财务领域“AI+”：DeepSeek驱动下的财务创新

1.1.人工智能与大模型的相关概念11.2. 认识 DeepSeek3 人工智能与大模型发展概述 1.1人工智能与大模型的相关概念 典型的深度学习模型包括卷积神经网络、循环神经网络、Transformer模型等，其中，Transformer型开创性地采用自注意力机制（Self-Attention），能够高效捕提序列中各部分的关系，支持并行计算，适用于语义理解、文本生成问答等自然语言处理任务。基于Transfomer架构的大模型（LareeModels）通过百亿至万亿级参数规模的预训练和指令微润等，在知识涌现能力、多模态处理能力、逻辅推理能力等方面取得突破性进展。其中，大语言模型(LargeLanguage Models，LLMs)是以自然语言处理为核心方向)的大模型，通过对海量末标注文本数据的自监督预训练，结合标注数胆的指令微调，捕提语言统计规律，进而实现意图理解与连贯文本生成。 人工智能(Artificial Intelligence，Al)是计算机科学的一个分支，旨在开发能够模拟、延伸和扩展人类智能的技术。它通过算法和数据分析，赋予机器感知、学习、推理、决策和交互的能力。机器学习(MachineLeaming）作为实现人工智能的核心技术，聚焦于通过数据驱动的经验学习范式，使系统能够从样本数据中自动发现统计规律，并据此优化决策性能。作为机器学习重要分支，深度学习(DeepLearning）通过构建多层神经网络架构，每一层都将数据进行一系列非线性变换，逐步提取和抽象数据的特征，莫定了处理复杂模式识别任务的模型基础。 2022年11月，随着ChatGPT的发布，大语言模型广泛进入公众视野，推动全球Al产业迎来爆发式增长，Gemini、Llama、文心一言、通义千问等众多国内外大模型相继涌现，模型参数规模不断膨胀（如图1-2所示），技术突破不仅体现在语言任务性能提升，更扩展至多模态（音频、图片、视频等）理解、逻辑推理等方向。且随着算力基础设施升级、训练数框规模扩大与算法持续改进，大语言模型的能力边界持续拓展。 2025年1月，DeepSeek-R1模型发布，迅速成为全球人工智能领域的焦点，该模型在继承Transformer架构的基础上，进行了多项技术的创新优化，通过引入多头注意力机制、混合精度训练等技术，显著提升模型的推理分析能力，并实现了训练成本的大幅降低。DeepSeek以其“技术普惠化”的理念，通过高性价比的解决方案降低了A技术的使用门槛，赋能各行各业的诺多使用场景，为智能体构建、多模态融合奠定了实践基础。 1.2认识DeepSeek DeepSeek于2024年初开始相继发布开源大语言模型(如图1-3所示)，其中，DeepSeek-V3、DeepSeek-R1和DeepSeekJanus-Pro模型在技术特性与场景应用等方面各有优势，能够满足多样化的应用需求（如表1-1所示）：DeepSeek-V3采用混合专家架构等技术，显著提升多任务处理能力，尤其撞长多语言翻译、信息检索与问答、文本生成等，适用于合同条款解析、政策法规匹配等场景。 DeepSeek-R1通过强化学习与冷启动策略提升推理能力在逻辑推理、数学计算及代码生成等复杂任务中表现卓越适用于财务数据分析、异常监测等场量。DeepSeek-JanusPro依托SigLIP-L视觉编码器与LlamaGen图像生成模型，实现多模态理解与图像创作，可用于票据识别、图表数据关联分析等场景。三者协同构建语言、逻辑与多模态融合的智能解决方案。 在技术研发创新层面，DeepSeek在模型结构与训练方法上有着独特的设计，其庞大的参数规模和较低的训练成本背后有着高效的算法和优化的训练体系。此外，DeepSeek的开源架构是其技术突破的重要基础。开源不仅促进了技术开放与共享，还显著降低了硬件成本，提供了灵活的部署选项。 DeepSeek的快速增长并非偶然，其核心能力在于以下三个方面： 在语言处理能力方面，DeepSeek生成的内容在逻辑连费性、语义准确性等方面表现突出。在情感分析、知识问答等多个具体应用场景中，DeepSeek也展现出了较高的准确率和稳定性。 在逻辑推理能力方面，DeepSeekR1能够完美复现OpenAl01的深度推理能力，通过完全强化学习的方法让AI自发涌现出深度推理能力，在数学、代码、自然语言推理等任务上具有显著优势，该模型同时延续了该公司高性价比的优势，其训练成本远远低于诸多科技巨头在人工智能技术上投入的数亿美元乃至数十亿美元。 DeepSeek的核心能力与优势 2.1DeepSeek的核心能力 DeepSeek通过技术创新构建起覆盖文本生成、自然语言理解与多模态处理、逻辑推理与数据分析、编程与代码处理的核心能力矩阵（如图2-1所示），在语义解析精度、逻辑连贯性、垂直场景适配度等关键维度实现突破，为企业提供高效智能解决方案。 ●文本生成 DeepSeek文本生成功能聚焦于精准、安全与场景适配，尤其适用于专业性、结构化输出需求的任务。在信息处理上，DeepSeek能精准萃取长文本核心要点生成简洁明确的摘要，并通过简化文本降低内容复杂度；针对结构化输出需求，可绘制表格、列表等，生成详组且专业的文档（如图2-2所示）；针对不同创作场景，通过垂直领域专项训练，提供适配方案，如创作诗歇、小说及剧本，定制营销文案、广告语及社交媒体内容，撰写邮件、报告及演讲稿等。 ●自然语言理解与多模态处理 DeepSeek具备卓越的人类语言理解与多模态处理能力（如图2-3所示），主要体现在五个方面：一是要素提取，通过识别人名、地点、时间、事件等要素，快速提炼核心内容；二是意图识别，运用关键词函配和上下文语义关联分析，解析用户核心诉求，实现精准应；三是文本分类，通过深度学习模型将文本映射至预定义类别体系，进行主题归类和标签化处理；四是情感分析，判断文本情感倾向，提供个性化服务；五是多模态处理，通过联合分析文本、图像、音频等多模态数据，识别跨模态语义关联，提高模型全面感知和泛化能力。此外，作为国产大模型，DeepSeek在处理富含独特语境和文化内涵的中文场景时，能实现更精准的语义解析和固果分析。 ●逻辑推理与数据分析 DeepSeek先借强化学习驱动的自主推理机制，自主探导最优策略，显著提升复杂推理任务效率（如图2-4所示）。同时运用长思维链、推理路径追踪及自我修正机制，结合多模态处理能力拓展其在复杂场景的应用边界，增强决策过程的可解释性与结果可信度。在数据分析方面，DeepSeek依托强化学习自监督特性摆脱对标注数据的依赖，增强跨领域泛化能力，在数学推导（AIME2024测试成功率达79.8%"）、代码生成等复杂场景中，展现出超越传统模型的推理和数据分析优势，实现从基础逻辑推演到跨模态复杂问题求解的全面能力提升。 arsmeau RRTE方M 0p500元8891092100万2468(8908231500 .1003-00055净月20-891300万元电80t130/300+300%-20% ●编程与代码 相较其他问答工具，DeepSeek编程性能更优、代码生成质量更高，是一个优秀的智能代码助手。在软件开发、数据处理与分析等多元场景中，DeepSeek能针对复杂逻辑问题自动生成高质量代码，支持多种编程语言（如图2-5所示）。同时，DeepSeek具备代码逻辑分析能力，当代码出现错误且开发者难以定位问题根源时，能识别潜在语法和逻辑错误，提供详尽修复建议，提升既有代码执行性能。并且DeepSeek能够根据提取的注释信息和解析出的代码结构，自动生成高可读性技术文档。 DeepSeek凭借编程与代码能力，使用户只需以自然语言闻述创作意图，即可自动生成相应视觉内容的代码，包括播图流程图、状态图、折线图等，显著降低专业绘图工具使用门槛。 2.2DeepSeek的差异化优势 在人工智能领域，基于思维链的技术演进正推动大模型向功能专业化方向发展。言处理，后者则通过构建系统性推理框架攻克复杂问题。DeepSeek系列模型采用强化学习驱动的推理增强架构，成功突破传统模型性能边界，呈现出算法与系统工程创新、全链路成本集约化管理、本地场景适配更优及开源生态建设等差异化优势（如图2-6所示），在全球AI领域备受隔目。 ，多头潜在注意力：通过低秩联合压缩方法减少注意力计算的缓存需求，同时保持多头注意力性能，显署降低计算和存储成本，将显存占用降至其他大语言模型的5%13%，提升模型运行效率。 ●算法与系统工程颠覆性创新 DeepSeek通过创新架构、算法和模型，显著提升计算效率、推理能力和泛化性能，具体包括以下方面。 ·混合专家架构（MOE)：通过组合多个“按需激活”的“专家”模型来处理不同任务，并进一步细化专家划刘分标准、设置共享专家，提高推理速度。如DeepSeekV3参数规模达6710亿，但每个token推理时仅激活370亿参数。 ，混合精度训练：通常使用FP32和FP16精度来计算和存诺数据，而DeepSeek在多数计算环节采用FP8精度，对低精度较为敏感的内容保留高精度，提升计算速度且不损害性能。类似建设大厦时，主体结构使用常规建筑材料，而关键承重部位则使用高精度材料。 ，强化学习推理：通过构建基于结果反馈的强化学习框架，进行数据预训练以及动态监督修正，既攻克纯强化学习可解释性难题，又突破传统大语言模型训练效率瓶颈 ，模型蒸增：通俗说就是让小模型模仿大模型回答问题的结果，以此提升自身能力。DeepSeek使用R1模型精选的80万份样本对开源模型进行微调，实现大模型推理知识迁移至小模型，提升小模型推理能力。 ，DualPipe流水线策略：通过将计算与通信时间完全重叠，将硬件利用率提至约100%，缩短大规模分布式训练时间，提高训练效率。类似工厂流水线上同时处理两批产品，一批因前序工序延退时，工人立即切换到另一批继续工作，避免闲置。 训练中，模型不再品限于单一token预测，而是同时预测多个连续token，使模型性能提升2%-3%。 三是通过跨模态联合训练技术，实现文本、图像与结构化数据关联分析，突破复杂场景理解瓶颈。如在财务分析中，可交叉分析中文财报文本与图表中关键指标，实现基于中文语境的数据分析与决策支持。 ●全链路成本集约化管理 DeepSeek通过三条路径实现高效成本管控：训练环节采用“MoE架构+混合精度技术”，使6710亿参数模型训炼或本压降至557万美元（约为GPT-4的7%"），配合模型蒸馏实现能力迁移，规避传统全量训炼的资源浪费；部署层面实施阶梯式部署策略（支持云端与本地化部署，提供多种参数量的轻量化模型，避免硬件资源余投入)与服务费控（AP服务定价低于OpenAI系列产品“）策略；运维端依托智能蓝控系统，实现秒级异常响应，显著降低人力成本，实现全链路闭环管理。 促进开源生态与AI普惠化 DeepSeek采用完全开源策略，向开发者开放模型参数、权重及训炼框架等资源，支持自由使用、修改和分发。相较闭源模式的技术封闭性，其开源特性实现技术全链路透明可控开发者可深入技术底层优化模型，并通过全球协作持续突破技术边界。同时，DeepSeek提供多种接口，无缝适配各类技术架构与场景，并内置Prompt优化器实时分析提示词效果并生成改进建议，显著降低使用门髓。此外，DeepSeek支持二次开发拓展行业应用，加速A技术普惠化发展。 ●本地垂直场景适配度更优 DeepSeek通过支持定行业知识引擎、精准推理能力和多模态协同训练，结合对中文语言特性与本土场录的深度理解，为复杂任务提供高效解决方案。 一是采用参数高效微调技术，基于知识蒸技术实现行业模型快速定制。针对中文特性强化语义解析与术语学习，可精准识别方言及行业黑适，结合私有化部署保障数据安全。 二是基于思维链框架构建分步验证机制，在财务预测等复杂场景中兼容中文逻辑，提高推理能力。支持中文注释转财报术语解析等特色功能，提升复杂任务处理精度。 DeepS