“百模大戰(zhàn)”下，刮起了MaaS的風

撰文 | 王曉樹

編輯 | 楊博丞

題圖 | IC Photo

百模大戰(zhàn)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(fā)者和企業(yè)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(yè)和開發(fā)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(yè)模式，同時多模態(tài)大模型的發(fā)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(zhàn)，比如說有關數(shù)據(jù)隱私、質(zhì)量控制以及商業(yè)模式轉(zhuǎn)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(zhì)，同時探討其可能帶來的變革與機遇。從改變開發(fā)方式到影響產(chǎn)業(yè)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(yè)，現(xiàn)在也希望趕一波“潮流”，在數(shù)智化的大趨勢下用上AI模型幫助企業(yè)提升效率。

現(xiàn)狀是，如果AI模型需要自己公司研發(fā)，面臨的困境是，開發(fā)門檻高，大模型所需要的算力、算法、數(shù)據(jù)對于中小企業(yè)來說都是高成本；其次，模型的性質(zhì)化要求高，模型的后期調(diào)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(yè)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(nèi)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(xiàn)帶火了國內(nèi)大模型浪潮，包括騰訊、字節(jié)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(chǎn)元素，圍繞模型的生命周期設計產(chǎn)品和技術，從模型的開發(fā)入手，包括數(shù)據(jù)處理、特征工程、模型的訓練和調(diào)優(yōu)、模型的服務等，提供各種各樣的產(chǎn)品和技術。

簡單理解來看，模型即服務是一種創(chuàng)新的方法，將機器學習模型封裝成云服務，供用戶通過API調(diào)用。這意味著開發(fā)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(jīng)訓練好的模型，用于各種任務，如圖像識別、文本生成、語音轉(zhuǎn)換等。這樣的方式節(jié)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(jīng)踐行了這一概念。

在2017年，亞馬遜AWS發(fā)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(fā)展的先驅(qū)之一，因為它使開發(fā)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(fā)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(yè)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(chuàng)建和管理變得更加簡化。

現(xiàn)在，隨著國內(nèi)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(xiàn)階段的MaaS常見的落地方式有以下幾種：

自建模型服務：企業(yè)或開發(fā)者可以自行訓練模型，并將其封裝成服務供其他用戶調(diào)用。這種方式通常適用于有特定需求的企業(yè)，需要根據(jù)自身數(shù)據(jù)和業(yè)務特點進行模型訓練和優(yōu)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(fā)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(yè)或領域的解決方案提供商，可能會開發(fā)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(yè)在特定應用場景中更快速地實現(xiàn)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(xiàn)更高的可擴展性和靈活性。

二、MaaS的兩大陣營

目前，國內(nèi)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(yè)伙伴提供涵蓋自動化數(shù)據(jù)標注、自定義大模型訓練、模型增量訓練、模型推理部署、開發(fā)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(shù)據(jù)標注可實現(xiàn)相較于人工數(shù)據(jù)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(jīng)被云計算廠商寫入到了基因?qū)用?。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?，F(xiàn)在，MaaS也加入其中成為第一生產(chǎn)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(wǎng)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(shù)據(jù)及機器學習產(chǎn)品，能夠從數(shù)據(jù)清洗開始幫助開發(fā)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(yè)專屬大模型、魔搭社區(qū)、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(qū)別，體現(xiàn)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(shù)據(jù)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(guī)模的客戶需求。

大模型廠商的MaaS：可能更專注于優(yōu)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(yōu)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(huán)境集成，但可能需要額外的工作來實現(xiàn)全面集成。

專業(yè)支持和服務質(zhì)量：

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

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

安全和合規(guī)：

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

大模型廠商的MaaS：可能更專注于特定領域的合規(guī)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(guī)要求。

總的來說，云廠商的MaaS和大模型廠商的MaaS各有優(yōu)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(yōu)化的模型服務。

三、企業(yè)怎么講好MaaS的新故事？

現(xiàn)階段，MaaS已然成為了行業(yè)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(yè)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(yè)知識。未來，MaaS有望成為人工智能的核心商業(yè)模式，同時多模態(tài)大模型發(fā)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(fā)者和企業(yè)帶來了很多好處，包括更快速的開發(fā)周期、更低的開發(fā)成本以及更大規(guī)模的應用范圍。

然而，也有部分人認為MaaS可能會使一些企業(yè)對模型的質(zhì)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(fā)數(shù)據(jù)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(yè)深入挖掘并展現(xiàn)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(yè)需要明確展現(xiàn)MaaS所能帶來的價值，如加速開發(fā)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(yè)更好地實現(xiàn)目標。

增強透明度和控制權。對于擔心質(zhì)量和訓練過程缺乏透明度和控制權的顧慮，企業(yè)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(diào)數(shù)據(jù)隱私和安全。企業(yè)必須采取嚴格的數(shù)據(jù)保護措施，并明確告知客戶數(shù)據(jù)是如何被保護的，以解決潛在的數(shù)據(jù)隱私和安全問題。

建立開放和合作的生態(tài)系統(tǒng)。與行業(yè)伙伴、開源社區(qū)以及學術界合作，共同推動MaaS的創(chuàng)新和標準化，打造更加開放和可持續(xù)發(fā)展的生態(tài)系統(tǒng)。

持續(xù)創(chuàng)新和改進服務質(zhì)量。企業(yè)需要持續(xù)投入研發(fā)，提供更先進、更可靠的模型服務，不斷提高服務質(zhì)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(wěn)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(chǎn)生深遠的影響，從而改變商業(yè)模式和產(chǎn)業(yè)格局。

隨著MaaS的普及，多個領域?qū)芤?。首先，MaaS有望帶來垂直領域的定制化創(chuàng)新。隨著模型的進一步定制化，各行各業(yè)將能夠更好地滿足特定領域的需求。比如，在醫(yī)療、金融和制造業(yè)等領域，定制化的模型可以更好地解決領域內(nèi)的問題，加速創(chuàng)新和效率提升。

其次，MaaS將成為小企業(yè)普及AI技術的催化劑。通過使用預訓練的模型，小型企業(yè)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(yè)在市場上更具競爭力，促進產(chǎn)業(yè)的多元化和創(chuàng)新。

與此同時，MaaS也將推動不同行業(yè)之間的協(xié)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(yè)的生產(chǎn)數(shù)據(jù)相結合，可以實現(xiàn)更智能的設備維護和優(yōu)化，提高生產(chǎn)效率。

盡管MaaS的發(fā)展也面臨一些挑戰(zhàn)。隨著企業(yè)對模型的使用增多，數(shù)據(jù)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(fā)和部署方式的創(chuàng)新，確保數(shù)據(jù)安全的同時實現(xiàn)模型的高效應用。

從商業(yè)角度來看，MaaS可能引發(fā)企業(yè)的商業(yè)模式轉(zhuǎn)型。企業(yè)可以從傳統(tǒng)的產(chǎn)品銷售轉(zhuǎn)向提供模型服務，從而實現(xiàn)更加穩(wěn)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(chuàng)新和探索。無論如何，這一概念已經(jīng)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。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。