工业领域对人工智能（AI）的拥抱，正在深刻地重塑着对算力基础设施的需求。在“AI工厂”的宏大叙事背后，如何为工业AI提供高效、安全且满足特定场景需求的云服务，成为了一个关键议题。

安全优先：私有云成为国内大型工业企业首选

 当前，在算力供应方面，英伟达推出的“万卡算力中心”构建的工业云，为多家制造商提供统一接入的模式，为工业AI的快速部署提供了一种可能的解决方案。然而，在国内，尤其是在数据安全层面拥有较高要求的企业，正倾向于构建自建数据中心部署私有云。

 一家在合成生物技术领域拥有重要地位的高管分享了公司的实践经验。他强调了对数据安全的高度重视，即便在公司内部，数据也已做到严格的分区物理隔离。正是出于对数据安全层面的考量，公司选择了自主训练模型，并部署自身的算力基础设施。

 另一位行业资深人士也观察到，海外企业对公有云的接受度相对较高，但在国内，大型工业企业大概率会选择本地化建设私有云数据中心，并将算力严格限定于集团内部使用。这一倾向的背后，是AI应用对海量企业私密数据的深度依赖。

深度学习与数据安全：一体机成为过渡性方案

 值得关注的是，今年DeepSeek一体机的热销，也从侧面印证了企业对算力的需求和对数据安全的考量。深圳市科技创新局局长张林透露，今年与推理机相关产品在国内的销售额将达到千亿量级。分析人士指出，采买一体机的用户中不乏工业企业。这些机构之所以选择购买DeepSeq一体机而非直接使用公有云上的DeepSeek服务，正是出于数据安全的考量。

“通过一体机进行初步测试，购买后即可使用，虽然算力有限，但无需搭建繁琐的私有云。”一位ICT行业资深分析人士如此评价，认为一体机提供了一种便捷的过渡性解决方案。

小模型算力多元化，边缘算力潜力释放

 IDC的调研数据显示，目前小模型所依赖的算力，以厂商自建算力为主，包括传统服务器部署和私有云模式，只有少部分在使用公有云算力。

 尽管英伟达在积极推动其最新GPU的销售，但并非所有工业场景都必须依赖“万卡GPU集群”这种超大规模的算力支撑。

 李楠介绍，小模型的算力来源呈现出多元化的特点，涵盖了云算力、厂商自建算力以及设备端搭载的算力。相较于大型模型，小模型的算力需求相对较低。例如，在视觉检测场景下，深度学习算法需要大量GPU资源；而数据分析则更多地依靠机器学习，CPU已能满足需求；对于信号处理和设备数据维护等模型，普通的CPU也绰绰有余。不同类型的制造业企业，对算力的具体需求差异很大。许多工厂仅需进行模型推理，对高端显卡的需求不高。然而，对于像TCL这样的大型企业，其自身训练大型模型时，则需要投入巨大的算力资源。

 IDC的杜雁泽预计，在模型训练、后训练、强化学习、设计仿真等工业场景中，云中心算力在未来仍将占据市场主导地位。与此同时，考虑到工业场景对可靠性、实时性的严苛要求，小参数模型的需求将逐步释放，从而推动边缘算力的提升。

挑战与机遇并存：算力增长尚待应用渗透

 算力需求的进一步增长，很大程度上依赖于AI应用的进一步渗透。然而，目前仍存在一些挑战，包括工业领域专属数据的匮乏、工业场景的碎片化，以及部分企业数字化建设仍未完成等。

 尽管如此，杜雁泽认为，算力并非当前阶段工业AI领域的瓶颈。他预计，工业领域对算力的需求实现大规模增长，尚需2到3年的时间。这意味着，未来的几年将是工业AI算力基础设施建设和应用落地的关键时期。