费金融还具备完备的服务管理和监控能力。可以实时追踪模型的运行状态，确保模型的可追踪性和审计能力。通过多视角监控体系，能够从不同维度监测模型服务的运行情况，及时发现并解决问题，从而确保模型服务的稳定运行。此外，马上消费金融还通过多种开源模型的定制化训练和模型推理加速技术，降低了对GPU资源的需求。这不仅节省了硬件成本，还进一步提升了模型训练与迭代的效率。用更少的资源，实现了更快的模型更新和优化，让AI系统能够快速适应市场变化和业务需求。

（二）AI应用的“好”与“省”，覆盖全价值链

1.卓越效果与优质交互

马上消费金融的AI模型在几乎业务场景中展现出良好的效果。例如，在大模型营销解决方案中，通过会话洞察筛选高质量人工坐席通话，并利用SFT微调大模型学习人工坐席的营销流程和优质话术，实现了合规幻觉质检保障１００％保障，确保机器人输出合规准确的话术。这不仅提升了营销转化率，无人机器人实现3000亿以上销售额，还提高了客户意图识别率和平均通话时长等关键指标。同时，人机交互的优化也为人机协作体系的构建奠定了基础，通过交互洞察和多维度分析智能体，实现了群体智能的提升，让一个优秀的人带动一个团队，形成了人机相互学习、相互增强的良好局面。

2.成本节约与效率提升

AI技术的应用为马上消费金融带来了显著的成本节约和效率提升。在智能知识管理方面，通过提升知识编辑效率、自动检测病句纠错以及保障知识一致性，降低了知识管理的人工投入。在智能分析领域，基于AI的数据资产管理平台智能问答和智能运维功能，提高了数据分析师和业务查数的效率。此外，智能客服、智能价格参考、智能舆情监测、代码审查、智能凭证识别、金融平台化智能接口组装、报销智能化助手、建案自动化、知识中台问答助手、数据洞察、漏洞治理、ChatOps、马上搭智能助手、风险初评、智能坐席助手以及投诉详情/诉求总结等多个应用场景，均通过智能化手段实现了效率的大幅提升和成本的有效降低。

（三）AI应用的“心”与未来展望

1.心理智能与情感洞察

马上消费金融的AI应用不仅关注技术层面的优化，还深入探索了对话心理智能和面试心理洞察等领域。在客诉团队场景中，通过心理状态感知、心理动因建模以及行为干预与效果检验等手段，提升了客服温度，增强了客户满意度，降低了投诉率。在AI面试方面，采用开放情境问题结合心理学分析回答的方式，突破了传统结构化面试的局限性，精准评估应聘者的抗压性、沟通能力和好奇心等隐性胜任力，实现了招聘流程的自动化和标准化，提高了招聘效率和质量。

2.未来发展趋势与战略规划

马上消费金融对AI未来发展趋势有着清晰的认识和规划。企业明确了大模型企业应用发展的五个阶段，并意识到当前正处于L2-L3之间，正从预设工作流向真正的基于推理大模型的自主决策过渡。为了实现未来的智能化发展目标，马上消费金融坚持知行合一的AI战略，从人才、战略、运营模式、技术平台、应用决策和风险控制等七个方面推动AI Native原生战略的全面落地。通过强化数字化人才体系建设、引入青年长江学者１名，两名国家万人计划，５０＋重庆鸿雁计划人才，构建现代技术体系、建立跨职能的交付和业务协同机制、优化资源配置及考核体系等措施，马上消费金融致力于打造全流程价值创造闭环，实现架构轻量化、持续化交付和管理自动化，推动营销、风控、运营、资管等全业务流程的数字化再造，建设大模型数智化应用生态。

马上消费金融希望在以下领域实现业界领先：

• 群体智能进化：与传统的单体辅助模式（常见的智能助手）不同，马上消费金融通过“人-人-机”三体联动的方式构建了群体智能网络。这种模式的核心在于打破个体的局限，让人类和机器之间形成更高效的协作。具体来说，系统能够识别在各种业务场景（比如销售、客服、投诉处理等）中表现最优的“Agent”（即业务人员或智能体）。这种识别是基于多个维度的评估，包括对话分析、服务质量、合规性等10多个指标。系统不仅能够找出这些“标杆Agent”，还能通过大模型对他们的优秀实践进行二次增强，进一步提升他们的能力。更重要的是，这种模式形成了一个“标杆带动团队”的知识扩散机制。通过系统的学习和分享，优秀Agent的经验和方法能够快速地传播给整个团队，从而带动整个团队的提升。这种动态的群体进化能力，让组织的效能提升速度比传统系统快3到5倍。马上金融通过这种创新的群体智能进化模式，不仅提升了个体的效率，还通过团队协作和知识共享，实现了整个组织的快速进化和效能提升。
• 因果归因引擎：独创了一套“四维归因体系”，包括客户、策略、能力和规则四个维度。系统可对服务过程进行深度反思诊断。例如在合规冲突场景中，能区分是客户情绪诱因、策略缺陷、执行能力不足，还是业务规则矛盾，从而实现精准优化而非简单流程调整。它能够帮助企业从根本上解决问题，避免“头痛医头、脚痛医脚”的情况，从而提升服务质量和业务效率。
• 多目标动态寻优：能够在多个重要目标之间找到最佳平衡点，包括客户满意度、服务效率、合规性等5个核心方面，同时还要考虑体验与效果、体验与合规等3类约束条件。传统的系统可能只关注其中一个目标，比如只追求速度，但马上消费金融的系统通过强化学习，能够同时考虑所有这些目标和约束条件，找到一个最优的平衡方案。相比只关注单一目标的传统系统，马上消费金融的多约束动态规划算法在实际测试中让综合效能提升了42%。这意味着在保证客户满意、服务高效和合规的前提下，系统能够更好地满足企业的整体需求，让企业运营更加高效和灵活。

这种"智能体增强-群体协同-系统进化"的立体架构，实现了从单点智能到组织智能的质变。它不仅让单个智能体更聪明，还让整个组织变得更智能、更高效。这种能力是传统智能助手所不具备的，也是马上金融的核心竞争力所在。

总之，马上消费金融在AI创新与应用方面的实践成果，不仅为企业自身的发展注入了强大动力，也为金融行业的智能化转型提供了有益借鉴。通过不断探索和优化AI技术的应用场景，马上消费金融将继续引领行业潮流，为用户提供更加优质、高效、智能的金融服务。

（马上消费常务副总经理 蒋宁）