实盘配资开户中金：企业中台有望焕发新机建议关注数据硬件产业链、算力硬件产业链的投资机遇

　　中金指出，DeepSeek发布以来，众多政企开始陆续接入大模型，爱分析统计数据显示，截至2月21日已有45%的央企完成了DeepSeek模型的部署。中金认为，这反映出大模型在性能、成本以及安全等方面已达到了企业大规模应用的要求。在此背景下实盘配资开户，企业中台有望焕发新机，建议投资人关注数据硬件产业链（如传感器、通信模组）、算力硬件产业链（如芯片、服务器、一体机）的投资机遇。

　　全文如下

　　中金 | AI进化论（9）：中台智能化，赋能新引擎

　　中金研究

　　DeepSeek发布以来，我们看到众多政企开始陆续接入大模型，爱分析统计数据显示，截至2月21日已有45%的央企完成了DeepSeek模型的部署。我们认为这反映出大模型在性能、成本以及安全等方面已达到了企业大规模应用的要求。在此背景下，我们认为企业中台有望焕发新机，建议投资人关注数据硬件产业链（如传感器、通信模组）、算力硬件产业链（如芯片、服务器、一体机）的投资机遇。

　　摘要

　　企业数字化转型中，为提升运营效率，中台架构应运而生。传统“前台-后台”架构易出现重复投资、协同性弱、业务难沉淀等问题，且变化缓慢的后台与快速迭代的前台不相适应。为化解“烟囱式”困境，中台架构被提出。中台位于前台与后台之间，它抽象出各个业务条线对于数据、技术的共性需求并形成一个能力枢纽，向上承托业务资源、向下赋能前台部门，解决前后两端失衡问题。

　　随着AI技术的发展，传统中台也融合AI能力向AI中台发展。但是AI中台在实际建设中进展较慢，Gartner在2024年甚至将数据中台划入“未成熟即面临淘汰”之列。我们认为，技术层面，由于传统分析式AI泛用性较弱，针对特定业务或流程构建的AI体系难以迁移至其他场景，使得不同业务的中台工具难以协同，且后续扩展性不足。生成式AI出现之后，又由于其高昂的前期投入，众多企业持观望态度。组织层面，技术部门与业务部门彼此沟通了解有限，使得中台工具的供给方与需求方不相匹配。

　　DeepSeek的出现，有望增强AI中台能力，加速其在企业中的落地。DeepSeek通过软件算法的创新以及硬件工程化优化，实现了算力资源的充分挖掘以及算法性能的进一步升级。我们认为，基于DeepSeek大模型的企业AI中台，模型泛化能力有望增强，进而能够处理不同模态数据、理解不同业务流程，降低AI中台的建设门槛。同时，DeepSeek推理成本更低，且开源后企业可通过私有化部署兼顾数据隐私与安全。我们认为，DeepSeek的出现有望加速企业AI中台在内部业务的落地。

　　数据、模型、算力和管理是AI中台正常运行必不可少的四个环节。数据是起点、模型是核心、算力是基础、管理是支撑，从硬件角度看，我们认为数据硬件以及算力硬件有望受益于AI中台的发展。

　　风险

　　生成式AI模型创新、AI算力硬件技术迭代、AI应用落地进展不及预期。

　　正文

　　大模型推动中台迈入新阶段，新引擎驱动企业效能提升

企业提质增效，中台架构应运而生

　　中台架构能够复用共性能力，提高运转效率

　　传统“前台+后台”的平台架构存在“烟囱式”困境。传统企业架构只有“前台”和“后台”：“前台”直接面向产品或企业客户，其职能在于快速响应用户需求、持续迭代产品性能；“后台”聚焦企业内部运营，为前台部门提供内部管理与服务。然后在实际运营中，前台业务需求的变化往往比后台服务的迭代要快得多，在后台能力无法满足前台需求时，前台往往会自行开发相应工具，长此以往形成“烟囱式单体应用”。阿里巴巴指出，“烟囱式”系统存在三大弊端：1）重复功能建设和维护带来的重复投资；2）打通“烟囱式”系统间交互的集成和协作成本高昂；3）不利于业务的沉淀和持续发展。

　　中台架构应运而生。中台是位于前台与后台之间的新型架构，它抽象出各个业务条线对于数据、技术的共性需求，汇总成一个能力枢纽。中台架构使得各个业务条线能够复用沉淀下的共性能力，消除了企业内部的横向壁垒，解决了“烟囱式”系统重复开发、数据分散、试错成本高的问题。我们认为，中台有望弥补变化相对较快的前台和变化相对较慢的后台之间的盾，是解决前后台失衡问题的有效解决方案。

图表1：中台联接匹配前台需求与后台资源

　　资料来源：钟华《企业IT架构转型之道：阿里巴巴中台战略思想和架构实战》（2017年），中金公司研究部

　　伴随人工智能技术的发展，中台架构向智能化转型。传统中台解决了企业数字化早期阶段的基础效率问题，将各类业务数据形成可复用的标准化接口，支持前端业务的快速迭代。然而，传统中台多停留在数据存储与简单分析层面，缺乏智能化处理能力，难以应对如实时决策以及多模态数据处理等任务。伴随人工智能技术的发展，中台架构向智能化转型。通过嵌入AI能力，AI中台能够支持文本、图像、视频等多元数据的实时处理与分析，逐渐成为企业数字化转型深化的核心引擎。

图表2：从传统中台到AI中台

　　资料来源：帆软软件，中金公司研究部

　　我们认为，AI中台是企业创新发展的必由之路。AI中台通过构建统一特征库与联邦学习机制，实现跨域数据融合与价值释放。不仅能够打通产品研发设计、生产制造、客户需求反馈等不同环节的全链条数据，进一步化解不同业务线之间数据孤岛问题；还能够通过关联分析挖掘出数据之间的内在关系，赋能企业经营决策。我们认为，AI中台在研发侧能够助力产品快速迭代、在生产侧能够优化排产流程，提高对客户需求的快速响应能力，最终有望实现公司管理能力与竞争力的提升。

图表3：AI中台打破传统“烟囱式”业务壁垒

　　资料来源：百度公司、AIIA《AI中台白皮书》（2021年），中金公司研究部

　　但在实际落地中，AI中台的建设进展缓慢

　　2024年Gartner在其“中国数据分析和人工智能技术成熟度曲线”中，判断数据中台处于“泡沫破裂低谷期”，将其划入“未成熟即面临淘汰”之列。在技术迭代日新月异的今天，传统中台以及基于传统AI的中台都显得有些跟不上创新的步伐，拖慢其在企业中的落地进程。

图表4：Gartner判断传统数据中台未成熟即面临淘汰

　　资料来源：Gartner，中金公司研究部

　　具体来看，我们认为当前中台架构存在技术与组织两方面的挑战：

　　技术方面，传统AI技术泛化能力弱，迁移扩展能力不足。传统的分析式AI往往基于特定的数据集、针对特定的场景进行训练，在新数据集以及新任务场景中AI模型的准确性或会出现折扣，泛用性较弱的特征使其疲于应对快速变化的前台需求。

　　数据角度看，目前生产的数据中超过90%为非结构化数据（IDC数据，2023年），以模态异构、格式复杂为特征，传统AI在对于非结构化数据的处理能力较弱。例如在审核任务中，往往是结构化数据自动审核而非结构化数据由人工查阅，相当数量的数据难以快速应用到业务决策中。

　　业务角度看，长期的业务实践中已沉淀出适应各自条线的业务流程体系，不同条线之间的业务逻辑存在一定差异性，使得传统AI较难同时赋能不同业务条线。常见的做法是针对不同的业务开发专有的中台工具，但这又使得不同业务之间的工具难以复用，后续系统升级难度加大。

　　组织方面，缺乏整体规划、部门协同不足，AI中台落地缓慢。中台架构是在企业发展到一定体量时，为复用能力、提升效率而产生的架构；企业应结合业务实际与未来规划去落地AI中台，否则会与“提效”初衷背道而驰。此外，AI中台往往由技术部门或外包技术公司负责，缺乏对业务部门深入沟通，导致中台提供的功能和实际需求不相匹配。

图表5：2023-28E年全球结构化与非结构化数据量情况

　　资料来源：IDC，中金公司研究部

　　大模型技术出现之后，AI模型的性能确实呈现了阶跃式提升，但成本亦随之增长。企业部署生成式AI有多种方法：直接购买第三方的AI应用程序的部署成本最为可控，Gartner估测前置成本仅需要10-20万美元，但实现的功能也较为局限；若从头开始开发模型或微调模型，前置成本则上升至500-2000万美元。我们认为，生成式AI部署成本较高，但是其带来的效果与回报又需要更长周期去显现，导致企业望而却步。Gartner站在2024年的时点预测，到2025年底至少有30%的生成式AI项目或在概念验证后流产。

　　实际中，我们看到2024年以生成式AI为内核的企业智能化转型已经开始，但是深度确实有限。火山引擎等的问卷调查显示，2024年企业已经认识到了生成式AI的价值意义，6%的企业将其纳入转型战略并有26%的企业愿意大范围推广；然而在实际落地上，仅有9%的企业规划了支出预算，仍有23%的企业尚未有任何动作。

图表6：不同生成式AI部署方法的企业成本

　　资料来源：Gartner，中金公司研究部

图表7：2024年企业对生成式AI的评估进度

　　资料来源：火山引擎，RollingAI，InfoQ，中金公司研究部

　　图表8：2024年生成式AI在大企业的落地进度

　　资料来源：火山引擎，RollingAI，InfoQ，中金公司研究部

DeepSeek风起，企业中台或焕发新机

　　DeepSeek具有更优性能、更低成本、开源生态的特点

　　DeepSeek大模型快速“破圈”，引发全球范围、社会各界的广泛讨论。中国AI团队DeepSeek于2025年1月开源DeepSeek-R1模型，其通过软件算法的创新（如MLA注意力机制、GRPO强化学习算法等）以及硬件工程化优化（如专家并行等），实现了算力资源的充分挖掘以及算法性能的进一步升级。不仅如此，DeepSeek团队还于2月末开启为期一周的“开源周”，将技术细节向AI社区开源共享，丰富AGI领域的开源生态。我们认为，本轮社会对AI的广泛讨论，源于DeepSeek-R1比肩OpenAI GPT-o1的性能、更加亲民的推理成本、以及更为积极开放的开源姿态。Xsignal数据显示，截至2025年2月16日，DeepSeek系列模型的日调用量超过1.5万亿tokens、APP日活用户数超过6700万，自1月R1开源以来呈现明显攀升。

图表9：DeepSeek技术创新实现性能提升与成本控制

　　资料来源：DeepSeek《DeepSeek-R1技术文档》（2025年），中金公司研究部

图表10：DeepSeek日模型调用量趋势

　　资料来源：Xsignal，中金公司研究部

　　图表11：DeepSeek APP端日活用户数趋势

　　资料来源：Xsignal，中金公司研究部

　　DeepSeek有望发挥技术外溢效应。DeepSeek陆续开源了FlashMLA、DeepEP、DeepGEMM、并行优化策略等项目，涉及大模型推理框架、MoE模型、FP8计算性能等方面提升，降低了前沿AI技术的获取门槛。我们认为开源策略不仅促进了技术的传播和应用，也为社区提供了进一步优化和改进模型的机会。我们预计后续能够很快看到更多厂商发布基于DeepSeek开源模型的衍生模型，或者参考DeepSeek优化策略的高效模型。

　　其鲶鱼效应亦有望降低行业整体成本。在DeepSeek推出开源模型后，OpenAI宣布GPT-5调整产品战略，免费版ChatGPT用户将获得“标准智能设置”下的“无限聊天权限”，而付费用户将享受更高智能水平的服务；百度也宣布其计划在未来几个月陆续推出文心大模型4.5系列，并于6月30日起正式开源。我们看到DeepSeek开源的鲶鱼效应明显，有望带动AI大模型厂家降低大模型的接入成本，为大模型被广泛应用奠定基础。

图表12：DeepSeek带来的新变化

　　资料来源：华为官网，中金公司研究部

　　AI中台能力边界有望迎来重构

　　我们认为，企业中台有望受益于AI性能提升而焕发新机——

　　非结构化数据处理能力增强。大模型能够自行处理和分析来自不同部门的多源异构数据，挖掘数据之间的潜在关联和趋势，降低业务部门参与AI中台建设的操作要求和人力需求。在企业运营中，通过对销售数据、用户反馈、市场动态等多维度数据的综合分析，大模型可以为企业提供深层次的业务洞察，如预测市场需求变化、发现潜在客户群体、识别业务风险点、探索新业务模式等，为企业决策提供更全面、精准的数据支持。

图表13：大模型技术依据结构化和非结构化数据实现数据关联、自主决策

　　资料来源：智能财务研究院，中金公司研究部

　　深入理解业务逻辑，实现流程自动化。大模型能够深入理解复杂业务流程中的逻辑关系，对采购、审批、订单处理等不同流程进行自动化重塑。例如，在采购流程中，大模型可依据历史采购数据、供应商信息、市场价格波动等多源数据，智能生成采购订单，自动匹配优质供应商，并完成审批流程，较大程度减少人工干预，提升流程效率与准确性。

　　提供更个性化服务，避免业务外包带来的种种问题。基于对海量用户数据的深度分析，相比传统方式，大模型可以精准洞察用户需求、偏好和行为模式。以电商企业为例，大模型能为每个用户构建独特的画像，进而实现个性化商品推荐，推荐准确率较传统算法大幅提升。在营销活动策划方面，大模型可根据不同用户群体的特征，制定针对性的营销策略，提高营销活动的转化率和投资回报率。

　　开源模型满足企业用户私有化部署的刚性需求。企业对私有化部署呈现强依赖性，1）尤其是金融、医疗等行业公司，处理较多高度敏感的数据，本地化部署能够防止数据离开企业内部网络，降低数据被外部恶意行为者窃取或滥用的风险；2）定制化需求旺盛，需针对行业知识库进行微调训练，从而推动DeepSeek大模型形成容器化交付、私有化调优的完整解决方案体系，满足企业对模型所有权与控制权的双重诉求。

　　DeepSeek的出现有望加速企业大模型在内部业务的落地。以“中台”的形式将大模型的能力整合为一个融合平台，向上承托不同的AI能力，向下融入不同的业务流程，我们认为有望进一步优化企业数据处理效率，使其能够更快速、更准确地响应企业内外部的各种业务需求，为企业的高效运营和创新发展注入新的动力。爱分析统计数据显示，截至2月21日已有45%的央企完成了DeepSeek模型的部署。

图表14：大模型赋能智慧中台，连接AI能力与前台业务

　　资料来源：360集团，中金公司研究部

　　企业AI中台接入DeepSeek大模型案例

　　AI中台+医疗：2025年2月，医渡科技协助中南大学湘雅医院完成国产AI中台的本地化部署。该AI平台基于昇腾GPU，支持DeepSeek-R1全域大模型和医渡科技医疗垂域大模型等国产大模型的本地化部署、调用与训练。根据医渡公告，AI中台未来还将与更多业务系统对接，拓展诸如临床决策支持、病历质控、病变特征识别等应用场景。

图表15：医渡AI中台助力医院从基建到应用的智慧化转型

　　资料来源：医渡科技官网，中金公司研究部

　　AI中台+制造：赛意善谋GPT基于昇腾GPU以及DeepSeek大模型构建出PCB行业大模型，可实现AI自动报价。实际参数提取时间由原本的4-6小时缩短至4-6分钟，报价周期减少4倍的同时大幅提升了报价准确性。

图表16：基于善谋GPT的PCB行业大模型架构

　　资料来源：赛意信息官网，中金公司研究部

科技硬件产业链有望同步受益

　　AI中台包括研发平台、技术服务、算力支撑与管理运行四个层级。

　　研发平台是AI中台的核心，包括数据和模型两个模块。其中，数据是AI中台发挥作用的起点，AI中台须具备数据收集、清洗、标注等一系列服务能力；模型是能力核心，我们认为对于企业而言，一般是直接接入第三方基础大模型或在基础大模型上进行微调，AI中台至少需要具备模型调优与评估能力。

　　技术服务更接近于前台部门，包括CV（计算机视觉）、NLP（自然语言处理）、智能语音等通用AI能力，以及聚焦于制造、医疗、金融等垂直领域的行业模型，我们认为是基础大模型向具体任务的能力延伸。

　　算力支撑是AI中台的基础。AI中台的能力来源于AI大模型，而大模型的推理效率和性能与GPU等计算芯片的算力水平、带宽大小、组网方式等息息相关。目前企业主要采用租赁算力（如公有云、私有云等云计算）、自建算力（即自主建设智算集群）或自备算力（如购买大模型一体机私有化部署）等方式满足算力基础设施的需求。

　　管理运行保障AI中台的稳定运行，包括基础资源管理（如数据存储、权限管理、算力资源管理等）以及AI资产管理（如模型纳管、发布、共享等）。

图表17：AI中台体系与功能架构

　　资料来源：百度公司、AIIA《AI中台白皮书》（2021年），中金公司研究部

　　从科技硬件的角度看，我们认为企业AI中台的建设有望带动两方面的投资机遇：一是数字化驱动的数据硬件产业链公司（包括传感器、通信模组等），对应AI中台的“研发平台层级”，是AI中台的核心；二是智能化驱动的算力硬件产业链公司（包括芯片、服务器、一体机等），对应AI中台的“算力支撑层级”，是AI中台的基础。

　　数据硬件产业链

　　感知层作为数据源头，有望受益于企业数字化转型。第三方大模型基于网络公开信息训练而成，通识能力较强，足够处理日常事务性工作。但我们认为，企业还包括一些聚焦于垂直场景且与实际业务相耦合的专业性工作，通用大模型的能力或难以覆盖。企业需要自主采集业务数据，并基于此微调大模型，方能更好地契合自身业务需求。文字类数据的采集与整理已经成熟，其他如图片、视频、音频等多模态数据有望成为企业决策的重要补充，对于工业企业尤其是如此。我们认为智能传感器以及承担数据传输职能的通信模组有望受益于企业数字化转型。

　　算力硬件产业链

　　国产算力产业链全方位适配DeepSeek。1）芯片端，国产主流GPU厂商均宣布适配DeepSeek，并结合AI infra厂商的算法优化，提供性能较优的推理体验。例如2月1日硅基流动宣布与昇腾云合作推出DeepSeek R1/V3推理服务，据官方称在自研推理加速引擎赋能下可实现持平全球高端GPU部署模型的推理效果。2）整机端，多款一体机产品密集推出，满足下游对数据安全、数据隐私的需要。例如联想基于沐曦N260，其Qwen2.5-14B的推理性能达英伟达L20的110-130%，支持DeepSeek各参数蒸馏模型的本地部署。3）IDC端，华为云、天翼云、腾讯云、阿里云、火山引擎等龙头云计算厂商均已上线DeepSeek，供下游企业单位调用。

图表18：国产算力硬件产业链已全面适配DeepSeek大模型（不完全统计）