DeepSeek席卷金融业，银行、保险、基金、券商等金融机构纷纷接入这款本土大模型，唯恐一步慢，步步慢。

自两年前ChatGPT横空出世，将AI革命从未来拉至眼前，DeepSeek被视为另一个AI革命的奇点。围绕DeepSeek的市场情绪复杂，既高估也轻慢，既亢奋又误读，但相比两年前，市场对于大模型的商业应用前景和“钱景”，更加笃定。

在这场时代洪流中，号称半个IT业的金融业，借助以DeepSeek为代表的大模型实现数字化转型，交卷数字金融大文章，是金融高质量发展的题中之义。在这里，差别不是有和无的问题，而是多和少、快和慢的问题。

商业命题：弯道超车？

DeepSeek之所以引发瞩目，不是技术上有多么“遥遥领先”，而是开辟了新的技术路线，打破了硅谷公司对AI革命的解释垄断权，AI成本可以大幅下降，而非不断叠加算力，大力出奇迹。开源、便宜的DeepSeek，某种程度上，实现了AI平权，这对中小公司而言，是难得的弯道超车机会。

金融业亦如此。在这轮浪潮里，也是中小金融机构率先抢跑，一方面是由于“船小好掉头”，不像大型金融机构决策链条长，牵一发动全身；另一方面是基于DeepSeek的上述优势，中小金融机构不用投入大量资金资源，可以迅速上手，迅速上线，迅速在远程、投顾等场景上应用，获得先发优势。

当然，DeepSeek并没有改变大模型和金融业的核心特征，这就使得在短期内，制约其发展的因素与其他大模型无异。首先，大模型的幻觉并没有消失，虽然DeepSeek更像人的“思考”，但也更有可能一本正经地胡说八道，而因为其表现“卓越”，反而更加难以被识破。归根结底，如果语料和数据出现错误，幻觉问题便不可避免。对于强监管的金融业，对于强调专业性的金融业，AI幻觉是难以容忍的。如果这个问题没有解决，在更纵深场景的应用，比如风控和合规、定价和精算，就会逡巡不前。

另一方面，数据和隐私问题也在困扰着监管和个人。金融业海量的个人数据，一旦输入大模型，能否避免信息泄露？在当下日趋“透明人”的互联网世界，因信息泄露带来的损失不胜枚举，电诈只是其中广为人知的一方面。大模型如果在这方面不能实现安全可控，这个量级的个人信息风险，无法言说。

但任何发展，如果我们回归第一性原理，便能直抵目标。办法总比困难多，如果我们志在高质量发展，AI幻觉等便只是待解决的问题，而非天堑。如果我们志在创新，就要允许和容忍失序和混乱，DeepSeek便是这样的因果，而弯道超车的中小金融机构，亦需要这样的因果。

终极命题：对人的替代？

在商业之外，人们对AI的疑虑，还在于是否最终代替人。所谓智人之上，何以为人。而在可预期的未来，则是工作是否被AI取代。

大模型对于效率的极大提升，毋庸置疑。特别是能够深度思考的DeepSeek，逻辑清晰，显然折射出AI+金融的巨大潜力，分析更精准，输出也更周到和老道。

金融业同时兼有资金密集型、技术密集型和人力密集型特点，弯道超车是一方面，同时也直面这样的考问，DeepSeek是否也意味着对部门工作岗位的颠覆和取代。

比如对于百万保险代理人而言，两种情绪杂糅，在媒体的采访中，代理人一方面把DeepSeek视为工作搭子，提高工作效率，与此同时也感叹“比我干得好”，针对不同训练和案例，能给出教科书般的建议和方案，好像很长时间以来参差不齐的代理人队伍，有了混一的可能。

面对降维的AI革命，不仅是保险业，各行各业都有着或多或少的岗位忧虑。这种“怀璧其罪”的情绪和思潮，历史有之，在工业革命的早期，机器对人的替代就曾甚嚣尘上。用我们一句早已化梗的历史名言来讲，就是“百万槽工衣食所系”。

其实，站在时间和历史的角度，机器没有取代人，机器革命创造出更多新的工作岗位，一切问题最后还是复归发展问题。与其考虑智人之上的终极命题，不如保持学习的头脑，保持创新的心态，拥抱DeepSeek，而不是用宏大抽象来抗拒。

打败和代替你的不是AI，而是会使用AI的人。