百模大战下，刮起了MaaS的风

这一概念为开发者和企业提供了一种全新的方式，以更高效的方式利用人工智能模型，而无需从零开始进行训练和部署。

随着技术不断进步，MaaS正逐渐成为人工智能领域的新焦点，为企业和开发者提供了全新的可能性。MaaS甚至有望成为人工智能的核心商业模式，同时多模态大模型的发展也将进一步扩展AI在各个领域的落地场景。

然而，正如任何新兴概念一样，MaaS也面临着各种争议和挑战，比如说有关数据隐私、质量控制以及商业模式转型的讨论。

在探讨MaaS的未来前景时，让我们深入挖掘这一概念的本质，同时探讨其可能带来的变革与机遇。从改变开发方式到影响产业格局，MaaS正逐步引领我们进入一个充满潜力的人工智能时代。

01.
什么是MaaS

近段时间，科技公司们提及最多的，除了大模型之外，就是MaaS(Modelas a Service)——模型即服务。

MaaS到底是什么？

可以从需求端开始解释。这好比一个中小企业，现在也希望赶一波“潮流”，在数智化的大趋势下用上AI模型帮助企业提升效率。

现状是，如果AI模型需要自己公司研发，面临的困境是，开发门槛高，大模型所需要的算力、算法、数据对于中小企业来说都是高成本；其次，模型的性质化要求高，模型的后期调试、训练对人才、成本要求同样高。

这一路走下来，花的钱还不如选择直接在大模型厂商付费购买服务或者是解决方案。

这是中小企业面临的难题，大模型厂商也看见了机会，于是MaaS应运而生。

在国内大模型浪潮来临前，阿里云就提出过这个概念。2022年的云栖大会上，阿里云智能CTO周靖人提出MaaS。

此后不久，ChatGPT出现带火了国内大模型浪潮，包括腾讯、字节跳动等为代表科技厂商纷纷选择了这一路径。

周靖人对其介绍称，MaaS最底层的含义是要把模型作为重要的生产元素，围绕模型的生命周期设计产品和技术，从模型的开发入手，包括数据处理、特征工程、模型的训练和调优、模型的服务等，提供各种各样的产品和技术。

简单理解来看，模型即服务是一种创新的方法，将机器学习模型封装成云服务，供用户通过API调用。这意味着开发者无需从头开始训练模型、解决部署问题，而是可以直接在云端获得已经训练好的模型，用于各种任务，如图像识别、文本生成、语音转换等。这样的方式节省了时间和资源，同时降低了使用门槛。

更早些时候，AWS（亚马逊云）、谷歌云其实早已经践行了这一概念。

在2017年，亚马逊AWS发布了Amazon SageMaker，这是一个集成了模型训练、部署和管理的机器学习平台。虽然它不是严格意义上的MaaS，但可以被视为是MaaS发展的先驱之一，因为它使开发者能够在云端进行模型训练和部署。

此外，谷歌云推出的AutoML自动化机器学习平台，允许开发者构建定制化的机器学习模型，而无需具备深入的机器学习专业知识。尽管AutoML不是严格的MaaS，但它也在提供类似的服务概念，将机器学习模型的创建和管理变得更加简化。

现在，随着国内大模型入局玩家越来越多，对MaaS探索也越来越多。目前来看，现阶段的MaaS常见的落地方式有以下几种：

自建模型服务：企业或开发者可以自行训练模型，并将其封装成服务供其他用户调用。这种方式通常适用于有特定需求的企业，需要根据自身数据和业务特点进行模型训练和优化。

开源模型框架：一些开源的机器学习框架，如TensorFlow、PyTorch等，也提供了将训练好的模型部署为服务的功能。开发者可以使用这些框架来搭建自己的模型服务。

垂直领域解决方案：针对特定行业或领域的解决方案提供商，可能会开发和部署特定领域的模型即服务。这些解决方案可以帮助企业在特定应用场景中更快速地实现模型的应用。

容器化部署：将模型打包成容器（如Docker容器），然后通过容器编排工具（如Kubernetes）来管理和部署模型。这种方式可以实现更高的可扩展性和灵活性。

02.
MaaS的两大阵营

目前，国内MaaS玩家有两大类，一是单纯的大模型厂商，二是云计算厂商。

单纯的大模型厂商，以商汤为代表。

对于MaaS，商汤是这样说的，基于AI大装置SenseCore和“日日新SenseNova”大模型体系，商汤面向行业伙伴提供涵盖自动化数据标注、自定义大模型训练、模型增量训练、模型推理部署、开发效率提升等多种MaaS（模型即服务）服务。

例如，基于预训练大模型的自动化数据标注可实现相较于人工数据标注近百倍的效率提升；模型推理部署服务可将大模型推理效率提高100%以上，降低用模型提供服务的成本。

云计算厂商，以阿里云、百度、腾讯为代表。

MaaS已经被云计算厂商写入到了基因层面。此前，云计算厂商通常会把硬件资源、软件能力以及底层框架用以提供服务，这就好比此前云计算厂商也一直会提及的SaaS、LaaS、PaaS。现在，MaaS也加入其中成为第一生产力。

举一个比较好理解的例子，就是阿里。阿里全栈布局AI技术体系，形成IaaS、PaaS和MaaS三层架构。

阿里表示，在IaaS（Infrastructure as a Service）层，公司为AI设计了云基础设施，包括计算的模块、高效的网络及储存，如灵骏智能计算集群与弹性计算ECS集群；PaaS（Platform as a Service）层提供了丰富的大数据及机器学习产品，能够从数据清洗开始帮助开发者训练 模型；MaaS（Model as a Service）层包括基础大模型/通义大模型、企业专属大模型、魔搭社区、API服务等。

云厂商的MaaS（模型即服务）和单纯的大模型厂商的MaaS在某些方面有明显的区别，体现在以下几个方面：

服务范围：

云厂商的MaaS：云厂商通常提供全方位的服务，包括基础设施、平台、数据存储、计算资源等。MaaS只是其中的一部分，通常与其他云服务紧密集成。

大模型厂商的MaaS：大模型厂商通常专注于特定的算法和模型，提供与其专长领域相关的服务。他们的MaaS更专注于特定的模型和算法。

自定义和灵活性：

云厂商的MaaS：由于云厂商具有丰富的资源和技术堆栈，他们通常能够提供更多的自定义选项和灵活性，以满足不同类型和规模的客户需求。

大模型厂商的MaaS：可能更专注于优化和精简特定模型的性能，可能在自定义和灵活性方面较为有限。

成本结构：

云厂商的MaaS：通常以订阅或按使用付费的方式提供，与其他云服务整合，允许用户灵活选择和缩放所需的资源。

大模型厂商的MaaS：可能提供更具竞争力的定价选项，特别是对于特定模型或算法，因为他们可能能更有效地优化成本。

集成和兼容性：

云厂商的MaaS：更易于与同一云提供商的其他服务集成，可能在与其他厂商或平台的兼容性方面存在限制。

大模型厂商的MaaS：可能更容易与多个云平台和本地环境集成，但可能需要额外的工作来实现全面集成。

专业支持和服务质量：

云厂商的MaaS：通常具备强大的客户支持和服务质量保证，以及全面的文档和社区支持。

大模型厂商的MaaS：可能更注重技术支持和模型性能优化，但在服务范围和可用性方面可能较为有限。

安全和合规：

云厂商的MaaS：通常具有全面的安全和合规性能力，能满足各种法规和行业标准。

大模型厂商的MaaS：可能更专注于特定领域的合规需求，可能需要与其他服务提供商合作以满足全面的安全和合规要求。

总的来说，云厂商的MaaS和大模型厂商的MaaS各有优势，选择哪一个取决于具体的需求、预算、灵活性和自定义需求等因素。云厂商通常提供更全面的服务和集成，而大模型厂商可能提供更专注和优化的模型服务。

03.
企业怎么讲好MaaS的新故事？

现阶段，MaaS已然成为了行业大势所趋。

此前，光大证券在研报中写道，有能力的大公司提供预训练模型，使得垂直行业的小公司能够构建和部署AI模型，而无需投资构建和维护自己的模型所需的基础设施、硬件和专业知识。未来，MaaS有望成为人工智能的核心商业模式，同时多模态大模型发展更进一步扩展了AI落地的场景与可能。

不过，关于MaaS也存在一些争议。

一方面，MaaS的概念为开发者和企业带来了很多好处，包括更快速的开发周期、更低的开发成本以及更大规模的应用范围。

然而，也有部分人认为MaaS可能会使一些企业对模型的质量和训练过程失去了透明度和控制权。

另外，依赖第三方提供的模型也可能引发数据隐私和安全问题。

因此，对于大模型厂商来说，讲好MaaS的新故事并不是一件轻松的事，需要企业深入挖掘并展现MaaS的核心价值，同时解决和消除市场上的疑虑和顾虑。

突出MaaS的核心价值。企业需要明确展现MaaS所能带来的价值，如加速开发周期、降低成本、增加应用范围等，用具体的案例说明MaaS如何助力企业更好地实现目标。

增强透明度和控制权。对于担心质量和训练过程缺乏透明度和控制权的顾虑，企业应该提供完整的模型训练、验证和部署过程说明，确保客户对所使用模型的全面了解和信任。

强调数据隐私和安全。企业必须采取严格的数据保护措施，并明确告知客户数据是如何被保护的，以解决潜在的数据隐私和安全问题。

建立开放和合作的生态系统。与行业伙伴、开源社区以及学术界合作，共同推动MaaS的创新和标准化，打造更加开放和可持续发展的生态系统。

持续创新和改进服务质量。企业需要持续投入研发，提供更先进、更可靠的模型服务，不断提高服务质量，以满足不断变化的市场需求。

另一面，站在客户的角度上来看，稳定可靠、技术实力、服务保障的大模型才是最为重要的。

展望MaaS的未来，我们可以预测它将在不同领域产生深远的影响，从而改变商业模式和产业格局。

随着MaaS的普及，多个领域将会受益。首先，MaaS有望带来垂直领域的定制化创新。随着模型的进一步定制化，各行各业将能够更好地满足特定领域的需求。比如，在医疗、金融和制造业等领域，定制化的模型可以更好地解决领域内的问题，加速创新和效率提升。

其次，MaaS将成为小企业普及AI技术的催化剂。通过使用预训练的模型，小型企业可以充分利用人工智能技术，而无需投入大量资金和资源来构建自己的模型。这将推动小企业在市场上更具竞争力，促进产业的多元化和创新。

与此同时，MaaS也将推动不同行业之间的协作。模型在不同领域之间的共享和应用将成为可能。例如，将自然语言处理模型与制造业的生产数据相结合，可以实现更智能的设备维护和优化，提高生产效率。

尽管MaaS的发展也面临一些挑战。随着企业对模型的使用增多，数据隐私和安全问题将变得尤为突出。未来，MaaS有望推动更加隐私保护的模型开发和部署方式的创新，确保数据安全的同时实现模型的高效应用。

从商业角度来看，MaaS可能引发企业的商业模式转型。企业可以从传统的产品销售转向提供模型服务，从而实现更加稳定的收入流，同时为客户提供更高附加值的解决方案。

MaaS模式是否能成功还需要时间来验证。不过，随着技术的不断进步和市场的变化，我们或许会看到更多关于MaaS的创新和探索。无论如何，这一概念已经在加速推动机器学习模型的普及和应用，为我们带来了更多想象空间。