文|DoNews  王曉樹

編輯|楊博丞

百模大戰的背景下，越來越多的大模型廠商開始講起了“MaaS”的新故事。

這一概念為開發者和企業提供了一種全新的方式，以更高效的方式利用人工智能模型，而無需從零開始進行訓練和部署。

隨著技術不斷進步，MaaS正逐漸成為人工智能領域的新焦點，為企業和開發者提供了全新的可能性。MaaS甚至有望成為人工智能的核心商業模式，同時多模態大模型的發展也將進一步擴展AI在各個領域的落地場景。

然而，正如任何新興概念一樣，MaaS也面臨著各種爭議和挑戰，比如說有關數據隱私、質量控制以及商業模式轉型的討論。

在探討MaaS的未來前景時，讓我們深入挖掘這一概念的本質，同時探討其可能帶來的變革與機遇。從改變開發方式到影響產業格局，MaaS正逐步引領我們進入一個充滿潛力的人工智能時代。

一、什么是MaaS

近段時間，科技公司們提及最多的，除了大模型之外，就是MaaS(Modelas a Service)——模型即服務。

MaaS到底是什么？

可以從需求端開始解釋。這好比一個中小企業，現在也希望趕一波“潮流”，在數智化的大趨勢下用上AI模型幫助企業提升效率。

現狀是，如果AI模型需要自己公司研發，面臨的困境是，開發門檻高，大模型所需要的算力、算法、數據對于中小企業來說都是高成本；其次，模型的性質化要求高，模型的后期調試、訓練對人才、成本要求同樣高。

這一路走下來，花的錢還不如選擇直接在大模型廠商付費購買服務或者是解決方案。

這是中小企業面臨的難題，大模型廠商也看見了機會，于是MaaS應運而生。

在國內大模型浪潮來臨前，阿里云就提出過這個概念。2022年的云棲大會上，阿里云智能CTO周靖人提出MaaS。

此后不久，ChatGPT出現帶火了國內大模型浪潮，包括騰訊、字節跳動等為代表科技廠商紛紛選擇了這一路徑。

周靖人對其介紹稱，MaaS最底層的含義是要把模型作為重要的生產元素，圍繞模型的生命周期設計產品和技術，從模型的開發入手，包括數據處理、特征工程、模型的訓練和調優、模型的服務等，提供各種各樣的產品和技術。

簡單理解來看，模型即服務是一種創新的方法，將機器學習模型封裝成云服務，供用戶通過API調用。這意味著開發者無需從頭開始訓練模型、解決部署問題，而是可以直接在云端獲得已經訓練好的模型，用于各種任務，如圖像識別、文本生成、語音轉換等。這樣的方式節省了時間和資源，同時降低了使用門檻。

更早些時候，AWS（亞馬遜云）、谷歌云其實早已經踐行了這一概念。

在2017年，亞馬遜AWS發布了Amazon SageMaker，這是一個集成了模型訓練、部署和管理的機器學習平臺。雖然它不是嚴格意義上的MaaS，但可以被視為是MaaS發展的先驅之一，因為它使開發者能夠在云端進行模型訓練和部署。

此外，谷歌云推出的AutoML自動化機器學習平臺，允許開發者構建定制化的機器學習模型，而無需具備深入的機器學習專業知識。盡管AutoML不是嚴格的MaaS，但它也在提供類似的服務概念，將機器學習模型的創建和管理變得更加簡化。

現在，隨著國內大模型入局玩家越來越多，對MaaS探索也越來越多。目前來看，現階段的MaaS常見的落地方式有以下幾種：

自建模型服務：企業或開發者可以自行訓練模型，并將其封裝成服務供其他用戶調用。這種方式通常適用于有特定需求的企業，需要根據自身數據和業務特點進行模型訓練和優化。

開源模型框架：一些開源的機器學習框架，如TensorFlow、PyTorch等，也提供了將訓練好的模型部署為服務的功能。開發者可以使用這些框架來搭建自己的模型服務。

垂直領域解決方案：針對特定行業或領域的解決方案提供商，可能會開發和部署特定領域的模型即服務。這些解決方案可以幫助企業在特定應用場景中更快速地實現模型的應用。

容器化部署：將模型打包成容器（如Docker容器），然后通過容器編排工具（如Kubernetes）來管理和部署模型。這種方式可以實現更高的可擴展性和靈活性。

二、MaaS的兩大陣營

目前，國內MaaS玩家有兩大類，一是單純的大模型廠商，二是云計算廠商。

單純的大模型廠商，以商湯為代表。

對于MaaS，商湯是這樣說的，基于AI大裝置SenseCore和“日日新SenseNova”大模型體系，商湯面向行業伙伴提供涵蓋自動化數據標注、自定義大模型訓練、模型增量訓練、模型推理部署、開發效率提升等多種MaaS（模型即服務）服務。

例如，基于預訓練大模型的自動化數據標注可實現相較于人工數據標注近百倍的效率提升；模型推理部署服務可將大模型推理效率提高100%以上，降低用模型提供服務的成本。

云計算廠商，以阿里云、百度、騰訊為代表。

MaaS已經被云計算廠商寫入到了基因層面。此前，云計算廠商通常會把硬件資源、軟件能力以及底層框架用以提供服務，這就好比此前云計算廠商也一直會提及的SaaS、LaaS、PaaS。現在，MaaS也加入其中成為第一生產力。

舉一個比較好理解的例子，就是阿里。阿里全棧布局AI技術體系，形成IaaS、PaaS和MaaS三層架構。

阿里表示，在IaaS（Infrastructure as a Service）層，公司為AI設計了云基礎設施，包括計算的模塊、高效的網絡及儲存，如靈駿智能計算集群與彈性計算ECS集群；PaaS（Platform as a Service）層提供了豐富的大數據及機器學習產品，能夠從數據清洗開始幫助開發者訓練 模型；MaaS（Model as a Service）層包括基礎大模型/通義大模型、企業專屬大模型、魔搭社區、API服務等。

云廠商的MaaS（模型即服務）和單純的大模型廠商的MaaS在某些方面有明顯的區別，體現在以下幾個方面：

服務范圍：

云廠商的MaaS：云廠商通常提供全方位的服務，包括基礎設施、平臺、數據存儲、計算資源等。MaaS只是其中的一部分，通常與其他云服務緊密集成。

大模型廠商的MaaS：大模型廠商通常專注于特定的算法和模型，提供與其專長領域相關的服務。他們的MaaS更專注于特定的模型和算法。

自定義和靈活性：

云廠商的MaaS：由于云廠商具有豐富的資源和技術堆棧，他們通常能夠提供更多的自定義選項和靈活性，以滿足不同類型和規模的客戶需求。

大模型廠商的MaaS：可能更專注于優化和精簡特定模型的性能，可能在自定義和靈活性方面較為有限。

成本結構：

云廠商的MaaS：通常以訂閱或按使用付費的方式提供，與其他云服務整合，允許用戶靈活選擇和縮放所需的資源。

大模型廠商的MaaS：可能提供更具競爭力的定價選項，特別是對于特定模型或算法，因為他們可能能更有效地優化成本。

集成和兼容性：

云廠商的MaaS：更易于與同一云提供商的其他服務集成，可能在與其他廠商或平臺的兼容性方面存在限制。

大模型廠商的MaaS：可能更容易與多個云平臺和本地環境集成，但可能需要額外的工作來實現全面集成。

專業支持和服務質量：

云廠商的MaaS：通常具備強大的客戶支持和服務質量保證，以及全面的文檔和社區支持。

大模型廠商的MaaS：可能更注重技術支持和模型性能優化，但在服務范圍和可用性方面可能較為有限。

安全和合規：

云廠商的MaaS：通常具有全面的安全和合規性能力，能滿足各種法規和行業標準。

大模型廠商的MaaS：可能更專注于特定領域的合規需求，可能需要與其他服務提供商合作以滿足全面的安全和合規要求。

總的來說，云廠商的MaaS和大模型廠商的MaaS各有優勢，選擇哪一個取決于具體的需求、預算、靈活性和自定義需求等因素。云廠商通常提供更全面的服務和集成，而大模型廠商可能提供更專注和優化的模型服務。

三、企業怎么講好MaaS的新故事？

現階段，MaaS已然成為了行業大勢所趨。

此前，光大證券在研報中寫道，有能力的大公司提供預訓練模型，使得垂直行業的小公司能夠構建和部署AI模型，而無需投資構建和維護自己的模型所需的基礎設施、硬件和專業知識。未來，MaaS有望成為人工智能的核心商業模式，同時多模態大模型發展更進一步擴展了AI落地的場景與可能。

不過，關于MaaS也存在一些爭議。

一方面，MaaS的概念為開發者和企業帶來了很多好處，包括更快速的開發周期、更低的開發成本以及更大規模的應用范圍。

然而，也有部分人認為MaaS可能會使一些企業對模型的質量和訓練過程失去了透明度和控制權。

另外，依賴第三方提供的模型也可能引發數據隱私和安全問題。

因此，對于大模型廠商來說，講好MaaS的新故事并不是一件輕松的事，需要企業深入挖掘并展現MaaS的核心價值，同時解決和消除市場上的疑慮和顧慮。

突出MaaS的核心價值。企業需要明確展現MaaS所能帶來的價值，如加速開發周期、降低成本、增加應用范圍等，用具體的案例說明MaaS如何助力企業更好地實現目標。

增強透明度和控制權。對于擔心質量和訓練過程缺乏透明度和控制權的顧慮，企業應該提供完整的模型訓練、驗證和部署過程說明，確保客戶對所使用模型的全面了解和信任。

強調數據隱私和安全。企業必須采取嚴格的數據保護措施，并明確告知客戶數據是如何被保護的，以解決潛在的數據隱私和安全問題。

建立開放和合作的生態系統。與行業伙伴、開源社區以及學術界合作，共同推動MaaS的創新和標準化，打造更加開放和可持續發展的生態系統。

持續創新和改進服務質量。企業需要持續投入研發，提供更先進、更可靠的模型服務，不斷提高服務質量，以滿足不斷變化的市場需求。

另一面，站在客戶的角度上來看，穩定可靠、技術實力、服務保障的大模型才是最為重要的。

展望MaaS的未來，我們可以預測它將在不同領域產生深遠的影響，從而改變商業模式和產業格局。

隨著MaaS的普及，多個領域將會受益。首先，MaaS有望帶來垂直領域的定制化創新。隨著模型的進一步定制化，各行各業將能夠更好地滿足特定領域的需求。比如，在醫療、金融和制造業等領域，定制化的模型可以更好地解決領域內的問題，加速創新和效率提升。

其次，MaaS將成為小企業普及AI技術的催化劑。通過使用預訓練的模型，小型企業可以充分利用人工智能技術，而無需投入大量資金和資源來構建自己的模型。這將推動小企業在市場上更具競爭力，促進產業的多元化和創新。

與此同時，MaaS也將推動不同行業之間的協作。模型在不同領域之間的共享和應用將成為可能。例如，將自然語言處理模型與制造業的生產數據相結合，可以實現更智能的設備維護和優化，提高生產效率。

盡管MaaS的發展也面臨一些挑戰。隨著企業對模型的使用增多，數據隱私和安全問題將變得尤為突出。未來，MaaS有望推動更加隱私保護的模型開發和部署方式的創新，確保數據安全的同時實現模型的高效應用。

從商業角度來看，MaaS可能引發企業的商業模式轉型。企業可以從傳統的產品銷售轉向提供模型服務，從而實現更加穩定的收入流，同時為客戶提供更高附加值的解決方案。

MaaS模式是否能成功還需要時間來驗證。不過，隨著技術的不斷進步和市場的變化，我們或許會看到更多關于MaaS的創新和探索。無論如何，這一概念已經在加速推動機器學習模型的普及和應用，為我們帶來了更多想象空間。