證券時報記者 周春媚
從醫院到高校、從政務領域到金融服務,自開源大模型DeepSeek火爆出圈以來,不斷有新的政府部門及企業加入到DeepSeek的生態陣營之中。然而,細心的讀者不難發現,成功部署DeepSeek的機構與企業,大部分是采用私有化、本地化的方式,以此滿足數據安全、高度定制化、低延遲高穩定等方面的需要。
大模型私有化部署正如火如荼進行的當下,一些新的隱憂也在潛滋暗長。今年全國兩會期間,《政府工作報告》起草組成員、國務院研究室副主任陳昌盛強調,要加快人工智能(AI)多場景應用,防止過多采用“私有化部署+項目制”的方式,造成市場“碎片化”問題。這一論述,不僅揭示了當前人工智能應用的深層困境,也讓人們開始嚴肅思考大模型私有化部署種種優勢以外,那些被忽略的弊端。
1 私有化部署的A面:安全、可控、靈活
3月8日,中國工商銀行宣布,近期在同業率先完成DeepSeek最新開源大模型的私有化部署;3月11日,上海市消防救援局透露,已正式開啟DeepSeek本地化部署的深度應用工作;3月11日,安徽省數據資源管理局表示,安徽省率先在全國省級層面完成DeepSeek滿血版本地化部署……最近幾天,各行各業、各個領域DeepSeek私有化、本地化部署的消息依然層出不窮。
普華永道中國內地AI咨詢服務主管合伙人張為峰告訴證券時報記者,企業部署大模型主要有公共云MaaS(Model as a Service,模型即服務)和私有化部署兩種。公共云MaaS模式是直接對接大模型平臺廠商的公共云服務,通過API(應用程序接口)的方式調用,一般按照tokens(令牌,大模型處理的最小基礎單位)的使用量來付費。私有化部署則是將大模型打包部署到自有服務器上,往往需要自己購置硬件,部署算力。
思瀚產業研究院數據顯示,近60%企業選擇在本地數據中心或私有云和邊緣位置部署AI推理模型,顯示出對私有部署的偏好。為什么私有化部署更受企業與機構的歡迎?這背后,主要是基于安全、可控、靈活三個因素。
“首先,是為了確保數據安全與隱私保護。政務數據和企業數據往往包含敏感信息,如個人隱私、商業秘密等,私有化部署能夠確保數據在內部處理和存儲,避免數據泄露風險。其次,私有化部署具有自主可控的優點,避免依賴外部供應商,能夠提升系統的穩定性和可靠性。最后,私有化部署還能更好滿足定制化需求,結合政務部門和企業的業務流程、應用場景等不同的具體需求定制大模型,實現更精準、更高效的服務提供。”北京市社會科學院副研究員王鵬在接受證券時報記者采訪時表示。
上海經邑產業數智研究院副院長沈佳慶亦認為,尤其是一些對數據安全、客戶隱私較敏感的行業,如金融、醫療,私有化部署能夠更好地滿足這些行業特性與場景需求。
據了解,現階段的通用大模型還難以滿足實際的業務需要,大部分企業會采用RAG(檢索增強生成,即引入外部知識庫增強大模型性能)的模式。“這需要引用到企業內部大量的專有知識,那些對數據安全比較敏感的企業,就會更傾向于使用私有化部署的模式。”張為峰表示。
以上海市消防救援局為例,其在解釋為何選擇本地化部署DeepSeek時提到,這樣做可以“提供更穩定的性能和低延遲響應”,“實現數據傳輸處理過程中的網絡和數據安全”,“根據自身需求對DeepSeek模型進行調整和定制”。
目前,政府機構及央國企是選擇私有化部署大模型的主力軍。對此,一名資深業內人士告訴證券時報記者,這一方面是由于傳統IT建設時代延續下來的“重硬輕軟”投資慣性所致,出于國有資產保值增值的考核要求,傾向采購硬件資產而非服務。另一方面,政府機構及央國企往往更看重數據安全。“市場上一直存在認識誤區,認為云服務不安全,導致硬件重復投資,增加財政負擔和企業成本,計算資源利用率低。”該業內人士說。
2 私有化部署的B面:碎片、封閉、低效
“一直以來,我國都缺乏實力雄厚的SaaS公司。”采訪中,多名業內人士向記者表示。
所謂SaaS(Software as a Service,軟件即服務)公司,指的是將軟件部署在云端服務器上,通過互聯網向用戶提供應用軟件服務的公司,通常采用訂閱制或按使用量計費的方式。在國外,Salesforce、Adobe、微軟、甲骨文等公司雄踞SaaS的金字塔頂端,建立了良好的產業生態。而在中國,SaaS產業則一直深陷“私有化+項目制”的泥潭,沒有形成標準化、規模化的應用,也便無法孕育出行業巨頭。
IT建設時代的這一問題,正有在人工智能時代延續和復制的苗頭,如今的許多MaaS公司也正掙扎在“私有化+項目制”的困境之中。在給個體機構與企業帶來了安全、定制、穩定等優勢的同時,大模型私有化部署也帶來了一系列弊端,不利于形成開放、協同的整體環境。
從宏觀的行業生態角度看,過多采用私有化部署不利于市場的規模擴大及資源的有效利用。“一方面,可能導致市場的供給碎片化,阻礙技術標準的統一和發展;另一方面,各個政府部門或企業在構建AI系統時可能會各自為政,不僅增加了開發和維護的成本,還容易造成資源的重復投入和浪費。”張為峰表示,特別是在政務領域,如果各部門都采用私有化部署,數據之間無法有效共享和流通,過去長期存在的“信息孤島”問題將會繼續存在,影響公共服務的整體效率和服務質量。
在沈佳慶看來,大范圍的私有化部署正如同過去大小企業“自建鍋爐”,增加靈活性的同時卻容易造成整體重復建設和社會資源的浪費。“數字時代,在前期各地已建設大量智算中心且利用率不足的情況下,是否所有企業都要使用‘私有化部署+項目制’的方式應用大模型,是值得探索的話題。”沈佳慶說。
從微觀的企業培育角度看,大市場才能帶來規模經濟,而定制化意味著非標準化,每一個客戶的需求都不同,都需要重復投入資源與人力進行個性化部署。阿里云科技政策研究中心高級專家羅治兵認為,以私有化為主的定制類項目,導致統一大市場逐漸被一個個項目所割裂,難以形成強大的標準化、平臺化服務能力, 這樣的市場喪失了支撐“小企業長大”的功能,孵化不出真正的大企業。沈佳慶亦表示,市場碎片化、產品標準化程度不足、復用性比較差等問題,導致整體效率低下、難以盈利,對中小企業、平臺型服務商的成長不利。
此外,羅治兵還提到,在私有化與項目制盛行的背景下,企業以客戶關系、拿項目訂單為核心能力突破點,偏離了平臺化服務能力等核心技術建設,不利于培育有持續競爭力的企業。“以日本一直沒有發展起來的軟件市場為例,人才與資源主要集中在為大企業提供外包的、項目化的IT服務,而不是發展核心IT技術,創新能力受到抑制后,企業就很難再上一個發展臺階。”羅治兵說。
3 破局:從數據端與應用端化解碎片化難題
DeepSeek作為一款領先的開源大模型,極大地促進了人工智能在各行各業的應用。以私有化、定制化的方式部署大模型,使得各行各業在確保安全可控的前提下,實現了智能化升級,促進了人工智能技術的普及。
“我們應該認識到,大模型及其應用還處于探索期。”張為峰表示,雖然我們應該站在行業終局的方向來進行規劃和思考,但事物的創新探索過程也必定會有一些曲折和反復。在張為峰看來,阻礙人工智能大規模多場景應用的主要障礙在于缺乏高質量的行業數據集、行業內數據互通性差、行業大模型的訓練難度高等,應從這些方面綜合破局。
以醫療行業為例,王鵬告訴記者,不同醫療機構之間的數據標準不統一,數據共享難度大,導致“數據孤島”問題嚴重。“同時,醫療健康領域涉及多種技術,如醫療影像、基因測序等,如何將大模型技術與其他技術有效整合,實現多場景應用,是當前面臨的主要挑戰之一。”王鵬說。
針對當前人工智能大模型應用碎片化的難題,記者綜合梳理多名專家意見發現,破局之道主要圍繞兩個方面:一是打破壁壘,促進數據的互通與共享;二是大力推廣和鼓勵公共云、行業云、混合云的建設與應用。
在數據端,張為峰表示,政府和行業協會應攜手合作,共同制定并推行相關標準,促進數據的互聯互通,鼓勵行業巨頭牽頭推進行業大模型的構建及應用規劃創新,形成更好的產業應用閉環。同時,應支持中小企業通過組建聯盟等形式共享資源,在保護各自數據安全的前提下,降低部署和應用大模型的成本,減少市場碎片化風險。
在應用端,上述資深的業內人士建議,國家相關戰略中應旗幟鮮明地提出“公共云優先”的發展理念,并出臺具體的支持舉措。“例如,組織實施公共云‘企業上模’推廣工程,并優化財稅機制和加大財政支持力度,通過將云服務費用列入企業研發費用加計扣除范圍、支持采購云服務的企業依法公平享受稅收優惠、‘算力券’‘模型券’優先獎勵‘公共云+API’大模型應用模式等手段,鼓勵企業采購各類公共云AI產品與服務。”該業內人士表示。
公共云以外,沈佳慶還建議,應逐步推動行業云建設,前期先在具有較強公共性、外部性的行業,如醫療、金融、教育等領域,后續逐漸在共性需求的基礎上普及行業云的應用。“此外,要鼓勵企業使用‘混合云’,根據不同業務需求采用不同解決方案。”沈佳慶說,通過專用技術將公共云和私有云連接起來,使數據和應用程序可以在兩者之間自由遷移,從而兼顧成本、效率和安全。