本文来自“模型即服务：MaaS框架与应用研究报告（2024年）”，随着以大模型为核心的人工智能技术的深入发展，模型即服务(MaaS，Model as a Service)作为一种新型人工智能服务模式焕发新生。本章将明确MaaS的概念及主要的服务能力范围，剖析大模型时代MaaS快速发展的必然性，阐述MaaS在解决大模型规模化落地方面的重要意义。
1、MaaS起源与概念
MaaS基本形态早已形成。2012年美国数据科学家DJ·帕蒂尔(DJ Patil)首次提出MaaS概念1,即“将机器学习算法打包成可重复使用的服务，使企业能够快速地构建、部署和监控模型，无须开发和维护底层基础架构”,以此来适应AI模型需求快速增长的情况。
此时MaaS多以AI能力开放平台的形式存在，平台之上承载人脸识别、光学字符识别(OCR)等特定场景的AI能力。该类AI能力由若干个模型及规则、数据库等组合构成，但覆盖功能和场景有限，应用方式较为单一，主要以工具包(SDK)等方式嵌入至业务系统。传统AI模型落地成本低且泛化性不足，MaaS所带来的增益尚不明显。
大模型背景下MaaS概念是指将AI模型及其相关能力打包成可重复使用的服务，使企业能够快速高效地构建、部署、监控、调用模型，无须开发和维护底层基础能力。与早期MaaS概念相比能力范围有所拓展，一方面机器学习算法扩展至包括深度学习、大模型等在内的所有AI模型；另一方面基于模型服务，用户不仅可直接调用服务进行推理，也可基于服务进行AI应用的构建，扩大模型服务的使用范围。MaaS主要提供三部分：
一是提供包括模型训练、调优和部署等在内的全栈平台型服务，以支持低门槛的模型开发与定制，用户无需关注AI算力、框架和平台即可生产和部署模型；
二是提供包括大小模型及公私域数据集的丰富资产库服务，以支持模型和数据集的灵活快速调用，用户无须生产和部署模型即可调用模型和数据集服务；
三是提供基于AI模型的应用开发工具服务，以支持快速打造场景化应用，用户无须搭建开发工具即可进行AI应用开发。
MaaS主要具备三个显著特性。技术低门槛，有助于将模型普惠更广泛的用户群体；模型可共享，推动行业资源的有效利用和技术进步；应用易适配，使得模型服务能够快速融入业务场景。
MaaS围绕模型生产、模型调用、模型应用开发等过程，提供包括平台服务、模型服务、数据集服务、AI应用开发服务在内的全栈服务，并对模型等资产进行统一管理，提升规模化生产效率，培育和打造新质生产力，为各行业带来变革。
MaaS通过提供全流程平台工具降低技术门槛。在模型训调方面，降低了学习新型训练或调优算法的成本；在模型部署及运营管理方面，对于部署上线过程复杂等问题，提供快速部署服务，并匹配全生命周期运营监控工具，降低了模型部署和运维的技术难度。
MaaS通过提供集约化的模型库和数据集，解决重复造轮子的资源浪费问题。在管理方面，当模型从单点试验向规模化落地发展时，模型的量变将引起效率的质变，通过模型共享可减少开发资源的浪费，通过模型等数字资产的统一管理有助于提升风险可控性，资源的高效利用和规范管理将成为企业长远发展的保障；在落地方面，通过直接调用模型服务和数据集，减少了数据处理、选择模型以及模型调优部署的过程，加快了开发进度，快速响应业务需求。
MaaS通过提供模型应用的高效开发能力，适配企业规模化场景需求。在面临单个模型无法解决复杂业务需求的情况下，提供检索增强生成(RAG)、大小模型协同、插件编排等多种方式以增强模型能力，并以智能体(AI Agent)等方式向用户提供更优质的服务。MaaS让更多用户可以生产个性化的模型应用，为AI模型规模化落地提供有效路径。
二、MaaS发展现状及挑战
MaaS作为一种智能化服务新模式得到迅速发展，本章将围绕产业图谱及落地方式阐述当前MaaS的产业发展现状，并分析MaaS落地面临的挑战。
(一)MaaS产业发展现状
MaaS在人工智能产业链中处于中游位置，基于平台服务、模型及数据集服务、应用开发服务的供给能力，形成了初步的产业图谱，且各类参与方积极发挥自身优势，形成不同落地模式。
1.MaaS产业图谱初步形成
MaaS基于算力基础设施的支持，面向场景提供多种应用，具备从模型生产到模型调取并打造成AI应用的全流程能力。
MaaS产业图谱中，平台服务构成了MaaS生态系统的基座能力。国外如Google的AI Platform、微软的AzureMachine Learning以及亚马逊的Amazon SageMaker等平台，提供了从数据处理到模型训练、验证、部署及监控的流水线服务。
国内如阿里云PAI平台、腾讯云太极平台、百度千帆大模型平台和华为的ModelArts平台等，均支持多种机器学习算法和大模型，并提供低代码开发环境与高效的模型训练及部署能力，能够适应多样化的模型定制需求。
2.MaaS两种落地方式
MaaS具备公有云和私有云两种落地方式，公有云模式下模型资源更加丰富，但私有云模式下模型资源的行业领域属性更专业。
公有云方式下，通过丰富的资源可吸引更多用户而提升产品知名度，有助于进一步商业转化。其模型面向社会大众提供服务，模型的种类和数量更多，通用性更强，但是对于业务需求较高的特定场景，部分模型难以直接应用。
私有云方式下，企业内研发团队专注于研究符合垂直领域场景需求的模型，旨在通过调用模型服务以直接解决业务需求，且模型资产和数据隐私性强，各团队在模型共享的过程中可降低资产泄露的风险。
(二)MaaS发展面临的挑战
随着MaaS的快速发展，平台、模型等服务能力迅速得以完善，但MaaS在规范性、生态建设等方面仍存在不足，模型服务的易用性仍有待提升。
模型服务质量缺乏规范性。目前产业界已发布多个MaaS产品，并汇聚了大量的模型服务，但服务内容和服务质量难以统一和衡量，无法确保用户获得满意的服务。一方面模型服务本身的可用性要求尚未建立统一规范，另一方面服务规模化落地所必须的稳定性、可靠性和安全性等并未形成标准体系。
模型服务易用性不足。由于模型卡片的建设尚不完善，导致模型信息的不透明现象较为普遍。用户无法获取清晰、准确的模型信息，从而难以选择所需模型。此外，模型的可解释性也相对较弱，使得用户难以理解模型的运作机制和输出结果。因此，加强模型卡片的信息透明度，增强模型的可解释性，提升模型服务易用性，是当前面临的重要挑战。
MaaS基建成本控制能力需加强。MaaS的体系构建离不开坚实的基建支撑，涵盖云计算基础设施如算力资源和数据中心的搭建，以及专业技术人才的培育，这些都需要巨额的资金投入。因此MaaS建设方应考虑有效地管理和利用基建资产，降低运营成本提高运营效率，从而降低和控制建设成本。
合规管理体系亟需进一步完善。MaaS在合规性方面面临数据规范与权责确认的双重考验。就数据合规而言，既要关注用户在使用模型服务时个人数据的隐私安全，也要确保用于模型训练和优化的数据来源合法合规。
《半导体行业深度报告合集（2024）》
《70+篇半导体行业“研究框架”合集》
本号资料全部上传至知识星球，更多内容请登录智能计算芯知识（知识星球）星球下载全部资料。
免责申明：本号聚焦相关技术分享，内容观点不代表本号立场，可追溯内容均注明来源，发布文章若存在版权等问题，请留言联系删除，谢谢。
温馨提示：
请搜索“AI_Architect”或“扫码”关注公众号实时掌握深度技术分享，点击“阅读原文”获取更多原创技术干货。
