随着人工智能（AI）在工业界的渗透日益加深，对算力的需求也呈现出多元化和细分化的趋势。在算力供应层面，虽然以英伟达为代表的“万卡支撑”型工业云提供了一种可行方案，但考虑到工业领域的特殊性，特别是数据安全和隐私的重要性，国内企业在选择算力服务时，呈现出更加本土化和定制化的思路。

数据安全驱动私有云成为首选

 对于众多工业企业而言，核心技术的保密性和生产数据的安全性是其最为关切的要素。如一家合成生物技术公司高管就强调，公司对数据安全极为重视，内部数据采用分区物理隔离，并坚持使用自主部署的算力进行模型训练。这种高度重视数据安全的策略，使得自建数据中心部署私有云成为国内很多有实力的企业更为青睐的选择。

 李楠也观察到，尽管海外企业对公有云接受度较高，但国内的大型工业客户，出于集团内部数据安全的考量，更倾向于搭建本地私有云数据中心，将算力资源严格控制在集团内部使用。AI应用往往涉及企业大量的商业机密和生产数据，因此，私有云的安全属性和数据可控性，是大型工业企业部署AI应用时的重要考量。

一体机：安全与便捷的过渡方案

 考虑到企业在搭建完整私有云可能面临的成本和周期挑战，以及对快速验证AI效果的需求，AI一体机也成为市场上的热门产品。今年，DeepSeek等厂商的一体机销售火爆，预示着国内推理机市场将迎来千亿级别的销售额。一些工业企业采买一体机，正是出于数据安全的顾虑，不愿接入公有云。这类一体机提供了一种“即买即用”且无需大规模搭建私有云的解决方案，尽管算力有限，但为企业提供了一个实现AI功能验证和初步应用的便捷过渡方案。

小模型算力格局：多元且灵活

 对于以小模型为核心的应用，其算力来源呈现出更为多元的格局。据IDC的研究，目前小模型使用的算力绝大部分以厂商自建为主，包括传统的服务器部署和私有云模式，少部分企业会选择公有云算力。

 李楠指出，小模型的算力需求相对灵活，可适应多种部署形式。例如，视觉检测类模型因其对GPU的依赖较高，会大量调用GPU资源；而数据分析类的机器学习模型，则对CPU有一定需求；部分信号处理和设备数据维护的模型，则普通CPU即可胜任。不同规模和业务模式的制造业企业，其算力需求也存在差异。大型企业如TCL，在进行大模型训练时需要投入巨量算力，而许多工厂的推理需求则不一定需要高端显卡。

云中心与边缘算力：协同发展

 展望未来，AI模型训练、后训练、强化学习、设计与仿真等场景，预示着对云中心算力的持续需求。然而，工业场景对可靠性和实时性的极致要求，也在驱动着边缘算力的提升。杜雁泽认为，未来，云中心算力仍将是市场的主流，但小参数模型的需求将逐步释放，为边缘算力带来新的增长空间。

算力需求的增长空间与挑战

 当前，算力并非工业AI发展的最大瓶颈。工业领域普遍存在的专属数据匮乏、场景碎片化以及部分企业数字化建设尚不完善等问题，都限制了算力的规模化增长。业内人士预计，工业对算力的需求有望在未来2-3年内迎来大规模增长，前提是能够有效克服这些挑战，进一步推动AI在工业领域的普及应用。

 总而言之，工业AI的算力需求并非“一刀切”的解决方案，而是根据数据安全、应用场景、模型复杂度和成本效益等因素，呈现出私有云、厂商自建、公有云、一体机以及边缘算力等多种形式并存的复杂图景。这种多元化的算力供应体系，正为工业AI的深入发展提供坚实的基础。