【经管讲堂·AI经管实践】中天科技开建「光电协同智算中心」——制造企业AI基础设施建设

案例背景

2026年6月，江苏中天科技股份有限公司宣布在南通经开区开建首座「光电协同智算中心」。这一项目总投资约15亿元人民币，规划建设总算力达500P FLOPS（每秒5亿亿次浮点运算）的AI算力集群，并创新性地将光通信技术与电计算技术深度融合，形成「光电协同」的独特架构。项目预计2027年建成投产，届时将成为中国制造业企业中规模最大的自主智算中心之一。

中天科技是国内领先的光纤光缆、海缆、电力线缆制造商，近年来积极布局新能源、海洋工程、智能制造等新业务。此次建设智算中心，表面上看是IT基础设施建设，实质上反映了中天科技对AI时代制造业竞争格局的深刻判断：未来的制造业竞争，不仅是产品和市场的竞争，更是AI基础设施的竞争。谁拥有更强的算力、更好的数据、更智能的算法，谁就能在智能制造、预测性维护、供应链优化、产品研发等方面取得领先优势。

「光电协同」是中天科技智算中心的最大亮点。传统智算中心主要采用电计算架构（CPU、GPU、内存等通过电路互连），而中天科技将自家的光通信技术引入智算中心，用光互连替代部分电互连，大幅降低了数据传输的延迟和能耗。据中天科技测算，「光电协同」架构可以将智算中心的能效比（Performance per Watt）提高30%以上，将大规模模型训练的通信延迟降低50%以上。

核心分析

一、制造业AI基础设施的投资决策框架

制造企业是否应该建设自己的智算中心？这是一个复杂的投资决策问题。传统的观点认为，制造企业应该专注于制造，IT和AI能力应该外包或通过云服务获得。但近年来，这一观念正在发生改变。随着AI在制造业的应用越来越深入，数据安全、定制化需求、实时性要求等问题使得公有云服务不再是最优选择。

制造企业建设AI基础设施的决策框架，应该考虑以下几个维度。第一是「数据敏感性」。如果企业的生产数据、工艺数据、质量数据涉及核心商业秘密，那么将数据放在公有云上存在安全风险。自建智算中心可以将数据留在企业内部，确保数据安全。中天科技作为海缆和电力线缆供应商，其产品广泛应用于国家重点工程，数据敏感性较高，自建智算中心是合理的选择。

第二是「算力需求规模」。如果企业的AI算力需求达到一定的规模（如每日训练任务超过100个、推理请求超过1亿次），那么自建算力的成本可能低于租用公有云。中天科技规划500P FLOPS的算力，显然已经达到了规模经济阈值。

第三是「技术整合需求」。如果企业需要将AI深度整合到生产流程中，实现实时推理、边缘计算、闭环控制，那么公有云的延迟和带宽限制可能成为瓶颈。自建智算中心可以更好地支持这些需求。

第四是「战略定位」。如果企业将AI能力视为核心竞争力，那么控制AI基础设施就是战略必需。中天科技显然将AI能力视为未来竞争力的关键，因此选择自建而非租用。

二、「光电协同」架构的技术经济分析

「光电协同」是一个技术上的创新，但其背后有着深刻的技术经济逻辑。在传统的电计算架构中，芯片之间的互连（如GPU与GPU之间、CPU与内存之间）通过电路实现。随着算力需求的爆炸式增长，电互连的瓶颈越来越明显：传输延迟高、能耗大、散热难。光互连则具有延迟低、带宽大、能耗低的优势，但成本较高，且光器件的集成度不如电器件。

中天科技的「光电协同」架构，就是在电计算的基础上，引入光互连技术，将两者优势互补。具体来说，在芯片内部和芯片之间短距离互连仍然使用电互连（因为成本低、集成度高），在服务器之间、机架之间、数据中心之间的长距离互连使用光互连（因为延迟低、带宽大）。这种混合架构既控制了成本，又获得了性能提升。

从技术经济角度看，「光电协同」架构的投资回报来自两个方面。一是「能效提升」带来的运营成本节约。智算中心的电力成本通常占总运营成本的30-40%，能效比提高30%，意味着电力成本降低约10-15%。对于一个15亿元投资的智算中心，年均电力成本可能在5000万元左右，能效提升可以节约500-750万元/年。

二是「性能提升」带来的业务价值。通信延迟降低50%，意味着大规模模型训练的时间可以缩短，AI模型的迭代速度可以加快。对于竞争激烈的市场，时间就是金钱。如果AI模型提前一个月上线，可能带来数千万元的业务价值。

当然，「光电协同」架构也面临挑战。光通信器件的成本仍然较高，且可靠性不如电互连。中天科技作为光通信技术的领先企业，在降低成本和提高可靠性方面具有独特优势，这也是其敢于采用这一架构的原因。

三、传统制造企业数字化转型的基础设施先行策略

中天科技建设智算中心的举措，体现了一种「基础设施先行」的数字化转型策略。传统的制造企业数字化转型，通常从应用层开始：先上ERP、MES、PLM等信息系统，再逐步引入数据分析、机器学习等AI能力。这种「应用先行」的策略，优点是风险小、见效快，缺点是容易形成「数据孤岛」，AI能力难以深度整合。

「基础设施先行」策略则反其道而行之：先建设统一的AI基础设施（算力、数据平台、算法平台），再在此基础上开发应用。这种策略的优点是顶层设计完整、数据打通容易、AI能力可以复用；缺点是前期投资大、见效慢、风险高。

中天科技选择「基础设施先行」，与其行业地位和技术能力密切相关。作为国内光通信和电缆行业的龙头企业，中天科技有雄厚的资金实力来承担前期投资；有强大的技术团队来建设和运营智算中心；有丰富的应用场景（智能制造、预测性维护、供应链优化、产品研发等）来消化算力。

对于其他传统制造企业，「基础设施先行」策略是否适用，需要根据自身情况判断。如果企业规模较小、数字化基础较弱、AI应用场景不明朗，那么「应用先行」可能是更稳妥的选择。先从一个小的AI应用开始（如产品质量视觉检测），验证价值后再逐步扩大。如果企业规模较大、有一定数字化基础、AI应用场景清晰，那么可以考虑「基础设施先行」，建设企业级的AI平台。

无论选择哪种策略，关键是要避免「为了数字化而数字化」。数字化转型的目的是提升企业竞争力，而不是堆砌技术。智算中心本身不是目的，通过智算中心赋能业务、创造价值才是目的。

管理启示

第一，制造企业的AI基础设施建设需要基于清晰的战略思考，而非技术跟风。企业应该根据自身的数据敏感性、算力需求规模、技术整合需求、战略定位，决定是自建、租用还是混合模式。

第二，「光电协同」等技术创新可以为AI基础设施带来性能和成本优势，但也需要相应的技术能力来支撑。企业在采用新技术时，应该评估自身的技术能力和风险承受能力。

第三，数字化转型的「基础设施先行」策略适用于有一定规模和能力的企业，但并非所有企业都适合。企业应该根据自己的实际情况，选择适合的策略。

第四，AI基础设施的投资回报不仅来自直接的成本节约和效率提升，更来自业务模式的创新和竞争优势的构建。企业应该以更广阔的视角评估AI基础设施的价值。

其他思考

1. 当中天科技这样的制造企业建设智算中心时，是否会与专业的云服务商（如阿里云、华为云）形成竞争关系？这种竞争对AI基础设施市场格局将产生什么影响？
2. 「光电协同」架构如果成功，是否会引发智算中心建设的新技术标准？传统的电计算架构是否会被逐步替代？
3. 制造企业的AI基础设施，是否应该向行业开放，成为行业级的公共服务平台？这种模式是否更有利于整个行业的数字化转型？

关键词：光电协同智算中心，制造业AI基础设施，数字化转型，投资决策框架，技术经济分析

来源：第一财经