中金 | AI进化论（9）：中台智能化，赋能新引擎

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。

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。

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[1]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⽭盾，是解决前后台失衡问题的有效解决方案。

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。

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。

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。

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。

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[2]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。

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。