摘要：一、戰略錨定：政策驅動與技術普惠的雙向奔赴在國資委 “AI+” 專項行動的強力推動下，央國企數智化轉型已從 “信創化- 數字化” 兩輪驅動升級為 “信創化 - 數字化 - AI 化” 三元一體新范式。2025 年，央國企數智化轉型預算預計接近 7000 億元，其中 AI 相關投入占比顯著提升，2000 萬 - 5000 萬元預算的企業占比達...
一、戰略錨定：政策驅動與技術普惠的雙向奔赴
在國資委 “AI+” 專項行動的強力推動下，央國企數智化轉型已從 “信創化 - 數字化” 兩輪驅動升級為 “信創化 - 數字化 - AI 化” 三元一體新范式。
2025 年，央國企數智化轉型預算預計接近 7000 億元，其中 AI 相關投入占比顯著提升，2000 萬 - 5000 萬元預算的企業占比達 33%。
這要求央國企在制定 “十五五” 規劃時，需將 AI 作為核心戰略要素，重點聚焦流程管理（57.8% 企業選擇）、設計研發（46.5%）和風險控制（42.3%）等高價值場景。
關鍵行動：
目標體系構建：將 AI 建設目標與企業戰略深度綁定，形成 “經營目標 - 運營目標 - 部署目標” 三級體系。例如，國家電網通過 “光明電力大模型” 優化電力調度，設備故障預測準確率提升至 91%，運維成本降低 35%。
國產化路徑規劃：優先采用 DeepSeek 等國產大模型，結合華為昇騰、海光 DCU 等國產算力平臺，實現 “模型 - 芯片 - 云服務” 全棧自主可控。天翼云 “息壤” 平臺已完成 DeepSeek-R1 模型的國產化推理適配，在昇騰芯片上實測性能與高端 GPU 持平，推理成本降低 50%。 風險分級管控：參考國資委 “不可接受風險 - 高風險 - 有限風險 - 低風險” 四級分類標準，對 AI 應用實施動態評估。例如，醫療診斷等高風險場景需強制第三方評估，社會信用評分等不可接受風險場景禁止使用。
二、實施路徑：從場景驗證到全域賦能的八步方法論
基于 DeepSeek 提出的 AI 建設框架，結合央國企特點，形成以下落地路徑：
1. 現狀評估與資源準備
數據治理：針對央國企內部數據共享率不足 40% 的痛點，可引入北電數智 “紅湖?可信數據空間” 解決方案，通過隱私計算、區塊鏈存證實現跨部門數據安全流通。例如，某能源央企通過該方案將油氣勘探數據處理效率提升 10 倍。 算力規劃：采用 “混合算力集群” 策略，兼顧昇騰國產算力與進口 GPU。中國石化在天翼云支持下，通過推理加速技術使 DeepSeek-R1 模型推理效率提升近一倍，成本降低 50%。 團隊組建：初期配置提示詞優化工程師 + 工程開發工程師，RAG 場景需增加文檔預處理和檢索優化角色。北森 AI 面試官等工具可顯著降低招聘場景的技術門檻。
RAG（檢索增強生成）：某裝備制造央企利用 DeepSeek 構建智能知識庫，將 3000 余種物料選型時間從數天縮短至分鐘級，準確率超 90%。 流程自動化：某國有大行風控部通過 DeepSeek 生成信貸評估報告，耗時從 3 天壓縮至 8 分鐘，準確率提升 23%。 風險控制：某消費金融公司接入 DeepSeek 后，欺詐識別響應速度提升 40 倍，實現異常交易實時攔截。 驗證方法：業務團隊可獨立完成初步驗證。例如，合同審核部門通過 DeepSeek 提取合同關鍵信息，無需技術介入即可判斷可行性。
3. 分階段實施與持續優化
階段一（3-6 個月）：聚焦知識密集型場景，如技術文檔問答。某汽車央企將 DeepSeek 嵌入研發系統，新車碰撞測試方案迭代周期從 28 天壓縮至 4 天。
階段二（6-12 個月）：向核心業務滲透，如銷售機器人、個性化服務。湖北省屬物流企業通過 DeepSeek 重構調度系統，單車日均行駛里程提升 22%。 階段三（長期）：構建數據閉環，通過持續采集反饋數據優化模型。國家電網某省公司利用智能巡檢機器人，將風險響應效率提升 40%。
三、核心突破：國產化適配與成本革命
1. 硬件適配與性能優化
昇騰深度優化：DeepSeek 模型已適配昇騰 910B3 芯片，通過 ATC 工具將 PyTorch 模型轉換為昇騰 OM 格式，結合 CANN 7.0.1.5 和 EulerOS 2.0 操作系統，實現高效推理。天翼云 “息壤” 平臺實測顯示，昇騰算力在復雜推理任務中性能與高端 GPU 持平。 多模態融合：國家電網 “光明電力大模型” 整合 DeepSeek 技術，在電力調度、設備缺陷識別等場景中誤報率從 50% 降至 10% 以下。 基礎大模型的選擇，往往決定了應用效果的基線。對于大多數用戶來說，首選是 DeepSeekR1 系列蒸餾模型，在同等參 數量下，相比其它開源大模型，它能夠取得更好的效果。 而在 6 個蒸餾模型中，32B 參數量大模型能夠在效果和落地成本 方面取得較好的平衡，可以作為應用首選。
2. 成本控制與 ROI 提升
算力成本優化：DeepSeek-R1 模型在昇騰芯片上的推理成本僅為 GPT-4o 的 1/10，錯峰時段 API 調用成本可降至原價 50%。某云計算服務商通過 DeepSeek 重構智能運維系統，服務器故障預測準確率提升至 95%，客戶續費率飆升 42%。
在模型微調和部署工具選擇上，基于長遠考慮，首先關注對資源的利用率和整體性價比，其次需要考慮工具的完整性、兼 容性、易用性、可靠性、以及安全性 。
例如，在性價比方面，在相同的基礎大模型條件下，平臺對于算力資源消耗和模型 服務性能如何;使用時學習門檻是否足夠低，操作是否足夠簡便，過程是否自動化等。
四、保障體系：安全合規與生態協同
1. 數據安全與隱私保護
分級分類管理：對金融、能源等敏感數據實施脫敏處理，跨境數據采用本地化存儲。中國移動在 “一帶一路” 項目中通過數據本地化避免泄露風險。 技術防護手段：采用差分隱私技術對遙感數據進行匿名化處理，結合區塊鏈存證實現數據可追溯。北電數智 “紅湖” 方案在中日友好醫院的應用中，數據泄露事件減少 58%。
2. 人才培養與組織協同
復合型人才培養：建立 “AI 訓練師 + 業務分析師” 協作機制。某國有大行 AI 訓練師薪資漲幅達行業均值 3 倍，推動智能投顧方案調整頻次從季度級躍升至分鐘級。
跨部門協作機制：打破 5 層級協作壁壘，建立 “場景提出 - 評估 - 立項 - 建設 - 運營” 閉環。某央企通過該機制將 AI 項目落地周期縮短 40%。
3. 生態共建與產業協同
央企創新聯合體：中國電科與航天科技聯合開發 “九天” 大模型，在國防、氣象領域共享算力，研發成本降低 35%。
開源生態參與：深度融入 DeepSeek 開源社區，利用 6 個蒸餾模型（如 32B 參數 R1 版）進行二次開發。某工業軟件開發商基于 DeepSeek 開發智能代碼補全功能，實施成本直降 60%。
五、未來展望：從效率工具到戰略中樞
2025 年，央國企 AI 建設將呈現三大趨勢：
算力普惠化：推理算力需求占比從 30% 提升至 70%，昇騰、海光等國產芯片規模化應用，算力成本持續下降。
場景智能化：AI 從輔助工具升級為決策中樞，如某汽車央企將 DeepSeek 嵌入生產系統，實現 “對話式” 生產調度，場景開發效率提升 80%。 生態自主化：形成 “國產模型 - 國產算力 - 國產云服務” 閉環，天翼云、華為云等平臺將成為主流選擇，推動全球 AI 產業鏈重構。
