AI進化論：中台智能化，賦能新引擎

DeepSeek發布以來，我們看到衆多政企开始陸續接入大模型，愛分析統計數據顯示，截至2月21日已有45%的央企完成了DeepSeek模型的部署。我們認爲這反映出大模型在性能、成本以及安全等方面已達到了企業大規模應用的要求。在此背景下，我們認爲企業中台有望煥發新機，建議投資人關注數據硬件產業鏈（如傳感器、通信模組）、算力硬件產業鏈（如芯片、服務器、一體機）的投資機遇。

摘要

企業數字化轉型中，爲提升運營效率，中台架構應運而生。傳統“前台-後台”架構易出現重復投資、協同性弱、業務難沉澱等問題，且變化緩慢的後台與快速迭代的前台不相適應。爲化解“煙囪式”困境，中台架構被提出。中台位於前台與後台之間，它抽象出各個業務條线對於數據、技術的共性需求並形成一個能力樞紐，向上承托業務資源、向下賦能前台部門，解決前後兩端失衡問題。

隨着AI技術的發展，傳統中台也融合AI能力向AI中台發展。但是AI中台在實際建設中進展較慢，Gartner在2024年甚至將數據中台劃入“未成熟即面臨淘汰”之列。我們認爲，技術層面，由於傳統分析式AI泛用性較弱，針對特定業務或流程構建的AI體系難以遷移至其他場景，使得不同業務的中台工具難以協同，且後續擴展性不足。生成式AI出現之後，又由於其高昂的前期投入，衆多企業持觀望態度。組織層面，技術部門與業務部門彼此溝通了解有限，使得中台工具的供給方與需求方不相匹配。

DeepSeek的出現，有望增強AI中台能力，加速其在企業中的落地。DeepSeek通過軟件算法的創新以及硬件工程化優化，實現了算力資源的充分挖掘以及算法性能的進一步升級。我們認爲，基於DeepSeek大模型的企業AI中台，模型泛化能力有望增強，進而能夠處理不同模態數據、理解不同業務流程，降低AI中台的建設門檻。同時，DeepSeek推理成本更低，且开源後企業可通過私有化部署兼顧數據隱私與安全。我們認爲，DeepSeek的出現有望加速企業AI中台在內部業務的落地。

數據、模型、算力和管理是AI中台正常運行必不可少的四個環節。數據是起點、模型是核心、算力是基礎、管理是支撐，從硬件角度看，我們認爲數據硬件以及算力硬件有望受益於AI中台的發展。

風險

生成式AI模型創新、AI算力硬件技術迭代、AI應用落地進展不及預期。

大模型推動中台邁入新階段

新引擎驅動企業效能提升

企業提質增效，中台架構應運而生

中台架構能夠復用共性能力，提高運轉效率

傳統“前台+後台”的平台架構存在“煙囪式”困境。傳統企業架構只有“前台”和“後台”：“前台”直接面向產品或企業客戶，其職能在於快速響應用戶需求、持續迭代產品性能；“後台”聚焦企業內部運營，爲前台部門提供內部管理與服務。然後在實際運營中，前台業務需求的變化往往比後台服務的迭代要快得多，在後台能力無法滿足前台需求時，前台往往會自行开發相應工具，長此以往形成“煙囪式單體應用”。阿裏巴巴[1]指出，“煙囪式”系統存在三大弊端：1）重復功能建設和維護帶來的重復投資；2）打通“煙囪式”系統間交互的集成和協作成本高昂；3）不利於業務的沉澱和持續發展。

中台架構應運而生。中台是位於前台與後台之間的新型架構，它抽象出各個業務條线對於數據、技術的共性需求，匯總成一個能力樞紐。中台架構使得各個業務條线能夠復用沉澱下的共性能力，消除了企業內部的橫向壁壘，解決了“煙囪式”系統重復开發、數據分散、試錯成本高的問題。我們認爲，中台有望彌補變化相對較快的前台和變化相對較慢的後台之間的⽭盾，是解決前後台失衡問題的有效解決方案。

圖表1：中台聯接匹配前台需求與後台資源

資料來源：鐘華《企業IT架構轉型之道：阿裏巴巴中台战略思想和架構實战》（2017年），中金公司研究部

伴隨人工智能技術的發展，中台架構向智能化轉型。傳統中台解決了企業數字化早期階段的基礎效率問題，將各類業務數據形成可復用的標准化接口，支持前端業務的快速迭代。然而，傳統中台多停留在數據存儲與簡單分析層面，缺乏智能化處理能力，難以應對如實時決策以及多模態數據處理等任務。伴隨人工智能技術的發展，中台架構向智能化轉型。通過嵌入AI能力，AI中台能夠支持文本、圖像、視頻等多元數據的實時處理與分析，逐漸成爲企業數字化轉型深化的核心引擎。

圖表2：從傳統中台到AI中台

資料來源：帆軟軟件，中金公司研究部

我們認爲，AI中台是企業創新發展的必由之路。AI中台通過構建統一特徵庫與聯邦學習機制，實現跨域數據融合與價值釋放。不僅能夠打通產品研發設計、生產制造、客戶需求反饋等不同環節的全鏈條數據，進一步化解不同業務线之間數據孤島問題；還能夠通過關聯分析挖掘出數據之間的內在關系，賦能企業經營決策。我們認爲，AI中台在研發側能夠助力產品快速迭代、在生產側能夠優化排產流程，提高對客戶需求的快速響應能力，最終有望實現公司管理能力與競爭力的提升。

圖表3：AI中台打破傳統“煙囪式”業務壁壘

資料來源：百度公司、AIIA《AI中台白皮書》（2021年），中金公司研究部

但在實際落地中，AI中台的建設進展緩慢

2024年Gartner在其“中國數據分析和人工智能技術成熟度曲线”中，判斷數據中台處於“泡沫破裂低谷期”，將其劃入“未成熟即面臨淘汰”之列。在技術迭代日新月異的今天，傳統中台以及基於傳統AI的中台都顯得有些跟不上創新的步伐，拖慢其在企業中的落地進程。

圖表4：Gartner判斷傳統數據中台未成熟即面臨淘汰

資料來源：Gartner，中金公司研究部

具體來看，我們認爲當前中台架構存在技術與組織兩方面的挑战：

技術方面，傳統AI技術泛化能力弱，遷移擴展能力不足。傳統的分析式AI往往基於特定的數據集、針對特定的場景進行訓練，在新數據集以及新任務場景中AI模型的准確性或會出現折扣，泛用性較弱的特徵使其疲於應對快速變化的前台需求。

數據角度看，目前生產的數據中超過90%爲非結構化數據（IDC數據，2023年），以模態異構、格式復雜爲特徵，傳統AI在對於非結構化數據的處理能力較弱。例如在審核任務中，往往是結構化數據自動審核而非結構化數據由人工查閱，相當數量的數據難以快速應用到業務決策中。

業務角度看，長期的業務實踐中已沉澱出適應各自條线的業務流程體系，不同條线之間的業務邏輯存在一定差異性，使得傳統AI較難同時賦能不同業務條线。常見的做法是針對不同的業務开發專有的中台工具，但這又使得不同業務之間的工具難以復用，後續系統升級難度加大。

組織方面，缺乏整體規劃、部門協同不足，AI中台落地緩慢。中台架構是在企業發展到一定體量時，爲復用能力、提升效率而產生的架構；企業應結合業務實際與未來規劃去落地AI中台，否則會與“提效”初衷背道而馳。此外，AI中台往往由技術部門或外包技術公司負責，缺乏對業務部門深入溝通，導致中台提供的功能和實際需求不相匹配。

圖表5：2023-28E年全球結構化與非結構化數據量情況

資料來源：IDC，中金公司研究部

大模型技術出現之後，AI模型的性能確實呈現了階躍式提升，但成本亦隨之增長。企業部署生成式AI有多種方法：直接購买第三方的AI應用程序的部署成本最爲可控，Gartner估測前置成本僅需要10-20萬美元，但實現的功能也較爲局限；若從頭开始开發模型或微調模型，前置成本則上升至500-2000萬美元。我們認爲，生成式AI部署成本較高，但是其帶來的效果與回報又需要更長周期去顯現，導致企業望而卻步。Gartner[2]站在2024年的時點預測，到2025年底至少有30%的生成式AI項目或在概念驗證後流產。

實際中，我們看到2024年以生成式AI爲內核的企業智能化轉型已經开始，但是深度確實有限。火山引擎等的問卷調查顯示，2024年企業已經認識到了生成式AI的價值意義，6%的企業將其納入轉型战略並有26%的企業愿意大範圍推廣；然而在實際落地上，僅有9%的企業規劃了支出預算，仍有23%的企業尚未有任何動作。

圖表6：不同生成式AI部署方法的企業成本

資料來源：Gartner，中金公司研究部

圖表7：2024年企業對生成式AI的評估進度

資料來源：火山引擎，RollingAI，InfoQ，中金公司研究部

圖表8：2024年生成式AI在大企業的落地進度

資料來源：火山引擎，RollingAI，InfoQ，中金公司研究部

DeepSeek風起，企業中台或煥發新機

DeepSeek具有更優性能、更低成本、开源生態的特點

DeepSeek大模型快速“破圈”，引發全球範圍、社會各界的廣泛討論。中國AI團隊DeepSeek於2025年1月开源DeepSeek-R1模型，其通過軟件算法的創新（如MLA注意力機制、GRPO強化學習算法等）以及硬件工程化優化（如專家並行等），實現了算力資源的充分挖掘以及算法性能的進一步升級。不僅如此，DeepSeek團隊還於2月末开啓爲期一周的“开源周”，將技術細節向AI社區开源共享，豐富AGI領域的开源生態。我們認爲，本輪社會對AI的廣泛討論，源於DeepSeek-R1比肩OpenAI GPT-o1的性能、更加親民的推理成本、以及更爲積極开放的开源姿態。Xsignal數據顯示，截至2025年2月16日，DeepSeek系列模型的日調用量超過1.5萬億tokens、APP日活用戶數超過6700萬，自1月R1开源以來呈現明顯攀升。

圖表9：DeepSeek技術創新實現性能提升與成本控制

資料來源：DeepSeek《DeepSeek-R1技術文檔》（2025年），中金公司研究部

圖表10：DeepSeek日模型調用量趨勢

資料來源：Xsignal，中金公司研究部

圖表11：DeepSeek APP端日活用戶數趨勢

資料來源：Xsignal，中金公司研究部

DeepSeek有望發揮技術外溢效應。DeepSeek陸續开源了FlashMLA、DeepEP、DeepGEMM、並行優化策略等項目，涉及大模型推理框架、MoE模型、FP8計算性能等方面提升，降低了前沿AI技術的獲取門檻。我們認爲开源策略不僅促進了技術的傳播和應用，也爲社區提供了進一步優化和改進模型的機會。我們預計後續能夠很快看到更多廠商發布基於DeepSeek开源模型的衍生模型，或者參考DeepSeek優化策略的高效模型。

其鮎魚效應亦有望降低行業整體成本。在DeepSeek推出开源模型後，OpenAI[3]宣布GPT-5調整產品战略，免費版ChatGPT用戶將獲得“標准智能設置”下的“無限聊天權限”，而付費用戶將享受更高智能水平的服務；百度[4]也宣布其計劃在未來幾個月陸續推出文心大模型4.5系列，並於6月30日起正式开源。我們看到DeepSeek开源的鮎魚效應明顯，有望帶動AI大模型廠家降低大模型的接入成本，爲大模型被廣泛應用奠定基礎。

圖表12：DeepSeek帶來的新變化

資料來源：華爲官網，中金公司研究部

AI中台能力邊界有望迎來重構

我們認爲，企業中台有望受益於AI性能提升而煥發新機——

► 非結構化數據處理能力增強。大模型能夠自行處理和分析來自不同部門的多源異構數據，挖掘數據之間的潛在關聯和趨勢，降低業務部門參與AI中台建設的操作要求和人力需求。在企業運營中，通過對銷售數據、用戶反饋、市場動態等多維度數據的綜合分析，大模型可以爲企業提供深層次的業務洞察，如預測市場需求變化、發現潛在客戶群體、識別業務風險點、探索新業務模式等，爲企業決策提供更全面、精准的數據支持。

圖表13：大模型技術依據結構化和非結構化數據實現數據關聯、自主決策

資料來源：智能財務研究院，中金公司研究部

► 深入理解業務邏輯，實現流程自動化。大模型能夠深入理解復雜業務流程中的邏輯關系，對採購、審批、訂單處理等不同流程進行自動化重塑。例如，在採購流程中，大模型可依據歷史採購數據、供應商信息、市場價格波動等多源數據，智能生成採購訂單，自動匹配優質供應商，並完成審批流程，較大程度減少人工幹預，提升流程效率與准確性。

► 提供更個性化服務，避免業務外包帶來的種種問題。基於對海量用戶數據的深度分析，相比傳統方式，大模型可以精准洞察用戶需求、偏好和行爲模式。以電商企業爲例，大模型能爲每個用戶構建獨特的畫像，進而實現個性化商品推薦，推薦准確率較傳統算法大幅提升。在營銷活動策劃方面，大模型可根據不同用戶群體的特徵，制定針對性的營銷策略，提高營銷活動的轉化率和投資回報率。

► 开源模型滿足企業用戶私有化部署的剛性需求。企業對私有化部署呈現強依賴性，1）尤其是金融、醫療等行業公司，處理較多高度敏感的數據，本地化部署能夠防止數據離开企業內部網絡，降低數據被外部惡意行爲者竊取或濫用的風險；2）定制化需求旺盛，需針對行業知識庫進行微調訓練，從而推動DeepSeek大模型形成容器化交付、私有化調優的完整解決方案體系，滿足企業對模型所有權與控制權的雙重訴求。

DeepSeek的出現有望加速企業大模型在內部業務的落地。以“中台”的形式將大模型的能力整合爲一個融合平台，向上承托不同的AI能力，向下融入不同的業務流程，我們認爲有望進一步優化企業數據處理效率，使其能夠更快速、更准確地響應企業內外部的各種業務需求，爲企業的高效運營和創新發展注入新的動力。愛分析[5]統計數據顯示，截至2月21日已有45%的央企完成了DeepSeek模型的部署。

圖表14：大模型賦能智慧中台，連接AI能力與前台業務

資料來源：360集團，中金公司研究部

企業AI中台接入DeepSeek大模型案例

► AI中台+醫療：2025年2月，醫渡科技[6]協助中南大學湘雅醫院完成國產AI中台的本地化部署。該AI平台基於昇騰GPU，支持DeepSeek-R1全域大模型和醫渡科技醫療垂域大模型等國產大模型的本地化部署、調用與訓練。根據醫渡公告，AI中台未來還將與更多業務系統對接，拓展諸如臨牀決策支持、病歷質控、病變特徵識別等應用場景。

圖表15：醫渡AI中台助力醫院從基建到應用的智慧化轉型

資料來源：醫渡科技官網，中金公司研究部

► AI中台+制造：賽意善謀GPT[7]基於昇騰GPU以及DeepSeek大模型構建出PCB行業大模型，可實現AI自動報價。實際參數提取時間由原本的4-6小時縮短至4-6分鐘，報價周期減少4倍的同時大幅提升了報價准確性。

圖表16：基於善謀GPT的PCB行業大模型架構

資料來源：賽意信息官網，中金公司研究部

科技硬件產業鏈有望同步受益

AI中台包括研發平台、技術服務、算力支撐與管理運行四個層級。

► 研發平台是AI中台的核心，包括數據和模型兩個模塊。其中，數據是AI中台發揮作用的起點，AI中台須具備數據收集、清洗、標注等一系列服務能力；模型是能力核心，我們認爲對於企業而言，一般是直接接入第三方基礎大模型或在基礎大模型上進行微調，AI中台至少需要具備模型調優與評估能力。

► 技術服務更接近於前台部門，包括CV（計算機視覺）、NLP（自然語言處理）、智能語音等通用AI能力，以及聚焦於制造、醫療、金融等垂直領域的行業模型，我們認爲是基礎大模型向具體任務的能力延伸。

► 算力支撐是AI中台的基礎。AI中台的能力來源於AI大模型，而大模型的推理效率和性能與GPU等計算芯片的算力水平、帶寬大小、組網方式等息息相關。目前企業主要採用租賃算力（如公有雲、私有雲等雲計算）、自建算力（即自主建設智算集群）或自備算力（如購买大模型一體機私有化部署）等方式滿足算力基礎設施的需求。

► 管理運行保障AI中台的穩定運行，包括基礎資源管理（如數據存儲、權限管理、算力資源管理等）以及AI資產管理（如模型納管、發布、共享等）。

圖表17：AI中台體系與功能架構

資料來源：百度公司、AIIA《AI中台白皮書》（2021年），中金公司研究部

從科技硬件的角度看，我們認爲企業AI中台的建設有望帶動兩方面的投資機遇：一是數字化驅動的數據硬件產業鏈公司（包括傳感器、通信模組等），對應AI中台的“研發平台層級”，是AI中台的核心；二是智能化驅動的算力硬件產業鏈公司（包括芯片、服務器、一體機等），對應AI中台的“算力支撐層級”，是AI中台的基礎。

數據硬件產業鏈

感知層作爲數據源頭，有望受益於企業數字化轉型。第三方大模型基於網絡公开信息訓練而成，通識能力較強，足夠處理日常事務性工作。但我們認爲，企業還包括一些聚焦於垂直場景且與實際業務相耦合的專業性工作，通用大模型的能力或難以覆蓋。企業需要自主採集業務數據，並基於此微調大模型，方能更好地契合自身業務需求。文字類數據的採集與整理已經成熟，其他如圖片、視頻、音頻等多模態數據有望成爲企業決策的重要補充，對於工業企業尤其是如此。我們認爲智能傳感器以及承擔數據傳輸職能的通信模組有望受益於企業數字化轉型。

算力硬件產業鏈

國產算力產業鏈全方位適配DeepSeek。1）芯片端，國產主流GPU廠商均宣布適配DeepSeek，並結合AI infra廠商的算法優化，提供性能較優的推理體驗。例如2月1日硅基流動[8]宣布與昇騰雲合作推出DeepSeek R1/V3推理服務，據官方稱在自研推理加速引擎賦能下可實現持平全球高端GPU部署模型的推理效果。2）整機端，多款一體機產品密集推出，滿足下遊對數據安全、數據隱私的需要。例如聯想[9]基於沐曦N260，其Qwen2.5-14B的推理性能達英偉達L20的110-130%，支持DeepSeek各參數蒸餾模型的本地部署。3）IDC端，華爲雲、天翼雲、騰訊雲、阿裏雲、火山引擎等龍頭雲計算廠商均已上线DeepSeek，供下遊企業單位調用。

圖表18：國產算力硬件產業鏈已全面適配DeepSeek大模型（不完全統計）