《DeepSeek 私有化部署与政务央企 AI 落地》-1天

《DeepSeek 私有化部署与政务央企 AI 落地》

把 AI 关进自家机房，还能借到外面的能力

主讲：白涛

【课程背景】

在十五五将人工智能上升为国家战略、国资委全面推进 AI+ 专项行动的背景下，政务与央企单位正被推着走进大模型时代：上级要应用覆盖率、考核要落地成效，但实际推进却被一道道合规红线牢牢框住。多数单位把 AI 私有化当成一道技术题来立项，结果普遍卡在三处：说不清到底要不要私有化，说不清要花多少代价、怎么向一把手开口，说不清先拿哪个场景下手。

本课程不堆模型原理，而是站在决策者的椅子上，把 AI 私有化落地还原成一道在合规红线内、投入产出算得清、风险控得住的经营决策题。课程沿着"让不让用—要不要做—花多少代价—数据怎么喂—先跑哪个场景—如何长期运营"的主线展开，帮单位在合规前提下把 AI 真正用起来。

课程只解决一个真问题：怎么让 DeepSeek 在你单位内网里安全落地，并且真的被用起来。

【课程收益】

明确本单位 AI 应用的合规边界与落地门槛，能向一把手讲清"让不让用、用到哪一步"

掌握私有化、调用、混合三种路线的选型逻辑，能在一页纸内定下适用本单位的部署方式

算清 AI 项目的算力、人才、隐性三本账，能用"省了多少、控住什么风险"替代技术参数做汇报

用四库把单位沉淀的制度、公文、案例变成 AI 可用资产，建立不泄密的数据喂养路径

套用场景价值公式筛掉伪需求，带走一张从试点到推广的 90 天路线图，回去就能跑通第一个 demo

【课程特色】

以合规红线为起点定技术路线，全程站在决策者的椅子上算投入产出，不堆参数与模型原理

五个决策问题环环相扣，顺着让不让用、花多少代价、先跑哪个场景层层推进，逻辑不断链

每个模块都落到一张可带走的表或图，结课交付四份直接可用于汇报的成品

政策高度与实践深度并重，案例取自政务央企真实落地场景，覆盖能源、政务、制造多个行业

【课程对象】

政务与央企单位的信息化、数字化分管领导，CIO、CTO，科技与信息化部门负责人，数据管理与网络安全负责人，以及数字化转型与 AI 项目的牵头人

【课程时间】

1天（6小时/天）

【课程大纲】

模块一：上面到底让不让用、方向对不对？

本模块帮学员判断 AI 应用上面让不让、方向对不对，找准落子的战略坐标，同时分清"真涉密"与"怕担责"的边界。

1. 国家 AI 战略与十五五政策信号

• 十五五对 AI 的战略定位（从工具升级为生产要素）

• 国家支持与明令禁止的 AI 应用边界

• 国资委 AI+ 要求如何转化为本单位任务

研讨：对照政策信号，本单位哪些业务最该被 AI 优先赋能

2. 政务央企 AI 落地的三道门槛

• AI 应用的三道合规门槛（数据出境、等保、密评）

• 用投入产出判断 AI 是否值得投入

• 自主可控与运维能力如何决定用得稳不稳

自我评估：本企业当前卡在三道门槛的哪一道

3. 私有化部署在战略棋盘里的位置

• 数据主权为何是政务央企绕不开的底线

• 私有化保住的四件事（数据留内、模型可审计、权限可控、合规可交代）

• 私有化解决不了的短板（算力高、迭代慢、需专人运维）

• 私有化与 API 调用如何组合（混合架构兼顾安全与能力）

案例：某能源央企把 AI 写进十五五规划的顶层表述与落地节奏

案例：某省级政务平台因数据出境被叫停的教训与整改

模块二：要花多少钱、怎么跟领导交代？

本模块讲清开源与闭源、全量与蒸馏的取舍逻辑，算清算力、人才与隐性三本账，帮学员用决策语言把 AI 项目讲成一把手听得懂的经营账。

1. 开源与闭源模型的取舍

• 开源模型的优势与代价（可私有化、需自运维）

• 闭源模型的适用边界（能力强、数据出域受限）

• 信创与国产化替代梯度（从芯片到模型）

案例：某制造业集团闭源对外、开源对内的双轨策略

2. 全量与蒸馏模型的权衡

• 全量模型的精度与部署门槛

• 蒸馏模型的成本与轻量化收益

• 参数规模的场景匹配（7B 边缘、32B 通用、70B 复杂推理）

• 国产化底座的可行性（昇腾算力、国产基座、行业垂类应用）

演练：给本单位三个业务定下技术路线组合

3. 算清算力、人才、隐性三本账

• 自建 GPU 集群的成本账（长期摊销与按次调用对照）

• AI 团队的角色配置（算法、运维、标注哪些自有）

• 易被低估的隐性成本（数据治理、安全合规、试错返工）

案例：同为 700 亿参数模型，两家企业落地成本差三倍的关键原因

4. 用决策语言向一把手汇报 AI 项目

• 向一把手汇报的篇幅与切入（一页纸讲业务问题）

• 用业务语言替代技术参数（省了多少、控住什么风险）

• 混合架构的内外分工（敏感留内、通用借外）

演练：把"我要上大模型"改写成一句能立项的生意话

模块三：数据怎么喂进去还不泄密？

本模块讲透如何把单位沉淀的制度、公文、案例变成 AI 可用资产，同时让喂养过程不泄密。

1. 用四库把单位老经验变成 AI 资产

• AI 如何理解制度规范标准

• AI 如何理解公文工单与对话

• AI 如何借鉴成败案例

• AI 如何学会规范出活（报告、方案、审批单范式）

2. 数据治理的五道关

• 数据分类分级（哪些能喂、哪些绝对不能喂）

• 脱敏与按角色授权（谁能看、看到什么程度）

• 传输存储加密溯源（出问题追到源头）

• 数据质量自识别（脏数据与矛盾数据自动拦截）

3. 让数据喂养既安全又可用

• 知识库权限的分级管控

• 敏感数据的脱敏入库流程

• 进料红线的判定口径与责任主体

演练：给本单位的制度公文设计一条安全的喂养路径

模块四：先拿哪个场景下手能跑通？

本模块给出筛掉伪需求的方法和高价值场景清单，并规划从试点到推广的 90 天路线。

1. 三分钟筛掉伪需求的场景价值公式

• 场景价值公式（业务价值 × 数据可用 × 流程契合）

• 高频维度如何决定降本规模

• 高价值维度如何决定优先级

• 低风险维度如何决定能否先上

演练：用公式给本部门 10 个 AI 想法现场打分排序

2. 高价值场景清单按风险排序

• 低风险的典型应用场景（公文起草、制度问答、培训助教、会议纪要等）

• 中风险的慎推场景（合同审查、客服问答、数据分析、招采辅助等）

• 高风险场景的人审闭环（决策辅助与自动审批必须保留人审）

案例：某部委公文智能起草试点 90 天见效的范围与边界

3. 从试点到规模化的 90 天路线图

• 0 至 30 天选场景搭最小环境跑通首个 demo

• 30 至 60 天小范围试用、收集反馈、调优四库与提示词

• 60 至 90 天固化流程、建运营机制、形成可复制模板

行动承诺：各组定下本企业 AI 试点的下一步计划与责任人

模块五：怎么让模型越用越聪明、长期不被套牢？

本模块讲清人机协同怎么让业务真的用起来、模型怎么越用越聪明，建立能长期运营、持续见效的机制。

1. 人机协同三模式怎么设计

• 三种协同模式（辅助决策、初评复核、自主监督）

• 按风险等级选择协同模式的分级口径

• 业务专家主导原则（IT 不能替业务写规则）

• 专家精力重构（从八成处理转到八成决策）

案例：某央企用"AI 初评加专家复核"重构评审流程

2. 反馈闭环如何驱动模型迭代

• 持续迭代五路径（联邦、蒸馏、对标、协同、校准）

• 反馈闭环如何驱动模型迭代

• RAG 检索增强如何低成本更新知识

• 模型效果的可量化评估

案例：某能源央企知识库上线半年准确率提升曲线

3. 算力与人才的长效保障

• GPU 算力的弹性调度与成本管控

• AI 团队的岗位配置与能力建设

• 外部生态如何补自有短板

• 四库如何成为解耦供应商的筹码

研讨：本单位 AI 长效运营的最大短板在哪

【课程成果】

一份《本单位 AI 私有化可行性判断表》，回答要不要做、走哪条路线

一份《第一批 AI 试点场景优先级表》，回答先让 AI 干哪几件事

一份《人机协同最小落地机制草图》，回答谁主导、谁复核、AI 做哪段

一张从试点到推广的 90 天路线图，写明首个 demo 与责任人

【教学方式】

讲师讲授与案例剖析，用政务央企真实场景讲清选型与落地逻辑

小组讨论与白板共创，围绕三道门槛、场景打分现场对齐共识

实战演练与模板工具，现场填写选型对照表、汇报一页纸与 90 天路线图

问答互动与行动规划，结课产出本单位可落地的第一步行动