大模型私有化部署浪潮下的AB面：警惕“信息孤岛”顽疾在AI时代复现｜人工智能瞭望台

大模型私有化部署正如火如荼进行的当下，一些新的隐忧也在潜滋暗长。今年全国两会期间，《政府工作报告》起草组成员、国务院研究室副主任陈昌盛强调，要加快人工智能（AI）多场景应用，防止过多采用“私有化部署+项目制”的方式，造成市场“碎片化”问题。这一论述，不仅揭示了当前人工智能应用的深层困境，也让人们开始严肃思考大模型私有化部署种种优势以外，那些被忽略的弊端。

1.私有化部署的A面：安全、可控、灵活

3月8日，中国工商银行宣布，近期在同业率先完成DeepSeek最新开源大模型的私有化部署；3月11日，上海市消防救援局透露，已正式开启DeepSeek本地化部署的深度应用工作；3月11日，安徽省数据资源管理局表示，安徽省率先在全国省级层面完成DeepSeek满血版本地化部署……最近几天，各行各业、各个领域DeepSeek私有化、本地化部署的消息依然层出不穷。

普华永道中国内地AI咨询服务主管合伙人张为峰告诉证券时报记者，企业部署大模型主要有公共云MaaS（ModelasaService，模型即服务）和私有化部署两种。公共云MaaS模式是直接对接大模型平台厂商的公共云服务，通过API（应用程序接口）的方式调用，一般按照tokens（令牌，大模型处理的最小基础单位）的使用量来付费。私有化部署则是将大模型打包部署到自有服务器上，往往需要自己购置硬件，部署算力。

思瀚产业研究院数据显示，近60%企业选择在本地数据中心或私有云和边缘位置部署AI推理模型，显示出对私有化部署的偏好。为什么私有化部署更受企业与机构的欢迎？这背后，主要是基于安全、可控、灵活三个因素。

“首先，是为了确保数据安全与隐私保护。政务数据和企业数据往往包含敏感信息，如个人隐私、商业秘密等，私有化部署能够确保数据在内部处理和存储，避免数据泄露风险。其次，私有化部署具有自主可控的优点，避免依赖外部供应商，能够提升系统的稳定性和可靠性。最后，私有化部署还能更好满足定制化需求，结合政务部门和企业的业务流程、应用场景等不同的具体需求定制大模型，实现更精准、更高效的服务提供。”北京市社会科学院副研究员王鹏在接受证券时报记者采访时表示。

上海经邑产业数智研究院副院长沈佳庆亦认为，尤其是一些对数据安全、客户隐私较敏感的行业，如金融、医疗，私有化部署能够更好地满足这些行业特性与场景需求。

据了解，现阶段的通用大模型还难以满足实际的业务需要，大部分企业会采用RAG（检索增强生成，即引入外部知识库增强大模型性能）的模式。“这需要引用到企业内部大量的专有知识，那些对数据安全比较敏感的企业，就会更倾向于使用私有化部署的模式。”张为峰表示。

以上海市消防救援局为例，其在解释为何选择本地化部署DeepSeek时提到，这样做可以“提供更稳定的性能和低延迟响应”，“实现数据传输处理过程中的网络和数据安全”，“根据自身需求对DeepSeek模型进行调整和定制”。

目前，政府机构及央国企是选择私有化部署大模型的主力军。对此，一名资深业内人士告诉证券时报记者，这一方面是由于传统IT建设时代延续下来的“重硬轻软”投资惯性所致，出于国有资产保值增值的考核要求，倾向采购硬件资产而非服务。另一方面，政府机构及央国企往往更看重数据安全。“市场上一直存在认识误区，认为云服务不安全，导致硬件重复投资，增加财政负担和企业成本，计算资源利用率低。”该业内人士说。

2.私有化部署的B面：碎片、封闭、低效

“一直以来，我国都缺乏实力雄厚的SaaS公司。”采访中，多名业内人士向记者表示。

所谓SaaS（SoftwareasaService，软件即服务）公司，指的是将软件部署在云端服务器上，通过互联网向用户提供应用软件服务的公司，通常采用订阅制或按使用量计费的方式。在国外，Salesforce、Adobe、微软、甲骨文等公司雄踞SaaS的金字塔顶端，建立了良好的产业生态。而在中国，SaaS产业则一直深陷“私有化+项目制”的泥潭，没有形成标准化、规模化的应用，也便无法孕育出行业巨头。

IT建设时代的这一问题，正有在人工智能时代延续和复制的苗头，如今的许多MaaS公司也正挣扎在“私有化+项目制”的困境之中。在给个体机构与企业带来了安全、定制、稳定等优势的同时，大模型私有化部署也带来了一系列弊端，不利于形成开放、协同的整体环境。

从宏观的行业生态角度看，过多采用私有化部署不利于市场的规模扩大及资源的有效利用。“一方面，可能导致市场的供给碎片化，阻碍技术标准的统一和发展；另一方面，各个政府部门或企业在构建AI系统时可能会各自为政，不仅增加了开发和维护的成本，还容易造成资源的重复投入和浪费。”张为峰表示，特别是在政务领域，如果各部门都采用私有化部署，数据之间无法有效共享和流通，过去长期存在的“信息孤岛”问题将会继续存在，影响公共服务的整体效率和服务质量。

在沈佳庆看来，大范围的私有化部署正如同过去大小企业“自建锅炉”，增加灵活性的同时却容易造成整体重复建设和社会资源的浪费。“数字时代，在前期各地已建设大量智算中心且利用率不足的情况下，是否所有企业都要使用‘私有化部署+项目制’的方式应用大模型，是值得探索的话题。”沈佳庆说。

从微观的企业培育角度看，大市场才能带来规模经济，而定制化意味着非标准化，每一个客户的需求都不同，都需要重复投入资源与人力进行个性化部署。阿里云科技政策研究中心高级专家罗治兵认为，以私有化为主的定制类项目，导致统一大市场逐渐被一个个项目所割裂，难以形成强大的标准化、平台化服务能力,这样的市场丧失了支撑“小企业长大”的功能，孵化不出真正的大企业。沈佳庆亦表示，市场碎片化、产品标准化程度不足、复用性比较差等问题，导致整体效率低下、难以盈利，对中小企业、平台型服务商的成长不利。

此外，罗治兵还提到，在私有化与项目制盛行的背景下，企业以客户关系、拿项目订单为核心能力突破点，偏离了平台化服务能力等核心技术建设，不利于培育有持续竞争力的企业。“以日本一直没有发展起来的软件市场为例，人才与资源主要集中在为大企业提供外包的、项目化的IT服务，而不是发展核心IT技术，创新能力受到抑制后，企业就很难再上一个发展台阶。”罗治兵说。

3.破局：从数据端与应用端化解碎片化难题

DeepSeek作为一款领先的开源大模型，极大地促进了人工智能在各行各业的应用。以私有化、定制化的方式部署大模型，使得各行各业在确保安全可控的前提下，实现了智能化升级，促进了人工智能技术的普及。

“我们应该认识到，大模型及其应用还处于探索期。”张为峰表示，虽然我们应该站在行业终局的方向来进行规划和思考，但事物的创新探索过程也必定会有一些曲折和反复。在张为峰看来，阻碍人工智能大规模多场景应用的主要障碍在于缺乏高质量的行业数据集、行业内数据互通性差、行业大模型的训练难度高等，应从这些方面综合破局。

以医疗行业为例，王鹏告诉记者，不同医疗机构之间的数据标准不统一，数据共享难度大，导致“数据孤岛”问题严重。“同时，医疗健康领域涉及多种技术，如医疗影像、基因测序等，如何将大模型技术与其他技术有效整合，实现多场景应用，是当前面临的主要挑战之一。”王鹏说。

针对当前人工智能大模型应用碎片化的难题，记者综合梳理多名专家意见发现，破局之道主要围绕两个方面：一是打破壁垒，促进数据的互通与共享；二是大力推广和鼓励公共云、行业云、混合云的建设与应用。

在数据端，张为峰表示，政府和行业协会应携手合作，共同制定并推行相关标准，促进数据的互联互通，鼓励行业巨头牵头推进行业大模型的构建及应用规划创新，形成更好的产业应用闭环。同时，应支持中小企业通过组建联盟等形式共享资源，在保护各自数据安全的前提下，降低部署和应用大模型的成本，减少市场碎片化风险。

在应用端，上述资深的业内人士建议，国家相关战略中应旗帜鲜明地提出“公共云优先”的发展理念，并出台具体的支持举措。“例如，组织实施公共云‘企业上模’推广工程，并优化财税机制和加大财政支持力度，通过将云服务费用列入企业研发费用加计扣除范围、支持采购云服务的企业依法公平享受税收优惠、‘算力券’‘模型券’优先奖励‘公共云+API’大模型应用模式等手段，鼓励企业采购各类公共云AI产品与服务。”该业内人士表示。

公共云以外，沈佳庆还建议，应逐步推动行业云建设，前期先在具有较强公共性、外部性的行业，如医疗、金融、教育等领域，后续逐渐在共性需求的基础上普及行业云的应用。“此外，要鼓励企业使用‘混合云’，根据不同业务需求采用不同解决方案。”沈佳庆说，通过专用技术将公共云和私有云连接起来，使数据和应用程序可以在两者之间自由迁移，从而兼顾成本、效率和安全。

责编：叶舒筠

校对：王锦程