MLOps 机器学习工程化 · 行业认知研究报告

NH-IND-2026-0030

MLOps 机器学习工程化 · 行业认知研究报告

制作日期 2026-09-09　 ·　 数据截止 2026-09-08

关键词MLOps 机器学习工程化 · MLOps · LLMOps / AgentOps · AIOps · 推理 / 训练 · token · 推理引擎 · 实验跟踪

面向 需要建立行业认知的投资人与产业从业者

回答 这门生意是什么 · 钱在哪一段 · 谁在赚、凭什么 · 什么会让它变

不做 不含投资建议、标的评级与目标价

补丁层的宿命：谁在赚钱、赚的是位置钱还是工具钱、落差被填平后还剩什么

行业定位：MLOps 不是一个独立行业，它是「模型能力」与「企业生产要求」之间的补丁层。落差扩大它

就长，落差被上游填平它就被吸收。

规模与结构：2026 年全球 AI 平台与模型市场 642.52 亿美元，其中数据科学与机器学习平台 264.44 亿美元、增速

36.3%；而基础生成式模型增速 104.2%。工具层的钱在变多，占比在变少——从 2025 年的 66.9% 降到 2026 年的

56.0%（Gartner《AI 平台与模型市场预测》2026-07-20，转引自 TechEdgeAI 2026-07 整理表）。

价值分配：一块钱 AI 预算里，算力与基础设施占 50–60%、模型占 10–20%、集成与运营人力占 25–35%（Softude

《AI Budget Allocation 2026》，第三档证据）。MLOps 工具层与 GPU 同挤在「基础设施」这一格里，这一格内部怎么

分没有任何公开来源可核——本报告不给这个数字，只给方向：它是这一格里的少数派。

谁在赚：赚钱的不是卖工具的，是把工具捆进平台卖的。Databricks 收入运行率从 2022 年 8 月的 10 亿美元涨到 2026 年

8 月的 70 亿美元（四年 7 倍，年化约 63%）；独立 MLOps 平台 Dataiku 从 2 亿美元 ARR 涨到 3.5 亿美元（三年 1.75

倍，年化约 20%）——年化 63% 与 20% 的差距，不是执行力差距，是位置差距。

并购方向：这条链上最值钱的独立公司全部被链上游或平台厂商买走，没有一笔发生在独立工具厂商之间。Weights &

Biases 被算力商 CoreWeave 以约 17 亿美元收购（2025-05-05 完成）；Hugging Face 被芯片商 NVIDIA 以约 129 亿美

元现金收购（2026-09-02 签约）。

唯一在长的独立层：推理服务层跑出了自己的曲线。Fireworks AI 年化收入越过 10 亿美元、估值 175 亿美元；Baseten

ARR 6 亿美元、估值 110 亿美元（均为非上市公司，数字转引自融资公告与媒体整理，属第三档证据）。原因是它的收入

随 token 用量走，而不是随工程师人数走。

最大的风险变量：同等能力的 token 单价年降约 3–7 倍。GPT-4 级能力的单位成本从 2022 年底的约 20 美元/百万 token

降到 2026 年初的约 0.40 美元/百万 token，三年多累计约 50 倍（Presenc AI 研究整理，第三档证据）。这对推理层是量

增价跌的赛跑，跑输就是收入见顶。

中国市场：商业模式尚未跑通。范式集团 2025 年收入 71.35 亿元、经调整归母净利润 1,784 万元——净利率 0.25%；星

环科技 2025 年收入 4.48 亿元、扣非净亏 2.64 亿元（各公司 2025 年度业绩公告）。

诺辉投资研究部 · 深度报告 MLOPS 机器学习工程化 · 行业认知研究报告

本报告不构成投资建议 1　/　38

第一章 · 总论：MLOps 是什么生意 2

第二章 · 需求侧：谁在买、买什么、预算从哪来 6

第三章 · 供给侧：七层分工，各层在做什么、谁在做、卡在哪 9

第四章 · 钱在哪一段：价值分配与商业模式 13

第五章 · 竞争格局：谁在赚、凭什么 16

第六章 · 技术演化与关键变量 20

第七章 · 政策、地缘与制度环境 22

第八章 · 中国市场：三处结构性差异 24

第九章 · 核心逻辑总结：价值分布、传导与关键变量 25

第十章 · A 股相关上市公司分类 28

附录 A · 关键术语表 32

附录 B · 主要企业名录（按环节） 33

附录 C · 数据来源清单 35

免责声明 37

第一章 · 总论：MLOps 是什么生意

1.1 一句话定义与边界

MLOps（Machine Learning Operations，机器学习运维）指的是：把一个在实验环境里跑通的机器学习模型，变成一个

能在真实业务里长期稳定运行的系统，这中间所需的全部工具、流程与平台。

这个定义听起来抽象，用一个具体场景就清楚了。一家银行的风控团队训练出一个反欺诈模型，在测试数据上准确率

96%。从这个状态到「这个模型每天处理三百万笔交易、七乘二十四小时不出错、监管来查时能说清它为什么拒绝了某一

笔」，中间要解决的事情包括：模型文件存在哪、谁有权限改、上线前怎么灰度、上线后准确率掉了怎么发现、发现了怎

么回滚到上一版、训练它用的那批数据三年后还能不能找到。

这些事情没有一件是「机器学习」，全部是「工程」。 MLOps 卖的就是这些事情的现成解法。

本报告的边界如下，含什么与不含什么同样重要：

数据 训练数据的采集、标注、版本管理、特征存储、向量检索通用数据库、数据仓库的常规 OLAP 用途

训练 实验跟踪、超参搜索、分布式训练调度、微调工具链模型算法本身的研究

部署 推理引擎、模型服务、路由网关、弹性伸缩 裸算力租赁、数据中心、服务器硬件

运行 追踪、评测、漂移检测、成本归属、审计与合规 通用 IT 运维（AIOps）、应用性能监控（APM）

编排 Agent 框架、工作流引擎、工具调用与记忆管理 上层业务应用本身

诺辉投资研究部 · 深度报告 MLOPS 机器学习工程化 · 行业认知研究报告

本报告不构成投资建议 2　/　38

四个明确排除项需要单独说明，因为市场经常把它们混进来：

第一，算力与数据中心不在本报告范围内。 服务器、机柜、GPU 租赁属于基础设施，它的定价逻辑是资本开支回收，与

软件工具层完全不同。把两者放进同一个「AI 基建」篮子，会得出严重失真的规模数字。

第二，模型本身不在范围内。 训练基础模型是另一门生意，它的成本结构是「一次性投入几亿到几十亿美元，然后按

token 收费」，与工具层的订阅制没有可比性。本报告在需要对照时会引用模型层的数字，但不把它算作 MLOps。

第三，通用 IT 运维不在范围内。 AIOps 指的是「用 AI 做 IT 运维」，MLOps 指的是「运维 AI」。两者中文都带「智能运

维」四个字，但一个的对象是服务器，一个的对象是模型。这个混淆在 A 股概念板块的归类里大量存在，本报告第十章会

第四，上层业务应用不在范围内。 一个 AI 客服产品、一个 AI 编程助手，它们是 MLOps 的用户，不是 MLOps 的一部

1.2 这门生意为什么存在：一条「落差」曲线

MLOps 的市场规模，不由 AI 的总规模决定，由「模型能力」与「企业能直接用的状态」

之间那道落差决定。

这是理解整条产业链的第一把钥匙，也是本报告与大多数行业研究口径不同的地方。多数报告把 MLOps 的增长挂在「AI

市场增长」上，得出「AI 涨十倍所以 MLOps 涨十倍」的结论。这个推论是错的，机制如下。

落差从哪里来。 一个模型被训练出来的时候，它的形态是一堆权重文件加一段推理代码。企业要的是一个「能接进现有

系统、有权限控制、出问题能追责、成本可预测」的服务。这两个状态之间的距离，就是落差。落差有多宽，就有多少活

要干，就有多大的市场。

落差会被两头挤压。

一头是模型厂商往下走。2023 年企业要自己搭一整套微调流水线；到 2026 年，主流模型厂商直接提供托管的微调、评

估、批量推理接口，企业不需要碰任何工具就能完成同样的事。这一段落差被模型厂商自己填掉了。

另一头是云厂商往上走。数据平台把模型注册、实验跟踪、特征存储做成自己平台的一个功能标签页，对已经在用这个平

台的客户来说是免费的。这一段落差被云厂商填掉了。

中间剩下的部分，才是独立 MLOps 厂商的市场。 这个中间地带在 2020–2023 年很宽，因为当时模型和云都还没往这里

走；2024 年之后它在被两头快速压缩。

一个可复算但无法一手核对的口径：Gartner 的市场预测把这个市场拆成四段，2025 到 2026 年的对照是——

分段 2025 年（亿美元）2026 年（亿美元） 增速

基础生成式 AI 模型 114.38 233.56 104.2%

领域专用与专项生成式模型 15.83 49.10 210.0%

AI 应用开发平台 68.85 95.41 38.6%

数据科学与机器学习平台 194.05 264.44 36.3%

合计 393.11 642.52 63.4%

（来源：Gartner《Forecast: AI Platforms and Models, Worldwide》新闻稿 2026-07-20，分段数值转引自 TechEdgeAI

2026-07 的整理表格；本报告未能取得该报告的一手页面，故标为转引。）

这张表要回答的问题是：AI 的钱在往哪一层流。答案很直接——模型层两个分段的增速是 104.2% 与 210.0%，平台层两

个分段是 38.6% 与 36.3%，差距接近三倍（Gartner《Forecast: AI Platforms and Models, Worldwide》新闻稿，

2026-07-20；分段数值转引自 TechEdgeAI 的整理表格）。

诺辉投资研究部 · 深度报告 MLOPS 机器学习工程化 · 行业认知研究报告

本报告不构成投资建议 3　/　38

用占比看更清楚：平台层（后两段）在 2025 年占整个市场的 66.9%，2026 年降到 56.0%（输入值同上，Gartner 新闻

稿 2026-07-20 转引）。（算式：2025 年 (194.05＋68.85)÷393.11＝66.9%；2026 年 (264.44＋95.41)÷642.52＝

56.0%，输入值即上表，读者可自行复算。）按这个斜率，模型层在 2027 年就会在绝对额上超过平台层。

这不是说 MLOps 在萎缩 —— 264 亿美元、36% 的增速（Gartner 新闻稿 2026-07-20 转引），放在任何一个软件

细分里都是好赛道。

但它意味着：把 MLOps 的增长曲线画成 AI 总量曲线的等比例缩小版，会系统性高估。

1.3 产业链形态判定：这是网络，不是链条

多数产业链报告用「上游—中游—下游」的分层来组织，那个形态适用于有物理流转的行业：材料变成零件、零件变成整

机、整机卖给用户，方向单一。

MLOps 不是这个形态，判据有三条：

第一，存在回路。 模型上线后产生的真实数据，会回流成为下一轮训练的输入。数据层既在最前面，也在最后面。

第二，付钱的和使用的不是同一批人。 直接使用者是算法工程师与平台工程师，付钱的是 CIO 或业务负责人。这决定了

这个行业的采购逻辑与消费级软件完全相反——好用不等于卖得动。

第三，并行通路各自成立。 同一件事（比如「把模型部署成一个服务」）至少有四条互不隶属的路径：用云厂商的托管

服务、用独立厂商的产品、用开源自建、直接调模型厂商的接口。四条路都能走通，它们不是上下游，是替代关系。

所以本报告用「框架图」而不是「分层链」来描述它。

┌──────────────────────────────────────────┐

潜在进入者 ───► │ 需 求 侧 │

芯片厂商 │ 金融 · 电商 · 制造 · 医疗 · 政务 · 互联网 │

模型厂商 │ （买家：CIO / 业务负责人；用户：工程师） │